一種基于三軸加速度傳感器人體動(dòng)作識(shí)別方法
【專利摘要】一種基于三軸加速度傳感器人體動(dòng)作識(shí)別方法，本發(fā)明包括以下步驟：1)獲取人體所佩戴移動(dòng)設(shè)備輸出的三軸加速度信號(hào)；2)對(duì)原始信號(hào)濾除噪聲提取動(dòng)作分類特征；3)采用多個(gè)分類器進(jìn)行分類，并將輸出結(jié)果的平均值作為最終輸出結(jié)果。本發(fā)明的有益效果為，提升了人體動(dòng)作識(shí)別的準(zhǔn)確率，使人體動(dòng)作分類正確率更高。
【專利說明】
-種基于H軸加速度傳感器人體動(dòng)作識(shí)別方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于人體動(dòng)作識(shí)別方法技術(shù)領(lǐng)域，尤其是屬于基于=軸加速度傳感器技術(shù) 和多列雙向長短期記憶人工神經(jīng)網(wǎng)絡(luò)技術(shù)的人體動(dòng)作識(shí)別方法技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 隨著手機(jī)、平板等電子設(shè)備的普及，其中內(nèi)含的帶有加速度傳感器的移動(dòng)設(shè)備也 在人們生活中普及。帶有加速度傳感器的移動(dòng)設(shè)備可W很方便地捕獲人體的動(dòng)作，通過捕 獲人體的動(dòng)作，從而提升了用戶體驗(yàn)感，并為附帶有該系統(tǒng)的設(shè)備提供了很好的發(fā)展機(jī)會(huì)。 因此，基于移動(dòng)設(shè)備的人體動(dòng)作識(shí)別系統(tǒng)受到了研究人員越來越多的關(guān)注，特別是多媒體 大數(shù)據(jù)領(lǐng)域的關(guān)注。
[0003] 提取特征和分類在模式識(shí)別領(lǐng)域是很重要的兩個(gè)步驟。提取特征分對(duì)于時(shí)域特征 的提取和對(duì)于頻域特征的提取兩種。
[0004] 對(duì)于時(shí)域特征的提取，提取特征（人體加速度特征)一般只考慮了一維的情況，對(duì) 時(shí)間軸上的原始信號(hào)直接進(jìn)行特征提取，研究者用均值作為特征，通常會(huì)用一個(gè)窗函數(shù)來 過濾隨機(jī)峰值和噪聲，運(yùn)種方法的計(jì)算復(fù)雜度和對(duì)硬件的要求比較低;有用最大最小值，方 差和標(biāo)準(zhǔn)差的方法來做人體動(dòng)作識(shí)別的問題，運(yùn)種方法對(duì)于步行和跑步等差別較大的動(dòng)作 的識(shí)別有不錯(cuò)效果，但對(duì)于原地踏步、快速走、上下樓梯等動(dòng)作的識(shí)別不是很理想。對(duì)于頻 域特征的提取，大多數(shù)的研究者依賴快速傅里葉變換，離散傅里葉變換，離散余弦變換分解 時(shí)域信號(hào)到頻域上，頻域上要得到比較好的區(qū)分信號(hào)，需要進(jìn)行較長的采樣時(shí)間，運(yùn)樣會(huì)很 大程度上影響實(shí)時(shí)性。
[0005] 目前，上述兩種提取特征的方法，人體動(dòng)作識(shí)別的效果并不理想。
[0006] 特征提取后，就是對(duì)所提的特征進(jìn)行分類，現(xiàn)有的分類器如，k近鄰分類器化-順）， 支持向量機(jī)(SVM )，多層感知機(jī)(MLP )，k均值化-mean S )，都是不錯(cuò)的分類器，但運(yùn)些傳統(tǒng)的 分類器，并不是最優(yōu)的選擇。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明正是為了克服上述現(xiàn)有技術(shù)的缺陷，提供了一種采用了雙向長短期記憶人 工神經(jīng)網(wǎng)絡(luò)(BLSTM)的分類器，其對(duì)特征有很好的分類，能達(dá)到理想的效果。
[000引本發(fā)明采用如下技術(shù)方案實(shí)現(xiàn)。
[0009] -種基于=軸加速度傳感器人體動(dòng)作識(shí)別方法，本發(fā)明包括W下步驟：1)獲取人 體所佩戴移動(dòng)設(shè)備輸出的=軸加速度信號(hào)；2)對(duì)原始信號(hào)濾除噪聲提取動(dòng)作分類特征;3) 采用多個(gè)分類器進(jìn)行分類，并將輸出結(jié)果的平均值作為最終輸出結(jié)果。
[0010] 本發(fā)明步驟1)，W=軸加速度信號(hào)的合加速度峰值為中屯、，截取一小段信號(hào)作為 待識(shí)別的人體動(dòng)作樣本。
[0011] 本發(fā)明=軸加速度信號(hào)的峰值通過W下方式獲得：
[0012] -個(gè)采樣窗口獲取的人體動(dòng)作=軸加速度信號(hào)，可W表示為一個(gè)包含M= 1000個(gè) 樣本點(diǎn)的矩陣B = [Bi，化，…，Bm]，每一個(gè)樣本點(diǎn)Bi是一個(gè)3維向量：
[OOU] Bi=(bxi，byi，bzi)T (I)
[0014] bxi，byi，bzi分別表示第i個(gè)樣本的x，y，z .3個(gè)抽h的倍號(hào)，巧此每個(gè)樣本點(diǎn)合加速 度構(gòu)成矩陣B'=[||Bi| |，|陽I I，…，I IBmML運(yùn)J
[0015] 因此，合加速度信號(hào)的峰值可W有W下的方式計(jì)算：
[0016] D = UB'，wl)-L(B'，w2) (2)
[0017] L表示均值濾波器，Wl和w2(wl>w2)是均值濾波器的窗口大小，取差值D的局部極 大值就是加速度信號(hào)的峰值。
[0018] 本發(fā)明樣本截取方式，其信號(hào)的長度定義為250個(gè)采樣點(diǎn)；
[0019] 本發(fā)明步驟2)，提取的特征是：原始加速度信號(hào)特征，加速度信號(hào)的范數(shù)特征，兩 方向加速度信號(hào)特征作為人體動(dòng)作識(shí)別的特征。
[0020] 本發(fā)明步驟3)采用雙向長短期記憶人工神經(jīng)網(wǎng)絡(luò)(BLSTM)分類器進(jìn)行分類。
[0021] 本發(fā)明步驟3)采用S個(gè)雙向長短期記憶人工神經(jīng)網(wǎng)絡(luò)(BLSTM)分類器構(gòu)成多列雙 方向的長短期記憶人工神經(jīng)網(wǎng)絡(luò)(MBLSTM)，其輸出結(jié)果為前端的S個(gè)化STM輸出的平均值。
[0022] 本發(fā)明步驟2)，對(duì)原始信號(hào)濾除噪聲提取動(dòng)作分類特征過程如下：
[0023] 在人體動(dòng)作識(shí)別發(fā)明中，=軸加速度傳感器的一個(gè)采樣窗口的輸出表示為一個(gè)包 含N=250個(gè)樣本點(diǎn)的矩陣A= [Al，A2，…，An]，每一個(gè)樣本點(diǎn)Ai是一個(gè)3維向量：
[0024] Ai= (axi ,Syi ,azi) (3)
[00劇 axi，ayi，azi分別表示第i個(gè)樣本的x，y，z3個(gè)軸上的信號(hào);A作為原始加速度信號(hào)特 征。
[0026] 毎個(gè)掙本點(diǎn)合加速度構(gòu)成矩陣A'=[MAi||，| |A2| I，…，I IAnI I]，運(yùn)里
，A/就是加速度信號(hào)的范數(shù)特征。
[0027] 加速度信號(hào)的均值可W有W下的方式計(jì)算：
W 近 （4)
[0029: (5) 障； （巧
[0031； 分別表示x，y，zS軸上人體動(dòng)作信號(hào)的均值。
[0032]接下來，考慮到加速度信號(hào)能被分解到水平和豎直2個(gè)方法上，由于在一段時(shí)間 內(nèi)，水平方向上的加速度信號(hào)的均值很小，所W豎直方向上的單位向量ev表示為：
[00削
仍
[0034]所W第i個(gè)樣本垂直方向上的信號(hào)Vi可W用下式估計(jì)：
[0035] Vi = Ai ? ev (8)
[0036] 第i個(gè)樣本水平方向上的信號(hào)的范數(shù)出為：
[0037] 出=I IA廣Vi I I (9)
[003引 V=[Vi，V2，...，Vn巧陽=化，出，…，曲]就是兩方向特征；即得到原始加速度信號(hào)特 征，加速度信號(hào)的范數(shù)特征，兩方向加速度信號(hào)特征。
[0039] -種雙向長短期記憶人工神經(jīng)網(wǎng)絡(luò)(BLSTM)分類器，該分類器設(shè)置為5層，且上一 個(gè)層的輸出作為下一個(gè)層輸入;該分類器包括一個(gè)輸入層、一個(gè)前向傳播層、一個(gè)雙向長短 期記憶人工神經(jīng)網(wǎng)絡(luò)(BLSTM)層、一個(gè)匯總層、一個(gè)SOf tmax層依序連接組成。
[0040] 本發(fā)明分離器的工作過程如下：1)輸入層:輸入的序列被分割成大小為3的塊，然 后每個(gè)塊被掃描成一個(gè)向量作為第1個(gè)隱藏層的輸入;2)第2個(gè)隱藏層是前向傳播層，第1個(gè) 隱藏層的輸出作為第2隱藏層的輸入;3)雙向長短期記憶人工神經(jīng)網(wǎng)絡(luò)(BLSTM)層是第3個(gè) 隱藏層包含了若干個(gè)雙向長短期記憶人工神經(jīng)網(wǎng)絡(luò)(BLSTM)單元，第2個(gè)隱藏層的輸出作為 第3隱藏層的輸入;4)第4個(gè)隱藏層是匯總層，每隔一段時(shí)間會(huì)匯總第3層所有的輸出；5) SOf tmax層:匯總層的輸出作為最后一層:SOftmax層的輸入，最后一層有C路輸出，代表人體 動(dòng)作的類別數(shù)。
[0041] 本發(fā)明的有益效果為，本發(fā)明從多個(gè)方向提取、結(jié)合了不同的加速度信號(hào)特征，使 得提取的特征有更強(qiáng)的判別能力，提升了人體動(dòng)作識(shí)別的準(zhǔn)確率;確立采用多個(gè)雙向長短 期記憶人工神經(jīng)網(wǎng)絡(luò)(BLSTM)分類器對(duì)不同特征進(jìn)行分類，并對(duì)分類結(jié)果求平均，使人體動(dòng) 作分類正確率更高。本發(fā)明通過優(yōu)化了的特征提取方法和分類器的結(jié)構(gòu)，最終達(dá)到人體動(dòng) 作的高效識(shí)別，具有突出的進(jìn)步和顯著效果。
[0042 ]下面結(jié)合附圖和【具體實(shí)施方式】對(duì)本發(fā)明作進(jìn)一步解釋。
【附圖說明】
[0043] 圖1為本發(fā)明的原理結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0044] -種基于=軸加速度傳感器人體動(dòng)作識(shí)別方法，本發(fā)明包括W下步驟：1)獲取人 體所佩戴移動(dòng)設(shè)備輸出的=軸加速度信號(hào)；2)對(duì)原始信號(hào)濾除噪聲提取動(dòng)作分類特征;3) 采用多個(gè)分類器進(jìn)行分類，并將輸出結(jié)果的平均值作為最終輸出結(jié)果。
[0045] 本發(fā)明步驟1)，W=軸加速度信號(hào)的合加速度峰值為中屯、，截取一小段信號(hào)作為 待識(shí)別的人體動(dòng)作樣本。
[0046] 本發(fā)明=軸加速度信號(hào)的峰值通過W下方式獲得：
[0047] -個(gè)采樣窗口獲取的人體動(dòng)作=軸加速度信號(hào)，可W表示為一個(gè)包含M= 1000個(gè) 樣本點(diǎn)的矩陣B =[Bi，化，…，Bm]，每一個(gè)樣本點(diǎn)Bi是一個(gè)3維向量：
[004引 Bi=(bxi，byi，bzi)T (1)
[0049] bxi，byi，bzi分別表示第i個(gè)樣本的x，y，z，3個(gè)細(xì)H的倍寫.巧化每個(gè)樣本點(diǎn)合加速 度構(gòu)成矩陣B'=MlBiI I，|帕||，…，MBmM]，運(yùn)里
[0050] 因此，合加速度信號(hào)的峰值可W有W下的方式計(jì)算：
[0051] D = UB'，wl)-L(B'，w2) (2)
[0052] L表示均值濾波器，Wl和w2(wl>w2)是均值濾波器的窗口大小，取差值D的局部極 大值就是加速度信號(hào)的峰值。
[0053] 本發(fā)明樣本截取方式，其信號(hào)的長度定義為250個(gè)采樣點(diǎn)；
[0054] 本發(fā)明步驟2)，提取的特征是：原始加速度信號(hào)特征，加速度信號(hào)的范數(shù)特征，兩 方向加速度信號(hào)特征作為人體動(dòng)作識(shí)別的特征。
[0055] 本發(fā)明步驟3)采用雙向長短期記憶人工神經(jīng)網(wǎng)絡(luò)(BLSTM)分類器進(jìn)行分類。
[0056] 本發(fā)明步驟3)采用S個(gè)雙向長短期記憶人工神經(jīng)網(wǎng)絡(luò)(BLSTM)分類器構(gòu)成多列雙 方向的長短期記憶人工神經(jīng)網(wǎng)絡(luò)(MBLSTM)，其輸出結(jié)果為前端的S個(gè)化STM輸出的平均值。
[0057] 本發(fā)明步驟2)，對(duì)原始信號(hào)濾除噪聲提取動(dòng)作分類特征過程如下：
[005引在人體動(dòng)作識(shí)別發(fā)明中，=軸加速度傳感器的一個(gè)采樣窗口的輸出表示為一個(gè)包 含N=250個(gè)樣本點(diǎn)的矩陣A= [Al，A2，…，An]，每一個(gè)樣本點(diǎn)Ai是一個(gè)3維向量：
[0059] Ai= (axi，ayi，azi)T (3)
[00側(cè) axi，ayi，azi分別表示第i個(gè)樣本的x，y，z3個(gè)軸上的信號(hào);A作為原始加速度信號(hào)特 征。
[0061] 毎個(gè)掙本點(diǎn)合加速度構(gòu)成矩陣A'=[MAi||，| |A2| I，…，I IAnI I]，運(yùn)里
，A/就是加速度信號(hào)的范數(shù)特征。
[0062] 加速度信號(hào)的均值可W有W下的方式計(jì)算：
閨 （4) 國 (5) 幽： （巧
[0066] ，今，4：分別表示x，y，zS軸上人體動(dòng)作信號(hào)的均值。
[0067] 接下來，考慮到加速度信號(hào)能被分解到水平和豎直2個(gè)方法上，由于在一段時(shí)間 內(nèi)，水平方向H的力n巧底倍號(hào)的均值很小，所W豎直方向上的單位向量ev表示為：
[0068]
(7)
[0069] 所W第i個(gè)樣本垂直方向上的信號(hào)Vi可W用下式估計(jì)：
[0070] Vi = Ai ? ev (8)
[0071] 第i個(gè)樣本水平方向上的信號(hào)的范數(shù)出為：
[0072] 出=I I A廣Vi I I (9)
[007引 V= [Vi，V2,…，Vn巧日H=化，出，…，曲]就是兩方向特征；即得到原始加速度信號(hào)特 征，加速度信號(hào)的范數(shù)特征，兩方向加速度信號(hào)特征。
[0074] -種雙向長短期記憶人工神經(jīng)網(wǎng)絡(luò)(BLSTM)分類器，該分類器設(shè)置為5層，且上一 個(gè)層的輸出作為下一個(gè)層輸入;該分類器包括一個(gè)輸入層、一個(gè)前向傳播層、一個(gè)雙向長短 期記憶人工神經(jīng)網(wǎng)絡(luò)(BLSTM)層、一個(gè)匯總層、一個(gè)SOf tmax層依序連接組成。
[0075] 本發(fā)明分離器的工作過程如下：1)輸入層:輸入的序列被分割成大小為3的塊，然 后每個(gè)塊被掃描成一個(gè)向量作為第1個(gè)隱藏層的輸入;2)第2個(gè)隱藏層是前向傳播層，第1個(gè) 隱藏層的輸出作為第2隱藏層的輸入;3)雙向長短期記憶人工神經(jīng)網(wǎng)絡(luò)(BLSTM)層是第3個(gè) 隱藏層包含了若干個(gè)雙向長短期記憶人工神經(jīng)網(wǎng)絡(luò)(BLSTM)單元，第2個(gè)隱藏層的輸出作為 第3隱藏層的輸入;4)第4個(gè)隱藏層是匯總層，每隔一段時(shí)間會(huì)匯總第3層所有的輸出；5) SOf tmax層:匯總層的輸出作為最后一層:SOftmax層的輸入，最后一層有C路輸出，代表人體 動(dòng)作的類別數(shù)。
[0076] 實(shí)施例:實(shí)驗(yàn)選100個(gè)人，用智能手機(jī)收集了人體動(dòng)作的=軸加速度信號(hào)，包括跳， 慢跑，正常走，原地踏步，快速走，上樓梯，下樓梯巧巾人體動(dòng)作。用包含250點(diǎn)的窗，將峰值點(diǎn) 置于窗的中屯、截取信號(hào)，得到的每個(gè)人體動(dòng)作信號(hào)的數(shù)量如表1:
[0077] 表1樣本統(tǒng)計(jì)
[007引
[0079] 實(shí)驗(yàn)中，分別對(duì)比了兩方向加速度信號(hào)特征VH，加速度信號(hào)的特征A和加速度信號(hào) 均值的范數(shù)特征;實(shí)驗(yàn)中，隨機(jī)選擇所有人中的50，60，70，80個(gè)作為訓(xùn)練集，表中記為Ptr， 隨機(jī)選擇所有人中的20個(gè)作為測(cè)試集，選擇訓(xùn)練集中的5分之1作為驗(yàn)證集。每個(gè)實(shí)驗(yàn)重復(fù) 10次，都用雙向長短期記憶人工神經(jīng)網(wǎng)絡(luò)(BLSTM)來進(jìn)行分類，對(duì)W上S種特征的錯(cuò)誤率， 如表2,表3,表4所示：
[0080] 為了說明本方法的有效性，選擇了k近鄰分類器化-NN)，支持向量機(jī)(SVM)，集成流 型排序保留化MR)，雙向的長短期記憶人工神經(jīng)網(wǎng)絡(luò)(化STM)來進(jìn)行對(duì)比，運(yùn)里都用兩方向 特征來作為輸入的特征。隨機(jī)選擇所有人中的40和80個(gè)作為訓(xùn)練集，剩下的作為測(cè)試集，選 擇訓(xùn)練集中的5分之1作為驗(yàn)證集。每個(gè)試驗(yàn)重復(fù)5次，算出平均錯(cuò)誤率。對(duì)比結(jié)果如表5所 /J、- O
[0081] 表2加速度信號(hào)特征A對(duì)應(yīng)的實(shí)驗(yàn)結(jié)果
[0082]
[0083]表3加速度信號(hào)范數(shù)特征對(duì)應(yīng)的實(shí)驗(yàn)結(jié)果 「00841
[0089] 通過表2,表3,表4的實(shí)驗(yàn)結(jié)果，從合計(jì)錯(cuò)誤率來看，在用相同分類器的條件下，兩 方向加速度信號(hào)特征V H得到的錯(cuò)誤率要比加速度信號(hào)的均值特征Al和加速度信號(hào)均值的 范數(shù)特征錯(cuò)誤率要低，運(yùn)說明了兩方向加速度信號(hào)特征V H比其他2種特征更有區(qū)分能 力。
[0090] 通過表5的實(shí)驗(yàn)結(jié)果，在輸入相同特征的情況下，多列雙向長短期記憶人工神經(jīng)網(wǎng) 絡(luò)(M化STM)分類器的平均錯(cuò)誤率要遠(yuǎn)低于其他4中分類器的錯(cuò)誤率，說明MBLSTM分類器分 類能力優(yōu)于其他4種分類器。
【主權(quán)項(xiàng)】
1. 一種基于三軸加速度傳感器人體動(dòng)作識(shí)別方法，其特征在于，包括以下步驟:1)獲取 人體所佩戴移動(dòng)設(shè)備輸出的三軸加速度信號(hào)；2)對(duì)原始信號(hào)濾除噪聲提取動(dòng)作分類特征； 3)采用多個(gè)分類器進(jìn)行分類，并將輸出結(jié)果的平均值作為最終輸出結(jié)果。2. 根據(jù)權(quán)利要求1所述的一種基于三軸加速度傳感器人體動(dòng)作識(shí)別方法，其特征在于， 步驟1)的實(shí)現(xiàn)方法，以三軸加速度信號(hào)的合加速度峰值為中心，截取一小段信號(hào)作為待識(shí) 別的人體動(dòng)作樣本。3. 根據(jù)權(quán)利要求1或2所述的一種基于三軸加速度傳感器人體動(dòng)作識(shí)別方法，其特征在 于，步驟2)，提取的特征是:原始加速度信號(hào)特征，加速度信號(hào)的范數(shù)特征，兩方向加速度信 號(hào)特征作為人體動(dòng)作識(shí)別的特征。4. 根據(jù)權(quán)利要求1或3所述的一種基于三軸加速度傳感器人體動(dòng)作識(shí)別方法，其特征在 于，所述的步驟2)，對(duì)原始信號(hào)濾除噪聲提取動(dòng)作分類特征過程如下： 在人體動(dòng)作識(shí)別發(fā)明中，三軸加速度傳感器的一個(gè)采樣窗口的輸出表示為一個(gè)包含N 個(gè)樣本點(diǎn)的矩陣Α=[Αι，Α2，···，An]，每一個(gè)樣本點(diǎn)Ai是一個(gè)3維向量： Ai-(Elxi，Elyi，Elzi ) ( 3 ) axl，ayl，azl分別表示第i個(gè)樣本的x，y，z3個(gè)軸上的信號(hào);A作為原始加速度信號(hào)特征； 每個(gè)樣本點(diǎn)合加速度構(gòu)成矩陣A' = [ I I Ai I I，I I A2 I I，…，I I An I I ]，這里/就是加速度信號(hào)的范數(shù)特征； 加速度信號(hào)的均值可以有以下的方式計(jì)算：i，?分別表示x，y，z三軸上人體動(dòng)作信號(hào)的均值； 接下來，考慮到加速度信號(hào)能被分解到水平和豎直2個(gè)方法上，由于在一段時(shí)間內(nèi)，水 平方向上的加速度信號(hào)的均值很小，所以豎直方向上的單位向量ev表示為：(7) 所以第i個(gè)樣本垂直方向上的信號(hào)1可以用下式估計(jì)： Vi=Ai · ev (8) 第i個(gè)樣本水平方向上的信號(hào)的范數(shù)出為： Hi=| |Ai-Vi| (9) V= [Vi，V2，…，VN]和H= [m，H2，…，Hn]就是兩方向特征；即得到原始加速度信號(hào)特征， 加速度信號(hào)的范數(shù)特征，兩方向加速度信號(hào)特征。5. 根據(jù)權(quán)利要求1所述的一種基于三軸加速度傳感器人體動(dòng)作識(shí)別方法，其特征在于， 步驟3)采用雙向長短期記憶人工神經(jīng)網(wǎng)絡(luò)(BLSTM)分類器進(jìn)行分類。6. 根據(jù)權(quán)利要求1或5所述的一種基于三軸加速度傳感器人體動(dòng)作識(shí)別方法，其特征在 于，步驟3)采用三個(gè)雙向長短期記憶人工神經(jīng)網(wǎng)絡(luò)(BLSTM)分類器構(gòu)成多列雙方向的長短 期記憶人工神經(jīng)網(wǎng)絡(luò)(MBLSTM)，其輸出結(jié)果為前端的三個(gè)BLSTM輸出的平均值。7. 根據(jù)權(quán)利要求2所述的一種基于三軸加速度傳感器人體動(dòng)作識(shí)別方法，其特征在于， 所述的三軸加速度信號(hào)的合加速度峰值通過以下方式獲得： 一個(gè)采樣窗口獲取的人體動(dòng)作三軸加速度信號(hào)，可以表示為一個(gè)包含Μ個(gè)樣本點(diǎn)的矩 陣8=[81，82，"_，8(?]，每一個(gè)樣本點(diǎn)&是一個(gè)3維向量 ： Bi= (bxi，byi，bzi)T (1) bxi，byi，bzi分別表不第i個(gè)樣本的x，y，z，3個(gè)軸上的信號(hào)，因此每個(gè)樣本點(diǎn)合加速度構(gòu) 成矩陣以=[| |Bi| |，| |β2| |，···，| |Bm| |]，這里因此，合加速度信號(hào)的峰值可以有以下的方式計(jì)算： D = L(B，，wl)-L(B，，w2) (2) L表示均值濾波器，wl和w2(wl>w2)是均值濾波器的窗口大小，取差值D的局部極大值 就是加速度信號(hào)的峰值。8. -種雙向長短期記憶人工神經(jīng)網(wǎng)絡(luò)分類器，其特征在于，該分類器設(shè)置為5層，且上 一個(gè)層的輸出作為下一個(gè)層輸入;該分類器包括一個(gè)輸入層、一個(gè)前向傳播層、一個(gè)雙向長 短期記憶人工神經(jīng)網(wǎng)絡(luò)層、一個(gè)匯總層、一個(gè)softmax層依序連接組成。9. 根據(jù)權(quán)利要求8所述的一種雙向長短期記憶人工神經(jīng)網(wǎng)絡(luò)分類器，其特征在于，該分 離器的工作過程如下：1)輸入層:輸入的序列被分割成大小為3的塊，然后每個(gè)塊被掃描成 一個(gè)向量作為第1個(gè)隱藏層的輸入;2)第2個(gè)隱藏層是前向傳播層，第1個(gè)隱藏層的輸出作為 第2隱藏層的輸入;3)雙向長短期記憶人工神經(jīng)網(wǎng)絡(luò)層是第3個(gè)隱藏層包含了若干個(gè)雙向長 短期記憶人工神經(jīng)網(wǎng)絡(luò)單元，第2個(gè)隱藏層的輸出作為第3隱藏層的輸入;4)第4個(gè)隱藏層是 匯總層，每隔一段時(shí)間會(huì)匯總第3層所有的輸出；5) S〇ftmax層：匯總層的輸出作為最后一 層:softmax層的輸入，最后一層有C路輸出，代表人體動(dòng)作的類別數(shù)。
【文檔編號(hào)】G06K9/62GK105956558SQ201610290443
【公開日】2016年9月21日
【申請(qǐng)日】2016年4月26日
【發(fā)明人】陶大鵬
【申請(qǐng)人】陶大鵬