(19)中华 人民共和国 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 202111676545.0 (22)申请日 2021.12.31 (71)申请人 观云 （山东） 智能科技有限公司 地址 250102 山东省济南市中国 （山 东） 自 由贸易试验区济南片区港兴三路北段 未来创业广场3号楼15 06-A 申请人 山东产研先进材 料研究院有限公司 (72)发明人 常友成　刘昊　任铭　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 代理人 闫伟姣 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 1/16(2006.01) (54)发明名称 一种基于分类模型的行为识别方法及系统 (57)摘要 本发明提供了一种基于分类模型的行为识 别方法及系统， 包括： 获取待测对象的运动数据； 依据所述运动数据， 以及预设的行为识别模型， 得到行为设别结果； 其中， 所述识别模型包括用 于识别运动和静止的第一分类模 型、 用于识别静 止的第二分类模型以及用于设备运动的第三分 类模型； 所述第一分类模型包括两层一维卷积核 两层全连接层， 所述第二分类模 型包括两层一维 卷积神经网络、 一层GRU循环神经网络和两层全 连接层， 所述第三分类模型包括两层一维卷积神 经网络、 两层GRU循环神经网络、 两层Dropout层 和两层全连接层； 对于不同的识别目标， 设计了 不同的神经网络结构， 以求获得最好的识别效 果， 提升了识别准确率。 权利要求书1页 说明书8页 附图5页 CN 114386458 A 2022.04.22 CN 114386458 A 1.一种基于分类模型的行为识别方法， 其特 征在于， 包括： 获取待测对象的运动数据； 依据所述 运动数据， 以及预设的行为识别模型， 得到行为设别结果； 其中， 所述识别模型包括用于识别运动和静止的第一分类模型、 用于识别静止的第二 分类模型以及用于 设备运动的第三分类模型； 所述第一分类模型包括两层一 维卷积核两层 全连接层， 所述第二分类模 型包括两层一 维卷积神经网络、 一层GRU循环神经网络和两层 全 连接层， 所述第三分类模型包括两层一维卷积神经网络、 两层GRU循环神经网络、 两层 Dropout层和两层全连接层。 2.如权利要求1所述的一种基于分类模型的行为识别方法， 其特征在于， 所述运动数据 包括加速度和角速度。 3.如权利要求1所述的一种基于分类模型的行为识别方法， 其特征在于， 所述行为识别 模型的训练包括： 获取加速度和角速度对应的时间序列； 对所述时间序列进行 滤波； 分割滤波后的时间序列， 得到训练数据片段集 合； 依据训练数据片段集合， 对第一分类模型进行训练， 依据训练数据片段集合中的静止 类型的数据片段， 对第二分类模型进行训练， 依据训练数据片段集合中的运动类型 的数据 片段， 对第三分类模型进行训练。 4.如权利要求3所述的一种基于分类模型的行为识别方法， 其特征在于， 模型训练时， 使用交叉熵损失函数和Adam优化方法。 5.如权利要求1所述的一种基于分类模型的行为识别方法， 其特征在于， 所述第 二分类 模型识别的静止类型至少包括站、 坐、 躺和蹲中的一种或多种。 6.如权利要求1所述的一种基于分类模型的行为识别方法， 其特征在于， 所述第 三分类 模型识别的动作类型至少包括行 走、 慢跑、 跳跃、 上楼和下楼中的一种或多种。 7.如权利要求1所述的一种基于分类模型的行为识别方法， 其特征在于， 得到行为设别 结果后， 无线传输给移动终端设备。 8.一种基于分类模型的行为识别系统， 其特 征在于， 包括： 数据采集模块， 获取待测对象的运动数据； 设别模块， 依据所述 运动数据， 以及预设的行为识别模型， 得到行为设别结果； 其中， 所述识别模型包括用于识别运动和静止的第一分类模型、 用于识别静止的第二 分类模型以及用于 设备运动的第三分类模型； 所述第一分类模型包括两层一 维卷积核两层 全连接层， 所述第二分类模 型包括两层一 维卷积神经网络、 一层GRU循环神经网络和两层 全 连接层， 所述第三分类模型包括两层一维卷积神经网络、 两层GRU循环神经网络、 两层 Dropout层和两层全连接层。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执 行时实现了如权利要求1 ‑7任一项所述的基于分类模型的行为识别方法的步骤。 10.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征在于， 所述处理器执行所述程序时实现了如权利要求 1‑7任一项所述的基于 分类模型的行为识别方法的步骤。权　利　要　求　书 1/1 页 2 CN 114386458 A 2一种基于分类模型的行为识别方 法及系统 技术领域 [0001]本发明属于行为识别技术领域， 尤其涉及 一种基于分类模型的行为识别方法及系 统。 背景技术 [0002]人体行为识别在运动追踪、 健康监测、 人机交互和 老年人监护等方面有着广泛的 应用前景， 因而一直受到研究人员的广泛关注； 近年来， 微电子传感器技术得到了长足的发 展， 以其价格低廉和体积微小等优势， 被广泛应用于制造各种可穿戴设备， 以实现运动监测 和健康监护等功能； 可穿戴设备可通过内置传感器采集用户运动数据， 依据数据监测用户 运动情况， 是实现人体行为识别的优良载体。 [0003]发明人发现， 依据运动数据进行行为识别时， 现有技术中虽然实现了针对不 同运 动类型的分类识别， 然而， 现有的分类模型中没有针对不同的行为类型进行专门的模型设 计， 导致对行为的识别效果差、 准确率较低。 发明内容 [0004]本发明为了解决上述问题， 提出了一种基于分类模型的行为识别方法及系统， 本 发明对于不同的识别目标(运动/ 静止， 运动类型， 静止类型)， 设计了不同的神经网络结构， 以求获得最好的识别效果； 对于静止状态和运动状态分类， 结合一维卷积神经网络和GRU (Gate Recurrent  Unit)循环神经网络， 形成Conv1D ‑GRU结构， 同时提取采样数据的时间 ‑ 空间特征， 提升了识别准确率。 [0005]为了实现上述目的， 本发明是通过如下的技 术方案来实现： [0006]第一方面， 本发明提供了一种基于分类模型的行为识别方法， 包括： [0007]获取待测对象的运动数据； [0008]依据所述 运动数据， 以及预设的行为识别模型， 得到行为设别结果； [0009]其中， 所述识别模型包括用于识别运动和 静止的第一分类模型、 用于识别静止的 第二分类模型以及用于 设备运动的第三分类模型； 所述第一分类模型包括两层一 维卷积核 两层全连接层， 所述第二分类模型包括两层一 维卷积神经网络、 一层GRU循环神经网络和两 层全连接层， 所述第三分类模型包括两层一维卷积神经网络、 两层GRU循环神经网络、 两层 Dropout层和两层全连接层。 [0010]进一步的， 所述 运动数据包括加速度和角速度。 [0011]进一步的， 所述行为识别模型的训练包括： [0012]获取加速度和角速度对应的时间序列； [0013]对所述时间序列进行 滤波； [0014]分割滤波后的时间序列， 得到训练数据片段集 合； [0015]依据训练数据片段集合， 对第一分类模型进行训练， 依据训练数据片段集合中的 静止类型 的数据片段， 对第二分类模型进行训练， 依据训练数据片段集合中的运动类型 的说　明　书 1/8 页 3 CN 114386458 A 3