一个传感器具有识别行为的一个大错误humain.Pour解决此问题，使用智能手机的惯性传感器，提出卷积神经网络（CNN）承认人类行为的方法。本文中，构造卷积神经网络模型用于自动提取加速度和角速度数据特征，Softmax分类器用于识别人类行为。验结果表明，与现有研究相比，该模型在六种人体行为中具有较高的识别准确率，平均识别率可达97.22％，显示了其优势。于特征提取的卷积神经元。种模式的可行性。
机传感器数据识别行为卷积提取功能简介神经网络随着人民生活水平的不断提高和生活节奏的加快，许多健康问题已变得越来越重要。此同时，中国逐步进入人口老龄化发展阶段，人口老龄化问题日益严重，需要投入更多的劳动力和资源。顾老人的材料。
此基础上，对人体日常行为的认识受到越来越多的关注。人类行为识别的研究中，通常使用单个加速度传感器来收集行为信息，这使得人类行为信息的类型过于独特而无法获得准确的测量信息。前，随着智能手机等移动设备的快速识别和计算能力的快速提升，以移动设备为载体的人类行为识别已成为新的热点。究。时，支持向量机，随机森林等行为的经典向量识别方法必须首先从传感器数据中提取时频域的特征，然后选择特定向量的特征。量的时频特性。难实现高识别率。此上下文中，本文使用的加速度计和陀螺仪集成电路智能电话来读取加速度数据和人类行为的角速度，并且用于CNN学习功能，恒温阀芯自动提取的信号特性，并链接到使用SoftMax对人类行为的认识。
据行为识别模型多传感器卷积神经网络卷积神经网络是在深度的学习网络通过引入卷积层和组合层，形成深的网络，这简化了预处理过程复杂并使用本地网络连接和空间。能共享使其成为一种有效的识别手段。于CNN的高效率，已经研究将其与传感器数据相结合并将其应用于人类行为的识别和相应的研究。
1是包括一个卷积层，层游泳池和完全连接层（输出层），卷积层和池的特征提取和层的卷积神经网络的结构图完全连接进行分类。CNN模式识别模型本文将CNN应用于手机传感器信号以识别人的行为，手机采集的数据包括3D加速度和3D角速度，CNN采用图1结构。感器信号通常是一维或多维信号，如本文中所描述的卷积处理和集群他使用一个卷积和一维分组图2示出了在所述数据的大小的演变在CNN中处理传感器数据的过程。文从智能手机收集数据并执行预处理操作以确保数据样本的一致性。
本文中，使用高通滤波器从获得的加速度获得身体加速度信号。号在时间上对齐，数据在过滤后被分割。
于目前的人类行为情况，在约2秒钟内定义每个行为样本更为合适。本文中，时间窗口的大小设置为100，每个时间窗口之间的重叠是窗口大小的一半。此，CNN输入层中的样本大小为1 * 100 * 9.如图2所示，输入样本大小为1 * 100 * 9，那么两个特征是卷积提取和聚类行为用于通过完全连接层和Softmax层识别人类行为。
两次卷积和分组操作之后，输出大小为1 * 7 * 1620，并且Relu函数用于在每次卷积后校正特征映射。集后，生成的数据实体被分类为完全连接层的输入。有连接的层神经元的数量设置为500，数据大小为500 * 1，分类为Softmax输入。
本文中，损失函数由交叉熵的损失定义，权重由Adam算法更新。验验证和结果在本文中的分析，大量的样品都通过智能手机收集，以允许识别comportement.Le编程语言是Python和TensorFlow用于构建一个卷积神经网络。构建CNN模型之后，在该环境中执行数据操作。
本文中，收集了六种关于人类行为的传感器数据，包括：站立，行走，攀爬，下降，坐下和躺下。中，训练样本数为6942，测试样本数为3058.实验验证部分包括CNN训练误差，行为识别率和比较。其他算法的性能。特定的培训过程中，在每次迭代时形成批次数据。
模型的形成完成时，获得网络参数的更新和行为的识别模型。试数据的识别率为97.22％。
3显示了学习误差曲线和训练期间获得的识别率曲线。3中的横坐标表示所有训练数据的形成总数的时期，纵坐标表示损失函数和训练期间行为识别率的变化。训练过程中，图中的误差曲线一般表示开始时呈下降趋势，然后趋于稳定，识别的准确性通常首先呈现上升趋势，然后变得扁平。
本文中，来自卷积神经元网络和手机传感器的数据被组合以允许识别人类行为。用测试数据获得的六种行为的识别结果在表1中给出。个类别的结果都被正确识别并且识别不清楚，因为可以从表中获得其他行为。1显示，在测试样本中，21个站立行为样本被错误地归类为就座行为，并且37个就座行为样本被错误地归类为站立行为和这两种行为的识别效果比其他人弱。种行为。了更好地检查CNN行为识别模型，恒温阀芯在提取卷积层和所述聚合层的特性后，完全连接层的输出被施加到其它分类和识别性能相比较。本文中，我们选择SVM，随机森林和逻辑回归进行比较。4示出了通过从应用于四个分类器的CNN模型中提取的特征获得的人类行为识别结果。4显示坐姿和站立行为的识别效果低于其他四种行为的识别效果，并且每种行为的识别率相对接近，总体识别率高，识别率高。均约为97％。
之，本文提出的方法不需要手动提取原始数据的特征，避免了人工提取功能对行为识别的影响，识别率更高。CNN用于人类行为识别，其表明CNN应用于惯性传感器信号。行性，本文提出的CNN模型优于传统的行为识别模式。论本文提出了一种在智能手机中结合卷积神经网络使用惯性传感器识别人类行为的方法。这篇文章中，加速度计和智能电话的陀螺仪用于收集三轴加速度信息和角速度，和CNN自动提取的特征并将它们与使用SoftMax分类器进行分类和识别组合。
可达97.22％。验结果表明，在本文模型下，行为识别的准确性得到了提高，说明了CNN在行为识别研究中的可行性。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com