【技术实现步骤摘要】
本专利技术属于深度学习，具体涉及一种基于时序分解实现人类日常活动识别的深度学习方法。
技术介绍
1、人类活动识别任务是指利用计算机视觉和机器学习技术，通过对图像或传感器数据进行分析，识别出人类在特定场景下所进行的活动或动作。它在智能监控、动作捕捉、虚拟现实、辅助驾驶等领域有着广泛的应用。人类活动识别任务的目标是根据给定的图像或数据，准确地判断出其中所展示的人类活动。这些活动可以包括但不限于走路、跑步、站立、坐下、拿东西、打开门等。通过深度学习，可以利用动作的时空特征等信息来进行活动的分类和识别。
2、基于传感器的人类活动识别是一种利用传感器技术来监测和识别人类活动的方法。传感器可以是各种类型的设备，如加速度计、陀螺仪、心率监测器、摄像头等，用于收集人体运动、生理数据或环境信息。传感器技术可以通过识别人体运动和姿势，监测和分析人类在特定活动中的行为。不同的活动会导致不同的传感器数据模式。通过训练机器学习模型，可以学习这些模式，并将特定的传感器数据与特定的人类活动相关联。
3、深度学习是近年来在人类活动识别中被广泛使用的技术之一。基于深度学习的方法已经成为目前实现高精度人类活动识别任务的有力工具之一。在深度学习中，卷积神经网络、循环神经网络和支持向量机等模型在人类活动识别中得到了广泛应用。深度学习在人类活动识别中的应用，可以提高系统的准确性和鲁棒性，深度学习的应用将会在人类活动识别领域中越来越广泛。
4、时序分解方法是一种将时间序列数据分解为不同成分的技术，以便更好地理解和分析数据的特征。它通过分
5、现有的基于深度学习的时序分解方法在面对人类活动识别问题时，难点在于如何有效的提取周期性特征和季节性特征。现有的方案很少涵盖多尺度季节特征下的逐次分解。其次对于现有的技术而言，往往对周期信息及季节信息提取到的特征进行融和去计算损失，但是这样的方案很难控制模型对不同类型数据的参数偏向，从而无法有效的控制模型趋向于周期性建模还是季节性建模，最终导致模型在测试集上的效果不佳，泛化能力较弱。
技术实现思路
1、本专利技术针对上述现有技术中的技术问题，提出了一种基于时序分解实现人类日常活动识别的深度学习方法，设计出可穿戴传感器人体活动识别的深度学习模型，该模型先通过时序分解网络层将时间序列分解成周期信息与季节信息，在通过可堆叠的网络层获取多尺度下的不同分支的特征，再通过共享参数的网络层融合多通道信息，最后，对来自季节性分支和周期性分支的损失，通过归一化权重，控制不同分支网络参数的更新力度。
2、本专利技术为实现上述专利技术目的，采取的技术方案如下：
3、一种基于时序分解实现人类日常活动识别的深度学习方法，包括以下步骤：
4、s1、时序分解网络层对传感器数据的分解：设置多个具有不同核大小的卷积核，用这些卷积核捕获不同的周期信息的特征xcycle；用原输入数据xinput减去捕获到的周期性数据，就得到了季节性数据xseasonal；
5、s2、可堆叠编码器分别提取季节性特征和周期性特征：接收经过时序分解层分解过后的xseasonal与xcycle，利用多层全连接网络对xcycle进行特征编码，在时序分解层已经使用了多尺度网络获取多种周期，所以对xcycle的特征编码网络不需要太过复杂；使用1*2n、1*2n-1、1*2n-2...1*2依次减小的卷积核提取从粗糙到精细，从全局到局部的季节性信息，从而得到考虑对不同时间尺度编码后的特征；每经过一个堆叠层，就将得到的xseasonal数据重新分解，得到新的季节性信息与周期性信息；经过n层之后，将周期性信息相加，将季节性信息按通道堆叠。
6、s3、共享融合层：对多通道xseasonal与单通道xcycle的信息使用同一个融合网络分别在通道维度上进行扩展与融合；分别将xseasonal和xcycle由各自的通道数扩展到16，32，64个；接着应用维度变换与全连接网络作为分类器，得到不同人类活动的预测概率；
7、s4、混合加权损失函数：对来自季节性分支和周期性分支的损失，通过归一化权重，控制不同分支网络参数的更新力度。
8、进一步的作为本专利技术的优选技术方案，所述s1具体包括以下步骤：
9、首先考虑节时序分解层的构建，由于时间序列数据可能存在多种周期，我们用k个不同的卷积核去提取周期性特征，并且均值作为结果：
10、
11、其中，xinput是初始化数据，xcycle是提取的周期性数据，kernelk是第k个卷积核，conv代表了卷积操作；
12、考虑季节性信息xseasonal的获取，用xinput减去xcycle，得到的就是季节性信息xseasonal：
13、xseasonal＝xinput-w*xcycle (2)
14、其中，xseasonal是季节性信息，w是可学习参数；
15、进一步的作为本专利技术的优选技术方案，所述s2具体包括以下步骤：
16、利用连续的三层全连接网络对xcycle进行特征编码，但并不改变xcycle的初始形状，只提取周期性特征：
17、xcycle1＝fc(xcycle) (3)
18、其中，xcycle1代表了第一次经过这样的操作过后的周期性信息，fc代表了连续三层线性变换操作；
19、接着对xseasonal进行操作，分别使用1*2n、1*2n-1、1*2n-2...1*2的卷积核提取特征，从全局到局部：
20、
21、其中，w表示多尺度网络层的参数，(k-1)bi表示每个尺度下的感受野，n代表堆叠层数；
22、通过多尺度参数对xseasonal进行特征提取：
23、xseasonal1w*xseasonal (5)
24、其中，xseasonal1代表了第一次经过这样的操作过后的季节性信息；
25、通过堆叠n层结构相同的网络层，对xseasonal和xcycle进行同样的操作。首先，对得到的周期性信息不需要过于复杂的拟合，只需要相加即可：
26、xmix_cycle＝xcycle1+xcycle2+...+xcyclen (6)
27、其中，xmix_cycle代表了综合所有堆叠网络后的多种混合周期信息；
28、然而，对得到的季节性信息需要将经过n层得到的结果在通道维度上拼接起来，形成一个多通道数据：
29、xmix_seasonal＝concat(reshape(xseasonal1，xseasonal2...，xseasonaln)) (7)
30、其中，xmix_seasonal代表了拼接多通道后的混合季节性信息；
31、进一步的作为本专利技术的优选技术方案本文档来自技高网...
【技术保护点】
1.一种基于时序分解实现人类日常活动识别的深度学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时序分解实现人类日常活动识别的深度学习方法，其特征在于，所述S1具体包括以下步骤：
3.根据权利要求2所述的基于时序分解实现人类日常活动识别的深度学习方法，其特征在于，所述S2具体包括以下步骤：
4.根据权利要求3所述的基于时序分解实现人类日常活动识别的深度学习方法，其特征在于，所述S3具体包括以下步骤：
5.根据权利要求4所述的基于时序分解实现人类日常活动识别的深度学习方法，其特征在于，所述S4具体包括以下步骤：
【技术特征摘要】
1.一种基于时序分解实现人类日常活动识别的深度学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时序分解实现人类日常活动识别的深度学习方法，其特征在于，所述s1具体包括以下步骤：
3.根据权利要求2所述的基于时序分解实现人类日常活动识别的深度学习方法...
【专利技术属性】
技术研发人员：万杰，滕堂智，张晓峰，曹明明，阿里·伊夫蒂哈尔，
申请(专利权)人：南通大学，
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。