基于CNN和惯性传感器的连续运动检测识别方法

为了提高人体连续运动检测识别的准确率和效率,提出一种基于卷积神经网络(CNN)的识别检测方法。首先,通过3轴加速度传感器采集运动加速度数据,经过滤波、滑动时间窗口和快速傅里叶变换(FFT)获得加速度频谱以及运动模式识别的特征矩阵。通过对多种结构与参数的网络模型的测试、分析与研究,选择双层33卷积核卷积层加双层256×64神经元稠密层的CNN结构,分别对站立、步行、上楼、下楼和跑步5种典型运动和跌倒、倒卧2种异常运动进行识别。结果表明,本文方法对跌倒、倒卧等7种运动的识别准确率大于95%,是人体连续运动检测识别的一种有效的方法;同时本文方法对算力需求较低,可应用于低功耗移动平台。