为实现深度挖掘人体行为传感数据中的前后关联信息,进而达到精确识别人体行为模式的目的,针对传统卷积神经网络无法充分利用行为特征之间蕴藏的时序信息,提出一种基于注意力机制的多尺度卷积神经网络(Multi-scaleAttentionConvolutionalNeuralNetwork,MACNN)与双向门控循环单元(BidirectionalGatedRecurrentUnit,BiGRU)的人体行为识别模型.提出一种多尺度卷积结构,拓宽网络的宽度并实现不同维度特征的提取和降维;引入双向门控循环单元学习信号在时间维度上的关联特征;通过在多尺度CNN中加入卷积注意力模块,深度挖掘人体行为信号中的关键信息特征,实现人体行为的高准确度识别.采用UCI人体行为识别公共数据集对所提方法进行试验验证,结果表明:所提方法能够准确地实现对6种典型人体日常行为的分类识别,且相比于传统的单尺度CNN识别模型,所提出的MACNN-BiGRU模型的准确率提高5%以上,达到98.40%.

马鹏飞,卫芬,沈意平,等.人体行为多尺度卷积双向门控循环识别模型[J].湖南科技大学学报(自然科学版),2024,39(4):98-108.