【技术实现步骤摘要】
基于电数字数据处理的人体姿态识别方法及装置
[0001]本专利技术涉及电数字处理
,尤其涉及一种基于电数字数据处理的人体姿态识别方法及装置
。
技术介绍
[0002]在现代社会,随着可穿戴技术和人工智能的迅速发展,人体姿态识别已经成为众多应用场景,如健康监测
、
体育训练
、
虚拟现实
、
人机交互等,的重要技术组成部分
。
人体姿态识别的目的是通过分析人体的动态或静态数据,如电信号
、
图像
、
视频等,来准确判断人的具体姿势,如站立
、
跑步
、
坐下等
。
[0003]尽管近年来这方面的技术已经取得了很大的进展,但由于人体姿态的复杂性以及各种因素的干扰,如不同传感器的数据差异
、
外部环境噪声等,使得准确
、
高效的姿态识别仍然面临挑战
。
此外,传统的姿态识别方法可能主要依赖于手工设计的特征和浅层学习模型,这在处理复杂场景和大量数据时可能会受到限制
。
为了解决这些问题,研究者们不断探索新的方法和技术,希望能够提高人体姿态识别的准确性
、
鲁棒性和实时性
。
[0004]现有技术提出一种基于多模态数据融合的建筑工人尴尬工作姿势识别方法,通过提取被监测者的脑电数据
、
行为数据以及姿势图像的多模态数据融合特征,实现尴尬工作姿势自动识别,改善了现有 ...
【技术保护点】
【技术特征摘要】
1.
一种基于电数字数据处理的人体姿态识别方法,其特征在于,所述方法包括:获取待识别的电数字数据;所述电数字数据包括与目标对象的多个身体部位运动相关的电信号,且,所述电数字数据为设置于所述目标对象的多个身体部位的可穿戴设备收集的;将所述电数字数据输入至预先构建的姿态识别模型中,通过所述姿态识别模型对所述电数字数据进行识别分类,确定所述电数字数据对应的姿态识别标签;其中,所述姿态识别模型通过预先构建的电信号样本集训练得到;所述电信号样本集包括多个电信号样本和所述电信号样本对应的样本标签,所述样本标签用于指示当前电信号样本对应的动作姿态;且,所述姿态识别模型包括基于多维相对性调节优化的神经网络和基于改进
Kaczmarz
的分数阶神经网络分类器;基于所述姿态识别标签对所述目标对象进行姿态识别
。2.
根据权利要求1所述的方法,其特征在于,所述方法还包括:对所述电数字数据进行预处理,所述预处理至少包括:归一化处理
、
消除噪声处理和平滑处理
。3.
根据权利要求1所述的方法,其特征在于,所述姿态识别模型的训练方法包括:获取预先构建的电信号样本集;将所述电信号样本集输入至预先构建的神经网络中,提取所述电信号样本集对应的目标特征;所述神经网络包括基于多维相对性调节优化的神经网络;将所述目标特征输入至预先构建的分类器中,对所述分类器进行分类训练,并基于训练好的分类器构建姿态识别模型;所述分类器包括基于改进
Kaczmarz
的分数阶神经网络分类器
。4.
根据权利要求3所述的方法,其特征在于,将所述电信号样本集输入至预先构建的神经网络中,提取所述电信号样本集对应的目标特征的步骤,包括:将所述电信号样本集输入至预先设置的神经网络中,确定初始提取特征;所述神经网络包括多个神经元,以及,多维空间对应的神经网络参数,每个维度的所述神经网络参数指示的空间位置不同;根据所述初始提取特征对应的神经网络损失值,对所述神经网络的损失函数和所述神经网络参数进行迭代处理;直到所述神经网络满足预设的迭代条件,将当前初始提取特征确定为所述电信号样本集对应的目标特征
。5.
根据权利要求4所述的方法,其特征在于,根据所述初始提取特征对应的神经网络损失值,对所述神经网络参数进行迭代处理的步骤,包括:根据所述神经网络损失值,调整所述神经网络参数对应的移动速度
、
曲率矩阵和多维调节矩阵;基于调整的所述移动速度
、
所述曲率矩阵和所述多维调节矩阵,对所述神经网络参数进行更新;根据所述初始提取特征对应的神经网络损失值,对所述神经网络的损失函数进行迭代处理的步骤,包括:根据所述初始提取特征对应的神经网络损失值
、
预设的非线性函数和预设的动态因
子,对神经网络的损失函数进行调整,以对所述神经网络的损失函数进行迭代处理;所述动态因子根据所述神经网络对应的迭代次数确定
。6.
根据权利要求3所述的方法,其特征在于,将所述目标特征输入至预先构建的分类器中,对所述分类器进行分类训练,并基于训练好的分类器构建姿态识别模型的步骤,包括:将所述目标特征输入至预先构建的神经网络分类器中,确定初始神经元输出;所述初始神经元...
【专利技术属性】
技术研发人员:徐培利,谷丛,张承富,王潇,曹晓桐,邓良,
申请(专利权)人:北京世纪慈海科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。