[发明专利]一种基于智能移动设备传感器的用户行为识别方法

权利要求书

1.一种基于智能移动设备传感器的用户行为识别方法，其特征在于，包括以下步骤：

S1、分别获取不同真实行为下智能移动设备传感器中的加速度数据和角速度数据，得到不同真实行为下的加速度数据和角速度数据；分别获取待识别对象处智能移动设备传感器中的加速度数据和角速度数据，得到待识别数据；

S2、分别对不同真实行为下的加速度数据和角速度数据，以及待识别数据进行预处理，得到预处理后的加速度数据和角速度数据，以及预处理后的待识别数据；

S3、分别对预处理后的加速度数据和角速度数据图像化，对应得到加速度图像和角速度图像；对预处理后的待识别数据图像化，得到待识别图像；

S4、采用TensorFlow框架分别对加速度图像和角速度图像进行深度学习，分别得到加速度识别模型和角速度识别模型；

S5、将加速度识别模型和角速度识别模型进行融合，得到综合识别模型；

S6、将待识别图像作为综合识别模型的输入数据，通过综合识别模型的输出结果对用户的行为进行识别；

步骤S2中预处理的具体方法包括以下子步骤：

S2-1、进行同频率处理：将频率大于阈值的数据通过等距抽样的方法在时间区间不变的条件下减少其频率，得到同频率处理后的数据；

S2-2、将同频率处理后的数据切割成若干个时间长度为5秒的时间序列数据；

S2-3、将每个时间序列数据片段都按照离差归一化映射到[-1,1]间，并采用逐段聚集平均法进行分段特征提取；

S2-4、对提取出的特征采用反三角函数得出归一化数据的值，并将其映射到极坐标中。

2.根据权利要求1所述的基于智能移动设备传感器的用户行为识别方法，其特征在于，所述步骤S1中真实行为包括：

行走、跑步、上楼、下楼、跳和骑行。

3.根据权利要求1所述的基于智能移动设备传感器的用户行为识别方法，其特征在于，所述步骤S3中图像化的具体方法为：

将映射到极坐标的数据带入格拉姆和角场生成相应和对应的GASF图像和GADF图像。

4.根据权利要求1所述的基于智能移动设备传感器的用户行为识别方法，其特征在于，所述步骤S4的具体方法为：

采用TensorFlow框架中的深度残差网络模型ResNet的前3大层卷积层来分别提取不同真实行为下加速度图像和角速度图像的特征，将不同真实行为下加速度图像和角速度图像的特征作为不同真实行为的判别依据，分别得到不同行为下的加速度识别模型和角速度识别模型。

5.根据权利要求1所述的基于智能移动设备传感器的用户行为识别方法，其特征在于，所述步骤S5的具体方法为：

采用连接算法将加速度识别模型和角速度识别模型进行融合，得到综合识别模型，并将综合识别模型的一个全连接层作为其输出。

6.根据权利要求1所述的基于智能移动设备传感器的用户行为识别方法，其特征在于，所述步骤S5与步骤S6之间还包括步骤

S5.5、采用同一真实行为下的加速度图像和角速度图像作为综合识别模型的输入，判断综合识别模型的输出是否与真实行为一致，若一致率高于阈值，则表明该综合识别模型符合要求；否则调整学习率和dropout值，并返回步骤S4。