基于融合模型的人体行为识别方法

• 作者: 陈馨瑶 张天荣 朱雪芬 莫路锋
• 来源期刊: 传感器与微系统
• 关键词: 深度学习 行为识别 融合模型 卷积神经网络 长短期记忆网络
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 计算与测试|Calculation & Test
• 页码范围: 136-139,143
• 页数: 5页
• 分类号: TP212.9
• 语种: 中文
• DOI: 10.13873/J.1000-9787(2021)01-0136-04

摘要

可穿戴设备的人体行为识别研究通常是提取传感器数据的特征值,然后结合分类算法识别人体行为动作.针对特征提取与分类器问题,提出一种融合模型的人体行为识别方法(HBRM).首先将加速度传感器采集的数据转换为二维张量格式,然后结合卷积神经网络(CNN)提取张量的特征,同时考虑到人体行为动作在时间序列上前后具有较强的关联性,提出利用长短期记忆(LSTM)网络进行人体行为动作的识别.由于卷积神经网络在特征提取方面具有较好的性能,且长短期记忆模型擅长处理时间序列问题,因此将这两种模型进行融合理论上具有较好的效果.在WISDM数据集上进行实验,结果表明:该方法对六种人体行为动作的平均识别率达到了96.95％.