[发明专利]一种深蹲动作识别方法

权利要求书

1.一种深蹲动作识别方法，其特征在于：其具体步骤如下：

S1、数据提取：下蹲需要4秒，传感器的捕获速度为100帧/秒，因此数据序列的长度为450帧，共设有6种深蹲模式；

S2、输入数据：实验中共使用8个感知神经元的传感器，每个感知神经元产生的计算数据为12列，随后，在训练数据的第1列增加不同动作模式的序列，分别记为0，1，2，3，4，5，作为机器学习中监督学习的标签，其余96列数据作为机器学习的训练数据，则输入数据尺寸大小为97×135000；

S3、预处理：

a、数据标准化：在训练数据经卷积神经网络CNN训练前，根据公式1-1对数据进行标准化：

其中，X是单个特征的值，μ是平均值，而σ是X的标准偏差；

b、数据分割处理：对输入数据做窗口分割处理，将每个窗口大小划分为96×450；

S4、训练CNN：在对输入数据预处理后开始训练卷积神经网络，卷积神经网络结构一共包含7层，具体说明如下：

a、第一层，卷积层，本层输入矩阵大小为96×450×1，卷积核为一维滤波器，尺寸大小为1×12，深度为46，平移步长为5，使用的激活函数是ReLU函数，本层的输出矩阵大小为46×439×46；

b、第二层，池化层，本层输入矩阵大小为46×439×46，池化方法为最大化池化，卷积核为一维滤波器，卷积核尺寸大小为1×10，平移步长为5，使用的激活函数是ReLU函数，本层的输出矩阵大小为46×86×46；

c、第三层，卷积层，本层输入矩阵大小为46×86×46，卷积核为一维滤波器，卷积核尺寸大小为1×6，深度为23，平移步长为5，使用的激活函数是ReLU函数，本层的输出矩阵大小为23×81×23；

d、第四层，池化层，本层输入矩阵大小为23×81×23，池化方法为最大化池化，卷积核为一维滤波器，卷积核尺寸大小为1×3，平移步长为5，使用的激活函数是ReLU函数，本层的输出矩阵大小为16×23×23；第四层的输出被转换成一维数组，并连接到神经网络中的每个神经元；

e、第五层，全连接层Ⅰ，本层输入矩阵大小为16×23×23＝8464，共8464个神经元节点，使用的激活函数是ReLU函数；

f、第六层，全连接层Ⅱ，本层输入矩阵大小为1×8464，并对隐藏节点做dropout机制处理，保持其丢弃概率为50％，输出神经元规模为1×1000，共1000个神经元节点；

g、第七层，softmax层，本层在全连接层Ⅱ之后，增加softmax函数，连接到6个输出节点，每个节点代表一个深蹲模式，本层输出为后验概率P(S|X)，其中，S为未知深蹲序列,X为输入数据序列；

S5、计算初始概率；

S6、计算转移概率；

S7、使用维特比算法重新分类：在卷积神经网络训练完成后，使用维特比算法对深蹲序列重新分类，具体步骤如下：

a、根据贝叶斯决策规则，将卷积神经网络中得到的后验概率P(S|X)表示为公式1-2；

b、对给定样本X,证据因子P(X)与类标记无关，因此，后验概率P(S|X)表示为类先验概率P(S)和类条件概率密度P(X|S)的乘积；

P(S|X)＝P(X|S)P(S)(公式1-3)；

c、考虑到输入的时间变化，采用一阶马尔可夫假设，将P(X|S)最大化，如公式1-4中，P(s_t|s_t-1)为6种深蹲动作之间的转移概率，P(x_t|s_t)为公式1-2中类条件概率密度函数；

d、再次使用贝叶斯决策规则将P(x_t|s_t)转化为似然度：

e、使用维特比算法对深蹲状态序列重新分类，求出最有可能的识别序列

f、联立公式1-2、公式1-3、公式1-4、公式1-5、公式1-6，得到最终深蹲动作识别公式1-7：

S8、算法性能评估：通过使用三种不同的指标：准确率Accuracy，灵敏度Sensitivity和特异性Specificity进行评估，公式如下：

所述的步骤S7-a中，对于公式1-2，P(S)是类先验概率；P(X|S)为S关于X的似然函数，也称类条件概率密度函数；P(X)为用于归一化的证据因子，其目的在于保证各类别后验概率总和为1；

所述的步骤S7-c中,对于公式1-4，将P(X|S)最大化，其目的在于将识别错误率降至最低，

所述的步骤S7-d中，对于公式1-5中P(s_t)表示深蹲模式状态之间的转移次数，P(x_t)为常数，最终得到S7-f中公式1-7为最佳识别序列。