[发明专利]基于数据增强和伪标签的域自适应行为识别系统及方法

权利要求书

1.一种基于数据增强和伪标签的域自适应行为识别系统，其特征在于，包括：数据采集模块，数据预处理模块及行为识别模块；

数据采集模块，用于采集用户运动时移动设备或可穿戴设备的传感器数据；

数据预处理模块，用于处理得到源域样本数据和目标域样本数据，包括：数据归一化模块及数据分割模块；

所述数据归一化模块，用于将公开数据集中的源域传感器数据和采集到的目标域传感器数据的每一维归一化到(0,1)区间范围；

所述数据分割模块，用于将归一化后的源域传感器数据和目标域传感器数据分割为统一固定长度的数据片段，得到源域样本数据和目标域样本数据；

行为识别模块，包括：域泛化基础模型训练模块，多重数据增强模块，迭代计算伪标签模块；

所述域泛化基础模型训练模块，使用源域样本数据训练得到域泛化基础模型；

所述多重数据增强模块，用于对目标域样本数据进行多重不同程度的数据增强；

所述迭代计算伪标签模块，用于迭代计算伪标签并优化域泛化基础模型，迭代终止时的分类结果作为行为识别结果输出。

2.根据权利要求1所述的基于数据增强和伪标签的域自适应行为识别系统，其特征在于，所述域泛化基础模型训练模块通过在一维卷积神经网络中加入自适应超参数和数据增强层，将一个样本数据提取为256维的特征向量，具体为：将带有4层一维卷积层的卷积神经网络作为基本架构，在部分卷积层之后加入采用自适应超参数的数据增强层。

3.根据权利要求2所述的基于数据增强和伪标签的域自适应行为识别系统，其特征在于，域泛化基础模型包含：一维卷积层、池化层、全连接层、分类层以及仿射变换层；

一维卷积层：提取样本数据中的特征信息，对于输入数据X_cv，输出特征表示为Y_cv的一维卷积公式表达如下：

其中，y_cout，i代表输出特征表示Y_cv中第cout个通道中位置为i的数据；C，H分别代表输入数据X_cv的通道数量和一维卷积核长度；step代表一维卷积操作的步长；x_{c，(i-1)×step+h}代表输入数据X_cv第c个通道中位置为(i-1)×step+h的数据；k_cout，h为第cout个一维卷积核中位置为h的数据；

池化层：对数据以固定长度的池化窗口进行池化计算，计算池化窗口内元素最大值的操作被称为最大池化；对于池化操作，其对应的输入为X_pool，输出为Y_pool，最大池化的计算公式如下所示：

其中，M代表池化窗口的长度；x_{c，M×(i-1)+k}代表输入数据X_pool第c个通道中位置为M×(i-1)+k的数据；

全连接层：用于将输入的向量X_fc输出为目标维数的向量Y_fc，其计算公式如下所示：

Y_fc＝F_c(X_fc)＝W_cX_fc+b_c

其中，W_c为权重矩阵，b_c为偏置向量；

分类层：用于将提取的向量表示X_classifier映射到样本标记空间，包含一层全连接层和一个归一化指数函数；对于输入的向量X_classifier，输出向量Y_classifier的长度为标记空间中样本类别数目，其公式表达如下：

其中，e为自然常数，W_m为第m个类别对应的权重向量，S为特征空间中样本类别数目；

仿射变换层：用于在训练过程中对源域样本数据通过仿射变换进行数据增强，使用增强数据模拟真实环境中的域偏移，从而使模型在训练过程中能够学习到更多的数据分布，进而对未知数据分布的目标域拥有泛化能力；具体实现为：对来自不同通道的数据使用不同的参数进行仿射变换，仿射变换所使用的权重系数和偏置值采样自超参数所确定的正态分布，仿射变换模块的公式表达如下：

γ～N(1，softplus(θ_γ))θ_γ∈R^C×1

β～N(0，softplus(θ_β))，θ_β∈R^C×1

y_c＝γ_c×x_c+β_c

其中，N(，)为正态分布，θ_γ和θ_β为超参数，softplus为激活函数，γ和β分别为采样自θ_γ和θ_β所确定的正态分布的参数，分别作为进行仿射变换的权重系数和偏置值，C为输入数据的通道数(即所有传感器坐标轴的总个数)，c表示第c个通道,γ_c和β_c表示参数γ和β在第c个通道上的取值,x_c表示第c个通道上的输入数据，y_c表示第c个通道上的输出。