一种基于残差结构深度学习的六轴惯性传感信号自适应高强度运动状态识别及周期计数方法

kycx19866711050

1.背景

当前用于六轴惯性传感信号的高强度运动状态识别和周期计数方法通常是两个独立的模型构建的，包括用于高强度运动状态识别的模式识别方法和用于运动次数计数的周期判断方法。而这种常规的高强度运动状态识别和周期计数方法不足在于：两个模型之间相互独立，相互之间没有反馈，一是导致模型的自适应性不强，从而在使用相同模型的情况下，通常独立的模型更容易出现运动状态误识别和周期误计数的情况；二是要到达相近的效果通常需要更复杂的算法，从而使得模型膨胀，导致运算量更大；三是模型相互独立时，有一部分相同的参数难以实现共享，从而需要更大的存储空间。

为了提升基于六轴IMU信号的高强度运动状态识别及周期计数准确性能，提出一种基于残差结构深度学习的六轴惯性传感信号自适应的高强度运动状态识别及周期计数方法。

2.技术解决问题

以穿戴设备采集的3-Axis ACC信号和3-Axis GYRO信号为代表的六轴IMU信号(如图1)作为高强度运动状态识别和周期计数具有较好的适用性，而使用3-Axis ACC信号和3-Axis GYRO信号作为自适应高强度运动状态识别及周期计数是一种有效降低监测过程中高强度运动状态识别误判和周期计数误计的概率的方法，但同时也对运动状态识别和周期计数方法的交互反馈提出了要求。

图1

因此，在基于六轴惯性传感信号高强度运动状态识别方法及周期计数方法不做改变的情况下，提出一种可以自适应的高强度运动状态识别及周期计数方法，提升高强度运动状态识别及周期计数的准确率，同时降低基于六轴惯性传感信号高强度运动状态识别方法及周期计数方法所需要的存储空间。

3.技术方案

鉴于上述内容中基于六轴惯性传感信号高强度运动状态识别方法及周期计数方法准确率不高以及所需要的存储空间较大的问题，提供一种基于残差结构深度学习的六轴惯性传感信号自适应的高强度运动状态识别及周期计数方法，旨在提升高强度运动状态识别算法及周期计数算法不做改变的情况下实现六轴惯性传感信号自适应的高强度运动状态识别及周期计数准确率的提升，同时降低算法所需要的存储空间。

公开一种基于残差结构深度学习的六轴惯性传感信号自适应的高强度运动状态识别及周期计数方法，包含六轴惯性传感信号高强度运动状态识别方法、六轴惯性传感信号周期计数方法、自适应的数据滑动窗口方法和自适应判断周期包含的分周期数。

六轴惯性传感信号高强度运动状态识别方法，具体流程如图2中的结构图所示，采用1D-CNN和GRU构建残差空时融合结构的深度学习模型，包括1D-CNN、池化、激活、GRU、残差结构和全连接六个计算单元。

图2

六轴惯性传感信号周期计数方法，包括构建目标数据，峰值检测、谷值检测、周期判断和计数四个计算单元。其中进行检测的目标数据为合加速度即，这里高强度运动状态识别方法和周期计数方法可以共享存储原始窗口数据，而不需要单独存储，从而节省了存储空间；峰值检测采用七点寻峰算法，即假定P是峰值的位置则满足 A[P] > A[P-1] > A[P-2] > A[P-3]且 A[P]>A[P+1]>A[P+2] >A[P+3]，同时abs(A[P]-A[P-1])+abs(A[P-1]-A[P-2])+abs(A[P-2]-A[P-3])+abs(A[P]-A[P+1])+abs(A[P+1]-A[P+2])+abs(A[P+2]-A[P+3])>peak_slope_thr，这里abs为取绝对值，peak_slope_thr为根据经验自定义的峰值正数阈值；其中谷值检测采用峰值前后0.5秒长度的数据再使用七点寻谷算法，假定V是谷值的位置则满足 A[V] < A[V-1] < A[V-2] <A[P-3]且A[V]<A[V+1]<A[V+2]<A[V+3],同时abs(A[V]-A[V-1])+abs(A[V-1]-A[V-2])+abs(A[V-2]-A[V-3])+abs(A[V]-A[V+1])+abs(A[V+1]-A[V+2])+abs(A[V+2]-A[V+3])>valley_slope_thr peak_slope_thr为根据经验自定义的谷值正数阈值；周期判断包括分周期判断和对应动作包含的分周期数，一个分周期包含一个峰值以及前后相邻位置的谷值，同时这两个谷值位置间隔满足大于设定的最小间隔阈值time_min_thr，小于设定的最大间隔阈值time_max_thr；计数根据动作包含的分周期数进行累加，如一个开合跳动作包含2个分周期数，深蹲跳包含一个分周期数。具体流程如图3中的结构所示：

图3

自适应的数据滑动窗口方法，具体流程如图4中的结构所示，包括周期计数谷值位置返回和滑动一个周期长度的窗口进行缓冲覆盖。

图4

自适应判断周期包含的分周期数方法，具体流程如图5中的结构所示，包括使用运动状态识别出来的类型进行对应的周期包含的分周期数判断。

图5

通过上述方法，可以实现自适应的高强度运动状态识别及周期计数，在不改变硬件参数和原有识别方法的情况下，实现高强度运动状态识别及周期计数的准确性和计算效率的提升。

为了达到上述目的，采用下面的技术方案予以实现：

一种基于残差结构深度学习的六轴惯性传感信号自适应的高强度运动状态识别及周期计数方法，基于以下定义：

定义高强度运动状态识别模型训练的优化器为Adam，损失函数为MSE。

如图6所示，具体包括如下步骤：

• 步骤1：初始输入固定长度的原始六轴惯性传感信号；
• 步骤2：对输入的六轴惯性传感信号进行高强度运动状态识别方法；
• 步骤3：根据高强度运动状态识别的结果，自适应判断周期包含的分周期数；
• 步骤4：根据检测出的分周期位置进行周期计数；
• 步骤5：自适应的滑动数据窗口，长度为一个周期长度，同时对窗口缓冲数据进行覆盖；
• 步骤6：返回步骤2。
  

图6

4.技术关键点

本文提出的技术方法体现在:

• (1)提出的基于六轴惯性传感信号及基于1D-CNN和GRU融合的残差结构深度学习高强度运动状态识别模型，该模型具有深度学习分类识别技术所有的优势，具有自动挖掘复杂结构的数据内在特征能力，同时其数据挖掘和在监督学习下的训练方法使其能够获得较高的分类准确性；
• (2)提出的自适应的数据滑动窗口方法，保证进行高强度运动状态识别的窗口内至少包含一个运动状态周期，进一步去除掉冗余信息，从而提升高强度运动状态识别的准确性，同时减少了非运动状态数据的识别达到识别效率的提升；
• (3)提出的基于六轴惯性传感信号高强度运动自适应判断周期包含的分周期数方法，可以根据运动状态和检测出来的分周期数进行自动周期计数，同时根据运动类型自适应的滑动一个周期的长度而不是一个分周期长度的窗口，在不改变运动类型识别模型和周期计数方法的条件下提升识别性能和效率。
  

5.技术效果

提出的一种基于残差结构深度学习的六轴惯性传感信号自适应高强度运动状态识别及周期计数方法使用TicWatch Pro3采集的10男10女分别包含深蹲跳、波比跳、开合跳、跳绳和仰卧起坐共200组计3600次动作的六轴传感器信号，按照8：2的比例划为训练集和测试集进行验证，采用性能指标准确率和正确率，相比较独立的自适应高强度运动状态识别模型和周期计数模型具有明显的性能提升。如下表所示:

从表中可以看出，在相同的数据集下，自适应高强度运动状态识别及周期计数方法具有更高得准确率和正确率。