(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211395656.9 (22)申请日 2022.11.09 (71)申请人 武昌理工学院 地址 430299 湖北省武汉市江夏区庙山经 济开发区江夏大道１ 6号 (72)发明人 刘逢刚　 (74)专利代理 机构 武汉世跃专利代理事务所 (普通合伙) 42273 专利代理师 万仲达 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) A61B 5/11(2006.01)A61B 5/0205(2006.01) A61B 5/01(2006.01) A61B 5/00(2006.01) (54)发明名称 一种基于可穿戴设备的人体动作预测方法 (57)摘要 本发明公开了一种基于可穿戴设备的人体 动作预测方法， 包括： 利用多个传感器采集信息； 对收集到传感器信息进行预处理， 得到平滑的五 维运动状态数据序列； 将预处理得到的状态数据 输入多维序列信号动作预测网络模块进行识别 分类， 输入为一个匀速运动状态特征和一个带动 作的运动特征组成的融合特征， 通过双向序列信 息记忆序列记忆层的提取特征； 引入注意力机制 通过加权求和突出运动状态数据序列中重要动 作的序列点， 提升整个网络模型的计算效率； 最 后将特征层送入输出层， 分类输出动作状态结 果。 本发明方法解决了 现有可穿戴设备的人体动 作预测问题， 降低了人体动作预测网络模型需要 图像的依赖， 减少了传感器数量， 使智 能可穿戴 设备更智能更轻便 。 权利要求书3页 说明书8页 附图2页 CN 115438705 A 2022.12.06 CN 115438705 A 1.一种基于可穿戴设备的人体动作预测方法， 其特 征在于， 包括如下步骤： 步骤 （1） ， 获取穿戴设备获得的人体体温数据、 心率数据、 三轴角度数据、 三轴加速度数 据和三轴磁场数据， 利用去异常点算法对这五个维度的信息数据进行预处理， 得到五维运 动状态数据的平 滑序列， 该平 滑序列为 一个5行N列的矩阵； 步骤 （2） ， 将预处理后的平滑序列通过匀速运动特征与动作运动特征融合的方式进行 处理， 并输入至多维序列信号动作预测网络模块， 获得用于分类的时序特 征数据； 所述多维序列信号动作预测网络模块， 是由向前传播和向后传播的两个序列信 息记忆 模块组成， 一个从序列数据头部往后开始处理， 一个从序列数据尾部往前开始处理， 两个独 立的序列信息记忆模块原理相同， 但方向不同， 向前与向后的两个信息记忆模块无相互的 连接， 形成了 两个相互独立的隐藏层之间的信息数据的双向传播； 步骤 （3） ， 通过注意力机制模块对时序特征数据进行重要性评判， 得到带注意力权重的 特征向量； 步骤 （4） ， 利用分类器输出每个动作标签的概率， 对应概率值最高的为最终的输出类 别。 2.如权利要求1所述的一种基于可穿戴设备的人体动作预测方法， 其特征在于： 步骤 （1） 中去异常点 算法的处 理过程如下； 给定窗口长度， 计算窗口子序列与其同样长度的子序列的映射关系 g， 通过滑动窗口， 计算出整个序列的映射关系 g的值； 其中 g值大于给定阈值的点认定为异常点序列， 然后继 续在选出 的子序列中继续滑动窗口进行映射值计算， 找到异常点并去除这个异常点； 用公 式表达如下： 其中0表示为正常状态， 1表示为异常状态， δ为给定的阈值， 给定一个序列 ，xt为t时刻序列的点， 为x序列的一个子序列 ， k表示维度大小， z表示窗口大小。 3.如权利要求1所述的一种基于可穿戴设备的人体动作预测方法， 其特征在于： 步骤 （2） 中针对平滑序列数据中的三轴加速度序列数据， 在数据变化之前与动作结束之后插补 进一段匀速运动的序列， 用公式表示 为：权　利　要　求　书 1/3 页 2 CN 115438705 A 2其中z'表示原始的序列数据， y表示给出的一个匀速运动数据， 把y中的匀速运动数据 插入到原始序列中， 选择z'序列t时刻的数据xt与y序列相同时刻的点at， 将at到at+p之间的 数据插入到原始序列中， 其中p值根据序列长度决定； 由于序列为五维数据， 为了使其他维 度的数据的长度与插入匀速运动之后的三轴加速度序列数据长度一致， 其他维度数据按t 时刻的标准进行 数据补齐， 使得输入后续网络模块中的序列中每一列的数据长度相等。 4.如权利要求1所述的一种基于可穿戴设备的人体动作预测方法， 其特征在于： 步骤 （2） 中序列信息记 忆模块的处 理过程如下； 根据输入的人体动作数据序列， 数据被分成t个部分， 每个部分为 xt的向量， t也表示时 刻， 那么t时刻第l维数据的公式表达为： 其中， 下标l表示五维中第 l维，Ft,l表示遗忘门中第 l维数据在 t时刻的值， It,l表示输入 门中第l维数据在 t时刻的值， ot,l表示输出门中第 l维数据在 t时刻的值， Ct,l表示候选门中 第l维数据在 t时刻的值， σ是Sigmoid激活函数， W是权重矩阵； Ht‑1,l表示为t‑1时刻的信息， Ht,l表示输出层； b代表偏置量， tanh表 示tanh激活函数； Wf,l是遗忘门中第 l维数据的权重矩 阵，bfl是遗忘门中第 l维数据的偏置量，  Wi,l表示输入门中第 l维数据的权重， bil表示输入 门中第l维数据的偏置， Wo,l表示输出门的si gmoid层的权重矩阵， bol表示输出门si gmoid层 的偏置，WC,l，bCl分别表示 候选门中第 l维数据的权 重和偏置， ⊙表示点积运算。 5.如权利要求1所述的一种基于可穿戴设备的人体动作预测方法， 其特征在于： 步骤 （3） 的具体实现过程如下； 针对正向序列信息记忆模块的输 出的Ht,l， 将其拉伸为一个长度为 f的一维矩阵 h1， 通过 注意力机制模块中的加权变换得到 hf， 同样针对反向序列信息记忆模块的输出的， 也将其 拉伸为一个长度为 b一维矩阵 h2， 通过注意力 机制模块中的加权变换得到 hb， 注意力机制中 重点是通过Softmax函数与tanh函数不断调整计算出合理的重要性得分值， 计算公式如下：权　利　要　求　书 2/3 页 3 CN 115438705 A 3