【技术实现步骤摘要】
本申请涉及计算机，尤其涉及一种数据生成方法、装置、设备及计算机可读存储介质。
技术介绍
1、随着智能穿戴设备(如智能手环、智能指环等)的普及，用户对于自然、直观的交互方式的需求不断增加，这促使了基于智能穿戴设备的交互识别技术的发展。
2、在智能穿戴设备上通常会设置imu(inertial measurement unit,惯性检测单元)，用于提供准确的姿态、加速度、角速度等信息。但是对于智能穿戴设备，特别是智能指环和手环中，由于imu会受到使用环境、动作强度、佩戴者喜好、佩戴位置等因素的影响，导致用户使用智能指环和手环过程中基于imu手势识别上泛化性差、跨用户识别性能低。即现有基于惯性的手势识别方法准确率偏低。
技术实现思路
1、本申请的主要目的在于提供一种数据生成方法，旨在解决现有基于惯性的手势识别方法准确率偏低的技术问题。
2、为实现上述目的，第一方面，本申请提供一种数据生成方法，应用于数据生成设备，所述数据生成方法包括：所述数据生成方法包括以下步骤：
3、获取用户的手势惯性数据；
4、对所述手势惯性数据进行增强处理，得到增强手势数据，其中所述增强处理包括时间缩放和幅值缩放中至少一种处理方式；
5、对所述增强手势数据进行同域数据生成处理，得到同域手势数据；
6、将所述增强手势数据和所述同域手势数据作为训练数据集，用于训练手势识别模型。
7、根据第一方面，在所述获取用户的手势惯性数据的步骤之前，包
8、获取用户的原始惯性数据；
9、对所述原始惯性数据进行去偏操作，得到去偏数据；
10、对所述去偏数据进行峰值检测，得到惯性峰值；
11、将所述去偏数据中高于预设比例惯性峰值的时间段作为手势时段，按照所述手势时段从所述原始惯性数据中截取数据段，得到用户的手势惯性数据。
12、根据第一方面，或者以上第一方面的任意一种实现方式，在所述对所述增强手势数据进行同域数据生成处理，得到同域手势数据的步骤之前，包括：
13、对所述增强手势数据中各手势数据段进行随机抽样，得到预设抽样数量的抽样数据段；
14、将各所述抽样数据段作为新的增强手势数据。
15、根据第一方面，或者以上第一方面的任意一种实现方式，所述对所述增强手势数据进行同域数据生成处理，得到同域手势数据的步骤，包括：
16、从所述增强手势数据中选取目标手势数据，并获取随机差异因子；
17、将所述目标手势数据和所述随机差异因子输入同域数据生成网络，生成所述目标手势数据的同域手势数据，其中所述同域数据生成网络用于将所述随机差异因子融入所述目标手势数据；
18、将所述增强手势数据和所述同域手势数据作为训练数据集，用于训练手势识别模型。
19、根据第一方面，或者以上第一方面的任意一种实现方式，所述将所述目标手势数据和所述随机差异因子输入同域数据生成网络，生成所述目标手势数据的同域手势数据的步骤，包括：
20、将所述随机差异因子与所述目标手势数据进行拼接，得到差异拼接数据；
21、将所述差异拼接数据依次输入所述同域数据生成网络中各全连接层进行解码，得到所述目标手势数据的同域手势数据。
22、根据第一方面，或者以上第一方面的任意一种实现方式，在所述将所述目标手势数据和随机差异因子输入同域数据生成网络，生成所述目标手势数据的步骤之前，包括：
23、从所述增强手势数据中选取手势数据对，其中所述手势数据对为属于同一操作手势的第一增强数据和第二增强数据；
24、将所述第一增强数据和所述第二增强数据进行拼接，得到拼接手势数据，并将所述拼接手势数据输入初始编码网络，得到同域差异因子；
25、将所述同域差异因子分别与第一增强数据和第二增强数据进行拼接，得到第一输入数据和第二输入数据；
26、将所述第一输入数据和所述第二输入数据分别输入初始解码网络，得到第一输出数据和第二输出数据；
27、根据所述第一增强数据、所述第二增强数据、所述第一输出数据和所述第二输出数据进行函数损失计算，得到损失函数值；
28、基于所述损失函数值对所述初始编码网络和所述初始解码网络进行更新，直至网络收敛，将收敛后的初始解码网络作为同域数据生成网络。
29、根据第一方面，或者以上第一方面的任意一种实现方式，所述初始解码网络包括第一解码网络和第二解码网络，所述第一解码网络和所述第二解码网络权重共享；
30、所述将所述第一输入数据和所述第二输入数据分别输入初始解码网络，得到第一输出数据和第二输出数据的步骤，包括：
31、将所述第一输入数据输入所述第一解码网络进行解码，得到第一输出数据；
32、将所述第二输入数据输入所述第二解码网络进行解码，得到第二输出数据。
33、第二方面，本申请提供一种数据生成装置，应用于数据生成设备，所述数据生成装置包括：
34、数据获取模块，用于获取用户的手势惯性数据；
35、数据增强模块，用于对所述手势惯性数据进行增强处理，得到增强手势数据，其中所述增强处理包括时间缩放和幅值缩放中至少一种处理方式；
36、同域生成模块，用于对所述增强手势数据进行同域数据生成处理，得到同域手势数据；
37、模型训练模块，用于将所述增强手势数据和所述同域手势数据作为训练数据集，用于训练手势识别模型。
38、根据第二方面，数据获取模块，还用于：
39、获取用户的原始惯性数据；
40、对所述原始惯性数据进行去偏操作，得到去偏数据；
41、对所述去偏数据进行峰值检测，得到惯性峰值；
42、将所述去偏数据中高于预设比例惯性峰值的时间段作为手势时段，按照所述手势时段从所述原始惯性数据中截取数据段，得到用户的手势惯性数据。
43、根据第二方面，或者以上第二方面的任意一种实现方式，数据增强模块，还用于：
44、对所述增强手势数据中各手势数据段进行随机抽样，得到预设抽样数量的抽样数据段；
45、将各所述抽样数据段作为新的增强手势数据。
46、根据第二方面，或者以上第二方面的任意一种实现方式，同域生成模块，还用于：
47、从所述增强手势数据中选取目标手势数据，并获取随机差异因子；
48、将所述目标手势数据和所述随机差异因子输入同域数据生成网络，生成所述目标手势数据的同域手势数据，其中所述同域数据生成网络用于将所述随机差异因子融入所述目标手势数据；
49、将所述增强手势数据和所述同域手势数据作为训练数据集，用于训练手势识别模型。
50、根据第二方面，或者以上第二方面的任意一种实现方式，同域生成模块，还用于：
51、将所述随机差异因子与所本文档来自技高网...
【技术保护点】
1.一种数据生成方法，其特征在于，所述数据生成方法包括以下步骤：
2.如权利要求1所述的数据生成方法，其特征在于，在所述获取用户的手势惯性数据的步骤之前，包括：
3.如权利要求1所述的数据生成方法，其特征在于，在所述对所述增强手势数据进行同域数据生成处理，得到同域手势数据的步骤之前，包括：
4.如权利要求1所述的数据生成方法，其特征在于，所述对所述增强手势数据进行同域数据生成处理，得到同域手势数据的步骤，包括：
5.如权利要求4所述的数据生成方法，其特征在于，所述将所述目标手势数据和所述随机差异因子输入同域数据生成网络，生成所述目标手势数据的同域手势数据的步骤，包括：
6.如权利要求4所述的数据生成方法，其特征在于，在所述将所述目标手势数据和随机差异因子输入同域数据生成网络，生成所述目标手势数据的步骤之前，包括：
7.如权利要求6所述的数据生成方法，其特征在于，所述初始解码网络包括第一解码网络和第二解码网络，所述第一解码网络和所述第二解码网络权重共享；
8.一种数据生成装置，其特征在于，所述数据生
9.一种数据生成设备，其特征在于，所述数据生成设备包括：存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的数据生成方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的数据生成方法的步骤。
...【技术特征摘要】
1.一种数据生成方法，其特征在于，所述数据生成方法包括以下步骤：
2.如权利要求1所述的数据生成方法，其特征在于，在所述获取用户的手势惯性数据的步骤之前，包括：
3.如权利要求1所述的数据生成方法，其特征在于，在所述对所述增强手势数据进行同域数据生成处理，得到同域手势数据的步骤之前，包括：
4.如权利要求1所述的数据生成方法，其特征在于，所述对所述增强手势数据进行同域数据生成处理，得到同域手势数据的步骤，包括：
5.如权利要求4所述的数据生成方法，其特征在于，所述将所述目标手势数据和所述随机差异因子输入同域数据生成网络，生成所述目标手势数据的同域手势数据的步骤，包括：
6.如权利要求4所述的数据生成方法，其特征在于，在所述将所述目标手势数...
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。