一种基于可穿戴设备的人体动作预测方法

技术特征：
1.一种基于可穿戴设备的人体动作预测方法，其特征在于，包括如下步骤：步骤（1），获取穿戴设备获得的人体体温数据、心率数据、三轴角度数据、三轴加速度数据和三轴磁场数据，利用去异常点算法对这五个维度的信息数据进行预处理，得到五维运动状态数据的平滑序列，该平滑序列为一个5行n列的矩阵；步骤（2），将预处理后的平滑序列通过匀速运动特征与动作运动特征融合的方式进行处理，并输入至多维序列信号动作预测网络模块，获得用于分类的时序特征数据；所述多维序列信号动作预测网络模块，是由向前传播和向后传播的两个序列信息记忆模块组成，一个从序列数据头部往后开始处理，一个从序列数据尾部往前开始处理，两个独立的序列信息记忆模块原理相同，但方向不同，向前与向后的两个信息记忆模块无相互的连接，形成了两个相互独立的隐藏层之间的信息数据的双向传播；步骤（3），通过注意力机制模块对时序特征数据进行重要性评判，得到带注意力权重的特征向量；步骤（4），利用分类器输出每个动作标签的概率，对应概率值最高的为最终的输出类别。2.如权利要求1所述的一种基于可穿戴设备的人体动作预测方法，其特征在于：步骤（1）中去异常点算法的处理过程如下；给定窗口长度，计算窗口子序列与其同样长度的子序列的映射关系g，通过滑动窗口，计算出整个序列的映射关系g的值；其中g值大于给定阈值的点认定为异常点序列，然后继续在选出的子序列中继续滑动窗口进行映射值计算，找到异常点并去除这个异常点；用公式表达如下：其中0表示为正常状态，1表示为异常状态，δ为给定的阈值，给定一个序列，x
t
为t时刻序列的点，为x序列的一个子序列， k表示维度大小，z表示窗口大小。3.如权利要求1所述的一种基于可穿戴设备的人体动作预测方法，其特征在于：步骤（2）中针对平滑序列数据中的三轴加速度序列数据，在数据变化之前与动作结束之后插补进一段匀速运动的序列，用公式表示为：
其中z'表示原始的序列数据，y表示给出的一个匀速运动数据，把y中的匀速运动数据插入到原始序列中，选择z'序列t时刻的数据x
t
与y序列相同时刻的点a
t
，将a
t
到a
t p
之间的数据插入到原始序列中，其中p值根据序列长度决定；由于序列为五维数据，为了使其他维度的数据的长度与插入匀速运动之后的三轴加速度序列数据长度一致，其他维度数据按t时刻的标准进行数据补齐，使得输入后续网络模块中的序列中每一列的数据长度相等。4.如权利要求1所述的一种基于可穿戴设备的人体动作预测方法，其特征在于：步骤（2）中序列信息记忆模块的处理过程如下；根据输入的人体动作数据序列，数据被分成t个部分，每个部分为x
t
的向量，t也表示时刻，那么t时刻第l维数据的公式表达为：其中，下标l表示五维中第l维，f
t,l
表示遗忘门中第l维数据在t时刻的值，i
t,l
表示输入门中第l维数据在t时刻的值，o
t,l
表示输出门中第l维数据在t时刻的值，c
t,l
表示候选门中第l维数据在t时刻的值，σ是sigmoid激活函数，w是权重矩阵；h
t-1,l
表示为t-1时刻的信息，h
t,l
表示输出层；b代表偏置量，tanh表示tanh激活函数；w
f,l
是遗忘门中第l维数据的权重矩阵，b
fl
是遗忘门中第l维数据的偏置量， w
i,l
表示输入门中第l维数据的权重，b
il
表示输入门中第l维数据的偏置，w
o,l
表示输出门的sigmoid层的权重矩阵，b
ol
表示输出门sigmoid层的偏置，w
c,l
，b
cl
分别表示候选门中第l维数据的权重和偏置，
⊙
表示点积运算。5.如权利要求1所述的一种基于可穿戴设备的人体动作预测方法，其特征在于：步骤（3）的具体实现过程如下；针对正向序列信息记忆模块的输出的h
t,l
，将其拉伸为一个长度为f的一维矩阵h1，通过注意力机制模块中的加权变换得到h
f
，同样针对反向序列信息记忆模块的输出的，也将其拉伸为一个长度为b一维矩阵h2，通过注意力机制模块中的加权变换得到h
b
，注意力机制中重点是通过softmax函数与tanh函数不断调整计算出合理的重要性得分值，计算公式如下：
其中，f和b的取值相同，由输入的序列长度决定，w
fi
、w
bi
和b
fi
、b
bi
为注意力机制模块中的权重和偏置，α
fi
和α
bi
为重要性得分值。6.如权利要求5所述的一种基于可穿戴设备的人体动作预测方法，其特征在于：步骤（4）的具体实现方式如下；设定正向序列通过注意力机制模块后的输出为，反向序列通过注意力机制模块后输出为，通过将两个输出的进行融合得到最终的h
t
，最后将输出值h
t
通过softmax分类器分类输出，即：最后输出层使用softmax函数，对动作进行判断，输出每个动作标签的概率，对应概率值最高的为最终的输出类别。7.如权利要求1所述的一种基于可穿戴设备的人体动作预测方法，其特征在于：步骤（1）中通过体温传感器获取体温数据信息，通过心率传感器获取心率数据信息，通过九轴传感器获取三轴角度信息、三轴加速度信息和三轴磁场信息。

技术总结
本发明公开了一种基于可穿戴设备的人体动作预测方法，包括：利用多个传感器采集信息；对收集到传感器信息进行预处理，得到平滑的五维运动状态数据序列；将预处理得到的状态数据输入多维序列信号动作预测网络模块进行识别分类，输入为一个匀速运动状态特征和一个带动作的运动特征组成的融合特征，通过双向序列信息记忆序列记忆层的提取特征；引入注意力机制通过加权求和突出运动状态数据序列中重要动作的序列点，提升整个网络模型的计算效率；最后将特征层送入输出层，分类输出动作状态结果。本发明方法解决了现有可穿戴设备的人体动作预测问题，降低了人体动作预测网络模型需要图像的依赖，减少了传感器数量，使智能可穿戴设备更智能更轻便。设备更智能更轻便。设备更智能更轻便。


技术研发人员：刘逢刚
受保护的技术使用者：武昌理工学院
技术研发日：2022.11.09
技术公布日：2022/12/6