基于对抗性域适应策略的跨用户人体行为识别方法与流程

技术特征：
1.基于对抗性域适应策略的跨用户人体行为识别方法，其特征在于，包括下列步骤：步骤1：基于可穿戴传感器设备获取源域用户在不同行为下的三轴加速度计数据和三轴陀螺仪数据，得到源域数据x
s
，并设置对应的行为标签y
s
；以及基于可穿戴传感器设备获取目标域用户的三轴加速度计数据和三轴陀螺仪数据，得到原始信号目标域数据x
t
；步骤2：对源域数据x
s
和目标域数据x
t
进行切割分段，并基于图像化处理将信号数据转换成单通道活动图像数据；步骤3：将单通道活动图像数据输入特征提取网络e中，从图像空间和时间序列两个维度对信号特征进行提取，获取图像空间特征fea
cnn
和时间序列特征fea
lstm
；所述图像空间特征fea
cnn
采用卷积神经网络获取，所述时间序列特征fea
lstm
采用长短期记忆网络获取；步骤4：对图像空间特征fea
cnn
和时间序列特征fea
lstm
进行展平处理，再进行特征拼接得到联合特征并输入分类器中，所述分类器用于输出每个人体行为类别的预测概率；步骤5：基于对抗性域适应策略中的最大化分类器差异法，训练两个相同网络结构不同初始化参数的分类器c1和c2，采用对抗性法对特征提取网络e和分类器c1、c2进行训练，并基于最小化类间混淆损失设置训练时的损失函数；步骤6：基于分类器c1和c2的输出结果进行综合判决，确定目标域用户的人体行为类别。2.如权利要求1所述的方法，其特征在于，步骤2中，直接对信号通道进行堆叠处理，单通道活动图像数据。3.如权利要求1所述的方法，其特征在于，步骤3中，所述卷积神经网络依次包括：卷积层1、池化层1、卷积层2、池化层2、卷积层3、池化层3和全连接层；所述全连接层用于对输入的特征图进行展平处理，输出作为提取到的图像空间特征fea
cnn
。4.如权利要求1所述的方法，其特征在于，步骤3中，所述长短期记忆网络包括的隐藏单元数目为64，隐藏层的层数为3，最后一层隐藏层后接有一个全连接层进行展平处理，其输出作为提取到的时间序列特征fea
lstm
。5.如权利要求1任一项所述的方法，其特征在于，步骤3中，提取的图像空间特征fea
cnn
与时间序列特征fea
lstm
在维度上的比值为2：1。6.如权利要求1所述的方法，其特征在于，步骤3中，所述分类器的网络结构为：依次连接的归一化层、激活层和全连接层，且激活函数采用relu函数。7.如权利要求1至6任一项所述的方法，其特征在于，步骤5中，采用对抗性法对特征提取网络e和分类器c1、c2进行训练具体为：第一步，使用源域数据x
s
和行为标签y
s
训练特征提取网络e和分类器c1、c2，该步骤的损失为交叉熵损失l
ce
；第二步，固定特征提取网络e，使用源域数据x
s
和行为标签y
s
和目标域数据x
t
训练分类器c1、c2，以最大化两个分类器间的差异，所述差异定义为其中，m为标签的类别数目，p
1m
(y|x
t
)p
1m
和p
2m
(y|x
t
)表示两个分类器的预测输出，该步骤的损失为：l
step2
＝l
ce
‑
l
dis
；第三步，固定分类器c1、c2，使用源域数据x
s
、行为标签y
s
和目标域数据x
t
训练特征提取
网络e，该步骤的损失为：其中，l
mcc
表示最小化类间混淆损失，表示最小化类间混淆损失，表示目标域的类间混淆矩阵，α和β为可调参数。8.如权利要求7所述的方法，其特征在于，步骤6中，综合判决为：将分类器c1和c2的输出的同一类别的预测概率相加，得到融合预测概率，将最大融合概率所对应的人体行为类别作为目标域用户的最终预测结果。

技术总结
本发明公开了一种基于对抗性域适应策略的跨用户人体行为识别方法，属于行为识别技术领域。本发明首先对原始加速度数据和陀螺仪数据进行预处理并图像化为单通道活动图像，再从图像空间和时间序列两个维度进行特征提取。采用对抗性域适应策略分三步进行特征提取网络和两个分类器的训练，以优化提取到的特征的分布，减少跨用户带来的特征决策边界处混淆的影响，同时引入最小化类间混淆损失，减少跨用户带来的特征重叠处混淆的影响。最后将优化分布后的特征输入到分类器中，综合考虑两个分类器的预测结果，对人体行为进行分类，得到人体行为状态。本发明减少了个体间差异带来的影响，有效提高了基于传感器信号的跨用户人体行为识别精度。识别精度。识别精度。


技术研发人员：叶娅兰 周镪 孟千贺
受保护的技术使用者：电子科技大学
技术研发日：2021.07.15
技术公布日：2021/11/28