文献类型：期刊文章

作　　者：孙彦玺[1] 赵婉婉[1] 武东辉[1] 陈继斌[1] 仇森[2]

SUN Yanxi;ZHAO Wanwan;WU Donghui;CHEN Jibin;QIU Sen(College of Building Environment Engineering,Zhengzhou University of Light Industry,Zhengzhou 450002,China;School of Control Science and Engineering,Dalian University of Technology,Dalian,Liaoning 116024,China)

机构地区：[1]郑州轻工业大学建筑环境工程学院,郑州450002 [2]大连理工大学控制科学与工程学院,辽宁大连116024

出　　处：《计算机工程》

基　　金：国家自然科学基金青年科学基金项目(61803072);河南省科技攻关项目(182102210622);河南省高等学校重点科研项目(19A413013);郑州轻工业大学青年骨干项目(13501050002);郑州轻工业大学博士科研项目(13501050009)。

年　　份：2021

卷　　号：47

期　　号：10

起止页码：260-268

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：人体行为识别利用深度学习网络模型自动提取数据的深层特征,但传统机器学习算法存在依赖手工特征提取、模型泛化能力差等问题。提出基于空时特征融合的深度学习模型(CLT-net)用于人体行为识别。采用卷积神经网络(CNN)自动提取人体行为数据的深层次隐含特征,利用长短时记忆(LSTM)网络构建时间序列模型,学习人体行为特征在时间序列上的长期依赖关系。在此基础上,通过softmax分类器实现对不同人体行为分类。在DaLiAc数据集的实验结果表明,相比CNN、LSTM、BP模型,CLT-net模型对13种人体行为的总体识别率达到了97.6%,具有较优的人体行为识别分类性能。

关 键 词：人体行为识别 深度学习  卷积神经网络 长短时记忆网络  模式识别 可穿戴传感器  

分 类 号：TP391]