[发明专利]一种基于稀疏表示和Softmax分类的人体活动识别方法

摘要

本发明公开了一种基于稀疏表示和Softmax分类的人体活动识别方法，步骤S1：使用海量的无线传感器活动信号数据集训练Softmax模型；步骤S2：使用经过训练的Softmax模型对实时检测的活动信号进行分类和识别。采用本发明的技术方案，将数据库中的海量传感器活动信号数据集进行训练，确定信号的所属类别，再结合稀疏表示算法进行活动信号处理，从而大大降低了人体活动信号识别的计算量和复杂度，同时也有效提高人体活动分析的准确性。

主权项

1.一种基于稀疏表示和Softmax分类的人体活动识别方法，其特征在于，包括以下步骤：步骤S1：使用海量的无线传感器活动信号数据集训练Softmax模型；步骤S2：使用经过训练的Softmax模型对实时检测的活动信号进行分类和识别；其中，所述步骤S1进一步包括：步骤S11：获取大规模无线传感器活动信号数据集，并进行数据预处理；步骤S12：将预处理后的活动信号数据集存储于HBase数据库中；步骤S13：从HBase数据库中获取信号数据集，基于传感器信号随时间变化的规律，使用特征提取方法获取活动信号的特征向量；步骤S14：根据步骤S13中提取的无线传感器信号特征向量f，通过监督学习的方法训练Softmax分类模型，得到最佳参数θ；所述步骤S13进一步包括：步骤S131：S＝{s1，s2…sn}是无线传感器网络的多个可穿戴传感器集合，大小相等的时间戳T＝{t1，t2…tn}，其中ti+1‑ti＝λ，λ代表时间间隔，利用指定的特征提取算法得到特征向量f；步骤S132：在活动信号传输期间，构造二元组w(wts，S)为时间域wts内的活动事件表示，S代表指定的监测传感器序号；步骤S133：设在活动信号数据库HBase中，所有的监测活动事件为w＝{w1，w2…wk}，相同的活动事件X的活动信号集合可表示为活动信号的特征向量可表示如下：其中A为特征向量集合矩阵，活动分类集合为C＝{C1，C2...Cq}；D＝{D1，D2…Dq}代表指定活动类别的特征向量集合，其中第i类活动分类特征向量集合可表示为所述步骤S2进一步包括：步骤S21：使用训练好的Softmax分类器，预测得到海量传感器数据的活动分类结果集RS＝{RS1，RS2…RSq}；步骤S22：根据上一步中预测的传感器数据分类RS，从HBase数据库中得到该分类的结果集RS，通过全局活动字典计算实时传感器信号的具体分类结果，判断实时信号属于类别RSi；所述步骤S21进一步包括：步骤S211：对于活动信号数据库的特定分类的特征向量矩阵A，对每一类的特征向量集合Di，定义Softmax函数进行特征向量Di映射，映射公式如下：其中n+1代表向量的维数，D代表映射的特征向量集合；步骤S212：通过连续调整最小化成本函数进行参数优化，成本函数如下：J(θ)＝Q(θ)+G(θ)其中M表示训练样本的数量，q表示样本类别的数量，y(i)∈{C1,C2...Cq}是输入传感器数据集的类标签，D(i)是输入特征向量，G(θ)是Softmax成本函数的加权衰减；l(·)是布尔函数；步骤S213：输入特征向量得到概率矩阵如下：其中θ₁,θ₂,...,θ_q表示模型参数，用于对概率分布进行归一化，根据概率分布得到信号的分类结果集合；所述步骤S22进一步包括：步骤S221：实时的传感器数据Z，使用分类好的向量集进行权重表示：z＝A·δ+e其中表示为A的稀疏系数向量，e是整个系统的有界表达式的噪声部分|e||₂<ξ，其中ξ为信号噪声表达阈值；步骤S222：计算不同类别的稀疏系数向量：其中A+表示A的伪逆矩阵，||·||0计数非零项的数目δ；步骤S223：获取Z的隶属度大小，获得具体的活动类别。