基于改进的DCNN人体行为识别

摘要

在基于可穿戴传感器的人体行为识别领域中,提取原始数据的有效特征和建立合适的分类模型是提高识别准确率的关键.针对上述问题,提出一种改进的深度卷积神经网络(DCNN)模型,在经典的DCNN模型中增加了信号融合单元,并提出一种将时间序列转换成单通道行为图片的方法,由加速度、角速度和俯仰角信号构成的行为图片在经过信号融合单元处理后,可实现跨通道的信息融合,然后提取行为图片的张量特征,实现对行走、奔跑、坐下、躺下、跌倒、跳跃共6种日常行为的识别.实验表明:该方法在UCI开源数据集上的识别率达到97.05％,高于传统分类模型的识别率.