一种用于人体行为识别的CNN-BLSTM模型

摘要

基于加速度计等多传感器融合的人体行为识别研究一般是通过提取特征值并利用分类器完成行为识别,因此数据特征的提取和分类器选择是该领域主要问题.针对行为特征提取和分类问题,本文提出一种基于CNN-BLSTM模型的人体行为识别方法.首先将加速度数据转换为张量形式,然后利用卷积神经网络（CNN）提取张量特征,接着将提取的特征输入双向长短期记忆网络（BLSTM）中,完成人体的行为识别.由于CNN在特征提取方面具有较好的性能,能够完整地提取特征,且行为动作在时间前后关联性较强,因此CNN-BLSTM模型具有较强的识别率.我们在WISDM数据集上进行了测试实验,结果显示所提方法对人体行为的平均识别率（多次独立重复实验的平均结果）达到了96. 95%.