一种基于个体信息的个性化联邦学习的人体动作识别方法技术

本发明专利技术公开了一种基于个体信息的个性化联邦学习的人体动作识别方法，包括：1根据个体信息计算客户端间的相似度；2服务器将模型部署到客户端；3客户端根据本地数据集进行模型训练；4服务器根据相似度矩阵为每个客户端聚合个性化模型，直到模型收敛部署最终模型并进行实时分析。本发明专利技术在客户端数据分布异质的情况下仍能保证分类的准确性，从而能降低联邦学习的通信成本。习的通信成本。习的通信成本。

【技术实现步骤摘要】
一种基于个体信息的个性化联邦学习的人体动作识别方法


[0001]本专利技术属于传感器数据处理分析领域，具体地说是一种基于个体信息的个性化联邦学习人体动作识别方法。

技术介绍

[0002]人工智能和移动的技术的发展极大地促进了智慧医疗，基于可穿戴传感器的人体动作识别是智慧医疗的一个经典应用。利用加速度计等可穿戴传感器，人体动作识别系统可以采集大量的实时数据，然后采用深度学习等高级AI模型来识别一个人的活动，例如站立，走路等。基于可穿戴传感器的人体动作识别系统改善了人们的生活质量。然而，传统的基于传感器的可穿戴人体动作识别是集中式的，即把多个个体收集的传感器数据传输到云或数据中心用于聚合，为人体动作识别系统训练集中式AI模型。这种做法有三个限制，首先，它大大提高了安全和隐私问题，因为在将数据传输到远程的过程中可能发生未经授权的访问或数据泄漏等问题。此外，如果黑客破坏了存储传感器数据的集中式数据系统，所有数据都可能被非法传输给未经授权的外部方并被访问。其次，大量可穿戴传感器数据的传输增加了网络流量，并可能造成潜在的瓶颈，从而对网络通信构成重大障碍。第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于个体信息的个性化联邦学习的人体动作识别方法，其特征在于，是按如下步骤进行：步骤1.假设第k个客户端拥有自身的个体信息d
k
，并使用d
k，i
表示个体信息d
k
中第i个维度的信息属性；令所述第k个客户端预处理后的本地传感器的动作数据为ξ
k
，且ξ
k
＝(x
k，1
，y
k，1
)，(x
k，2
，y
k，2
)，...(x
k，s
，y
k，s
)，...(x
k，S
，y
k，S
)；其中，x
k，s
和y
k，s
分别表示第k个客户端预处理后的第s个本地传感器的动作样本及其对应的类别，k＝1，2
…
，K，K为客户端的总数，s＝1，2
…
，S，S为第k个客户端的本地传感器的动作样本的总数；对个体信息d
k
进行标准化后，再使用余弦相似度公式计算第k个客户端和第个客户端之间的个体信息相似度从而得到相似度矩阵S，若表示两个客户端完全相似，表示两个客户端正交；步骤2.定义全局训练轮次为t，初始化t＝1；定义全局最大训练轮次为Tmax；在第t次全局训练过程中，服务器将第t次全局训练的个性化模型分别部署至K个客户端上；步骤3.每个客户端在本地训练阶段，根据自身的动作数据对第t次全局训练的个性化模型进行更新训练，得到第t次全局训练下更新后的个性化模型；步骤4.所述服务器根据相似度矩阵S分别为第t次全局训练下K个客户端上更新后的个性化模型进行个性化聚合，得到第t次全局训练下K个聚合后的个性化模型并作为第t+1次全局训练的个性化模型后，分别部署至K个客户端上；步骤5.将t+1赋值给t后，返回步骤3顺序执行，直到t＞Tmax为止，表示K个客户端全部完成本地更新训练和聚合，从而得到第Tmax+1次全局训练的个性化模型用于对本地传感器实时采集的动作数据进行人体动作识别。2.根据权利要求1所述的人体动作识别方法，其特征在于，所述步骤2包括：定义表示第t次全局训练时第k个客户端上个性化模型的初始参数，表示第t次全局训练时第k个客户端上聚合后的个性化模型的参数；所述服务器将赋值给将第t次全局训练时聚合后的个性化模型作为第k个客户端上的个性...

【专利技术属性】
技术研发人员：柴一栋，潘岳，刘昊鑫，周安琪，杨兴革，周芦娟，刘依，刘龙顺，黄阿美，姜元春，刘业政，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：