[发明专利]一种深蹲动作识别方法

说明书

本发明涉及深度学习与模式识别领域，具体是一种深蹲动作识别方法，具体步骤为：S1、数据提取；S2、输入数据；S3、数据预处理；S4、训练卷积神经网络；S5、计算初始概率；S6、计算转移概率；S7、使用维特比算法重新分类；S8、算法性能评估；本发明使用惯导式动作捕捉设备提取数据，在卷积神经网络CNN的基础上进行深度开发，提出一种基于CNN的新型算法，并将该方法应用于深蹲运动的动作识别实验，实验结果表明，该方法可以正确区分深蹲运动中标准蹲姿与非标准蹲姿，相比于CNN，该方法具有较高的识别准确率。

技术领域

本发明涉及深度学习与模式识别领域，具体是一种深蹲动作识别方法。

背景技术

近年来，使用端到端的深度学习程序训练的神经网络因解决各种复杂机器学习问题而备受关注。人体动作识别技术被认为是计算机视觉中广为人知的研究主题之一，对于理解和分析人类活动至关重要，通过与多种设备相结合，现已服务于从视觉监视到人机交互系统的诸多应用领域。

深蹲是一项健身运动，是改善健康和增强肌肉的最常见运动之一，它几乎牵涉到身体的每一块肌肉，由于其动作的复合性和全身性而深受广大健身爱好者欢迎。但是，大多数人在进行训练时通常由于不良习惯或训练时遇到障碍等并不能完成标准的深蹲动作，错误地进行深蹲练习会造成潜在的伤害，对人们来说，通过训练执行锻炼中的通用标准模式非常重要，当人们深蹲训练动作不标准时，应向他们提出警告，避免运动中受伤。

发明内容

为了解决上述问题，本发明提出一种深蹲动作识别方法。

一种深蹲动作识别方法，其具体步骤如下：

S1、数据提取：下蹲需要4秒，传感器的捕获速度为100帧/秒，因此数据序列的长度为450帧，共设有6种深蹲模式；

S2、输入数据：实验中共使用8个感知神经元的传感器，每个感知神经元产生的计算数据为12列，随后，在训练数据的第1列增加不同动作模式的序列，分别记为0，1，2，3，4，5，作为机器学习中监督学习的标签，其余96列数据作为机器学习的训练数据，则输入数据尺寸大小为97×135000；

S3、预处理：

a、数据标准化：在训练数据经卷积神经网络CNN训练前，根据公式1-1对数据进行标准化：

其中，X是单个特征的值，μ是平均值，而σ是X的标准偏差；

b、数据分割处理：对输入数据做窗口分割处理，将每个窗口大小划分为96×450；

S4、训练CNN：在对输入数据预处理后开始训练卷积神经网络，卷积神经网络结构一共包含7层，具体说明如下：

a、第一层，卷积层，本层输入矩阵大小为96×450×1，卷积核为一维滤波器，尺寸大小为1×12，深度为46，平移步长为5，使用的激活函数是ReLU函数，本层的输出矩阵大小为46×439×46；

b、第二层，池化层，本层输入矩阵大小为46×439×46，池化方法为最大化池化，卷积核为一维滤波器，卷积核尺寸大小为1×10，平移步长为5，使用的激活函数是ReLU函数，本层的输出矩阵大小为46×86×46；

c、第三层，卷积层，本层输入矩阵大小为46×86×46，卷积核为一维滤波器，卷积核尺寸大小为1×6，深度为23，平移步长为5，使用的激活函数是ReLU函数，本层的输出矩阵大小为23×81×23；

d、第四层，池化层，本层输入矩阵大小为23×81×23，池化方法为最大化池化，卷积核为一维滤波器，卷积核尺寸大小为1×3，平移步长为5，使用的激活函数是ReLU函数，本层的输出矩阵大小为16×23×23。第四层的输出被转换成一维数组，并连接到神经网络中的每个神经元；