结合传感器和卷积神经网络的人体结合传感器和卷积神经网络的人体 行为识别行为识别摘 要 单一传感器在人体行为识别中误差较大，针对此问题提出一种利用智能中惯性传感器并结合卷积神经网络的人体行为识别方法文中利用构建的卷积神经网络模型自动提取加速度和角速度数据特征，并结合 Softmax分类器识别人体行为实验结果表明，相比于现有的研究，该模型在人体 6 种行为上取得了较高的识别准确率，平均识别率可达%，说明了卷积神经网络在提取特征上的优势以及本模型的可行性关键词】传感器数据 行为识别 卷积神经网络 特征提取1 引言随着人们生活水平不断提高、生活节奏的加快，许多健康问题日益突出同时，我国已逐步进入老龄化人口发展阶段，人口老龄化问题越来越严重，相应地就需要投入更大的人力和物力来看护老人基于此，人体日常行为识别越来越受到关注在人体行为识别的研究中常利用单一的加速度传感器采集行为信息，然而人体行为多种多样，这就造成人体行为信息种类过于单一，无法得到准确测量信息的问题当前，随着智能等移动设备感知、计算能力的飞速提升，以移动设备作为载体的人体行为识别又成为新的研究热点同时，传统的支持向量机、随机森林等行为识别方法都必须先提取传感器数据的时频域特征，并从大量的时频特征中进行特征选择，且难以取得高识别率。
鉴于此，本文采用智能内置的加速度计和陀螺仪读取人体行为的加速度和角速度数据，并利用 CNN 进行特征学习，自动提取信号特征，结合 Softmax 实现人体行为识别2 多传感器数据行为识别模型卷积神经网络卷积神经网络是一种深度学习网络，通过引入卷积层和池化层，形成深层网络，简化了复杂的预处理过程，利用网络的局部连接和空间共享特性，使其成为一种高效的识别方法鉴于 CNN 的高效性，当前已有研究将其与传感器数据相结合并应用于人体行为识别及相关研究中图 1是一种卷积神经网络的结构图，包括卷积层、池化层和全连接层，卷积和池化层用来提取特征，全连接层用来分类CNN 行为识别模型本文将 CNN 应用于传感器信号进行人体行为识别，采集的数据包括 3 维加速度和 3 维角速度，CNN 采用图1 中结构传感器信�通常为单一维度或多维信号，故本文中卷积和池化过程采用一维卷积和一维池化，图 2 所示为本文 CNN 中传感器数据处理过程中的数据大小变化本文从智能中采集数据，并进行预处理操作，以保证数据样本的一致性文中利用高通滤波器从采集的加速度中得到身体加速度信号在滤波操作后将各信号按时间对齐并分割数据考虑到人体行为的实际情况，每个行为样本设为 2s 左右较为合适。
本文中时间窗 大小设为100，每个时间窗间重叠度为窗口大小的一半，故在 CNN 输入层样本大小为 1*100*9如图 2 所示，输入样本大小为 1*100*9，然后经过两次卷积和池化提取行为特征，经过全连接层和 Softmax 层识别人体行为两次卷积和池化操作后输出大小为1*7*1620，且每次卷积后都利用 Relu 函数修正特征图，在池化后将得到的数据特征作为全连接层的输入进行分类全连接层神经元个数设为 500，得到数据大小为 500*1，作为 Softmax 的输入进行分类在本文中，损失函数 Loss 采用交叉熵损失进行定义，并利用 Adam 算法更新权重3 实验验证与结果分析本文中利用智能采集大量样本进行行为识别，编程语言采用 Python，并利用 TensorFlow 构建卷积神经网络，在构建完 CNN 模型后，在该环境下进行数据运算本文中采集 6 种人体行为的传感器数据，包括站立、步行、上楼、下楼、坐与躺等行为其中，训练样本数为 6942，测试样本数为 3058实验验证部分包括 CNN 训练误差、行为识别率以及与其他算法的性能对比在具体训练过程中，每次迭代训练批量数据，当模型训练完毕，网络参数更新结束，得到行为识别模型，测试数据的识别率达到%。
图 3 所示为训练过程中得到的训练误差曲线和识别率曲线图 3 横坐标为 epoch，表示所有训练数据总训练次数，纵坐标分别表示训练过程中的损失函数和行为识别率变化在训练过程中，图中的误差曲线总体上在开始时呈下降趋势，后趋于平缓，识别准确率总体上在开始时呈上升趋势，后趋于平缓本文将卷积神经网络和传感器数据相结合进行人体行为识别，利用测试数据得到的 6 种行为的识别结果如表 1 所示从表中可以得到每一类别正确识别和错误识别为其他行为的结果从表 1 中可见，在测试样本中，站立行为有 21 个样本被错误分类为坐下行为，坐下行为有 37 个样本被错误分类为站立行为，对这两种行为的识别效果低于其他四种行为本文为更好地验证 CNN 行为识别模型，在卷积层和池化层提取特征后，将全连接层的输出作用于其他分类器并对比识别性能本文在对比算法的选择上，选择 SVM、随机森林和逻辑回归进行对比图 4 所示为利用 CNN 模型提取的特征分别作用于四种分类器得到的人体行为识别结果从图 4 中可见坐下和站立行为的识别效果低于其他四种行为的识别效果，且每种行为的识别率较为接近，总体识别率较高，平均识别率达到 97%左右。
综上，本文中的方法无需通过人工方式提取原始数据的特征，避免由于人工提取特征对行为识别产生的影响，而且利用 CNN 进行人体行为识别时识别率较高，说明 CNN应用于惯性传感器信号的可行性，本文中的 CNN 模型较传统行为识别模型具有优越性4 结束语本文提出一种采用智能中惯性传感器并结合卷积神经网络识别人体行为的方法文中通过智能中的加速度计和陀螺仪采集三轴加速度和角速度信息，利用 CNN自动提取特征，结合 Softmax 分类器进行分类识别，在人体 6 种行为模式上取得了较高的识别率，识别准确率能达到%实验结果表明，在本文模型下，行为识别准确率有一定的提高，说明了 CNN 在行为识别研究中的可行性。