一种基于解耦训练的卷积神经网络活动识别方法技术

本发明专利技术涉及一种基于解耦训练的卷积神经网络活动识别方法，包括：采集人体活动信号数据，对所述人体活动信号数据进行标记，获得活动类型；设置滑动窗口和重叠率为固定长度，基于所述滑动窗口和所述重叠率对所述人体活动信号数据进行预处理，获得样本数据；将所述样本数据输入到RepHAR解耦网络中进行训练，将训练完成的所述RepHAR解耦网络导入可穿戴识别设备，获取活动识别结果；本发明专利技术可同时具备多分枝网络高精度和普通网络的实时性优点，实现了速度和精度均衡的活动识别应用。了速度和精度均衡的活动识别应用。了速度和精度均衡的活动识别应用。

【技术实现步骤摘要】
一种基于解耦训练的卷积神经网络活动识别方法


[0001]本专利技术涉及人工智能
，特别是涉及一种基于解耦训练的卷积神经网络活动识别方法。

技术介绍

[0002]传感技术和可穿戴设备的不断改进，推动了人类活动识别在智能医疗领域从概念到实施的过程。与使用基于视觉方法的人体活动识别相比，基于可穿戴传感器的活动识别方法可以为用户提供高度的舒适性和隐私性。基于可穿戴和移动传感器监测实时的日常活动，特别是老年人的跌倒和事故，在智能医疗中意义重大。
[0003]近年来，研究人员将注意力转向了基于深度学习的人体活动方法，这些方法避免了手工提取特征，在不增加劳动设计成本的情况下实现了有效的性能增益。深度神经网络，特别是卷积神经网络，已经在各种活动识别任务中获得了成功。因此，计算机视觉研究正在从特征工程过渡到精心设计的网络工程，这使得模型架构越来越复杂。研究人员最近发现，多分支架构在相同的网络架构深度下，可以比单路径模型提供更好的识别结果，因为多分支架构在对偶性差距方面的非凸性更小。然而，盲目追求准确性的提高是不明智的，因为这也给硬件受限的物联网设备带来了更高的延迟和沉重的计算代价。
[0004]根据当前署名专利技术人的工作发现，基于复杂卷积神经网络的算法模型，提升识别精度的同时将引入极大的计算负担，这导致低成本、弱运算的可穿戴识别设备严重的推理延迟，因此难以部署和推广。另一方面，虽然基于朴素卷积神经网络模型框架可实现低延迟的推理要求，但因有限的特征提取能力，推理精度难以满足识别要求。因此，本专利技术提供了一种基于解耦训练的卷积神经网络活动识别方法。

技术实现思路

[0005]本专利技术的目的是提供一种基于解耦训练的卷积神经网络活动识别方法，以实现速度和精度的均衡识别，降低可穿戴识别设备的硬件门槛。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]一种基于解耦训练的卷积神经网络活动识别方法，包括：
[0008]采集人体活动信号数据，对所述人体活动信号数据进行标记，获得活动类型；
[0009]设置滑动窗口和重叠率为固定长度，基于所述滑动窗口和所述重叠率对所述人体活动信号数据进行预处理，获得样本数据；
[0010]将所述样本数据输入到RepHAR解耦网络中进行训练，将训练完成的所述RepHAR解耦网络导入可穿戴识别设备，获取活动识别结果；
[0011]其中，所述RepHAR解耦网络通过结构重参数化方法将模型解耦为多分支网络和卷积神经网络。
[0012]优选地，采集所述人体活动信号数据，对所述人体活动信号数据进行标记，获得活动类型包括：
[0013]利用可穿戴传感器采集人体活动信号数据，通过录制视频对不同动作类型进行时间戳种类标注。
[0014]优选地，采集的所述人体活动信号数据包括加速度信号、陀螺仪信号、磁力计信号。
[0015]优选地，对所述滑动窗口和重叠率设置固定长度，包括：
[0016]根据采集设备的采样频率计算时间间隔，所述采样频率根据动作类型进行设置；基于所述时间间隔将所述滑动窗口的长度设置为所述采样频率倒数的整倍数，所述重叠率的长度设置为固定阈值，其中所述采集设备为可穿戴传感器。
[0017]优选地，对所述人体活动信号数据进行预处理包括：
[0018]将采集的所述活动信号数据进行降噪、归一化处理，获得所述样本数据，将所述样本数据输入到所述RepHAR解耦网络中进行训练。
[0019]优选地，所述RepHAR解耦网络包括训练子网络和推理子网络；所述训练子网络包括主卷积层、子卷积层和第一全连接层，所述主卷积层和所述子卷积层为并行双拓扑结构，所述主卷积层和所述子卷积层内分别进行特征提取且互不干涉，并通过反向传播算法进行参数更新；所述推理子网络包括整合卷积层和第二全连接层，其中，所述整合卷积层为重参数解耦算法所得；所述RepHAR解耦网络通过最终输出的得分值判断对应的活动类型。
[0020]优选地，当所述训练子网络的训练精度满足要求后结束训练循环，即满足给定停机准则后，生成模型网络识别文件，若所述训练精度不满足所述停机准则，则通过超参数调节方法增加识别精度；其中，所述模型网络识别文件用于移植到具备神经网络处理单元的可穿戴识别设备上进行活动识别。
[0021]优选地，所述可穿戴识别设备包括但不限于智能手表、智能手机、专业传感器设备以及其他具备神经网络处理单元的识别装置。
[0022]优选地，所述RepHAR解耦网络为：
[0023][0024]其中，F
(2)
为输出特征图，W
’
i
为等效权重，b
’
i
为等效偏执。
[0025]本专利技术的有益效果为：
[0026]本专利技术相比于传统的静态的活动识别模型，基于精度和速度权衡的RepHAR解耦网络是一种动态识别网络，可灵活地将网络结构进行解耦重组；本专利技术可同时具备多分枝网络高精度和普通网络的实时性优点，实现了速度和精度均衡的活动识别应用；本专利技术中的解耦网络无需高计算力的可穿戴识别设备，极大降低了应用门槛，可方便移植到如智能手机、智能手表等常见移动设备，满足时代发展潮流。
附图说明
[0027]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0028]图1为本专利技术实施例的人体活动识别流程图；
[0029]图2为本专利技术实施例的RepHAR解耦网络原理图；
[0030]图3为本专利技术实施例的RepHAR解耦网络算法原理图；
[0031]图4为本专利技术实施例中训练300次后的精度图；
[0032]图5为本专利技术实施例的RepHAR解耦网络混淆矩阵图。
具体实施方式
[0033]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0034]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0035]本实施例提供一种基于解耦训练的卷积神经网络活动识别方法，具体包括：
[0036]S1，召集多名志愿者，年龄范围为18
‑
60岁，每位志愿者需佩戴可穿戴传感器执行每一种目标动作，通过记录视频的时间戳对活动类型进行标注；
[0037]S2，根据采集设备的采样频率设置合理长度的滑动窗口、重叠率，并对数据进行归一化处理，最终按照比例将数据分割为验证集、测试集、训练集；
[0038]S3，经过数据预处理后的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于解耦训练的卷积神经网络活动识别方法，其特征在于，包括：采集人体活动信号数据，对所述人体活动信号数据进行标记，获得活动类型；设置滑动窗口和重叠率为固定长度，基于所述滑动窗口和所述重叠率对所述人体活动信号数据进行预处理，获得样本数据；将所述样本数据输入到RepHAR解耦网络中进行训练，将训练完成的所述RepHAR解耦网络导入可穿戴识别设备，获取活动识别结果；其中，所述RepHAR解耦网络通过结构重参数化方法将模型解耦为多分支网络和卷积神经网络。2.根据权利要求1所述的基于解耦训练的卷积神经网络活动识别方法，其特征在于，采集所述人体活动信号数据，对所述人体活动信号数据进行标记，获得活动类型包括：利用可穿戴传感器采集人体活动信号数据，通过录制视频对不同动作类型进行时间戳种类标注。3.根据权利要求2所述的基于解耦训练的卷积神经网络活动识别方法，其特征在于，采集的所述人体活动信号数据包括加速度信号、陀螺仪信号、磁力计信号。4.根据权利要求1所述的基于解耦训练的卷积神经网络活动识别方法，其特征在于，对所述滑动窗口和重叠率设置固定长度，包括：根据采集设备的采样频率计算时间间隔，所述采样频率根据动作类型进行设置；基于所述时间间隔将所述滑动窗口的长度设置为所述采样频率倒数的整倍数，所述重叠率的长度设置为固定阈值，其中所述采集设备为可穿戴传感器。5.根据权利要求1所述的基于解耦训练的卷积神经网络活动识别方法，其特征在于，对所述人体活动信号数据进行预处理包括：将采集的所述活动信号数据进行降噪、归一化处理，获得所述样本数据，...

【专利技术属性】
技术研发人员：胡广伟，滕起，
申请(专利权)人：南京大学，
类型：发明
国别省市：