[发明专利]动作识别方法、计算系统、智能设备及存储介质

权利要求书

1.一种动作识别方法，其特征在于，所述方法包括下述步骤：获得感应所得实时轴向加速度数据及实时轴向倾角数据；建立至少两个进程；每个所述进程对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到对应动作的分类识别结果；

每个所述进程对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到对应动作的分类识别结果，具体为：每个所述进程利用对应设定的深度学习算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到对应动作的分类识别结果；

建立至少两个进程，具体为：建立第一进程、第二进程及第三进程，每个所述进程利用对应设定的深度学习算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到对应动作的分类识别结果，具体包括下述步骤：所述第一进程利用线性规划LP算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为人体危险倾斜动作；所述第二进程利用K最临近KNN算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为起立或坐下动作；所述第三进程利用迭代二叉树三代ID3决策树算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为走路或跑步动作；

所述第一进程利用线性规划LP算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为人体危险倾斜动作，具体包括下述步骤：计算与所述人体危险倾斜动作相关的所述实时轴向加速度数据与人体状态校准所得的初始轴向加速度数据之间的第一差值绝对值，以及所述实时轴向倾角数据与人体状态校准所得的初始轴向倾角数据之间的第二差值；判断所述第二差值是否达到第一预设阈值；若是，则判断为发生倾斜过大的危险动作，当判断为发生倾斜过大的危险动作时，建立以所述第一差值绝对值及所述第二差值作为变量的线性表达式；判断所述线性表达式的输出是否达到第二预设阈值；若是，则判断为即将发生摔倒；所述线性表达式为：

其中，所述第一差值绝对值设为Δaf，所述第二差值包括俯仰角与其初始数据之间的差值设为Δpitch、航向角与其初始数据之间的差值设为Δyaw、横滚角与其初始数据之间的差值设为Δroll。

2.如权利要求1所述的方法，其特征在于，所述第一进程为父进程，所述第二进程为在所述父进程中开通的子进程，所述第三进程为在所述子进程中开通的孙进程。

3.如权利要求1所述的方法，其特征在于，所述第二进程利用K最临近KNN算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为起立或坐下动作，具体包括下述步骤：判断与起立或坐下动作相关的所述实时轴向倾角数据是否大于第三预设阈值且在时序上不断增大；若是，则对该判断结果进行计数，并存储与起立或坐下动作相关的所述实时轴向加速度数据及与所述实时轴向倾角数据，所述实时轴向加速度数据包括：实时合加速度数据，所述实时合加速度数据通过各所述实时轴向加速度数据计算得到；判断该计数结果是否达到第四预设阈值；若是，则计算与起立或坐下动作相关的所述实时轴向加速度数据的平均值及与所述实时轴向倾角数据的平均值；分别计算计数首位的、与所述起立或坐下动作相关的所述实时轴向加速度数据及所述实时轴向倾角数据，和对应所述实时轴向加速度数据的平均值及所述实时轴向倾角数据的平均值的第三差值绝对值；判断所述第三差值绝对值是否达到第五预设阈值；若是，则将所述第三差值绝对值作为所述KNN算法的输入，得到所述对应动作是否为起立或坐下动作。