基于bp神经网络的人体行为识别方法研究与实现

《基于bp神经网络的人体行为识别方法研究与实现》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于BP神经网络的人体行为识别方法研究与实现摘要：针对人体行为识别问题，本文设计实现了基于BP神经网络的人体行为识别方法。该方法在对原始三维加速度信号预处理后提取出特征值，并将向量空间划分为训练样本集和测试样本集。通过不断修正网络参数优化学习效果。经过学习后的BP神经网络达到了较高的人体行为识别正确率，并对所研究的7种日常行为都较好识别。本文采集自网络，本站不保证该信息的准确性、真实性、完整性等，仅供学习和研究使用，文中立场与本网站无关，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除己转载的

2、信息。关键词：BP神经网络；三维加速度；特征值提取中图分类号：G642.0文献标志码：A文章编号：1674-9324(2016)51-0197-02随着物联网的高速发展，智慧医疗的应用也越来越广泛，人体行为识别作为智能监测中一个重要的研究方向，也逐渐受到各国学者的广泛关注。随着我国人门老龄化不断加剧，老年人意外摔倒问题受到人们关注，而人体行为识别方法的研究将推进更有效更准确的跌倒检测算法研究。按照信号的获取方式，可将现存的人体行力识别方法分为以下两种：基于计算机视觉的方法和基于传感器的方法。基于三轴加速度信号

3、的识别方法属于第二种，第二种方法相较于第一种具有低功耗、高精度、携带方便等优点。目前BP神经网络是目前人工神经网络中研究最深入、应用最广泛的一种。本文选用己有的三轴加速度信号数据集，在MATLAB仿真环境下，基于BP神经网络设计并实现人体行为识别算法。一、数据预处理本文选用的三轴加速度数据来源于南加州大学人体行为数据集，这个数据集包括了对M名受测者的12种动作的三轴加速度信号采集。采集过程中，三轴加速度传感器位于受测者右前臂；采样频率为100Hz；12种动作每种动作由每名受测者做5次，即对每种动作采集70个样

4、本，每个样本采集时长不定但是足够捕获动作的所有信息。考虑实际意义，本文只选取上述14名受测者的7类动作，共计490个加速度数据样本。在特征值提取前需要对滤波得到的加速度数据再进行加窗处理。选用窗门长度N为512的矩形窗，则结合采样频率可得窗口时间跨度为5.12秒，足够包含单个完整动作。经过预处理后的数据才可以用于后续的特征值的提取，并用来训练和测试所建立的BP祌经网络。二、BP神经网络的建立BP神经网络由输入层、输出层和隐含层组成，其中输入层与输出层各为一层，隐含层可以有多层。在网络中，相邻两层问实现全连接，

5、而处于同一层的神经元之间无连接。BP学习算法需要提供教师信号。BP网络的学习过程包括工作信号的正向传播和误差信号的反向传播，并通过修改连接两个神经元的边的权值来使得误差函数达到最小。①工作信号的正向传播。设X■■表示第k层神经元i的输入总和，■为输出，第k-1层神经元j到第k层神经元i的权值为Wij，则有如下函数关系：yaa=r（xai）xaa=awaYHa（1）称f激励函数，通常取f为非对称Sigmoid函数，即f（X■国）=■⑵②误差信号的反向传播。设输出层为第m层，则输出层第i个神经元的实际输出为¥■■

6、，设对应的教师信号为Yi，定义误差函数e为e=aa（Yaa-Ya）■（3）定义d■■表示误差函数e关于I；■■的偏导数，可推得当k二m时，^daa=yaa（i-y■国）（ybb-yb）（4）??k③权值的修正。设某一次学习权值的修改量为AWij，考虑两次学习的相关性，可定义权值修改量如下：AWij（t+1）=-p?d«H?YHH+Y?AWij（t）（6）其中，丫为表示两次修正间的相关程度的系数，u为学习速率。综上，BP祌经网络的学习目标就是：找一组最合适的边的权值Wij，使得误差函数满足e=min«B（¥■■

7、-¥■）■（7）三、BP神经网络结构设计1.输入层。BP神经网络的输入即为各种行为的特征向量，因此首先需耍选取合适的特征值构建特征向量。根据统计学原理和所选加速度信号数据集的特征，选取5个特征值：均值、方差、相关系数、偏度和峰度。5个特征值均以窗长N为提取单位，特征值的计算直接使用MATLAB已有的函数。以窗长为单位，分别计算三个轴的加速度信号的上述5种特征值，一次特征值提取可得到一个15维的特征向景，将此向量作为BP神经网络的输入，则输入层可有15个神经元。1.隐含层。隐含层待定的系数包括隐含层的层数和每个

8、隐含层包含的神经元个数。为提高学习速率，通常选用单隐层的神经网络，但为获得更好的学习效果，本文考虑单隐层以及双隐层的BP神经网络。关于隐含层神经元的个数nl选取，本文参考公式如下：nB=B+p(13)其中，nO为输入层神经元个数，nm为输出层神经元个数，p为［1，10］之间的一个常数。在利用上述公式估算的基础上，根据网络学习的结果对隐含层神经元个数再做调整，以达到最好的学习效果。2.输出层。神经网络