【技術實現步驟摘要】
本專利技術涉及動作識別，具體涉及一種基于互信息的動態圖卷積泳姿識別系統及方法。
技術介紹
1、目前，慣性測量單元（imu）傳感器進行游泳泳姿識別技術原理主要為：集成加速度計和陀螺儀等傳感器的裝置，用于測量物體的加速度、角速度和幅度。在游泳中，imu傳感器可以佩戴在游泳者的身體部位（如手腕、小腿、骶骨等），實時監測和記錄游泳者的姿勢、身體姿態和動作。通過跟蹤游泳者的動作信號，將加速度信號與陀螺儀的角速度測量相結合，分析游泳者的技術動作，從而識別出泳姿。智能手表作為日常佩戴設備，具有便攜性和易用性。集成了imu傳感器的智能手表用戶無需額外攜帶或安裝其他設備，即可進行泳姿識別。為實時監測游泳者的動作和姿勢，并提供即時反饋。協助游泳者及時調整技術動作，提高游泳效率，使用智能手表進行實時泳姿監測具有實際意義。
2、當前使用imu信號進行泳姿實時監測的方法主要包括三個方面：一是基于統計學規則的鑒別器方法；二是使用機器學習模型對imu信號提取的特征信息作為輸入進行分類；三是使用傳統的基于歐氏距離的dnn模型（以cnn為代表）對imu信號進行分類。
3、在這類使用imu信號進行泳姿識別的實時監測方法中，其描述imu信號泳姿類別信息量相對不夠完整，在實際的監測過程中誤判和漏判泳姿類別的可能性較大；使用機器學習對imu信號泳姿分類預測的過程中，得到具有較高準確性分類模型的關鍵是提取具有判別性的特征，但這種具有判別性的特征的提取需要有大量的先驗知識，同時這樣的特征工程十分費事費力；使用傳統的基于歐氏距離的cnn模型對imu信號
4、雖然以cnn為代表的深度學習對使用六軸imu信號進行泳姿實時監測具有較好的適用性，并且同時具備自動特征工程的能力，通過訓練能夠自動提取具有判別性的特征，最后根據提取到的特征進行泳姿識別，中間不需要其他的人工干預，是一種端到端的分類方法。
5、然而六軸imu信號是一種二維信號，其中的一個維度為時間，另外一個維度為軸向數，以集成了三軸加速度計和陀螺儀的智能手表imu信號為例，包括x、y、z、roll、pitch和yaw共計6個軸向。其中各個軸向之間的關系是一種不規則的關系，也就是一種非歐氏距離的關系，此時cnn在方向軸這個維度上無法保持位移不變性。
6、因此，僅僅使用卷積作為空間特征提取手段的cnn模型，對輸入的六軸imu信號進行游泳泳姿實時監測性能具有改進的余地。一種好的方法是引入一種可以描述六軸imu信號軸向之間的非歐氏距離關系，以圖作為輸入的gnn中的典型算法gcn就可以實現這一功能的方法。
7、通常圖卷積中采用相關矩陣或者協方差矩陣，作為表示了圖中節點的連接關系的鄰接矩陣。相關矩陣中的相關系數只能描述變量之間的線性關系，并且相關矩陣系數的計算通常假設數據是正態分布，而且六軸imu傳感器各個軸向的信號通常是非線性的，并且考慮到泳姿監測的實時性輸入的信號長度不能太長，也就導致輸入信號數據難以滿足正態分布需求，互信息矩陣則不受數據分布的影響，能夠更全面地描述變量之間的線性和非線性關系；協方差矩陣主要描述變量之間的線性關系和方差大小，并且受到變量量綱的影響，而互信息本身就是一種無量綱的統計量，因此互信息矩陣不受量綱影響，并且能夠捕捉更廣泛的關系類型，包括非線性關系和相互依賴關系。互信息矩陣作為圖卷積的鄰接矩陣具有捕捉非線性關系、對噪聲的魯棒性強、無量綱化以及避免相關系數的局限性和適用于非正態分布數據等優勢。這些優勢使得互信息矩陣在圖卷積網絡中能夠更準確地描述節點之間的關系，從而提高模型的性能和準確性。
8、但是互信息矩陣是通過信號數值的概率進行計算，而imu信號數據通常是浮點類型，數值相同的可能性較小，導致通常計算的互信息值為零。有鑒于此，特提出本專利技術。
技術實現思路
1、針對
技術介紹
中所提及的技術缺陷，本專利技術實施例的目的在于提供一種基于互信息的動態圖卷積泳姿識別系統及方法，旨在克服傳統深度學習模型對六軸imu信號在監測過程中對泳姿類別的辨析準確性不高的缺陷。
2、為實現上述目的，第一方面，本專利技術實施例提供了一種基于互信息的動態圖卷積泳姿識別系統，所述系統包括：
3、預處理單元，用于對獲取的六軸imu信號進行序列數值區間的均分評級，以得到評級量化后的序列數據；其中，所述序列數據包括六軸分別對應的序列；
4、鄰接矩陣構造單元，用于根據所述序列數據計算出輸入的imu信號的標準化互信息矩陣，再通過拉普拉斯歸一化來估計鄰接矩陣，充分表達出六軸imu各軸向之間不規則的關系；
5、特征提取單元，用于將所述鄰接矩陣傳送至預先訓練完成的圖卷積模型中，作為圖卷積的計算單元，以獲得六軸imu信號在不同泳姿實時分類監測的特征表示；其中，所述圖卷積模型為基于互信息矩陣構造出的動態圖卷積神經網絡mic-gcn模型；
6、分類結果輸出單元，用于基于所獲得的特征，分類預測輸出泳姿類別為輸出結果標簽。
7、作為本申請的一種具體實現方式，所述均分評級具體包括：
8、?確定范圍?，找出序列中的最小值和最大值；
9、?計算區間?，計算出整個序列的數值范圍，即最大值至最小值；
10、?等分區間?，基于最大值與最小值的差值均分為n等份；其中，n為正整數，且為設定值；
11、?確定等級邊界?，確定每一等份的取值范圍；
12、?分配等級?，對序列的每個點都將其分配到對應的等級中。
13、作為本申請的一種具體實現方式，所述圖卷積模型的訓練過程具體包括：
14、將采集的歷史數據標注樣本后進行模型訓練；其中，選取固定長度的六軸imu信號作為樣本數據和對應的泳姿類別作為樣本標簽；
15、使用滑動窗口法將實時采集的固定長度的六軸imu信號，使用訓練集共享的標準化參數進行標準化后作為輸入；
16、分類預測輸出泳姿類別為標簽。
17、作為本申請的一種具體實現方式，所述特征提取單元還用于：
18、通過滑動imu信號窗口，同步更新計算鄰接矩陣和圖卷積聚合imu特征信息，使得模型避免了不同泳姿特征所存在的有區分度特征表達不充分問題，同時提升了模型的泛化性能。
19、作為本申請的一種具體實現方式，所述圖卷積模型設置兩層圖卷積層，同時使用relu作為激活函數，然后使用全連接層將gcn提取的特征線性映射后輸入分類層。
20、第二方面，本專利技術實施例還提供了一種基于互信息的動態圖卷積泳姿識別方法，應用于第一方面所述的一種基于互信息的動態圖卷積泳姿識別系統，所述方法包括以下步驟本文檔來自技高網...
【技術保護點】
1.一種基于互信息的動態圖卷積泳姿識別系統，其特征在于，所述系統包括：
2.如權利要求1所述的系統，其特征在于，所述均分評級具體包括：
3.如權利要求2所述的系統，其特征在于，所述圖卷積模型的訓練過程具體包括：
4.如權利要求3所述的系統，其特征在于，所述特征提取單元還用于：
5.如權利要求3所述的系統，其特征在于，所述圖卷積模型設置兩層圖卷積層，同時使用ReLU作為激活函數，然后使用全連接層將GCN提取的特征線性映射后輸入分類層。
6.一種基于互信息的動態圖卷積泳姿識別方法，其特征在于，應用于權利要求1所述的一種基于互信息的動態圖卷積泳姿識別系統，所述方法包括以下步驟：
7.如權利要求6所述的方法，其特征在于，所述均分評級具體包括：
8.如權利要求7所述的方法，其特征在于，所述圖卷積模型的訓練過程具體包括：
9.如權利要求6至8中任一項所述的方法，其特征在于，所述方法還包括：
【技術特征摘要】
1.一種基于互信息的動態圖卷積泳姿識別系統，其特征在于，所述系統包括：
2.如權利要求1所述的系統，其特征在于，所述均分評級具體包括：
3.如權利要求2所述的系統，其特征在于，所述圖卷積模型的訓練過程具體包括：
4.如權利要求3所述的系統，其特征在于，所述特征提取單元還用于：
5.如權利要求3所述的系統，其特征在于，所述圖卷積模型設置兩層圖卷積層，同時使用relu作為激活函數，然后使用全連接...
【專利技術屬性】
技術研發人員：洪繼進，盧少美，
申請(專利權)人：深圳市騰進達信息技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。