[发明专利]基于大感受野的LRF大核注意力卷积网络活动识别方法

权利要求书

1.基于大感受野的LRF大核注意力卷积网络活动识别方法，其特征在于，包括：

采集动作信号，对所述动作信号进行预处理和数据划分，获取数据集；

基于所述数据集对LRF大核注意力卷积网络模型进行训练,将训练完成的所述LRF大核注意力卷积网络模型导入移动可穿戴识别装置中，进行人体姿态识别；

所述LRF大核注意力卷积网络模型包括：

三层LRF大核注意力卷积网络和一层全连接分类输出层，其中，所述LRF大核注意力卷积网络包括：局部深度卷积层、长距离深度扩张卷积层以及1×1普通卷积层，用于特征提取；所述全连接分类输出层用于动作分类；

所述LRF大核注意力卷积网络模型的计算方法包括：

其中，X表示输入矩阵，t表示输入矩阵的时间步长，s表示输入矩阵的传感器模态；

将输入矩阵X压缩成一维数据，并引入自注意力模块，输出所有价值向量的加权和，使用Softmax函数进行归一化处理：

其中，Q，K，V分别表示查询值，键值和向量值；d_k表示缩放系数；

提出LRF注意力机制，捕捉传感器活动图像中的时间信息和模态信息：

X′＝ReLU(BN(Conv2d(X)))    (3)

其中，X’表示四个维度的节点输出矩阵，ReLU表示激活函数，Conv2d表示二维卷积操作；

节点输出矩阵X’经过层归一化函数得到归一化的输出结果，并通过捷径链接进一步加强网络防退化能力：

X″＝X′+LRF(LN(X′))       (4)

其中，符号LRF和LN分别表示大核感受野注意力机制和层归一化函数；

通过公式(4)输出由多层感知机和归一化层构成的前馈网络：

X″′＝X″+MLP(LN(X′))     (5)

其中，符号MLP和LN分别表示多层感知机和层归一化。

2.根据权利要求1所述的基于大感受野的LRF大核注意力卷积网络活动识别方法，其特征在于，采集所述动作信号包括：

通过移动传感器设备采集动作信号，并对比录制的视频时间戳为所述动作信号标注对应的动作类型。

3.根据权利要求1所述的基于大感受野的LRF大核注意力卷积网络活动识别方法，其特征在于，对所述动作信号进行预处理包括：

对所述动作信号进行降噪、滤波、归一化预处理操作。

4.根据权利要求1所述的基于大感受野的LRF大核注意力卷积网络活动识别方法，其特征在于，对所述动作信号进行数据划分包括：

根据移动传感器设备的采样频率设置时间间隔、滑动窗口长度和样本重叠率，对预处理后的动作信号进行数据切割划分，形成数据集，所述数据集包括验证集、训练集、测试集。

5.根据权利要求1所述的基于大感受野的LRF大核注意力卷积网络活动识别方法，其特征在于，基于所述数据集对LRF大核注意力卷积网络模型进行训练包括：

当所述LRF大核注意力卷积网络模型训练满足识别精度需求，保存训练权重参数，将其移植到所述移动可穿戴识别装置；反之，若识别精度不满足识别要求，通过所述LRF大核注意力卷积网络模型的超参数进行调节。

6.根据权利要求1所述的基于大感受野的LRF大核注意力卷积网络活动识别方法，其特征在于，所述移动可穿戴识别装置包括：具备神经网络处理单元的移动可穿戴识别装置。