基于LSTM型循環神經網絡在人體運動識別的應用

孫恩澤 李宇昊

【摘 要】 隨著可穿戴智能設備走進千家萬戶，利用可穿戴智能設備進行人類識別在大數據和云計算領域有著廣泛應用前景。本文提出了一種基于長短時記憶（LSTM）型的循環神經網絡（RNN）識別方法，在標準數據集PAMAP2上構建模型進行實驗評估，取得了良好的準確率。

【關鍵詞】 深度學習 可穿戴智能設備 長短時記憶（LSTM）

1 研究背景

由于可穿戴智能設備具有價格便宜、攜帶方便、不受場地限制等優點，在人們日常生活和健身運動中應用的越來越廣泛。并且可穿戴智能設備含有加速度計、陀螺儀、重力感應儀器等傳感器，可以與傳統基于視覺的運動識別方法在實際應用中互為補充，基于傳感器的人體運動識別已經被廣泛應用于體育競技，人體體力研究測量，智能家居系統，老人和兒童監護領域等。

2 LSTM型循環神經網絡

長短期記憶循環神經網絡，通常也被LSTM，是一種由 Sepp Hochreiter 和Jürgen Schmidhuber在提出的一種特殊循環神經網絡[1]。 LSTM擁有三個“門”結構的神經網絡結構。“遺忘門”的可以讓循環神經網絡根據當前的輸入、上一時刻狀態個上一時刻輸出共同決定哪一部分記憶需要遺忘。“輸入門”會根據、和決定那些部分進入當前時刻的狀態。“輸出門”來控制最后信息的輸出。

3 實驗驗證

3.1 數據收集

本文引用是一個由加州大學歐文分校提出的有關身體運動的公開數據集——PAMAP2。其對被要求進行12項日常生活的9個參與者進行了數據記錄，包括家庭活動和各種各樣的活動（散步，跑步，踢足球等）。最終的數據是52維度的[2]。

3.2 數據預處理

因為原始數據會包含噪音，無效數據和失蹤樣本，所以對數據預處理是不可或缺的。在真正進行訓練之前，對PAMAP2數據集進行了如下處理：移除時間戳、移除方向信息、移除過渡狀態、估計缺失值、數據分割、數據歸一化等。

3.3 構建LSTM型循環神經網絡

我們使用谷歌推出的TensorFlow開源深度學習平臺來構建所需的LSTM循環神經網絡模型。構建的LSTM循環神經網絡模型分為輸入層、LSTM層、dropout層、輸出層。TensorFlow 搭建模型中的主要訓練參數包括輸入層到隱藏層的權重和偏斜、LSTM單元 中 3 個門的權重和偏斜、以及邏輯回歸層的權重和偏斜。

3.4 度量標準

由于各個運動的樣本數較為均衡，可以采用準確率（accuracy）來評估模型最終的識別效果：

其中，者被正確識別的樣本數，指樣本總量。

3.5結果分析

在訓練LSTM環神經網絡前要先把數據分為訓練數據和驗證數據。前者用于訓練 LSTM循環神經網絡以確定權值和閾值，后者用于驗證其經過訓練后的分類效果，兩者比例為8：2。

通過使用GPU訓練100次模型后得到的訓練集和驗證集的輸出如表 1所示。

從表2中我們看出，模型在8個不同的實驗對象的訓練集和驗證集上表現良好，準確率普遍在90%以上。通過實驗充分證明基于LSTM型循環神經網絡的識別模型對運動時間序列數據具有良好的分類預測能力。

4 結語

本文提出了一種基于LSTM型循環神經網絡的人體運動識別方法，相對于傳統的算法，能夠自動提取特征進行學習，并且在標準公開數據集上進行了驗證，取得了良好的識別準確度。雖然深度學習目前普遍存在黑箱問題，缺乏可解釋性，無法在出現錯誤之后根據輸入追蹤出錯的原因，但鑒于人體運動識別屬于低風險任務，即使發生錯誤，也不會向無人汽車、醫療手術一樣造成無法挽回的后果，以此來看將該算法應用在人體運動識別領域還是具有實際意義的。

【參考文獻】

[1] Hochreiter S， Schmidhuber J. Long Short-Term Memory[J]. Neural computation， 1997， 9（8）：1735-1780.

[2] Reiss A， Stricker D. Introducing a New Benchmarked Dataset for Activity Monitoring[C]// International Symposium on Wearable Computers. IEEE Computer Society， 2012：108-109.