[发明专利]一种人体运动状态的识别方法、系统及头盔

说明书

本发明提供了一种人体运动状态的识别方法、系统及头盔。该方法包括：采集并建立待测人员的头部位置的监测运动数据集；对监测运动数据集进行滤波处理，滤除监测运动数据集中的噪声干扰，得到去噪监测数据集；对去噪监测数据集FFT变换，获取去噪监测数据集的频域特征和功率谱特征；对频域特征和功率谱特征进行特征值提取并构成特征矩阵；将特征矩阵导入至CNNs神经网络运动识别模型中，获取待测人员的运动识别结果，以进行待监测人员的运动监测，以监测待测人员是否处于异常运动状态。本发明利用二维卷积网络结构进行待测人员的运动状态的识别，进行待监测人员的运动监测，监测待测人员是否处于异常运动状态，以实现安全性的监测。

技术领域

本发明涉及运动识别技术领域，具体而言，涉及一种人体运动状态的识别方法、系统及头盔。

背景技术

中国电力科学研究院有限公司现有跨区关口329个，分布于18个省的34座换流站和7座变电站中。其中1000kV变电站3座，±800kV换流站18座。2017年跨区电网交易电量达3050亿kWh，平均每块电能表每年都承担着近4亿kWh电量结算，每块关口电能表的准确性都具有重要的意义。

目前，国网公司针对关口电能表的检测方式主要是定期派遣专业检测人员携带专业的校验仪赶赴现场进行检测，由于计量装置分布范围广、部署位置随机，现场检测人员经常需要在多个复杂危险的带电工作地点间转移，在作业点转移的过程中，安全性难以保证，在作业和转移过程中可能出现触电跌倒、柜体与人体碰撞、绊倒、作业车辆碰撞等风险，过去风险的发现和排除主要依靠视频监控设备完成，其存在部署成本高、监控空间范围有限、风险检测实时性差等缺点。

发明内容

鉴于此，本发明提出了一种人体运动状态的识别方法、系统及头盔，旨在解决现有现场检测人员安全性监测存在部署成本高、监控空间范围有限、风险检测实时性差的问题。

一方面，本发明提出了一种人体运动状态的识别方法，该识别方法包括如下步骤：采集并建立待测人员的头部位置的监测运动数据集；对监测运动数据集进行滤波处理，滤除监测运动数据集中的噪声干扰，得到去噪监测数据集；对所述去噪监测数据集FFT变换，获取所述去噪监测数据集的频域特征和功率谱特征；对所述去噪监测数据集的频域特征和功率谱特征进行特征值提取并构成特征矩阵；将特征矩阵导入至基于keras框架下的CNNs神经网络运动识别模型中，获取并输出待测人员的运动识别结果，以进行待监测人员的运动监测，以监测待测人员是否处于异常运动状态。

进一步地，上述人体运动状态的识别方法，在将筛选出的特征值导入至基于keras框架下的CNNs神经网络运动识别模型中，之前还包括如下步骤：利用三轴惯性传感器，采集待测试人员的头部位置的原始运动数据集；原始运动数据集包括：所述待测试人员进行至少一类正常运动和至少一类异常运动的运动数据；待测试人员包括：至少一位男士和至少一位女士；对原始运动数据集进行数据筛查和标注，以筛除数据污染，提取并标注有效数据，建立有效测试数据集；对有效测试数据集进行特征工程处理，获得构成表征运动状态的一维特征矩阵；对一维特征矩阵进行选择，并搭建得到二维的基于keras框架下的CNNs神经网络运动识别模型。

进一步地，上述人体运动状态的识别方法，所述对一维特征矩阵进行选择，并搭建得到二维的CNNs神经网络运动识别模型，包括如下子步骤：将所述原始运动数据集中各类运动类型的60%作为训练集，40%作为测试集，并遍历多类运动类型的测试集与训练集的组合，得到多个测试集与训练集的组合，以充分利用数据集；利用多个测试集与训练集的组合，建立多个基于keras框架下二维CNNs神经网络的连续运动识别检测模型；所述连续运动识别检测模型、测试集与训练集的组合之间一一对应；将一维特征矩阵重塑扩展为二维特征矩阵，并应用到各个连续运动识别检测模型中，得到多个二维CNNs神经网络模型；在各个二维CNNs神经网络模型的Fully Connected Layer层间均引入10%概率的Dropout Layer，得到多个优化二维CNNs神经网络模型；对多个优化二维CNNs神经网络模型的不同节点数和层数进行测试，选择最优二维CNNs神经网络模型，作为CNNs神经网络运动识别模型。