文摘

利用人工智能技术来分析人类行为是世界上的一个重要研究课题。为了检测和分析人体行为训练后的特点,检测模型结合提出了卷积神经网络(CNN)。首先,建立人类骨骼的建议模型分析人体运动的驱动方式。其次,CNN的层数和神经元组根据骨架特征映射。然后,输出信息分类根据根据身体状态运动后疲劳程度。最后,进行模型的训练和性能测试,和身体的影响行为特征检测模型的使用进行了分析。设计结果表明,CNN的研究显示精度高和低损失率在训练和测试,也有实际应用的高精度人类训练后疲劳程度识别。根据志愿者的主观评价,总体平均评价超过9点。上述结果表明,该设计卷积神经网络检测模型的身体行为训练后具有良好的性能和特点是可行的和实用的,具有指导意义的运动训练和培训方案的设计。

1。介绍

身体行为的主要特征的过程中人类活动。随着科学技术的发展,对人类行为的研究吸引了很多研究人员的关注。目前的研究方法主要包括感知与行为态度识别(1]。Nakandala et al。2)提出了一个基于传感器的行为识别系统基于深度递归神经网络(RNN),集数据从心电图、加速度计、磁强计,以及其他个体传感器来识别人类行为。张,凌3)设计的结构和关节运动特征提取双通道深卷积神经网络模型并提取联合运动信息通过模拟腹侧和背渠道在视觉信号处理的大脑的视觉皮质。戴et al。4]讨论了并行的多层深识别架构,更强和更一般的特征提取能力,因此对人类行为进行识别研究。Jaouedi et al。5]建立了人类行为的检测和识别模型使用新的单镜头multibox检测器(SSD)算法来识别人类行为更好的监控视频中,模型显示精度高和高速率。徐和邱6)提出了一种深时间剩余系统日常生活活动与团队成员认可。深时间剩余的人类活动识别系统建立模型,以改善人类识别系统的性能。问题(7人类活动]提出了一种新的识别结构基于多传感器数据。人类活动可穿戴传感器识别提出了基于成像时间序列。图像识别是计算机视觉技术。结果表明,该系统具有较好的准确性和F1值。田et al。8)提出了一种新的方法(成对的多样性和选择性集成学习的基础上,优化发光蠕虫来识别人类行为)(8]。数据集来自人体的不同部分,包括胸部、腰,左腕,左脚踝,右臂,评估,这表明,该方法准确率较高。

谢和格罗斯曼(9)开发了一个CNN的晶体图框架,可以学习材料的性质直接连接的原子晶体。最后,它展示了如何使用这些信息来发现材料的经验规则的设计。陈和Jahanshahi [10)提出了一个基于CNN和深度学习框架朴素贝叶斯数据融合方案(NB CNN),用于分析单个视频帧的裂纹检测核电站组件。Hatamzadeh et al。11)提出了一个健壮且灵活的基于神经网络的神经网络方法来解决困难的后台处理问题场景,达到更好的结果。人工智能等。12)建立了一个双玩具模型和模拟模型β。三维卷积和残余神经网络用于跟踪的背景。通过模型的分类能力的测试,发现三维结构和神经网络的整体深度显著提高分类器的分类精度。在不同条件下,该方法仍然是稳定的和普遍。根据CNN,户珥et al。13)提出了人类活动识别的有效方法,它准确地推断三维连续传感器的信号值之间的关系,并通过实验分析,得出该方法的准确性在测试数据集高于其他先进的方法。伊卜拉欣- et al。14)提出了一种改进的MDK RESNET CNN。网络提取特征不同的采样点之间的间隔,减少环境影响的背景和相机的屏蔽,并显示网络结果的有效性。腾et al。15)提出了一种分层CNN与当地的损失。它可以实现人类活动识别使用CNN在无处不在的和可穿戴计算基于局部损失。测试的结果表明,基线架构,当地损失比全球损失。

总之,研究人类活动识别是丰富的世界上,还有很多研究在CNN的改进和应用。此外,许多研究人员应用神经网络对人类活动识别(16]。但大多数研究知识简单地进行识别分析人类的日常活动,但在其他领域,比如体育应用程序更少。因此,本研究将基于CNN来识别和分析运动训练后的身体行为,为运动训练提供合理的建议,具有一定的指导意义,运动训练强度的规定(17]。最后,我们可以实现合理的培养模式,提高训练水平。

2。检测运动训练后的身体行为特征基于CNN

2.1。建设的一般模型运动员训练后的身体特征

目前,有许多人类行为特征检测模型,如SSD一些学者提出的模型检测人类行为在地铁和自适应跟踪框架规模调整模型,粒子空间位置有些学者提出的检测有效的功能。尽管多数学者建立的特征检测模型的实用价值,这是不可否认的,大量的研究只关注行人运动检测,用更少的身体反馈信息。因此,本研究将结合行为检测模型来分析运动员运动训练后的身体行为根据反馈信息来提高运动训练的质量。

身体行为特征集合的运动训练后,目标是从视频序列中提取的,也就是说,运动员的身体特点需要获得的视频图像(18]。运动员的身体特点主要从体育运动中获得。为了科学、合理地分析身体特点,首先,身体的动力学模型进行了分析,和整个身体的构造特点,简化模型如图1。

如图1,人体从运动训练休息状态变化,最重要的变化是骨骼关节的部分支持矢状面运动在锻炼。图1表明,肌肉的身体特征的模型主要包括股骨外侧髁,股骨内侧髁,前交叉韧带,后交叉韧带,外侧半月板,胫骨,髌韧带和膝关节表面的骨架。首先,锻炼的身体特征进行了研究。训练后的身体特征的变化进行了分析(19]。模型用于设计的驱动模式的肌肉的身体特征。势能的计算方法显示了肌肉功能运动的方程如下: 在哪里代表的旋转自由度模型,代表质量的运动员,重力加速度, ,和代表了纵向位移引起的骨骼的旋转运动。在运动图像,这一次,我们需要用视觉技术来检测和分析人体的运动和关节点结束,同时,有必要认识到人体的运动视频。在这项研究中,根据人类运动的身体特性模型,人体的骨骼特征期间和之后运动进行了分析。三维姿态动作识别的框架基于人体如图2。

如图2,该框架是基于人类行为的信息。根据相关研究,序列化空间信息可以形成人类行为的信息。因此,人体的骨架序列信息和视频图像识别中的数据预处理。处理身体的特征映射到原始的骨骼特征地图和移动骨架特征映射到保险丝的功能,地图和骨架特性是通过删除冗余信息,最后,三维人体姿态运动建模和识别的实现。然而,有限的人类骨骼要点也将展示空间维度的稀疏。它是不合理直接作为一个视频序列中提取信息。因此,为了有效地编码有限的骨骼动作序列信息丰富的二维空间信息,在这项研究中,更有效的信息之间的相对位置坐标的骨头被认为是。左肩,右臀部,臀部和中心选为参考点来计算相对标准,见以下方程: 代表一组的骨点相对于k参考点在时间t,代表的参考点的空间坐标kth参考点代表骨点的序列值t。此外,考虑到外部因素复杂的训练环境,Savitzky-Golay平滑滤波算法用于过滤数据和删除数据中的噪声,见以下方程: 在哪里X代表了空间序列。过滤后,人类运动的结束和联合点发现,和身体的传递函数机制,见以下方程:

除了传递函数的确定,还需要获得的力学方程的驱动方式下的身体特征如下: 在哪里l的传递函数方程,抽样数据的方差矩阵,是快照的数量。预处理工作是扩大骨点在每个参考点到一个一维向量,然后添加多个虚拟向量在特征图像,形成一个灰色图像二维空间。最后,所有参考点的灰色图像组合成三维空间信息。根据相关研究,人类行为识别结果的改善可以通过骨由运动信息占主导地位的计算。因此,骨骼运动信息方程的显式计算(4)如下: 在哪里代表相邻帧之间的运动信息表示组骨点预处理后得到的。

2.2。运动训练后人体行为识别模型基于CNN

CNN首次用于二维图像识别,由五层组成,包括输入层、卷积层、输出层、汇聚层,充分连接层。输入层的输入信号,由卷积处理层和池层,和图像中的目标特征信息提取的一层一层地。完全连接层用于分类预处理,最后通过输出层输出的信息。然而,由于本研究从视频中提取人体运动后人体行为,普通的二维图像处理显然不是很好。因此,本研究将使用三维卷积神经网络模型提取空间信息在视频序列,和它的结构图如图3。

图3表明有很多采样点在CNN模型的输入层,这有利于从视频中提取信息从多个角度和保存视频最大的目标特征。卷积是第一层卷积神经网络的隐层,不同于完全连接层。卷积层和输入层采用本地连接。十过滤器选择删除信息的噪声。十个不同的特征图卷积得到的层。池层是第二个隐藏层网络中,用于提取的特征时间。整个连接层是第三个隐层的网络,连接池层和输出层输出层和分类处理信息。输出层的功能分类和输出最终的信息。在复杂的场景连续训练后,人体需要休息很短或长时间(20.]。身体行为特征的识别培训后识别人体运动后的疲劳程度。因此,四个神经元中设置输出层判断结果根据运动员的特点身体行为训练后,极度疲劳,严重的疲劳,轻微的疲劳,疲劳。卷积层伪代码描述如图4。

基于卷积神经网络,人体运动检测。在这项研究中,人体行为的识别和分类框架构造运动后如图5。

图5显示人体行为识别结合了特征金字塔网络可以提高检测性能,根据地图功能的特殊性,序列生成网络也使用。然后,感兴趣的区域对齐面具R-CNN用于过程提出的候选特征图,最后传送到完全连接层实现集体行为的检测和识别功能(21]。

CNN的学习和培训的过程直接决定了模型的实际应用效果。在这项研究中,美国有线电视新闻网的设计学习和训练使用反向传播方法。首先,预处理训练数据输入到模型中,神经元的激活值是通过计算。然后,重量和偏见梯度计算使用相反的错误,和原来的重量和偏见梯度渐变调整使用获得的重量和偏见。CNN激活函数构造,见以下方程: 在哪里是网络的层数,是th特性图的层,是米th神经元的功能图,是输出数据,是输入数据。卷积的激活功能层和池层设置如下: 在哪里和常数项,分别给了1.7159和2/3,。乙状结肠函数选为激活函数的完全连接层和输出层,见以下方程: 在哪里x代表时间。在卷积神经网络中,每一层之间的连接数据传输。具体转移关系可以简要分析如下:首先,第一层是采样的数据,和数据的第一层是复杂的卷积内核与适当大小的特征图卷积层如下: 在哪里采样点,卷积核,是网络层的偏移量。卷积的传输模式层池层所示以下方程: 在哪里代表了内核和卷积是网络层的偏移量。整个连接层之间的联系和池层是所有神经元连接如下: 在哪里代表的重量池层神经元和神经元连接到完全连接层是偏见。之间的连接完全连接层和输出层,方程函数如下所示: 在哪里代表的重量连接神经元的输出层神经元和连接层是偏见。其次,需要初始化权重和偏见在CNN为了提供网络模型的训练和学习条件。然后,卷积的学习速度层和池层设置,见以下方程: 在哪里代表与共享权值神经元的数量特征图的在网络层代表神经元连接的数量我th神经元的上层的特征图层。最后,学习速率计算公式完全连接层和输出层之间设置如下: 在哪里代表神经元连接的数量我th神经元的上层的特征图层。在这个卷积神经网络模型中,所有每一层之间的连接权值和补偿。

3所示。应用程序监视模型的身体行为特征的分析

3.1。身体行为特征检测模型的性能分析

模拟实验是在Windows系统平台上进行。首先,使用三维建模软件SolidWorks建立人体运动模型,和各关节的驱动数据保存为文本数据格式。那么人体行为识别系统是使用Python 3.5开发的编程语言。在这项研究中使用的数据集是南大RGB + D,这是人类已知的最大的三维骨架行动识别数据集(22]。数据集可以提供额外的信息,比如深度图像和人类的轮廓。百分之九十的数据集作为训练集模型和10%,该模型的性能测试集。在实验中模型的训练结果如图所示6。

从图可以看出6(一)越来越多的迭代,CNN模型的准确性也在上升。当迭代次数达到8日的上涨速度模型的精度开始慢下来(23]。直到迭代次数达到40时,它开始变平,模型的精度已达到约99%。从图可以看出6 (b),CNN模型的训练时间是7.1秒,并训练模型在测试集的时间是3.8秒。一般来说,模型的检测时间短,虽然它不显示一个检索速度快。根据模型的准确性训练,很难实现快速检索的速度,同时该模型具有较高的准确性(24]。然而,检测时间CNN模型的研究中只有3.8秒,这也表明,CNN模型设计研究中具有较高的性能。此外,图7是损失函数曲线模型的训练和测试。

如图7,损失模型的训练集和测试集随迭代次数的增加而减小。模型在训练小损失,损失的初始值在实际检测。可以看出,当模型的迭代的数量是30,模型的最优解。为了理解整个身体行为特征检测模型的优点和缺点,更实用和有效的检测算法摘要(25]近年来收集并与传统的检测算法。错误检测率的三个算法分析结果如图所示8。

从图可以看出8图像像素值的增加,各种算法的误检测率将继续下降。但是不难看出传统的贝叶斯算法的检出率是在一个非常贫困的水平。当图像像素只有摘要算法的错误检测率远低于传统的贝叶斯算法。图像像素值增加时,摘要算法的错误检测率显著降低,像素值达到80时,摘要算法的错误检测率已经下降到0.001。然而,不可否认的是CNN显然是支持的检测算法优于其它两种算法。图像像素值只有10时,算法的误检测率已经下降到0.005以下。虽然与持续改进图像的像素值,CNN算法的误检测率有下降的趋势,这不是那么明显的摘要算法。然而,CNN错误检测率检测算法在图像像素值达到80已经完全下降到0.0005以下,和错误检测率几乎为零。总之,CNN错误检测率算法设计从头到尾在这项研究中是最低的,这表明CNN具有更好的检测效率。此外,CNN识别和检测的优点和缺点进行了分析通过比较每个模型的预测性能。 The BPNN model and the model under the traditional Bayesian algorithm are also selected to compare with the CNN body behavior feature recognition model proposed in the study. The comparison results are shown in Figure9。

从图9的面积,可以看出三个算法下的目标检测模型是超过0.5,这表明目标探测模型具有更好的识别性能。不难看到,CNN识别和检测模型的整体全面的识别率达到91.67%。摘要的整体识别利率和传统贝叶斯算法模型分别为90.12%和86.39%,分别,这是远远低于CNN识别和检测模型。上述结果的原因是,在这项研究中提出的三维卷积神经网络分析视频序列的时间序列,还描述了空间序列,因此检测到的信息更加清晰。总之,卷积神经网络具有良好的识别性能。

3.2。身体行为特征检测模型的实际分析

人体行为特征检测模型基于卷积神经网络模型在实际应用测试。四个志愿者招募进行最后的实际检测,检测性能是通过主观和客观方面评价。四个志愿者进行0.5小时,1小时,1.5小时,2小时的运动训练的训练场地在同一时间。运动训练后,停止训练。每组训练后,回到正常状态,其余部分和下一阶段的训练是同时进行的。身体线特征检测模型被用来确定受试者的运动。最后的识别结果如表所示1。

如表所示1,身体的检测结果的行为特征检测模型四个科目在不同训练数量是不同的,但是不难看到,检测精度身体的疲劳程度的受试者在不同培训金额高。最后,根据四个学科获得的结果收到身体行为特征的检测后,根据自己的积极评价和分析结果是否有助于训练,总分是设置为10分,结果如图所示10。

从图可以看出10这四个志愿者给了很高的评价中提出的模型实验。只有志愿者没有。对模型4得分低于9。志愿者的原因可能是对自己的身体状况有不同的感受和测试后培训,但志愿者还对模型得分8.9。

4所示。结论

随着智能时代的到来,人类行为识别已成为一个重要研究课题。如何准确分析人类行为的特点,在复杂的环境中已经成为一个需要解决的问题。基于卷积神经网络,因此,本研究提出了一个身体行为特性分析模型经过人体运动训练,旨在利用卷积神经网络的优点分析能力分析运动员的身体后的视频培训,使培训未来的计划培训。通过培训和学习CNN和与其他算法的比较分析,验证,CNN具有更好的预测性能,选择最优模型的训练当迭代的数量是30。之后,通过分析招募志愿者的身体特征不同的训练后,我们知道检测模型在实验中有很高的检出率不同程度的身体疲劳,也显示了一个高评价的主观评价。总之,身体行为特征的分析模型基于卷积神经网络具有较高的检出率,和分类后的疲劳程度分析人体特征也具有很高的准确率,具有良好的理论意义对未来运动训练管理和培训模式优化。

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。

确认

这项工作是由西华大学。