基于通道注意力权重再分配的传感器数据身份识别方法技术

本发明专利技术公开了一种基于通道注意力权重再分配的传感器数据身份识别方法，构建时序特征提取网络采用CNN和BLSTM的混合模型来提取时序特征，能够结合CNN的快速特征提取能力和BLSTM的时序处理能力，可以更好地捕捉到时间序列数据中的重要信息。空间特征提取网络则利用预期通道损伤矩阵ECDM对输入数据进行通道权重打分分配，提出一种通道注意力权重再分配CAWR机制进行权重再分配，有效地指导模型关注重要的特征通道，提高模型对于空间特征的捕捉能力。本发明专利技术还通过遮挡并还原原始数据，得到部分网络权重并转移到身份识别网络的CNN中，进一步提升网络对空间特征的捕捉能力。本发明专利技术能够更好地捕捉到传感器步态数据中的重要信息，从而提高身份识别的准确率。从而提高身份识别的准确率。从而提高身份识别的准确率。

【技术实现步骤摘要】
基于通道注意力权重再分配的传感器数据身份识别方法


[0001]本申请属于传感器数据身份识别
，尤其涉及一种基于通道注意力权重再分配的传感器数据身份识别方法。

技术介绍

[0002]近年来，物联网行业的快速发展，无线传感器网络、可穿戴设备等技术的发展和扩散，伴随着各类传感器的迅速发展与应用，为身份识别研究提供了新的数据来源。基于可穿戴传感设备的身份识别是一种将加速度计、陀螺仪、方向传感器等传感器佩戴在人体上，通过采集人体运动产生的加速度、角速度、方向等物理信息来识别身份的技术。目前，在智能终端上已经集成丰富的传感设备，例如加速度传感器、磁力计、陀螺仪、全球定位系统等，这样就为智能终端设备应用于身份识别提供了可行性。
[0003]目前大部分身份识别研究都是在视觉和图像处理领域进行的，基于传感器数据的身份识别相较于视频和图像而言成本低，不受地域限制，并且隐私侵入性更小。基于传感器数据的身份识别当前已成为一个突出的研究领域。然而基于传感器数据的身份识别，缺少了视频领域中人脸特征、身材特征等信息，对于有效提取代表性的差异特征比较困难，并且在数据集的处理上，不同的划分方式，选取不同的注意力选择机制，会造成识别效果的差异。因而，通过传感器数据进行身份识别是一项具有挑战性的任务，存在着身份信息提取难度较大，对身份识别贡献大的特征难以区分等问题。

技术实现思路

[0004]本申请的目的是提供一种基于通道注意力权重再分配的传感器数据身份识别方法，既充分利用传感器数据信息，克服身份识别特征区分困难的问题。又充分利用不同特征通道对识别率的贡献，提高模型对于空间特征的捕捉能力，提高身份识别的有效性和鲁棒性。
[0005]为了实现上述目的，本申请技术方案如下：
[0006]一种基于通道注意力权重再分配的传感器数据身份识别方法，包括：
[0007]通过传感器获取人体运动产生的传感器数据，对传感器数据进行数据预处理，采用预处理后的数据样本训练卷积神经网络，得到预训练权重；
[0008]构建包括时序特征提取网络、空间特征提取网络、特征拼接模块和分类模块的身份识别网络模型，所述时序特征提取网络包括第一特征提取模块和二进制长短时间记忆网络，所述空间特征提取网络包括第一特征提取模块、第一预期通道损伤矩阵模块、通道注意力权重再分配模块、第二预期通道损伤矩阵模块、门控机制模块和空间位移模块，所述第一特征提取模块采用预训练权重；
[0009]将待识别传感器数据预处理后，分别输入时序特征提取网络和空间特征提取网络，提取时序特征和空间特征；
[0010]将时序特征和空间特征在特征拼接模块中进行拼接，然后通过分类器输出身份识
别结果。
[0011]进一步的，所述将待识别传感器数据预处理后，输入时序特征提取网络提取时序特征，包括：
[0012]通过第一特征提取模块提取输入传感器数据对应的高维特征向量；
[0013]将高维特征向量输入到二进制长短时间记忆网络提取得到初始时序特征；
[0014]对初始时序特征进行平均池化，然后与高维特征向量的转置进行拼接得到时序特征。
[0015]进一步的，所述将待识别传感器数据预处理后，输入空间特征提取网络提取空间特征，包括：
[0016]通过第一特征提取模块提取输入传感器数据对应的高维特征向量；
[0017]高维特征向量经过第一预期通道损伤矩阵模块，进行通道权重分配；
[0018]使用通道注意力权重再分配模块对输入数据进行处理，获得具有通道注意力的特征图；
[0019]具有通道注意力的特征图经过第二预期通道损伤矩阵模块，进行通道权重分配；
[0020]通过门控机制模块对权重低于贡献阈值通道进行阻塞，对权重不低于贡献阈值通道进行复制；
[0021]采用空间位移模块加上空间偏移量，得到空间特征。
[0022]进一步的，所述通道注意力权重再分配模块，执行如下操作：
[0023]首先输入特征图，它的维度是H
×
W
×
C；
[0024]对输入特征图进行时序特征压缩；在时序维度，分为两支网络进行时序压缩：一个分支运用C个尺寸为H
×
W
×
1的2d卷积提取特征，得到大小为1
×1×
C的特征图，另一个分支运用最大池化也得到大小为1
×1×
C的特征图；
[0025]将得到的两个特征图分别经过同一个MLP网络映射成每个通道的权重；
[0026]将映射后的权重相加，然后经过激活函数Sigmoid输出通道注意力的特征图；
[0027]将通道注意力的特征图与输入特征图进行逐通道乘，最终输出具有通道注意力的特征图。
[0028]进一步的，所述空间位移模块的空间位移函数如下：
[0029][0030][0031]SpatialShift(X
n
，b
h
)
h
为在高h上的空间位移函数，b
h
为高h上的偏置，X
n
为在高h上的输入。同上，SpatialShift(X
m
，b
w
)
w
为在宽w的空间位移函数，b
w
为宽w上的偏置，X
m
为在宽w上的输入。
[0032]进一步的，所述第一预期通道损伤矩阵模块和第二预期通道损伤矩阵模块，进行通道权重分配，公式如下：
[0033][0034]其中，ECDM(X；W)
i
为第i个通道的预期通道损失矩阵的值，X表示输入特征图，W为预期通道损伤矩阵卷积层权重，卷积核的高度和宽度为h和w，Conv(X
i
；W)为第i个卷积层，
Conv(X；W)为除Conv(X
i
；W)以外的其它卷积层，X
i
为第i个输入量，卷积核在高和宽上差值的期望为Ex。
[0035]本申请提出了一种基于通道注意力权重再分配的传感器数据身份识别方法，时序特征提取网络采用CNN和BLSTM的混合模型来提取时序特征，这种混合模型能够结合CNN的快速特征提取能力和BLSTM的时序处理能力，可以更好地捕捉到时间序列数据中的重要信息。空间特征提取网络则利用预期通道损伤矩阵(Expected Channel Damage Matrix,ECDM)对输入数据进行通道权重打分分配，提出一种通道注意力权重再分配(Channel Attention Weight Redistribution,CAWR)机制进行权重再分配，有效地指导模型关注重要的特征通道，提高模型对于空间特征的捕捉能力。本申请还通过遮挡并还原原始数据，得到部分网络权重并转移到身份识别网络的CNN中，进一步提升网络对空间特征的捕捉能力。本申请能够更好地捕捉到传感器步态数据中的重要信息，从而提高身份识别的准确率。
附图说明...

【技术保护点】

【技术特征摘要】
1.一种基于通道注意力权重再分配的传感器数据身份识别方法，其特征在于，所述基于通道注意力权重再分配的传感器数据身份识别方法，包括：通过传感器获取人体运动产生的传感器数据，对传感器数据进行数据预处理，采用预处理后的数据样本训练卷积神经网络，得到预训练权重；构建包括时序特征提取网络、空间特征提取网络、特征拼接模块和分类模块的身份识别网络模型，所述时序特征提取网络包括第一特征提取模块和二进制长短时间记忆网络，所述空间特征提取网络包括第一特征提取模块、第一预期通道损伤矩阵模块、通道注意力权重再分配模块、第二预期通道损伤矩阵模块、门控机制模块和空间位移模块，所述第一特征提取模块采用预训练权重；将待识别传感器数据预处理后，分别输入时序特征提取网络和空间特征提取网络，提取时序特征和空间特征；将时序特征和空间特征在特征拼接模块中进行拼接，然后通过分类器输出身份识别结果。2.根据权利要求1所述的基于通道注意力权重再分配的传感器数据身份识别方法，其特征在于，所述将待识别传感器数据预处理后，输入时序特征提取网络提取时序特征，包括：通过第一特征提取模块提取输入传感器数据对应的高维特征向量；将高维特征向量输入到二进制长短时间记忆网络提取得到初始时序特征；对初始时序特征进行平均池化，然后与高维特征向量的转置进行拼接得到时序特征。3.根据权利要求1所述的基于通道注意力权重再分配的传感器数据身份识别方法，其特征在于，所述将待识别传感器数据预处理后，输入空间特征提取网络提取空间特征，包括：通过第一特征提取模块提取输入传感器数据对应的高维特征向量；高维特征向量经过第一预期通道损伤矩阵模块，进行通道权重分配；使用通道注意力权重再分配模块对输入数据进行处理，获得具有通道注意力的特征图；具有通道注意力的特征图经过第二预期通道损伤矩阵模块，进行通道权重分配；通过门控机制模块对权重低于贡献阈值通道进行阻塞，对权重不低于贡献阈值通道进行复制；采用空间位移模块加上空间偏移量，得到空间特征。4.根据权利要求3所述的基于通道注意力权重再分配的传感器数据身份识别方法，其特征在于，所述通道注意力权重再分配模块，执行如下操作：首先输入特征图，它的维度是H
×...

【专利技术属性】
技术研发人员：宦若虹，蒋程西，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：