人体活动类型识别模型的训练方法及相关装置制造方法及图纸

本申请实施例涉及信息处理技术领域，公开了一种人体活动类型识别模型的训练方法及相关装置，该方法通过获取人体活动过程中的训练数据集，对该训练数据集中的加速度信息进行数据拼接，得到多个传感器同一时间段内对应的样本数据，对每一个样本数据进行归一化处理，以得到若干个输入样本；基于输入样本对人体活动类型识别模型进行训练，直至交叉熵损失函数收敛

【技术实现步骤摘要】
人体活动类型识别模型的训练方法及相关装置


[0001]本申请实施例涉及信息处理
，特别是涉及一种人体活动类型识别模型的训练方法及相关装置
。

技术介绍

[0002]随着体育强国建设的不断推进与运动健康监测服务的持续推广，人们越来越青睐于通过使用智能终端设备记录身体的运动状况，并得到相应的运动量化分析结果，也就是，通过识别人体活动类型并统计持续时长等指标，进行运动健康评价
。
[0003]目前，通常采用下述方法识别人体活动类型：采集人体活动时的加速度信息，加速度信息可以包括空间坐标系三个方向上的加速度数据
、
角速度数据或重力加速度数据，然后根据不同时间段内的加速度数据，计算得到数据特征信息，数据特征信息包括加速度数据的方差
、
标准差等，最后将加速度信息和该加速度信息对应的数据特征信息作为神经网络模型的输入，从而识别出人体活动类型
。
[0004]在实现本申请过程中，专利技术人发现现有技术中至少存在如下问题：
[0005]直接将单个设备采集的加速度信息作为神经网络模型的输入，没有对不同设备采集的加速度信息进行拼接，影响模型识别效果
。

技术实现思路

[0006]本申请实施例旨在提供一种人体活动类型识别模型的训练方法及相关装置，以提高人体活动类型识别模型识别人体活动类型的准确度
。
[0007]本申请实施例提供以下技术方案：
[0008]第一方面，本申请实施例提供一种人体活动类型识别模型的训练方法，该训练方法包括：
[0009]获取人体活动过程中的训练数据集，其中，训练数据集包括由多个加速度信息构成的加速度数据集以及加速度数据集对应的人体活动类型标签；加速度信息由每一传感器采集得到；加速度数据集是由多个传感器在同一预设采集时间段内采集到的加速度信息的集合；
[0010]对加速度信息进行数据拼接，以得到多个传感器同一时间段内对应的样本数据；
[0011]对每一个样本数据进行归一化处理，以得到若干个输入样本；
[0012]基于人体活动类型识别模型，对输入样本进行特征提取，以得到每一输入样本对应的多分类概率数组，其中，多分类概率数组中最大的概率值对应的人体活动类型为输入样本对应的人体活动类型；
[0013]构建交叉熵损失函数，基于输入样本对人体活动类型识别模型进行训练，直至交叉熵损失函数收敛
。
[0014]第二方面，本申请实施例提供一种人体活动类型识别模型的训练装置，该训练装置应用于一电子设备，电子设备包括多个用于采集加速度信息的传感器，该训练装置包括：
[0015]获取单元，用于获取人体活动过程中的训练数据集，其中，训练数据集包括由多个加速度信息构成的加速度数据集以及加速度数据集对应的人体活动类型标签；加速度信息由每一传感器采集得到；加速度数据集是由多个传感器在同一预设采集时间段内采集到的加速度信息的集合；
[0016]数据拼接单元，用于对加速度信息进行数据拼接，以得到多个传感器同一时间段内对应的样本数据；
[0017]归一化单元，用于对每一个样本数据进行归一化处理，以得到若干个输入样本；
[0018]特征提取单元，用于基于人体活动类型识别模型，对输入样本进行特征提取，以得到每一输入样本对应的多分类概率数组，其中，多分类概率数组中最大的概率值对应的人体活动类型为输入样本对应的人体活动类型；
[0019]训练单元，用于构建交叉熵损失函数，基于输入样本对人体活动类型识别模型进行训练，直至交叉熵损失函数收敛
。
[0020]第三方面，本申请实施例提供一种人体活动类型的识别方法，包括：
[0021]获取目标人体活动数据；
[0022]将目标人体活动数据输入人体活动类型识别模型，得到目标人体活动数据对应的人体活动类型，其中，人体活动类型识别模型是基于第一方面的人体活动类型识别模型的训练方法进行训练得到的
。
[0023]第四方面，本申请实施例提供一种人体活动类型的识别装置，包括：
[0024]数据获取单元，用于获取目标人体活动数据；
[0025]人体活动类型识别单元，用于将目标人体活动数据输入至人体活动类型识别模型，得到与目标人体活动数据对应的人体活动类型，其中，人体活动类型识别模型是基于第三方面的人体活动类型的识别方法进行训练得到的
。
[0026]第五方面，本申请实施例提供一种电子设备，包括：
[0027]至少一个处理器，以及
[0028]与至少一个处理器通信连接的存储器，其中，
[0029]存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面的人体活动类型识别模型的训练方法或第三方面的人体活动类型的识别方法
。
[0030]第六方面，本申请实施例提供一种非易失性计算机可读存储介质，非易失性计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使电子设备执行第一方面的人体活动类型识别模型的训练方法或第三方面的人体活动类型的识别方法
。
[0031]本申请实施例的有益效果：区别于现有技术的情况，本申请实施例提供一种人体活动类型识别模型的训练方法，该人体活动类型识别模型的训练方法，包括：获取人体活动过程中的训练数据集，其中，训练数据集包括由多个加速度信息构成的加速度数据集以及加速度数据集对应的人体活动类型标签；加速度信息由每一传感器采集得到；加速度数据集是由多个传感器在同一预设采集时间段内采集到的加速度信息的集合；对加速度信息进行数据拼接，以得到多个传感器同一时间段内对应的样本数据；对每一个样本数据进行归一化处理，以得到若干个输入样本；基于人体活动类型识别模型，对输入样本进行特征提取，以得到每一输入样本对应的多分类概率数组，其中，多分类概率数组中最大的概率值对
应的人体活动类型为输入样本对应的人体活动类型；构建交叉熵损失函数，基于输入样本对人体活动类型识别模型进行训练，直至交叉熵损失函数收敛
。
[0032]通过获取人体活动过程中的训练数据集，对该训练数据集中的加速度信息进行数据拼接，得到多个传感器同一时间段内对应的样本数据，本申请能够使得来自多个传感器的数据拼接后在时间维度上保持相对一致性，并且，利用输入样本对人体活动类型识别模型进行训练，能够提高人体活动类型识别模型识别人体活动类型的准确度
。
附图说明
[0033]一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制
。
[0034]图1是本申请实施例提供的一种应用环境的示意图；
[0035]图2是本申请实施例提供的一种电子设备的结构示意图；
[0036]图3是本申请实施例提供的一种人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种人体活动类型识别模型的训练方法，其特征在于，应用于一电子设备，所述电子设备包括多个用于采集加速度信息的传感器，所述方法包括：获取人体活动过程中的训练数据集，其中，所述训练数据集包括由多个加速度信息构成的加速度数据集以及所述加速度数据集对应的人体活动类型标签；所述加速度信息由每一所述传感器采集得到；所述加速度数据集是由多个传感器在同一预设采集时间段内采集到的加速度信息的集合；对所述加速度信息进行数据拼接，以得到多个传感器同一时间段内对应的样本数据；对每一个所述样本数据进行归一化处理，以得到若干个输入样本；基于所述人体活动类型识别模型，对所述输入样本进行特征提取，以得到每一所述输入样本对应的多分类概率数组，其中，所述多分类概率数组中最大的概率值对应的人体活动类型为所述输入样本对应的人体活动类型；构建交叉熵损失函数，基于所述输入样本对所述人体活动类型识别模型进行训练，直至所述交叉熵损失函数收敛
。2.
根据权利要求1所述的方法，其特征在于，所述对所述加速度信息进行数据拼接，以得到多个传感器同一时间段内对应的样本数据，包括：对每一对加速度信息进行横向拼接，得到拼接数据，其中，拼接数据包括若干个行数据和列数据，每一所述行数据包括两个传感器在相同时间点采集到的运动数据的组合；对所述拼接数据进行空值填充，得到第一数据，其中，所述第一数据中的每一数据均为非空值；对所述第一数据进行异常值处理，得到多个传感器同一时间段内对应的样本数据
。3.
根据权利要求2所述的方法，其特征在于，每一对加速度信息包括同一预设采集时间段内由两个传感器采集到的运动数据，至少两个所述传感器分别对称佩戴于同一个人的不同身体部位，且至少两个所述传感器的朝向相同；每一对加速度信息对应一个原始混合数据文件，所述原始混合数据文件混合保存着来自两个传感器的加速度信息；所述对每一对加速度信息进行横向拼接，得到拼接数据，包括：若所述原始混合数据文件中的两个传感器采集到的运动数据的数据长度不同，则确定数据长度较大的运动数据对应的传感器为第一传感器，数据长度较小的运动数据对应的传感器为第二传感器，并将所述原始混合数据文件中所述第二传感器的运动数据存储至第一数据文件；遍历所述第一数据文件中的每一行，并根据每一行数据在所述原始混合数据文件中的行号，得到所述原始混合数据文件中的混合数据；获取所述混合数据中第一传感器采集到的运动数据，并在第一传感器采集到的运动数据中将已被第二传感器匹配成功的数据删除，得到第二数据文件；若所述第二数据文件中的数据长度不为零，则依次计算第二数据文件中每一行数据对应的时间戳与第一数据文件中选择的行数据对应的时间戳的差值的绝对值，得到绝对时间差值序列，并确定所述绝对时间差值序列中的最小值与对应的位置索引；根据所述最小值与所述位置索引，确定第二数据文件中与第一数据文件中选择的行数据相匹配的行号；分别从所述第一数据文件中选择的行数据与所述第二数据文件中的所述行号对应的
行数据中，获取三轴加速度数据并进行拼接，以得到一行拼接后的行数据，直至完成遍历第一数据文件中的全部行，得到拼接数据，其中，所述拼接数据包括若干行拼接后的行数据
。4.
根据权利要求3所述的方法，其特征在于，所述根据所述最小值与所述位置索引，确定第二数据文件中与第一数据文件中选择的行数据相匹配的行号，包括：若所述最小值大于第一阈值，则遍历所述第一数据文件中的下一行数据；若所述最小值小于或等于第一阈值，且所述位置索引大于1，且所述最小值大于第二阈值，且所述绝对时间差值序列中的第一个值小于第三阈值，则确定第二数据文件中与第一数据文件中选择的行数据相匹配的行为第一行，其中，第一阈值大于第二阈值；若所述最小值小于或等于第二阈值，或者，所述绝对时间差值序列中的第一个值大于或等于第三阈值，则在所述位置索引大于1，且所述绝对时间差值序列中相邻两个值的差值小于第四阈值时，确定第二数据文件中与第一数据文件中选择的行数据相匹配的行为第
k
‑1行，其中，所述相邻两个值为第
k
‑1个值和第
k
个值；若所述位置索引小于或等于1，或者，所述绝对时间差值序列中相邻两个值的差值大于或等于第四阈值，则确定第二数据文件中与第一数据文件中选择的行数据相匹配的行为第
k
行
。5.
根据权利要求2所述的方法，其特征在于，所述对所述拼接数据进行空值填充，得到第一数据，包括：若所述列数据中存在数值为空的数据，则确定所述列数据的中值数据；将所述数值为空的数据替换为所述中值数据，以得到第一数据；所述对所述第一数据进行异常值处理，得到样本数据，包括：若所述第一数据中的列数据中存在数值大于上限阈值的数据，则将所述数据的数值替换为上限阈值，其中，每一列数据对应一个上限阈值；若所述第一数据中的列数据中存在数值小于下限阈值的数据，则将小于下限阈值的数值替换为下限阈值，以得到样本数据，其中，每一列数据对应一个下限阈值
。6.
根据权利要求1所述的方法，其特征在于，每一所述样本数据对应一种人体活动类型，所述方法还包括：对所述样本数据进行样本划分，以得到同种人体活动类型对应的若干个子样本，具体包括：根据预设时间窗口和预设滑动步长对所述样本数据进行样本划分，以得到同种人体活动类型对应的若干个样本，其中，预设滑动步长＝第一参数
*
每一样本数据对应的行数维度，行数维度＝数据采集频率
*
一个样本的时长；在每一种人体活动类型对应的若干个样本中选取部分样本，将每一个被选择的样本作为一个子样本
。7.
根据权利要求6所述的方法，其特征...

【专利技术属性】
技术研发人员：钟贞炎，
申请(专利权)人：深圳数联天下智能科技有限公司，
类型：发明
国别省市：