文摘
的全面发展全民健身,男人,女人,年轻,老在中国加入健身的行列。为了增加对人体运动的理解,许多研究设计了大量的软件或硬件实现人体运动状态的分析。然而,不同的系统或平台的识别效率不高,和还原能力差,所以识别基于LSTM复发性神经网络在信息处理系统提出了深度学习收集和识别人体运动数据。系统实现了收集、处理、识别、存储和显示人体运动数据通过构建一个三层的人体运动识别信息处理系统,介绍了LSTM递归神经网络来优化系统的识别效率,简化了识别过程,并减少造成的数据丢失速率降维。最后,我们利用已知数据集训练模型,分析系统的性能和应用效果通过实际的运动状态。最后的结果表明,LSTM复发性神经网络的性能优于传统算法,精度可以达到0.980,混淆矩阵的识别结果表明,人体运动系统在最大的程度上可以达到85点。测试表明,该系统可以识别和处理人体运动数据,具有重要的应用意义未来体育教育和日常体育锻炼。
1。介绍
随着信息技术的发展,人机交互信息处理系统成为了一个常见的形式,广泛应用于各行各业、各个领域的一个重要工具来获取和存储信息,所以当前研究信息处理系统也增加(1]。谭水库等人提出了一个计算(RC)方案圣达菲时间序列预测任务的并行处理和信号分类的任务,它的性能进行了数值研究,发现它有一个非常小的错误(2]。梅等人提出了一个行人跟踪和检测系统,结合卷积神经网络(CNN)和颜色信息来定位的行人视频帧,然后分配行人检测到相应的路径根据颜色分布的相似性3]。辛格等人最近提出了一个量子通信模型系统适用于未来的信息和通信技术和方法流程,展示如何使用块链在量子计算和量子密码学在信息共享提供安全和隐私(4]。陈提出一个全面的医疗信息系统安全策略和隐私保护功能,可有效应用和节省医疗资源,满足医疗记录的流动,反映药物的功能和安全集合(5]。唐和其他学者设计了一种改进的混合算法在信息技术的深度学习和应用它实际医疗材料分布系统,有效减少分销成本,缩短运输路线,提高了优化效率(6]。王先生和李OWA与灰色关联分析相结合,提出一个移动信息检索系统较高的推荐效果(7]。
此外,大量的研究已经报道了神经网络算法。东等人研究了鲁棒指数稳定时变时滞不确定离散时间随机神经网络模型的基于输出反馈控制(8]。日期等人描述了一种改进的分析方法为基础,款使用意味着减少精度(MDA)计算基于置换算法来估计每个变量的重要性(9]。阴BinaryRelax等人提出了一个简单的两阶段算法,用于深层神经网络训练与量化权重。量化权重的设置约束才实施的后期培训(10]。Isik和其他学者用人工神经网络和基于自适应网络模糊推理系统的数据模型的气象总局(MGM)和模型和预测热力系统的前瞻性数据与高灵敏度,满意的结果(11]。王等人研究了分数阶神经网络的全球米塔格-莱弗勒稳定(模糊神经网络)分段常数参数,最后通过一个实例验证了结果的有效性(12]。Zazo等人提出了一个新时代估计系统基于LSTM RNNs,它可以处理简短演说,可以很容易地部署在一个实时架构(13]。科特斯等人提出了一种新的电动汽车预测架构基于递归神经网络(RNN)。通过历史数据的评估电动汽车提供的危地马拉国家警察,这个体系结构的有效性与传统时间序列分析和机器学习方法是证明(14]。Bahad等人提出了一种基于双向LSTM虚假新闻检测模型的神经网络,测试和评估后,结果表明,,假新闻检测、双向LSTM模型优于CNN,香草RNN,单向LSTM精度(15]。
总之,随着信息时代的到来,世界各地的专家学者正在研究信息处理系统。同时,许多学者分析了神经网络的应用程序,一些学者结合两个提取和处理信息。流行的人工智能和智能城市的发展,人们迫切需要一种算法机制,能够快速、准确地识别人类行为。信息处理系统的优点也可以反映出来。然而,很少有研究报告的使用信息处理系统分析人体运动。同时,根据神经网络的分析,发现LSTM递归神经网络可以解决这个问题的长期依赖。因此,在应对我国全民健身活动,本研究将执行人体运动识别信息处理系统的设计基于LSTM复发性神经网络算法,希望构建一个智能体育生态系统,促进中国体育产业的发展。
2。人类运动的理论分析基于LSTM算法识别信息处理系统
2.1。识别信息处理系统的体系结构
人体运动识别系统是一种计算机软件系统,收集人体运动数据通过传感器和其他采集硬件,然后使用相关算法数据处理(16]。类似于其他处理系统,人体运动信息识别仍然是相关数据交换、处理和分析。因此,根据其他系统架构方案,提出了一种人体运动识别信息处理系统,如图1。
图1表明该信息处理系统分为三层,其中数据采集层需要使用各种各样的运动传感器采集人体运动数据,然后将数据预处理模块来处理数据转换成标准的数据。系统的核心层、数据计算层负责整理预处理数据并将其存储在数据库中。然而,它需要进一步识别预处理的数据。在这个过程中,它将分类和存储数据。第三层是用户接触的程度,这主要包括用户界面和数据可视化。用户可以通过界面说明清楚地理解自己的运动状态。
目前,市场上的运动传感器主要用于可穿戴体育设备和智能手机,主要是用来收集加速度,人类运动的角速度和位置。在这项研究中,三个星期的陀螺仪、加速度计和磁强计将被用来收集前面提到的三种人体运动数据(17,18]。
系统中有两个主要任务数据预处理、噪声滤波和数据标准化。在噪音过滤过程中,它主要涉及人体运动系统噪音数据和数据偏差由我们学校外面的突然振动引起的。各种噪音被过滤删除尽可能多。此外,不必要的缺失值的数据需要被删除和其他方法19,20.]。数据归一化的目的是识别和比较不同维度的数据在同一纬度。转换公式如下所示: 在哪里和表示数据值的最小值和最大值,分别。
数据的计算需要三个阶段。第一阶段是存储数据。在存储模块中,我们需要建立一个核心数据库。此外,我们需要段存储的数据预处理。其目的是提取数据的频域特性更方便。分段数据特征提取模块的输入数据识别和分类。要提取的特征包括均值,计算公式如下所示: 在哪里是价值和意味着什么是数据值。标准偏差的计算方法如下所示: 在哪里标准差的数据和吗是所有数据的平均值。显示了最大值的计算方法如下: 在哪里数据和最大值代表数据的总数。同样,最小值计算如下: 在哪里数据中的最大值。此外,数据信息的信号振幅区域需要解决如下: 在哪里信号曲线和吗是时候了。数据信号偏态的计算公式如下所示: 在哪里是数据和是平均值。最后,大量的数据曲线计算如下: 在哪里代表峰度,主要用于曲线的极端和平均值进行比较,以判断是否光滑的曲线。
2.2。LSTM递归神经网络
LSTM递归神经网络是一个长期和短期记忆网络,长期依赖的问题,提出了在传统的递归神经网络。LSTM递归神经网络是一种非线性模型,它可用于连续识别没有细分。这是其中一个原因选择这个网络在这项研究中,这是确保连续识别人体运动过程中所熟知的数据。LSTM增加了许多盖茨递归神经网络和内存单位传统的递归神经网络,原理图如图2。
如图2盖茨,三个被添加到LSTM单元,即忘记门 ,输入门 ,和输出门 。忘记门的功能是输出最后一刻,根据当前的输出来确定忘记记忆的一部分。函数输出门也过滤掉不必要的信息,以确定信息可以进入神经单元的一部分。内存单元LSTM影响神经网络输入门和忘记门,和内存单元的状态取决于过去的记忆单元的状态。最后,内存单元控制神经单元的数据输出,从而控制输出的数据输出学位门。神经网络的激励函数的表达式如下所示 在哪里表示激发函数,它主要负责网络的非线性转换的线性输出。模拟神经网络的多样化,可以模拟非线性函数。
对于神经网络的层数设计,一般采用神经网络设计方法,和三个网络层组,即输入层、隐藏层和输出层。在这项研究中,softmax函数选为完整的连接层的激发函数(21,22]。此外,损失函数的选择决定了预测模型的性能: 在哪里预测的价值,是实际的数据值,是实际数据,是数据的分类显示在预测。减少的损失函数,实现精确的拟合,梯度下降算法添加到模型迭代优化的损失函数,最后计算出最优的解决方案: 在哪里表示学习速率,它主要是用来控制整个模型在训练的速度。然后,它代表函数的梯度。函数计算梯度,并使用所需的样本量小批处理梯度下降算法来计算。每个迭代只样品小批量的样品,以提高算法的精度和效率。
3所示。人类运动识别信息处理系统的结构设计
3.1。系统结构和功能分析
人体运动识别信息处理系统主要是收集大量的运动数据的帮助下相关设备安装传感器,识别用户的日常运动数据,存储数据,和可视化系统的人机交互界面,以便用户可以实时查看个人运动文件(23]。应该注意的是,如果我们想要得到更准确的人体运动数据,我们需要参考大量的人体运动信息。本研究使用LSTM神经网络模型来处理和识别大量的人体运动数据。例如,系统提出了研究分为三个模块,即数据采集模块,数据计算模块和数据应用模块。这三个模块共同实现系统功能,如图3。
如图3递归神经网络,系统结构基于LSTM包括三个模块。三个模块的功能需要实现人体运动信息的识别和分类数据。的方法识别和分类是利用数据挖掘技术对体育可穿戴设备采集的数据进行分类。此外,系统的可视化功能是画一个上传运动的视觉分析视图在三维模式下的数据,和用户信息管理功能是管理和存储用户的个人账户信息和物理特性,以促进协会用户的运动数据。用户的运动数据管理功能的系统来管理用户的运动状态和运动状态的变化或其他运动数据。它可以结合用户信息管理功能,帮助用户更清楚地了解自己的运动情况和预测未来用户的运动趋势。
3.2。信息处理系统的设计
系统的数据识别效果直接取决于模型的性能,和性能的模型需要大量的数据在多个因素进行训练。个人运动数据,外部数据收集应该多元化数据性别、年龄和体型。训练模式,在这个实验中使用的数据集是基于人体运动数据在互联网上发表了大量的研究,形成最终的模型,这有利于反映LSTM循环神经网络模型的准确性(24,25]。系统的数据计算和分类主要是计算,分类,和存储用户信息,运动类型、运动数据和模型文件。的数据分割系统需要使用滑动窗口来处理数据。本研究设计了滑动窗口宽度为200根据实际人体运动,和移动一步的窗口是100年设计的。这个设计可以完全容纳一个完整的行动,不会减少识别精度由于过度的窗口的宽度。最后,LSTM复发性神经网络构造算法模块,如图4。
如图4,LSTM模型框架包含输入和输出层。X,Y,Z在输出层缓冲区。从用户所收集的数据收集器是一种三维向量,和数据发送给LSTM层进行数据预处理。它可以发现,只有两层LSTM隐藏层的设计。在第一层节点的数目是128,和第二层的节点数量是12。目的是确保模型并不适合。模型的输出层使用softmax作为激励功能和使用机制的连接层实现数据的分类输出。
更重要的系统是应用程序的数据层的一部分,也就是说,系统的用户界面。一个良好的用户界面可以提高用户的交互体验,包括系统入口,主要用于确定用户是否被授权登录。然后,系统的接口,包括主页和用户界面,可以看到用户的运动数据,并可以将用户的运动数据被系统。
4所示。人类运动的实际应用和测试结果信息识别系统
4.1。分析LSTM复发性神经网络模型的训练结果
在这个实验中使用的数据集的标准数据集pamap2开放,这是加州大学提出的,包含大量的人体运动数据。在这个实验中,80%的数据集作为训练集,其余20%是作为模型的测试集。培训结果如图5。
从图可以看出5,当模型已经训练了20个迭代,模型的准确性开始逐渐变平。这个时候,系统损失价值仍有一定程度的下降趋势。的迭代次数达到100时,模型的准确性和损失值开始稳定。实验发现,如果LSTM层的数量增加,模型的准确性在一定程度上得到改善,但是也增加了模型的训练时间,根据实验结果,研究中使用的两层LSTM数量是更合适的。训练模型与其他模型相比。这种比较中使用的算法是旋转森林,事例。和BP-NN26]。LSTM神经网络模型的优点和缺点进行了分析。结果如图所示6。
从图可以看出6在使用相同的数据集测试分析,最低的BP-NN算法精度为0.972,其次是资讯算法精度为0.977。LSTM算法的精度可以达到0.980。此外,LSTM算法的准确性是类似于旋转森林算法,但LSTM算法的准确性仍高于旋转森林算法。前面提到的结果表明,LSTM神经网络算法的准确性较高,它明显优于其他传统算法。LSTM的原因是一个特殊的记忆能力与其他传统算法相比,它能更好地预测和分析下一步时根据当前信息识别数据。测试后,LSTM混淆矩阵的递归神经网络模型生成如图7。
从图可以看出7LSTM模型可以将大部分的运动类别,根据混淆矩阵的结果,该模型给出了一个更为积极的价值的运动类别。然而,不难看到,模型还不很准确的判断一些令人困惑的运动,比如去楼下和楼上的两个动作。原因是运动数据和姿势的人去楼上和楼下大致相似,和模型需要继续深入学习完全区分两个动作实现更准确的判断。
4.2。人类运动信息识别系统的应用效果
系统的开发环境是英特尔四核CPU, 3.2 GHz, 1000 g的硬盘,12 g内存。它是由Python ubuntu16.04系统写的。两台电脑是用于系统测试、可穿戴设备配置对象,系统界面中打开web页面,并实验对象被要求开始运行。运动数据如图8。
从图可以看出8,系统识别加速度、角速度和地磁学的主题在运行状态,和运动数据传输从不同传感器可以清楚地显示在曲线。此外,研究对象的运动状态识别结果的观测系统显示,最大的价值判断是跑步,紧随其后的是自行车,但系统显示根据判断总额和最后确定主体的当前运动状态的运行状态。前面提到的结果表明,该系统可以识别人体运动数据快速判断人体运动状态根据多个传感器,和准确性非常高。
除了更好地反映系统的识别效果为不同类型的运动,运动的不同类型的识别结果进行比较和分析,发现系统的识别特征和规则,如图9。
(一)
(b)
图9显示运动数据的比较结果的坐姿和躺在两种运动状态。从图可以看出9的曲线波动两种运动状态不明显,每个传感器的波动速度几乎是0,因为坐着和躺不是周期运动,所以数据改变人体的两个运动状态只会显示某一瞬时波动。不过,可以看出,尽管如此,这个系统可以区分两种运动状态,主要在地磁价值观的差异在两种运动状态。由于不同的体位变化的两种运动状态下坐着躺着,身体变化的方向也会有差异。同时,其他运动状态识别系统进行比较,如图10。
(一)
(b)
在图10相比,我们楼上的自行车和运动数据曲线。它可以看到从楼上的自行车和运动数据,循环的数据曲线显示加速度的波峰和波谷之间的差异很小,和波动不明显。相反,在动作的楼上,人体需要克服重力,从而导致一个伟大的瞬时加速度极值。系统法官根据人体运动状态的一些差异。根据前面提到的比较结果,它可以清楚地看到,系统设计在这个研究有很强的识别和分类的能力。除了人体的日常活动,一些其他运动项目的数据分析了实验分析的普遍性LSTM信息处理系统。实验结果如图所示11。
(一)
(b)
图11表明该系统识别受试者的动作脚滑,重心不下降,与实际对象在两种运动状态。可以看出,脚下滑的运动周期转换,和振幅的步骤是不同的在不同的时间段。每个传感器的数据表明,大多数的波动速度超过100,但重心的波动并不减少。结果表明,该系统完全可以识别运动数据,这是非常有用的在未来的实践教学。
5。结论
面对科学技术的快速发展和人民生活需求的提高,人们的关注自己的健康也在不断上升,因此智能检测设备的出现可以帮助人们。在这项研究中,识别信息处理系统提出了基于递归神经网络LSTM填补空缺的人体运动数据识别和检测市场。人体数据可以收集,处理,分类,并通过三层识别系统中处理模块,和数据可以通过应用程序的可视化用户界面层。这个系统的主要核心是LSTM复发性神经网络。特征的识别能力和信息处理能力的神经网络,可以收集到的人体运动数据的分析和处理。根据最终的实验结果,LSTM模型的数据分析能力明显优于其他传统算法,和训练精度可以达到0.983。从实际应用的测试和分析,可以发现系统在人体运动状态识别的效果很好,和类似的运动状态,该系统可以准确地确定根据微妙的传感器收集的数据差异。总之,对人体运动数据处理,使用LSTM递归神经网络对数据特征提取和识别分类有很好的效果,和识别过程相对简单,在一定程度上,提高了系统的识别效率。该系统将协助体育训练和可以为实际运动提出相应建议。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突或人际关系可能出现影响工作报告。
确认
这项工作是由西安外国语大学。