用于步态分类的基于深度学习的多传感器信号融合方法

摘要

本发明属于生物特征识别技术领域，具体涉及一种用于步态分类的基于深度学习的多传感器信号融合方法。本发明通过构建深度神经网络对异常步态进行分类，并利用卷积神经网络对来自IMU惯性传感单元和SEMG表面肌电的多源异构信息源数据进行融合；融合内容包括数据层（CNN输入层）、特征层（CNN池化层1至卷积层2）以及决策层（CNN输出层）融合，从而完备提取多源异构传感器信息，提高分类器分类精度，同时减少数据预处理工作量，提高分类准确度与判别效率。经验证，本发明在多种异常步态分类任务中分类效果较单模态传感器有显著提升，在实施例中所举异常步态六分类任务中，分类准确率达到99.15%，较单IMU信息源CNN网络提升约三个百分点。