[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

说明书

本发明公开了一种基于智能移动设备传感器的用户行为识别方法，其包括以下步骤：S1、获取不同真实行为下的加速度数据和角速度数据及待识别数据；S2、对获取的数据进行预处理；S3、通过图像化得到预处理后的数据对应的图像；S4、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。本发明可以随时高效的获取携带预设有本方法的智能移动设备的用户的行为，可以为用户提供运动计量等功能，也可以为行为预警提供数据支撑。

技术领域

本发明涉及行为识别领域，具体涉及一种基于智能移动设备传感器的用户行为识别方法。

背景技术

随着移动互联网和智能移动设备(手机)的飞速发展，智能移动设备已经进入大众的生活中，而智能移动设备中通常配备有加速度传感器和陀螺仪，当用户随身携带智能移动设备时，智能移动设备所获取的加速度数据和角速度数据可用于代表用户的行为，而对用户的行为进行识别可以为用户提供运动计量等功能，也可以为老人或者病人的行为进行感知，为行为预警提供数据支撑。

TensorFlow是一个基于数据流编程(dataflow programming)的符号数学系统，被广泛应用于各类机器学习(machine learning)算法的编程实现，其前身是谷歌的神经网络算法库DistBelief。Tensorflow拥有多层级结构，可部署于各类服务器、PC终端和网页并支持GPU和TPU高性能数值计算。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于智能移动设备传感器的用户行为识别方法可随时高效的获取携带预设有本方法的智能移动设备的用户的行为。

为了达到上述发明目的，本发明采用的技术方案为：

提供一种基于智能移动设备传感器的用户行为识别方法，其包括以下步骤：

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。

进一步地，步骤S1中真实行为包括：

行走、跑步、上楼、下楼、跳和骑行。

进一步地，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。