多图嵌入表示在人体运动模式识别中的应用

新颖和恰当的算法是人体运动模式识别系统的关键。在获取加速度传感器信号的基础上,提出了一种人体运动模式识别算法,其中多图嵌入表示用于特征降维,最近邻用于模式分类。该算法通过特征分组对原始特征空间进行多个独立子集的划分,并生成图;通过多维尺度分析法在每个子图上生成新的嵌入坐标,并找到这些嵌入坐标的线性组合来表示原始特征空间;最后通过最近邻分类器进行模式分类。该算法新颖、简单,能在最小信息丢失的基础上挖掘原始特征空间的潜在结构,提高特征选择的稳定性。实验结果表明,同其他代表性算法相比,该算法准确度高,能更好地区分人体运动。

基于CNN-Mogrifier LSTM的人体运动模式识别算法

随着传感器、微电子等技术的发展,通过可穿戴式传感器对人体的运动模式进行识别,具有广泛的应用价值,如何提高识别的准确率,具有重要研究意义。考虑到人体下肢运动的特点,提出了一种基于CNN和Mogrifier LSTM的人体运动模式识别算法,先利用CNN提取原始数据的局部相关特征,再使用Mogrifier LSTM代替全连接层,挖掘局部相关特征的前后依赖关系,对行走、跑步、上楼梯、下楼梯、上坡和下坡6种常见的运动模式进行识别。实验结果表明,相比于传统LSTM算法,Mogrifier LSTM的准确率提升了1.03%,将CNN和Mogrifier LSTM相结合后,准确率进一步提升了1.17%,达到了98.18%,证明了算法的优越性。