【技術實現(xiàn)步驟摘要】
本專利技術涉及目標識別，尤其涉及一種基于對比學習和少樣本學習的室內(nèi)日常活動識別方法。
技術介紹
1、隨著物聯(lián)網(wǎng)的快速發(fā)展，尤其在與人的活動相關的物聯(lián)網(wǎng)應用中，室內(nèi)日常活動識別的重要性越發(fā)顯著。例如在智能服務系統(tǒng)中，自動識別室內(nèi)日常活動能幫助系統(tǒng)更好地理解目標人群的行為意圖、生活習慣、健康狀態(tài)、異常活動，以便提供及時的個性化服務。
2、室內(nèi)日常活動識別的目的在于，利用傳感器的空間限制小、安裝便捷、感知內(nèi)容廣泛隱私性良好等特點，采用合適的傳感器布局方案采集傳感器數(shù)據(jù)，然后依次經(jīng)過數(shù)據(jù)預處理、特征提取、模型構建、規(guī)則定義、語義推理等步驟實現(xiàn)多居住者場景下室內(nèi)日常活動的識別。
3、近幾十年來，深度學習模型如卷積神經(jīng)網(wǎng)絡(convolutional?neural?network,cnn)和長短期記憶(long?short-term?memory,lstm)網(wǎng)絡，在人類活動識別(humanactivity?recognition,har)應用中取得了重大進展。wang等人提到，cnn模型可以在沒有先驗知識的情況下提取特征，使其適用于har任務。lstm網(wǎng)絡尤其擅長捕捉長期依賴關系，并從連續(xù)的環(huán)境傳感器數(shù)據(jù)中獲取分層表示，這是har中經(jīng)常觀察到的一個特征。
4、然而，在人類活動識別中使用深度學習模型實現(xiàn)具有競爭力的性能需要大量的注釋數(shù)據(jù)。在現(xiàn)實世界的智能家居中注釋活動數(shù)據(jù)是一項重大挑戰(zhàn)，因為它對研究人員和專家來說既耗時又乏味。因此，如何在少量標注數(shù)據(jù)的情況下，充分挖掘傳感器數(shù)據(jù)中人體活動的特征表示即提高識別
技術實現(xiàn)思路
1、針對現(xiàn)有技術的不足，本專利技術提供了一種基于對比學習和少樣本學習的室內(nèi)日常活動識別方法，解決了少樣本在人類活動識別中準確率較低的技術問題。
2、為解決上述技術問題，本專利技術提供了如下技術方案：一種基于對比學習和少樣本學習的室內(nèi)日常活動識別方法，該方法包括以下步驟：
3、s1、獲取由各個環(huán)境傳感器所采集的環(huán)境傳感器數(shù)據(jù)，并對環(huán)境傳感器數(shù)據(jù)進行同步序列對齊用以構建人體活動的時間序列數(shù)據(jù)集；
4、s2、將時間序列數(shù)據(jù)集轉(zhuǎn)換為兩個包含數(shù)據(jù)時間信息和動態(tài)特征的二維圖像向量矩陣并進行數(shù)據(jù)增強；
5、s3、初始化少樣本對比學習模型，少樣本對比學習模型由預訓練模塊和微調(diào)模塊組成；
6、s4、將無標簽的時間序列數(shù)據(jù)輸入到預訓練模塊中，通過少樣本學習的方式，使少樣本對比學習模型能夠在新活動類型上快速適應并學習到不同活動之間的差異；
7、s5、將一部分少量帶有標簽的時間序列數(shù)據(jù)輸入到微調(diào)模塊中進行活動識別。
8、進一步地，在步驟s1中，各個環(huán)境傳感器所采集的環(huán)境傳感器數(shù)據(jù)包括紅外感應、壓力和開關傳感器所采集的數(shù)據(jù)，采集的數(shù)據(jù)包括至少六種人類日常活動的時間序列數(shù)據(jù)類型。
9、進一步地，在步驟s2中，具體過程包括：
10、對原始一維的時間序列數(shù)據(jù)進行標準化處理，使所有的值落在區(qū)間[-1,1]或[0,1]中；
11、將時間序列數(shù)據(jù)視為向量空間中的向量，并計算這些向量之間的內(nèi)積形成格拉姆矩陣；
12、根據(jù)格拉姆矩陣計算不同時刻向量之間的夾角，并將其轉(zhuǎn)換為0到1之間的值生成一個新的角度矩陣，將角度矩陣作為圖像的像素值生成二維圖像向量矩陣；
13、通過數(shù)據(jù)增強模塊對角度矩陣進行數(shù)據(jù)增強生成兩個具有不同視圖的二維圖像。
14、進一步地，在步驟s3中，預訓練模塊包括用于從二維圖像向量矩陣中提取時間信息和動態(tài)特征的特征提取模塊，以及通過對比學習使少樣本對比學習模型能夠?qū)W習到不同活動之間差異的對比學習模塊；
15、所述特征提取模塊由transformer編碼層和bi-gru網(wǎng)絡層組成，對比學習模塊由三個完全連接的神經(jīng)網(wǎng)絡層組成，用于接收潛在空間表示作為輸入并將它們投影到不同的空間中。
16、進一步地，在步驟s3中，微調(diào)模塊包括一編碼器以及具有兩層多層感知器mlp的識別模塊，且識別模塊對隱藏層使用relu激活函數(shù)和用于多類活動分類的softmax激活函數(shù)，用于根據(jù)少量帶有標簽的時間序列數(shù)據(jù)對室內(nèi)日常活動進行分類識別。
17、進一步地，所述relu激活函數(shù)的表達式為：
18、relu＝f(x)＝max(0,x)
19、其中，x為輸入的特征向量。
20、進一步地，所述softmax激活函數(shù)的表達式為：
21、
22、其中，e表示自然對數(shù)的底(歐拉數(shù))，n表示類別的數(shù)量，zi、zj分別是第i、j個類別的原始分數(shù)。
23、借由上述技術方案，本專利技術提供了一種基于對比學習和少樣本學習的室內(nèi)日常活動識別方法，至少具備以下有益效果：
24、1、本專利技術能夠在不需要大量標注數(shù)據(jù)的情況下仍然能夠取得較好的活動識別效果。具有較好的魯棒性，能夠適應室內(nèi)日常活動的復雜環(huán)境，為使用者提供準確的人體活動識別服務，方便實用。
25、2、本專利技術通過對比學習和少樣本學習的方式，提高了使少樣本對比學習模型的泛化能力，使得使少樣本對比學習模型能夠在新活動類型上快速適應。
本文檔來自技高網(wǎng)...【技術保護點】
1.一種基于對比學習和少樣本學習的室內(nèi)日常活動識別方法，其特征在于，該方法包括以下步驟：
2.根據(jù)權利要求1所述的室內(nèi)日常活動識別方法，其特征在于，在步驟S1中，各個環(huán)境傳感器所采集的環(huán)境傳感器數(shù)據(jù)包括紅外感應、壓力和開關傳感器所采集的數(shù)據(jù)，采集的數(shù)據(jù)包括至少六種人類日常活動的時間序列數(shù)據(jù)類型。
3.根據(jù)權利要求1所述的室內(nèi)日常活動識別方法，其特征在于，在步驟S2中，具體過程包括：
4.根據(jù)權利要求1所述的室內(nèi)日常活動識別方法，其特征在于，在步驟S3中，預訓練模塊包括用于從二維圖像向量矩陣中提取時間信息和動態(tài)特征的特征提取模塊，以及通過對比學習使少樣本對比學習模型能夠?qū)W習到不同活動之間差異的對比學習模塊；
5.根據(jù)權利要求1所述的室內(nèi)日常活動識別方法，其特征在于，在步驟S3中，微調(diào)模塊包括一編碼器以及具有兩層多層感知器MLP的識別模塊，且識別模塊對隱藏層使用ReLU激活函數(shù)和用于多類活動分類的Softmax激活函數(shù)，用于根據(jù)少量帶有標簽的時間序列數(shù)據(jù)對室內(nèi)日常活動進行分類識別。
6.根據(jù)權利要求5所述的室內(nèi)日常活動識別方
7.根據(jù)權利要求5所述的室內(nèi)日常活動識別方法，其特征在于，所述Softmax激活函數(shù)的表達式為：
...【技術特征摘要】
1.一種基于對比學習和少樣本學習的室內(nèi)日常活動識別方法，其特征在于，該方法包括以下步驟：
2.根據(jù)權利要求1所述的室內(nèi)日常活動識別方法，其特征在于，在步驟s1中，各個環(huán)境傳感器所采集的環(huán)境傳感器數(shù)據(jù)包括紅外感應、壓力和開關傳感器所采集的數(shù)據(jù)，采集的數(shù)據(jù)包括至少六種人類日常活動的時間序列數(shù)據(jù)類型。
3.根據(jù)權利要求1所述的室內(nèi)日常活動識別方法，其特征在于，在步驟s2中，具體過程包括：
4.根據(jù)權利要求1所述的室內(nèi)日常活動識別方法，其特征在于，在步驟s3中，預訓練模塊包括用于從二維圖像向量矩陣中提取時間信息和動態(tài)特征的特征提取模塊，以及通...
【專利技術屬性】
技術研發(fā)人員：趙生慧，陳桂林，尚翠娟，郝慧峰，
申請(專利權)人：滁州學院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。