隨機智能手機的普及，在日常生活中，大多數(shù)人在做任何事情的時候，都會隨身攜帶手機。如果開啟手機中的傳感器，當用戶運動時，就可以采集大量的用戶信息，根據(jù)這些信息，就可以判斷當前用戶的運動模式，如行走、上樓梯、下樓梯、坐、站立、躺下等等?；谶@些運動模式，設計不同的場景，為健身類或運動類應用（APP）增加一些有趣功能。

在智能手機中，常見的位置信息傳感器就是加速度傳感器（Accelerometer）和陀螺儀（Gyroscope）。

• 加速度傳感器：用于測量手機移動速度的變化和位置的變化；
• 陀螺儀：用于測試手機移動方向的變化和旋轉(zhuǎn)速度的變化；

本文主要根據(jù)手機的傳感器數(shù)據(jù)，訓練深度學習模型，用于預測用戶的運動模式。

技術(shù)方案：

• DL：DeepConvLSTM
• Keras：2.1.5
• TensorFlow：1.4.0

本文源碼：https://github.com/SpikeKing/MachineLearningDemos/tree/master/motion_detector

---

數(shù)據(jù)

本例的數(shù)據(jù)來源于UCI（即UC Irvine，加州大學歐文分校）。數(shù)據(jù)由年齡在19-48歲之間的30位志愿者，智能手機固定于他們的腰部，執(zhí)行六項動作，即行走、上樓梯、下樓梯、坐、站立、躺下，同時在手機中存儲傳感器（加速度傳感器和陀螺儀）的三維（XYZ軸）數(shù)據(jù)。傳感器的頻率被設置為50HZ（即每秒50次記錄）。對于所輸出傳感器的維度數(shù)據(jù)，進行噪聲過濾（Noise Filter），以2.56秒的固定窗口滑動，同時窗口之間包含50%的重疊，即每個窗口的數(shù)據(jù)維度是128（2.56*50）維，根據(jù)不同的運動類別，將數(shù)據(jù)進行標注。傳感器含有三類：身體（Body）的加速度傳感器、整體（Total）的加速度傳感器、陀螺儀。

以下是根據(jù)數(shù)據(jù)繪制的運動曲線，站立（紅色）、坐（綠色）、躺下（橙色）的振幅較小，而行走（藍色）、上樓梯（紫色）、下樓梯（黑色）的振幅較大。

以下是在行走（Walking）中，三類傳感器的三個軸，共9維數(shù)據(jù)的運動曲線：

以下是在坐（Sitting）中的運動曲線：

通過觀察可知，不同運動模式的傳感器數(shù)據(jù)曲線擁有一定的差異性，但是有些運動模式的差異性并不明顯，如行走、上樓梯、下樓梯之間；相同運動模式的傳感器數(shù)據(jù)曲線也各不相同。

在數(shù)據(jù)源中，70%的數(shù)據(jù)作為訓練數(shù)據(jù)，30%的數(shù)據(jù)作為測試數(shù)據(jù)，生成訓練數(shù)據(jù)的志愿者與生成測試數(shù)據(jù)的不同，以保證數(shù)據(jù)的嚴謹性，符合在實際應用中預測未知用戶動作的準則。

UCI數(shù)據(jù)源

---

模型

模型是基于深度學習的DeepConvLSTM算法，算法融合了卷積（Convolution）和LSTM操作，既可以學習樣本的空間屬性，也可以學習時間屬性。在卷積操作中，通過將信號與卷積核相乘，過濾波形信號，保留高層信息。在LSTM操作中，通過記憶或遺忘前序信息，發(fā)現(xiàn)信號之間的時序關(guān)系。

DeepConvLSTM算法的框架，如下：

將每類傳感器（身體加速度、整體加速度、陀螺儀）的3個坐標軸（XYZ）數(shù)據(jù)，合并成一個數(shù)據(jù)矩陣，即(128, 3)維，作為輸入數(shù)據(jù)，每類傳感器均創(chuàng)建1個DeepConvLSTM模型，共3個模型。通過3次卷積操作和3次LSTM操作，將數(shù)據(jù)抽象為128維的LSTM輸出向量。

在CNN的卷積單元中，通過卷積（1x1卷積核）、BN、MaxPooling（2維chihua）、Dropout的組合操作，連續(xù)3組，最后一組執(zhí)行Dropout。通過MaxPooling的降維操作（2^3=8），將128維的數(shù)據(jù)轉(zhuǎn)為為16維的高層特征。

在RNN的時序單元中，通過LSTM操作，隱含層神經(jīng)元數(shù)設置為128個，連續(xù)三次，將16維的卷積特征轉(zhuǎn)換為128維的時序特征，再執(zhí)行Dropout操作。

最后，將3個傳感器的3個模型輸出，合并（Merge）為一個輸入，即128*3=384，再執(zhí)行Dropout、全連接（Dense）、BN等操作，最后使用Softmax激活函數(shù)，輸出6個類別的概率。

選擇概率較大的類別，作為最終預測的運動模式。

---

效果

在第48層中，即Concatenate層，將3個傳感器的LSTM輸出合并（Merge）成1個輸入，不同類別的特征，效果也不同，如：

訓練參數(shù)：

epochs = 100 batch_size = 256 kernel_size = 3 pool_size = 2 dropout_rate = 0.15 n_classes = 6 復制代碼

最終效果，在測試集中，準確率約為95%左右：

loss: 0.0131 - acc: 0.9962 - val_loss: 0.1332 - val_acc: 0.9535 val_f1: 0.953794 — val_precision: 0.958533 — val_recall 0.949101 復制代碼

如果繼續(xù)調(diào)整參數(shù)，還可以提升準確率。

通過深度學習算法訓練的用戶動作識別模型，可以應用于移動端進行場景檢測，包含行走、上樓梯、下樓梯、坐、站立、躺下等六種動作。同時，95%的準確率已經(jīng)滿足大多數(shù)產(chǎn)品的需求。

By C. L. Wang @ 美圖云事業(yè)部

參考：Merge versus merge、visualization、DeepConvLSTM、 multiclass one-hot

總結(jié)

以上是生活随笔為你收集整理的基于DeepConvLSTM的传感器信号分类的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。