[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

说明书

本发明公开了一种基于数据增强和伪标签的域自适应行为识别系统及方法，包括：数据采集模块，采集用户运动时的传感器原始数据；数据预处理模块，对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进行归一化和数据分割，得到源域和目标域样本数据；行为识别模块，选择源域样本数据训练得到域泛化基础模型，对目标域样本数据进行数据增强得到增强后的目标域样本数据，使用迭代计算伪标签算法和增强后的目标域样本数据优化域泛化基础模型，迭代终止时目标域样本数据的分类结果即为行为识别结果。本发明利用未标记的目标域样本数据优化分类模型，降低对目标域带标记样本的依赖性，在降低标记成本的同时提高了行为识别的准确度和鲁棒性。

技术领域

本发明属于智能感知技术和人工智能技术领域，具体涉及一种基于数据增强和伪标签的域自适应行为识别系统及方法。

背景技术

目前，移动智能设备和可穿戴智能设备已经成为人们日常生活的重要组成部分，人们通过这些设备检测并记录自己的行为状态。与移动设备和可穿戴设备相适配的传感器将用户活动产生的数据保存并记录，这些数据被广泛应用于行为识别任务，比如运动检测、人机交互等应用中。

针对基于可穿戴设备的行为识别任务，传统的解决方法是通过有监督的方式训练行为识别模型，即通过大量带标记的样本数据训练分类模型，然后在实际应用中使用该模型对用户行为对应的感知数据进行分类，达到行为识别的目标。但是传统的方法通常要求训练过程中的样本数据与实际应用时的数据服从相同的数据分布。在实际应用场景下，由于用户、设备、环境等差异，模型在训练和实际部署阶段往往面临分布存在差异的数据域，从而导致识别性能的下降。

针对上述情况，一个直观的解决方法是针对实际应用中的每个数据域采用标记样本通过有监督的方式分别训练一个分类模型，但是对未标记样本进行标记的代价往往成本较高，因此这一方法难以应用在实际情况中。这些问题往往给基于可穿戴设备的行为识别任务以及基于行为识别的人机交互服务带来局限性。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于数据增强和伪标签的域自适应行为识别系统及方法，以解决现有的行为识别模型在没有标记数据的新数据域(即目标域)上进行行为识别任务时性能低下的问题；本发明能够使模型利用目标域上的未标记数据进行调整优化，降低对目标域带标记样本的依赖性，在降低标记成本的同时提高行为识别的准确性和鲁棒性。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于数据增强和伪标签的域自适应行为识别系统，包括：数据采集模块，数据预处理模块及行为识别模块；其中，

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所采集到的目标域传感器数据(即移动设备或可穿戴设备的传感器数据)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。

进一步地，所述传感器数据包括：加速度计数据、磁力计数据、陀螺仪数据。