基于Wavelet-CNN网络的人类活动识别技术

• 作者: 张琳 易卿武 黄璐 于乃文
• 来源期刊: 无线电工程
• 学科: 工学
• 关键词: 人类活动识别 小波变换 卷积神经网络 传感器
• 年，卷（期）: 2022,（4）
• 所属期刊栏目: 信号与信息处理|Signal and Information Processing
• 页码范围: 590-597
• 页数: 8页
• 分类号: TP183
• 语种: 中文
• DOI: 10.3969/j.issn.1003-3106.2022.04.009

摘要

针对传统的识别方法不能满足人类活动识别(Human Activity Recognition,HAR)技术研究需求的现状,提出了一种基于小波变换和卷积神经网络(Convolutional Neural Networks,CNN)相结合的深度学习模型.将多通道传感器的波形数据通过小波变换分解并重组作为输入.利用不同卷积核的CNN高效提取多维特征,使用最大池化层对人体无意识抖动引起的干扰噪声进行滤波操作.经过全连接层输出分类,实现对人体活动状态的准确识别.实验分别从模型收敛速度、 损耗和精度三方面评估了模型性能,并在OPPORTUNITY公共数据集上与较先进的识别模型进行了对比.实验结果表明,提出的小波变化卷积网络Wavelet-CNN实现了91.65％的F1分数,具有更高的活动识别能力.