一種運動狀態(tài)的識別方法及裝置制造方法及圖紙

本發(fā)明專利技術(shù)實施例公開了一種運動狀態(tài)的識別方法及裝置。該方法包括：通過可穿戴設(shè)備采集待識別對象的目標(biāo)部位的運動數(shù)據(jù)；提取運動數(shù)據(jù)中的運動特征；將所提取的運動特征輸入至基于在線神經(jīng)網(wǎng)絡(luò)和增強(qiáng)學(xué)習(xí)算法的識別模型中；根據(jù)識別模型的輸出結(jié)果識別待識別對象的運動類別。本發(fā)明專利技術(shù)實施例通過采用上述技術(shù)方案，可自動快速實現(xiàn)待測對象運動類型的在線識別，且該方案抗干擾性強(qiáng)，識別結(jié)果準(zhǔn)確率高。

Method and device for recognizing motion state

The embodiment of the invention discloses a method and a device for recognizing the motion state. The method includes: through the motion data can be a target site of wearable devices acquisition of the object to be identified; motion feature extraction in motion data; the extracted motion feature is input to the neural network based online reinforcement learning algorithm and recognition model; according to the motion category recognition model of the output results of the recognition of the object to be identified. By adopting the technical proposal, the embodiment of the invention can automatically and rapidly realize the on-line identification of the object type of movement of the object to be measured, and has a strong anti-interference performance and a high accuracy rate of the identification result.

【技術(shù)實現(xiàn)步驟摘要】
一種運動狀態(tài)的識別方法及裝置
本專利技術(shù)實施例涉及運動識別
，尤其涉及一種運動狀態(tài)的識別方法及裝置。
技術(shù)介紹
人體運動識別技術(shù)在在智能安全監(jiān)控系統(tǒng)、體育運動分析、醫(yī)療診斷等領(lǐng)域具有廣泛的應(yīng)用前景，是近年來的研究熱點。目前，對人體的運動狀態(tài)監(jiān)測方法主要有三大類：第一類是基于聲音的運動狀態(tài)識別，該方法受外界噪音影響較大，使用場景極其有限；第二類是基于圖像視頻的運動狀態(tài)識別，該方法主要通過分析挖掘攝像頭采集的數(shù)據(jù)來捕獲人體的運動類別，由于受天氣、光線、距離及拍攝角度等因素的影響，攝像機(jī)采集數(shù)據(jù)的可靠性受到較大影響，并且視頻圖像因占用較大的存儲空間而無法長期投入使用；第三類是基于可穿戴設(shè)備的運動狀態(tài)識別，相比較上述兩類方法，具有成本低且攜帶方便、抗干擾性強(qiáng)以及持續(xù)獲取數(shù)據(jù)的能力強(qiáng)等優(yōu)勢。隨著移動互聯(lián)網(wǎng)技術(shù)的興起和無線傳感技術(shù)的發(fā)展，人們佩戴的可穿戴設(shè)備如手表(watch)類、鞋(shoes)類及眼鏡(glasses)類等越來越多，越來越普遍，使得基于可穿戴設(shè)備的運動狀態(tài)識別方法備受關(guān)注。然而，現(xiàn)有的基于可穿戴設(shè)備的運動狀態(tài)識別方法算法復(fù)雜，識別效率低，且不支持在線識別，有待于改進(jìn)。
技術(shù)實現(xiàn)思路
本專利技術(shù)實施例的目的是提供一種運動狀態(tài)的識別方法及裝置，可以實現(xiàn)準(zhǔn)確識別待測對象的運動類型。一方面，本專利技術(shù)實施例提供了一種運動狀態(tài)的識別方法，包括：通過可穿戴設(shè)備采集待識別對象的目標(biāo)部位的運動數(shù)據(jù)；提取所述運動數(shù)據(jù)中的運動特征；將所提取的運動特征輸入至基于在線神經(jīng)網(wǎng)絡(luò)和增強(qiáng)學(xué)習(xí)算法的識別模型中；根據(jù)所述識別模型的輸出結(jié)果識別所述待識別對象的運動類別。另一方面，本專利技術(shù)實施例提供了一種運動狀態(tài)的識別裝置，包括：運動數(shù)據(jù)采集模塊，用于通過可穿戴設(shè)備采集待識別對象的目標(biāo)部位的運動數(shù)據(jù)；運動特征提取模塊，用于提取所述運動數(shù)據(jù)中的運動特征；運動特征輸入模塊，用于將所提取的運動特征輸入至基于在線神經(jīng)網(wǎng)絡(luò)和增強(qiáng)學(xué)習(xí)算法的識別模型中；運動類別識別模塊，用于根據(jù)所述識別模型的輸出結(jié)果識別所述待識別對象的運動類別。本專利技術(shù)實施例中提供的運動狀態(tài)的識別方案，通過可穿戴設(shè)備采集待識別對象的目標(biāo)部位的運動數(shù)據(jù)并提取運動數(shù)據(jù)中的運動特征，將所提取的運動特征輸入至基于在線神經(jīng)網(wǎng)絡(luò)和增強(qiáng)學(xué)習(xí)算法的識別模型中，根據(jù)識別模型的輸出結(jié)果識別待識別對象的運動類別。通過采用上述技術(shù)方案，可自動快速實現(xiàn)待測對象運動類型的在線識別，且該方案抗干擾性強(qiáng)，識別結(jié)果準(zhǔn)確率高。附圖說明圖1為本專利技術(shù)實施例一提供的一種運動狀態(tài)的識別方法的流程示意圖；圖2為本專利技術(shù)實施例二提供的一種運動狀態(tài)的識別方法的流程示意圖；圖3為本專利技術(shù)實施例二提供的識別模型訓(xùn)練流程示意圖；圖4為本專利技術(shù)實施例三提供的一種運動狀態(tài)的識別裝置的結(jié)構(gòu)框圖。具體實施方式下面結(jié)合附圖并通過具體實施方式來進(jìn)一步說明本專利技術(shù)的技術(shù)方案。可以理解的是，此處所描述的具體實施例僅僅用于解釋本專利技術(shù)，而非對本專利技術(shù)的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與本專利技術(shù)相關(guān)的部分而非全部結(jié)構(gòu)。在更加詳細(xì)地討論示例性實施例之前應(yīng)當(dāng)提到的是，一些示例性實施例被描述成作為流程圖描繪的處理或方法。雖然流程圖將各步驟描述成順序的處理，但是其中的許多步驟可以被并行地、并發(fā)地或者同時實施。此外，各步驟的順序可以被重新安排。當(dāng)其操作完成時所述處理可以被終止，但是還可以具有未包括在附圖中的附加步驟。所述處理可以對應(yīng)于方法、函數(shù)、規(guī)程、子例程、子程序等等。實施例一圖1為本專利技術(shù)實施例一提供的一種運動狀態(tài)的識別方法的流程示意圖，本專利技術(shù)實施例可適用于對待測對象的運動類型進(jìn)行識別的情況，該方法可以由運動狀態(tài)的識別裝置執(zhí)行，其中該裝置可由軟件和/或硬件實現(xiàn)，一般可集成在終端中。如圖1所示，該方法包括：步驟101、通過可穿戴設(shè)備采集待識別對象的目標(biāo)部位的運動數(shù)據(jù)。示例性的，本專利技術(shù)實施例中的終端可以是智能手機(jī)、平板電腦、智能手表以及筆記本電腦等移動設(shè)備，還可以是臺式機(jī)或服務(wù)器等其他終端。示例性的，所述待識別對象可包括人類、動物或機(jī)器人等具備運動能力的客體。本專利技術(shù)實施例中將以人類為例進(jìn)行后續(xù)的說明。可選的，目標(biāo)部位可包括頭部、各種關(guān)節(jié)(如頸關(guān)節(jié)、肩關(guān)節(jié)、肘關(guān)節(jié)、腕關(guān)節(jié)、髖關(guān)節(jié)及踝關(guān)節(jié)等)以及手臂或腿部等其他部位，目標(biāo)部位可根據(jù)具體的待識別對象來進(jìn)行有針對性的設(shè)定。優(yōu)選的，本專利技術(shù)實施例中的目標(biāo)部位包括頭部。相應(yīng)的，可穿戴設(shè)備可根據(jù)目標(biāo)部位的類型來進(jìn)行選取，如頭部所對應(yīng)的可穿戴設(shè)備可以是頭盔或眼鏡等，腕關(guān)節(jié)所對應(yīng)的可穿戴設(shè)備可以是智能手表，髖關(guān)節(jié)所對應(yīng)的可穿戴設(shè)備可以是電子腰帶等等。示例性的，將可穿戴設(shè)備佩戴在待識別對象的相應(yīng)目標(biāo)部位處，以實現(xiàn)運動數(shù)據(jù)的采集。示例性的，運動數(shù)據(jù)可包括速度、加速度及角速度等數(shù)據(jù)。可根據(jù)運動數(shù)據(jù)的類型選擇具備相應(yīng)傳感器的可穿戴設(shè)備來進(jìn)行數(shù)據(jù)采集。優(yōu)選的，本實施例中采集的運動數(shù)據(jù)為加速度數(shù)據(jù)，可利用集成了加速度計的可穿戴設(shè)備進(jìn)行采集。步驟102、提取運動數(shù)據(jù)中的運動特征。示例性的，可根據(jù)識別模型在訓(xùn)練過程中所采用的樣本運動特征來確定本步驟中需要提取的運動特征，使所提取的運動特征與樣本運動特征一致。示例性的，所述運動特征包括預(yù)設(shè)采樣數(shù)量的加速度值的平均值Mean、均方根RootMeansquare、標(biāo)準(zhǔn)差Standarddeviation、偏度Skewness、峰度系數(shù)Kurtosis、波峰因數(shù)Crestfactor、緯度系數(shù)Latitudefactor、形狀系數(shù)Shapefactor和沖擊因數(shù)Impulsefactor中的至少兩個。可以理解的是，所采用的運動特征類型的數(shù)量越多，識別模型的準(zhǔn)確度越高，因此，優(yōu)選的，本專利技術(shù)實施例中的運動特征包含上述所有的9種，表1給出了各運動特征的名稱以及相應(yīng)的表達(dá)式。表1運動特征及相應(yīng)的公式步驟103、將所提取的運動特征輸入至基于在線神經(jīng)網(wǎng)絡(luò)和增強(qiáng)學(xué)習(xí)算法的識別模型中。本專利技術(shù)實施例中所采用的運動類型的識別模型是基于在線神經(jīng)網(wǎng)絡(luò)和增強(qiáng)學(xué)習(xí)算法的識別模型。在線神經(jīng)網(wǎng)絡(luò)能夠在不重新訓(xùn)練先前樣本的情況下，只對新輸入樣本逐個進(jìn)行訓(xùn)練，更新至新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并實現(xiàn)對待測樣本進(jìn)行識別的同時還可通過新的訓(xùn)練樣本對神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行更新訓(xùn)練，從而實現(xiàn)在線識別，適應(yīng)性強(qiáng)，準(zhǔn)確度高。增強(qiáng)學(xué)習(xí)是一種不同于監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的在線學(xué)習(xí)技術(shù)，可通過不斷的試錯和反饋等進(jìn)行學(xué)習(xí)，獲得環(huán)境狀態(tài)的合適評價值并修改自身的動作策略以適應(yīng)環(huán)境，本專利技術(shù)實施例通過利用增強(qiáng)學(xué)習(xí)算法可對噪聲進(jìn)行抑制，增強(qiáng)識別模型的抗干擾能力。其中，在線神經(jīng)網(wǎng)絡(luò)可包括FuzzyMin-Max、Prabablisticneuralnetwork和模糊自適應(yīng)共振網(wǎng)絡(luò)(FuzzyAdaptiveResonanceTheoryMAP，F(xiàn)uzzyARTMAP，簡稱FAM)；增強(qiáng)學(xué)習(xí)(ReinforcementLearing)算法可包括時間差分學(xué)習(xí)TemporalDifferenceLearning(TD-Learning),蒙特卡洛MonteCarlo以及Q-Learning等。優(yōu)選的，本專利技術(shù)實施例采用的在線神經(jīng)網(wǎng)絡(luò)為模糊自適應(yīng)共振網(wǎng)絡(luò)FuzzyARTMAP，增強(qiáng)學(xué)習(xí)算法為Q-Learning，本專利技術(shù)實施例中的基于FAM和Q-Learning的識別模型可命名為RL-FAM本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點】
一種運動狀態(tài)的識別方法，其特征在于，包括：通過可穿戴設(shè)備采集待識別對象的目標(biāo)部位的運動數(shù)據(jù)；提取所述運動數(shù)據(jù)中的運動特征；將所提取的運動特征輸入至基于在線神經(jīng)網(wǎng)絡(luò)和增強(qiáng)學(xué)習(xí)算法的識別模型中；根據(jù)所述識別模型的輸出結(jié)果識別所述待識別對象的運動類別。

【技術(shù)特征摘要】
1.一種運動狀態(tài)的識別方法，其特征在于，包括：通過可穿戴設(shè)備采集待識別對象的目標(biāo)部位的運動數(shù)據(jù)；提取所述運動數(shù)據(jù)中的運動特征；將所提取的運動特征輸入至基于在線神經(jīng)網(wǎng)絡(luò)和增強(qiáng)學(xué)習(xí)算法的識別模型中；根據(jù)所述識別模型的輸出結(jié)果識別所述待識別對象的運動類別。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述在線神經(jīng)網(wǎng)絡(luò)為模糊自適應(yīng)共振網(wǎng)絡(luò)FuzzyARTMAP，所述增強(qiáng)學(xué)習(xí)算法為Q-Learning。3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述運動數(shù)據(jù)包括加速度數(shù)據(jù)，所述運動特征包括預(yù)設(shè)采樣數(shù)量的加速度值的平均值Mean、均方根RootMeansquare、標(biāo)準(zhǔn)差Standarddeviation、偏度Skewness、峰度系數(shù)Kurtosis、波峰因數(shù)Crestfactor、緯度系數(shù)Latitudefactor、形狀系數(shù)Shapefactor和沖擊因數(shù)Impulsefactor中的至少兩個。4.根據(jù)權(quán)利要求3所述的方法，其特征在于，在通過可穿戴設(shè)備采集待識別對象的目標(biāo)部位的運動數(shù)據(jù)之前，還包括：通過可穿戴設(shè)備采集訓(xùn)練對象的所述目標(biāo)部位的樣本運動數(shù)據(jù)，并確定所述訓(xùn)練對象的樣本運動類別；提取所述樣本運動數(shù)據(jù)中的樣本運動特征；根據(jù)所提取的樣本運動特征和所述樣本運動類別對基于FuzzyARTMAP和Q-Learning的訓(xùn)練模型進(jìn)行訓(xùn)練，得到基于FuzzyARTMAP和Q-Learning的識別模型。5.根據(jù)權(quán)利要求4所述的方法，其特征在于，根據(jù)所提取的樣本運動特征和所述樣本運動類別對基于FuzzyARTMAP和Q-Learning的訓(xùn)練模型進(jìn)行訓(xùn)練，包括：將所提取的樣本運動特征輸入至基于FuzzyARTMAP和Q-Learning的訓(xùn)練模型中；確定所述訓(xùn)練模型的輸出結(jié)果與所述樣本運動類別之間的差異程度，并根據(jù)所述差異程度對所述訓(xùn)練模型中的FuzzyARTMAP節(jié)點的權(quán)值進(jìn)行調(diào)節(jié)；利用Q-Learning對權(quán)值超過預(yù)設(shè)閾值的FuzzyARTMAP節(jié)點的Q-Value進(jìn)行調(diào)整，以對所述樣本運動...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：郝祁，張帥，法哈德·普那哈，
申請(專利權(quán))人：南方科技大學(xué)，
類型：發(fā)明
國別省市：廣東,44