【技術實現(xiàn)步驟摘要】
本專利技術屬于人類活動識別領域，具體涉及一種基于多支路時空交互網(wǎng)絡優(yōu)化人類活動識別的方法。
技術介紹
1、人體行為識別是指通過分析與環(huán)境的交互來自動識別人體的各種行為，包括坐姿、行走、跑步、手部動作等。這種識別對于安全、老人看護和行為預測等應用至關重要。它將身體活動與行為環(huán)境相融合，創(chuàng)建了一個上下文感知的框架來進行準確的識別。可穿戴傳感器和移動設備的進步推動了人類活動識別系統(tǒng)的發(fā)展，從而提高了行走、慢跑和坐姿等活動分類的準確性。
2、深度學習可以從海量的生物醫(yī)學數(shù)據(jù)中自動提取復雜的特征，而不需要人工進行特征工程，增強了其在基因組學、藥物發(fā)現(xiàn)和醫(yī)學影像等領域的實用性，從而最大限度地利用這些數(shù)據(jù)。此外，深度學習模型可以通過表示學習進行多層次的非線性特征變換，克服了大數(shù)據(jù)集帶來的局限性，在醫(yī)療、教育和安全等領域取得了開創(chuàng)性的成果。該技術在健康信息學領域的快速應用得益于其預測能力、從輸入數(shù)據(jù)中獲得語義解釋的能力以及自動優(yōu)化高級特征的能力，顯示了其在未來各個領域應用的潛力。
3、深度學習通過實現(xiàn)自動高級特征提取，顯著增強了人體行為識別，從而在醫(yī)療保健、監(jiān)控和日常活動監(jiān)測等各個領域優(yōu)化性能。深度神經(jīng)網(wǎng)絡從海量數(shù)據(jù)中提取復雜特征，提高了人體行為識別系統(tǒng)的分類精度。卷積神經(jīng)網(wǎng)絡和門控循環(huán)單元等深度學習技術的融合，可以實現(xiàn)精確的特征提取和全面的模型架構，從而在各種數(shù)據(jù)集上獲得較高的分類精度。此外，感知提取網(wǎng)絡由3個卷積塊和一個關系網(wǎng)絡組成，用于探索人類活動識別中的全局關系和局部特征。通過有效地協(xié)調3d-cnn、2d-cnn
4、盡管現(xiàn)有的har方法在某些應用場景中取得了一定的成功，但仍存在諸多問題和挑戰(zhàn)：
5、數(shù)據(jù)稀缺和標記困難：大量的傳感器數(shù)據(jù)未被標記，導致訓練集數(shù)據(jù)稀缺，影響模型的泛化能力和準確性。傳感器數(shù)據(jù)的手工標記過程既費時又費力，且需要領域專家的參與，成本高昂。此外，不同活動之間的樣本數(shù)量往往不均衡，進一步增加了模型訓練的難度。
6、特征提取不充分：傳統(tǒng)的特征提取方法通常依賴手工設計，難以全面捕捉數(shù)據(jù)中的復雜特征，導致模型無法充分利用數(shù)據(jù)中的有用信息。尤其是在面對高維度和多模態(tài)數(shù)據(jù)時，傳統(tǒng)方法的局限性更為明顯。
7、模型訓練不穩(wěn)定：在模型訓練過程中，傳統(tǒng)的損失函數(shù)(如交叉熵損失)在處理不平衡數(shù)據(jù)時表現(xiàn)不佳，容易導致模型過擬合或欠擬合。在實際應用中，數(shù)據(jù)的不平衡性和噪聲往往難以避免，這進一步影響了模型的穩(wěn)定性和可靠性。
8、缺乏時空特征的有效提取和利用：人類活動數(shù)據(jù)具有明顯的時空特征，傳統(tǒng)方法往往忽視了這一點，導致模型在捕捉活動的時序變化和空間分布方面表現(xiàn)不足。有效地提取和利用時空特征是提高har性能的關鍵。
技術實現(xiàn)思路
1、本專利技術提出一種基于多支路時空交互網(wǎng)絡優(yōu)化人類活動識別的方法，結局了現(xiàn)有技術中存在的數(shù)據(jù)稀缺和標記困難、特征提取不充分、模型訓練不穩(wěn)定，缺乏時空特征的有效提取和利用的技術問題。
2、本專利技術所采取的技術方案如下：基于生成式步態(tài)網(wǎng)絡的步態(tài)數(shù)據(jù)生成方法：其步驟為：
3、(1)數(shù)據(jù)預處理：使用無監(jiān)督的統(tǒng)計特征指導的擴散模型sf-dm，處理大量未標記的可穿戴傳感器數(shù)據(jù)，生成合成擴散數(shù)據(jù)；
4、步驟1.1：從訓練數(shù)據(jù)集x中采樣一個批次大小為m的數(shù)據(jù)x；
5、步驟1.2：計算統(tǒng)計特征：均值μ、標準差σ、z分數(shù)z和偏度γ；
6、步驟1.3：將統(tǒng)計特征全連接成一個向量f；
7、步驟1.4：從真實數(shù)據(jù)中生成一個與輸入數(shù)據(jù)形狀相同的隨機噪聲∈，并使用噪聲尺度β和擴散步驟t，生成噪聲數(shù)據(jù)
8、
9、步驟1.5：將噪聲數(shù)據(jù)和統(tǒng)計特征f輸入到sf-dm中，并使用adam優(yōu)化器的超參數(shù)ηe，通過最小化重構損失lrec來預訓練sf-dm，其中重構損失lrec為：
10、
11、
12、步驟1.6：從訓練數(shù)據(jù)集x和相應的活動標簽y中采樣一個批次(x，y)；
13、步驟1.7：計算統(tǒng)計特征：均值μ、標準差σ、z分數(shù)z和偏度γ；
14、步驟1.8：將1.7中的系統(tǒng)特征全連接成一個向量f；
15、步驟1.9：生成一個與sf-dm輸入形狀相同的隨機噪聲向量ω；
16、步驟1.10：使用adam優(yōu)化器，學習率為ηc，通過最小化合成損失lsyn來訓練sf-dm，得到生成數(shù)據(jù)：
17、
18、
19、步驟1.11：從生成數(shù)據(jù)集x和對應的活動標簽y中采樣一個批次大小為m的數(shù)據(jù)(x,y)；
20、步驟1.12：使用adam優(yōu)化器，學習率為ηc，通過最小化真實損失lreal來微調sf-dm：
21、
22、
23、步驟1.13：從訓練數(shù)據(jù)集x和相應的活動標簽y中采樣一個批次(x，y)，導入微調后的sf-dm；
24、步驟1.14：生成擴散數(shù)據(jù)并導出。
25、(2)特征提取：建立深度卷積網(wǎng)絡模型——多支路時空交互網(wǎng)絡，對分裂模塊與時間和空間注意力進行結合，對擴散數(shù)據(jù)進行特征提取，得到時空特征數(shù)據(jù)；
26、步驟2.1：將生成的數(shù)據(jù)集導入模型，并對信號增加空間注意力，在時間軸上進行平均池化和最大池化操作，之后，應用卷積層生成空間注意力圖使用兩個池化操作來聚合信道信息，并生成特征圖與特征圖隨后，使用一個標準卷積層進行串聯(lián)和卷積；
27、步驟2.2：將步驟2.1卷積層處理后的數(shù)據(jù)分成k個基數(shù)組，每個基數(shù)組包含c/k個通道，輸入特征信號的大小為t×c，劃分后每個基數(shù)組的大小為w×(c/k)，每個基數(shù)組再被劃分成r個子組，每個子組包含c/(k*r)個通道，則每個子組的大小為t×(c/(k*r))，子組總數(shù)的是g＝kr；
28、步驟2.3：對每個子組進行組變換輸入特征信號經(jīng)過一個1×1卷積層，再經(jīng)過一個3×3卷積層，3×3卷積用于捕捉更大的空間上下文信息；得到每個子組的中間表示：
29、步驟2.4：跨多個分割的元素加和來獲得每個基數(shù)組的組合表示其中
30、步驟2.5：接著增加時間注意力，通過生成通道級統(tǒng)計量將全局空間信息壓縮為通道描述符，一個統(tǒng)計量是通過其空間維度s對輸出u進行收縮產(chǎn)生的，使得z的第c個元素被計算為：
31、
32、步驟2.6：使用全局平均池化收集嵌入的通道統(tǒng)計信息：第c個分量計算如下：
33、步驟2.7：使用兩個帶relu激活的全連本文檔來自技高網(wǎng)...
【技術保護點】
1.一種基于多支路時空交互網(wǎng)絡優(yōu)化人類活動識別的方法，其特征在于，其步驟為：
2.根據(jù)權利要求1所述的一種基于多支路時空交互網(wǎng)絡優(yōu)化人類活動識別的方法，其特征在于，所述的步驟(1)中，具體方法為：
3.根據(jù)權利要求1所述的一種基于多支路時空交互網(wǎng)絡優(yōu)化人類活動識別的方法，其特征在于：所述的步驟(2)中，具體方法為：
4.根據(jù)權利要求1所述的一種基于多支路時空交互網(wǎng)絡優(yōu)化人類活動識別的方法，其特征在于：所述的步驟(3)中，具體方法為：
【技術特征摘要】
1.一種基于多支路時空交互網(wǎng)絡優(yōu)化人類活動識別的方法，其特征在于，其步驟為：
2.根據(jù)權利要求1所述的一種基于多支路時空交互網(wǎng)絡優(yōu)化人類活動識別的方法，其特征在于，所述的步驟(1)中，具體方法為：
3.根據(jù)權利要...
【專利技術屬性】
技術研發(fā)人員：于盈，王欣怡，趙鑫，呂晶，劉彬，
申請(專利權)人：遼寧大學，
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。