帶有協(xié)方差矩陣的卷積神經(jīng)網(wǎng)絡(luò)在人體運(yùn)動(dòng)識(shí)別中的應(yīng)用*

權(quán)威銘,劉天一,張 雷

(南京師范大學(xué)電氣與自動(dòng)化工程學(xué)院,江蘇 南京 210046)

1 引言

科技的進(jìn)步促使可穿戴設(shè)備飛速發(fā)展，這些設(shè)備正迅速改變著人們的生活及彼此互動(dòng)的方式，并應(yīng)用到了越來(lái)越多的領(lǐng)域中，如醫(yī)療、體育、教育和社交[1,2]等。這些設(shè)備中的線性和非線性傳感器記錄的數(shù)據(jù)逐漸成為人工智能研究人員感興趣的內(nèi)容，對(duì)所采集的人體運(yùn)動(dòng)數(shù)據(jù)集通過(guò)卷積神經(jīng)網(wǎng)絡(luò)CNN(Convolutional Neural Network)進(jìn)行分類(lèi)[3]和訓(xùn)練，可以得到關(guān)于人體動(dòng)作的識(shí)別模型。歸功于傳感器技術(shù)和機(jī)器學(xué)習(xí)的快速發(fā)展，人體運(yùn)動(dòng)識(shí)別已經(jīng)得到了廣泛關(guān)注。

Figure 1 Action recognition model based on neural network圖1 基于神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)識(shí)別模型

由于內(nèi)部和外部多種因素的影響，人體動(dòng)作十分復(fù)雜，往往是多種動(dòng)作的結(jié)合，提高人體運(yùn)動(dòng)的識(shí)別準(zhǔn)確率一直是研究的難點(diǎn)。人體運(yùn)動(dòng)識(shí)別HAR(Human Activity Recognition)的研究主要分為2個(gè)主流方向，分別為基于圖像或視頻分析的人體運(yùn)動(dòng)識(shí)別[4]及基于傳感器數(shù)據(jù)的人體運(yùn)動(dòng)識(shí)別[5]，其中前者能夠清晰監(jiān)測(cè)到人體當(dāng)前所處的狀態(tài)，識(shí)別準(zhǔn)確率較高。孟勃等人[6]提出了基于四元數(shù)時(shí)空卷積的人體姿態(tài)識(shí)別方法，基于彩色圖像通道間的空間依賴性和環(huán)境顏色調(diào)整進(jìn)行特征提取，提高了識(shí)別準(zhǔn)確率。但是，基于圖像或視頻的識(shí)別模型對(duì)硬件要求較高，且應(yīng)用場(chǎng)景較為單一，在大部分場(chǎng)合中無(wú)法做到便捷和安全，故需要開(kāi)發(fā)一種更為安全可靠的識(shí)別方法。因此，基于可穿戴傳感器數(shù)據(jù)的運(yùn)動(dòng)識(shí)別逐漸成為了研究重點(diǎn)。……