基于电数字数据处理的人体姿态识别方法及装置制造方法及图纸

本发明专利技术提供一种基于电数字数据处理的人体姿态识别方法及装置，涉及电数字处理技术领域，包括：获取待识别的电数字数据；将电数字数据输入至预先构建的姿态识别模型中，通过姿态识别模型对电数字数据进行识别分类，确定电数字数据对应的姿态识别标签；其中，姿态识别模型通过预先构建的电信号样本集训练得到；电信号样本集包括多个电信号样本和电信号样本对应的样本标签，样本标签用于指示当前电信号样本对应的动作姿态；且，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

【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，改善了现有技术准确率不足等局限
。
[0005]但是，现有技术对原始数据进行处理，并通过现有的神经网络确定相应类别，传统的神经网络可能没有考虑到神经元的参与度，导致某些神经元在训练过程中被忽略，从而影响网络的整体性能
。
而且，现有的神经网络优化方法可能主要依赖于传统的梯度下降法，容易遭遇梯度消失
、
梯度爆炸和陷入局部最优解的问题
。
此外，现有技术依赖于较为传统和简单的特征提取技术，特征提取不够先进，难以提取出更加有效的特征
。

技术实现思路

[0006]有鉴于此，本专利技术的目的在于提供一种基于电数字数据处理的人体姿态识别方法及装置，能够精确且高效地进行人体姿态的识别
。
[0007]第一方面，本专利技术实施例提供了一种基于电数字数据处理的人体姿态识别方法，其中，该方法包括：获取待识别的电数字数据；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，电数字数据为设置于目标对象的多个身体部位的可穿戴设备收集的；将电数字数据输入至预先构建的姿态识别模型中，通过姿态识别模型对电数字数据进行识别分类，确定电数字数据对应的姿态识别标签；其中，姿态识别模型通过预先构建的电信号样本集训练得到；电信号样本集包括多个电信号样本和电信号样本对应的样本标签，样本标签用于指示当前电信号样本对应的动作姿态；且，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；基于姿态识别标签对目标对象进行姿态识别
。
[0008]本专利技术实施例包括以下有益效果
:
本专利技术实施例提供一种基于电数字数据处理的
人体姿态识别方法及装置，基于电数字数据处理的人体姿态识别方法，通过预先构建的姿态识别模型对目标对象的待识别的电数字数据进行识别分类，进而识别其姿态
。
其中，该姿态识别模型通过基于多维相对性调节优化的特征提取：采用多维时空概念优化神经网络参数，不依赖于传统的梯度下降法，能够避免梯度消失
、
梯度爆炸和局部最优解的问题
。
此外，本专利技术的特征提取先进，可以提取出更加有效的特征
。
此外，基于改进
Kaczmarz
的分数阶神经网络算法进行分类，其中，该分类器结合
Kaczmarz
方法与分数阶梯度下降，允许更精细的权重调整
。
同时，引入神经元的参与度限制优化了网络结构和性能
。
能够确保所有神经元都参与训练，从而提高分类器的性能
。
[0009]本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解
。
本专利技术的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得
。
为使本专利技术的上述目的
、
特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下
。
附图说明
[0010]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0011]图1为本专利技术实施例提供的一种基于电数字数据处理的人体姿态识别方法的流程图；图2为本专利技术实施例提供的另一种基于电数字数据处理的人体姿态识别方法的流程图；图3为本专利技术实施例提供的另一种基于电数字数据处理的人体姿态识别方法的流程图；图4为本专利技术实施例提供的另一种基于电数字数据处理的人体姿态识别方法的流程图；图5为本专利技术实施例提供的一种基于电数字数据处理的人体姿态识别装置的结构示意图；图6为本专利技术实施例提供的另一种基于电数字数据处理的人体姿态识别装置的结构示意图；图7为本专利技术实施例提供的一种电子设备的结构示意图
。
具体实施方式
[0012]为使本专利技术实施例的目的
、
技术方案和优点更加清楚，以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效
。
显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例
。
本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变
。
需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合
。
基于本公开中的实施
例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围
。
[0013]需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面
。
应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及
/
或功能仅为说明性的
。
基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上
。
举本文档来自技高网...

【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：