一种运动状态的识别方法及装置制造方法及图纸

本发明专利技术实施例公开了一种运动状态的识别方法及装置。该方法包括：通过可穿戴设备采集待识别对象的目标部位的运动数据；提取运动数据中的运动特征；将所提取的运动特征输入至基于在线神经网络和增强学习算法的识别模型中；根据识别模型的输出结果识别待识别对象的运动类别。本发明专利技术实施例通过采用上述技术方案，可自动快速实现待测对象运动类型的在线识别，且该方案抗干扰性强，识别结果准确率高。

Method and device for recognizing motion state

The embodiment of the invention discloses a method and a device for recognizing the motion state. The method includes: through the motion data can be a target site of wearable devices acquisition of the object to be identified; motion feature extraction in motion data; the extracted motion feature is input to the neural network based online reinforcement learning algorithm and recognition model; according to the motion category recognition model of the output results of the recognition of the object to be identified. By adopting the technical proposal, the embodiment of the invention can automatically and rapidly realize the on-line identification of the object type of movement of the object to be measured, and has a strong anti-interference performance and a high accuracy rate of the identification result.

【技术实现步骤摘要】
一种运动状态的识别方法及装置
本专利技术实施例涉及运动识别
，尤其涉及一种运动状态的识别方法及装置。
技术介绍
人体运动识别技术在在智能安全监控系统、体育运动分析、医疗诊断等领域具有广泛的应用前景，是近年来的研究热点。目前，对人体的运动状态监测方法主要有三大类：第一类是基于声音的运动状态识别，该方法受外界噪音影响较大，使用场景极其有限；第二类是基于图像视频的运动状态识别，该方法主要通过分析挖掘摄像头采集的数据来捕获人体的运动类别，由于受天气、光线、距离及拍摄角度等因素的影响，摄像机采集数据的可靠性受到较大影响，并且视频图像因占用较大的存储空间而无法长期投入使用；第三类是基于可穿戴设备的运动状态识别，相比较上述两类方法，具有成本低且携带方便、抗干扰性强以及持续获取数据的能力强等优势。随着移动互联网技术的兴起和无线传感技术的发展，人们佩戴的可穿戴设备如手表(watch)类、鞋(shoes)类及眼镜(glasses)类等越来越多，越来越普遍，使得基于可穿戴设备的运动状态识别方法备受关注。然而，现有的基于可穿戴设备的运动状态识别方法算法复杂，识别效率低，且不支持在线识别，有待于改进。
技术实现思路
本专利技术实施例的目的是提供一种运动状态的识别方法及装置，可以实现准确识别待测对象的运动类型。一方面，本专利技术实施例提供了一种运动状态的识别方法，包括：通过可穿戴设备采集待识别对象的目标部位的运动数据；提取所述运动数据中的运动特征；将所提取的运动特征输入至基于在线神经网络和增强学习算法的识别模型中；根据所述识别模型的输出结果识别所述待识别对象的运动类别。另一方面，本专利技术实施例提供了一种运动状态的识别装置，包括：运动数据采集模块，用于通过可穿戴设备采集待识别对象的目标部位的运动数据；运动特征提取模块，用于提取所述运动数据中的运动特征；运动特征输入模块，用于将所提取的运动特征输入至基于在线神经网络和增强学习算法的识别模型中；运动类别识别模块，用于根据所述识别模型的输出结果识别所述待识别对象的运动类别。本专利技术实施例中提供的运动状态的识别方案，通过可穿戴设备采集待识别对象的目标部位的运动数据并提取运动数据中的运动特征，将所提取的运动特征输入至基于在线神经网络和增强学习算法的识别模型中，根据识别模型的输出结果识别待识别对象的运动类别。通过采用上述技术方案，可自动快速实现待测对象运动类型的在线识别，且该方案抗干扰性强，识别结果准确率高。附图说明图1为本专利技术实施例一提供的一种运动状态的识别方法的流程示意图；图2为本专利技术实施例二提供的一种运动状态的识别方法的流程示意图；图3为本专利技术实施例二提供的识别模型训练流程示意图；图4为本专利技术实施例三提供的一种运动状态的识别装置的结构框图。具体实施方式下面结合附图并通过具体实施方式来进一步说明本专利技术的技术方案。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。实施例一图1为本专利技术实施例一提供的一种运动状态的识别方法的流程示意图，本专利技术实施例可适用于对待测对象的运动类型进行识别的情况，该方法可以由运动状态的识别装置执行，其中该装置可由软件和/或硬件实现，一般可集成在终端中。如图1所示，该方法包括：步骤101、通过可穿戴设备采集待识别对象的目标部位的运动数据。示例性的，本专利技术实施例中的终端可以是智能手机、平板电脑、智能手表以及笔记本电脑等移动设备，还可以是台式机或服务器等其他终端。示例性的，所述待识别对象可包括人类、动物或机器人等具备运动能力的客体。本专利技术实施例中将以人类为例进行后续的说明。可选的，目标部位可包括头部、各种关节(如颈关节、肩关节、肘关节、腕关节、髋关节及踝关节等)以及手臂或腿部等其他部位，目标部位可根据具体的待识别对象来进行有针对性的设定。优选的，本专利技术实施例中的目标部位包括头部。相应的，可穿戴设备可根据目标部位的类型来进行选取，如头部所对应的可穿戴设备可以是头盔或眼镜等，腕关节所对应的可穿戴设备可以是智能手表，髋关节所对应的可穿戴设备可以是电子腰带等等。示例性的，将可穿戴设备佩戴在待识别对象的相应目标部位处，以实现运动数据的采集。示例性的，运动数据可包括速度、加速度及角速度等数据。可根据运动数据的类型选择具备相应传感器的可穿戴设备来进行数据采集。优选的，本实施例中采集的运动数据为加速度数据，可利用集成了加速度计的可穿戴设备进行采集。步骤102、提取运动数据中的运动特征。示例性的，可根据识别模型在训练过程中所采用的样本运动特征来确定本步骤中需要提取的运动特征，使所提取的运动特征与样本运动特征一致。示例性的，所述运动特征包括预设采样数量的加速度值的平均值Mean、均方根RootMeansquare、标准差Standarddeviation、偏度Skewness、峰度系数Kurtosis、波峰因数Crestfactor、纬度系数Latitudefactor、形状系数Shapefactor和冲击因数Impulsefactor中的至少两个。可以理解的是，所采用的运动特征类型的数量越多，识别模型的准确度越高，因此，优选的，本专利技术实施例中的运动特征包含上述所有的9种，表1给出了各运动特征的名称以及相应的表达式。表1运动特征及相应的公式步骤103、将所提取的运动特征输入至基于在线神经网络和增强学习算法的识别模型中。本专利技术实施例中所采用的运动类型的识别模型是基于在线神经网络和增强学习算法的识别模型。在线神经网络能够在不重新训练先前样本的情况下，只对新输入样本逐个进行训练，更新至新的神经网络结构，并实现对待测样本进行识别的同时还可通过新的训练样本对神经网络结构进行更新训练，从而实现在线识别，适应性强，准确度高。增强学习是一种不同于监督学习和无监督学习的在线学习技术，可通过不断的试错和反馈等进行学习，获得环境状态的合适评价值并修改自身的动作策略以适应环境，本专利技术实施例通过利用增强学习算法可对噪声进行抑制，增强识别模型的抗干扰能力。其中，在线神经网络可包括FuzzyMin-Max、Prabablisticneuralnetwork和模糊自适应共振网络(FuzzyAdaptiveResonanceTheoryMAP，FuzzyARTMAP，简称FAM)；增强学习(ReinforcementLearing)算法可包括时间差分学习TemporalDifferenceLearning(TD-Learning),蒙特卡洛MonteCarlo以及Q-Learning等。优选的，本专利技术实施例采用的在线神经网络为模糊自适应共振网络FuzzyARTMAP，增强学习算法为Q-Learning，本专利技术实施例中的基于FAM和Q-Learning的识别模型可命名为RL-FAM本文档来自技高网...

【技术保护点】
一种运动状态的识别方法，其特征在于，包括：通过可穿戴设备采集待识别对象的目标部位的运动数据；提取所述运动数据中的运动特征；将所提取的运动特征输入至基于在线神经网络和增强学习算法的识别模型中；根据所述识别模型的输出结果识别所述待识别对象的运动类别。

【技术特征摘要】
1.一种运动状态的识别方法，其特征在于，包括：通过可穿戴设备采集待识别对象的目标部位的运动数据；提取所述运动数据中的运动特征；将所提取的运动特征输入至基于在线神经网络和增强学习算法的识别模型中；根据所述识别模型的输出结果识别所述待识别对象的运动类别。2.根据权利要求1所述的方法，其特征在于，所述在线神经网络为模糊自适应共振网络FuzzyARTMAP，所述增强学习算法为Q-Learning。3.根据权利要求2所述的方法，其特征在于，所述运动数据包括加速度数据，所述运动特征包括预设采样数量的加速度值的平均值Mean、均方根RootMeansquare、标准差Standarddeviation、偏度Skewness、峰度系数Kurtosis、波峰因数Crestfactor、纬度系数Latitudefactor、形状系数Shapefactor和冲击因数Impulsefactor中的至少两个。4.根据权利要求3所述的方法，其特征在于，在通过可穿戴设备采集待识别对象的目标部位的运动数据之前，还包括：通过可穿戴设备采集训练对象的所述目标部位的样本运动数据，并确定所述训练对象的样本运动类别；提取所述样本运动数据中的样本运动特征；根据所提取的样本运动特征和所述样本运动类别对基于FuzzyARTMAP和Q-Learning的训练模型进行训练，得到基于FuzzyARTMAP和Q-Learning的识别模型。5.根据权利要求4所述的方法，其特征在于，根据所提取的样本运动特征和所述样本运动类别对基于FuzzyARTMAP和Q-Learning的训练模型进行训练，包括：将所提取的样本运动特征输入至基于FuzzyARTMAP和Q-Learning的训练模型中；确定所述训练模型的输出结果与所述样本运动类别之间的差异程度，并根据所述差异程度对所述训练模型中的FuzzyARTMAP节点的权值进行调节；利用Q-Learning对权值超过预设阈值的FuzzyARTMAP节点的Q-Value进行调整，以对所述样本运动...

【专利技术属性】
技术研发人员：郝祁，张帅，法哈德·普那哈，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：广东,44