一种基于六轴陀螺仪传感器结合深度学习的人体

本发明涉及数据处理，具体涉及一种基于六轴陀螺仪传感器结合深度学习的人体行为识别装置。背景技术：1、现有的行为识别技术主要是基于人体骨骼关键点，例如基于st-gcn的行为识别技术，基于st-gcn的行为识别技术是一种利用图卷积神经网络对视频中的行为进行识别和分类的方法，通过构建人体关节点的时空图来表示行为，并利用图卷积操作提取特征进行分类。首先，基于st-gcn的行为识别技术需要对输入的视频数据进行预处理。这包括对人体关节点的检测和跟踪，获取每帧中人体关节点的坐标信息。这些关节点可以是身体的主要关节，如肩膀、肘部、膝盖等，它们的位置变化可以反映人体的姿态和运动状态。接下来，基于这些关节点坐标信息，构建一个时空图。这个图由节点和边组成，节点代表关节点，边则连接相邻帧中的相同关节点或同一帧中相邻的关节点，从而形成一个包含空间和时间信息的图结构。这个图结构能够捕捉关节点之间的空间关系和运动轨迹。然后，利用st-gcn对时空图进行卷积操作，提取出与行为相关的特征。这些特征可以反映关节点之间的相对位置、运动速度和加速度等信息，从而捕捉行为的动态变化。最后，将提取出的特征输入到分类器中进行行为识别。2、而人体的骨骼关键点提取的现有技术主要是基于视觉传感器获取的，如上述的st-gcn的行为识别技术通过视觉传感器获取视频数据，再通过openpose处理视频，提出了一个数据集作为st-gcn的输入。3、基于视觉传感器的人体骨骼关键点提取，由于视频中的背景、光照变化、遮挡物等因素都可能对行为识别产生干扰，例如背景中的运动物体、阴影或突然的光照变化可能导致算法误判或漏判目标行为；4、为此，我们提出一种基于六轴陀螺仪传感器结合深度学习的人体行为识别装置来解决上述问题。技术实现思路1、针对现有技术所存在的上述缺点，本发明提供了一种基于六轴陀螺仪传感器结合深度学习的人体行为识别装置，解决了上述背景技术中提出的技术问题。2、为实现以上目的，本发明通过以下技术方案予以实现：3、一种基于六轴陀螺仪传感器结合深度学习的人体行为识别装置，包括：4、控制终端，是系统的主控端，用于发出执行命令；采集模块，用于采集用户动作参数；标记模块，用于遍历采集模块中采集的用户动作参数，对各用户动作参数进行区别标记；构建模块，用于接收标记模块中完成区别标记的用户动作参数，基于用户动作参数构建骨骼模型；监测模块，用于实时获取构建模块中构建的用户骨骼模型，监测连续获取的用户骨骼模型变化幅度；逻辑模块，用于接收监测模块中监测到的用户骨骼模型变化幅度，基于用户骨骼模型变化幅度配置系统运行周期；5、所述控制终端通过无线网络交互连接有采集模块，所述采集模块下级通过无线网络交互连接有传感模块及储存单元，所述采集模块通过无线网络交互连接有标记模块、构建模块、监测模块及逻辑模块，所述逻辑模块下级通过无线网络交互连接有储存单元。6、更进一步地，所述采集模块下级设置有子模块，包括：7、传感模组，用于实时感应用户动作参数；8、储存单元，用于接收传感模组实时感应到的用户动作参数，对用户动作参数进行储存；9、其中，传感模组由六轴陀螺仪传感器所集成，所述六轴陀螺仪可以是mpu六轴陀螺仪传感器，所述六轴陀螺仪传感器设置有若干组，若干组所述六轴陀螺仪传感器分别部署于用户的左腿小腿、大腿；右腿小腿、大腿；左手小臂、大臂；右手小臂、大臂的居中位置，所述六轴陀螺仪传感器通过杜邦线或无线网络与储存单元进行数据交互，接收各六轴陀螺仪传感器采集到的用户动作参数，所述用户动作参数即六轴陀螺仪传感器实时运行采集到的表示用户位置信息的四元数数据。10、更进一步地，所述储存单元由单片机所集成，储存单元集成用单片机可以是stm32f103c8t6单片机；11、标记模块对用户动作参数进行区别标记时，应用六轴陀螺仪传感器采集到用户动作参数的时间戳进行标记，用户体表部署的六轴陀螺仪传感器运行同步，标记模块对用户动作参数进行区别标记前，同步对用户动作参数进行滤波处理。12、更进一步地，所述用户动作参数的滤波处理逻辑包括：中值滤波、均值滤波、高斯滤波、卡尔曼滤波或滑动平均滤波中的一种；13、其中，卡尔曼滤波公式表示为：14、xk′＝xk+kk(zk-hk·xk)；15、式中：xk′为滤波后用户动作参数；xk为用户动作参数估计；kk为卡尔曼增益；zk为用户动作参数；hk为测量矩阵；16、其中，用户动作参数估计xk＝ak·xk-1+bk·uk+wk，ak为状态转移矩阵；xk-1为上一用户动作参数；bk为控制输入矩阵；uk为控制输入；wk为过程噪声。17、更进一步地，所述构建模块运行阶段，接收到用户动作参数后，基于四元数旋转法将用户动作参数解算为用户骨骼点位坐标，解算逻辑表示为：18、19、式中，v′表示三维向量对应的四元数；v表示三维向量对应的四元数；u表示三维向量对应的四元数；θ表示绕轴逆时针旋转的角度；表示旋转后的三维向量。20、更进一步地，所述构建模块构建用户骨骼模型时，基于四元数旋转法解算所得用户骨骼点位坐标相互连接，得到用户骨骼模型。21、更进一步地，所述监测模块中监测用户骨骼模型变化幅度时，始终使用两组最新获取且连续的用户骨骼模型进行用户骨骼模型变化幅度监测，所述用户骨骼模型变化幅度监测逻辑表示为：22、23、式中：f(a,b)为用户骨骼模型变化幅度表现值；n为用户骨骼模型中来源六轴陀螺仪传感器的集合；d(ai,bi)为用户骨骼模型a与用户骨骼模型b中第i组六轴陀螺仪传感器对应采集的用户骨骼点位坐标间的距离；ωi为对应配置权重；24、其中，用户骨骼模型变化幅度表现值f(a,b)越大，表示用户动作幅度越大，反之，表示用户动作幅度越小。25、更进一步地，所述逻辑模块中设置有系统运行周期与用户骨骼模型变化幅度表现值的转换比例，用户骨骼模型变化幅度表现值f(a,b)在求取后，进一步对计算结果求均，记作再以与转换比例相乘，乘积结果记作系统下一运行周期。26、更进一步地，所述逻辑模块下级设置有子模块，包括：27、重置单元，用于接收逻辑模块中对系统配置的运行周期，应用运行周期控制系统重置运行；28、其中，重置单元于系统中基于运行周期连续运行两次为一周期运行一次。29、采用本发明提供的技术方案，与已知的公有技术相比，具有如下有益效果：30、本发明提供一种基于六轴陀螺仪传感器结合深度学习的人体行为识别装置，该装置在运行过程中，相较于矩阵旋转和欧拉旋转，首先，四元数旋转可以避免欧拉旋转的万向节锁现象，其次，四元数旋转只需要一个4维的数值就可以表示绕任意轴的旋转，相对于矩阵旋转更为简洁高效；31、同时六轴陀螺仪传感器受环境影响较小，应用范围广，相较于视觉传感器对目标的检测效果更加精准，对人体行为识别过程的适应性更广。