[发明专利]一种基于卷积神经网络的泳姿识别方法

权利要求书

1.一种基于卷积神经网络的泳姿识别方法，其特征在于，具体步骤包括：

(1)获取九轴传感器采集的人体游泳时手腕部的加速度和角速度作为待测信号，设计卷积神经网络模型结构；

(2)取出一个单位长度的待测信号进行识别分割；

(3)对分割得到的信号进行预处理；

(4)将预处理后的信号输入到卷积神经网络模型中进行分类，确定信号分类结果；所述卷积神经网络模型为参数经过训练后的模型；

(5)根据信号分类结果，确定待测信号中所要取出的单位长度的信号片段的区间，重复步骤(2)～(5)；

所述步骤(1)中的卷积神经网络结构设计为：

第一层为卷积层，卷积核大小为13*2，输出的特征图通道数为36，输出经过Leak RELU函数；

第二层为卷积层，卷积核大小为13*2，输出的特征图通道数为36，输出经过Leak RELU函数，并且有Batch Normalization层；

第三层为非卷积层，将第一层卷积层和第二层卷积层的输出的特征图相加；

第四层为卷积层，卷积核大小为13*2，输出的特征图通道数为36，输出经过Leak RELU函数，并且有Batch Normalization层；

第五层为非卷积层，将第三层卷积层和第四层卷积层的输出的特征图相加；

第六层为卷积层，卷积核大小为13*1，输出的特征图通道数为36，输出经过Leak RELU函数，并且有Batch Normalization层；

第七层为非卷积层，将第五层卷积层和第六层卷积层的输出的特征图相加；

第八层为卷积层，卷积核大小为13*1，输出的特征图通道数为36，输出经过Leak RELU函数，并且有Batch Normalization层；

第九层为非卷积层，将第七层卷积层和第八层卷积层的输出的特征图相加；

第十层为卷积层，卷积核大小为13*1，输出的特征图通道数为36，输出经过Leak RELU函数，并且有Batch Normalization层；

第十一层为非卷积层，将第九层卷积层和第十层卷积层的输出的特征图相加；

第十二层为全连接层，输出的通道数为5，输出经过Sigmoid函数，输出分别对应四种泳姿：蛙泳、仰泳、自由泳和蝶泳及非目标泳姿五类的概率；

所述步骤(2)中，识别并分割出待测信号片段中第一个具有完整运动周期的信号；若不能分割出待测信号片段中一个具有完整运动周期的信号，则分割出一个固定窗长的信号。

2.根据权利要求1所述的一种基于卷积神经网络的泳姿识别方法，其特征在于，所述步骤(3)中，对分割得到的信号进行预处理为：对每一维信号进行双线性插值处理，使所有信号的长度一致。

3.根据权利要求1所述的一种基于卷积神经网络的泳姿识别方法，其特征在于，所述步骤(4)中，卷积神经网络的参数经过训练得到，训练过程包括：

(4-1)搭建基于手腕处九轴传感器的待测信号的泳姿识别样本集；

(4-2)对卷积神经网络模型进行初始化；

(4-3)采用搭建的训练集对初始化后的卷积神经网络模型进行训练，训练采用反向梯度下降算法优化损失函数值的方式进行。

4.根据权利要求3所述的一种基于卷积神经网络的泳姿识别方法，其特征在于，所述步骤(4-1)中样本集的搭建步骤包括：

(4-1-1)测试人员在手腕处佩戴九轴传感器，依次进行蛙泳、仰泳、自由泳和蝶泳，同时录制同步视频；

(4-1-2)根据同步视频对测试人员佩戴的九轴传感器采集的信号进行分割，分割出具有完整运动周期的信号片段，标上对应泳姿标签；

(4-1-3)采用留一法将带有标记标签的信号片段分为训练集和测试集，来自同一测试人员的所用信号片段应归到同一集合中。

5.根据权利要求3所述的一种基于卷积神经网络的泳姿识别方法，其特征在于，所述步骤(4-3)中损失函数值的计算公式为：

其中，y_i表示第i类别为真的概率，其赋值根据样本集中样本的标签，如若标签为第k类类别，则y_k＝1，其他为0；而y′_i为神经网络推测第i类为真的概率。