買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉北京信息科技大學(xué)申請(qǐng)的專利一種基于可穿戴傳感器的人體活動(dòng)識(shí)別改進(jìn)方法及系統(tǒng)獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識(shí)產(chǎn)權(quán)局授予，授權(quán)公告號(hào)為：CN120277535B 。

龍圖騰網(wǎng)通過國家知識(shí)產(chǎn)權(quán)局官網(wǎng)在2025-09-12發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請(qǐng)?zhí)?專利號(hào)為：202510421940.6，技術(shù)領(lǐng)域涉及：G06F18/2415；該發(fā)明授權(quán)一種基于可穿戴傳感器的人體活動(dòng)識(shí)別改進(jìn)方法及系統(tǒng)是由馬飛;孫巍偉;胡志輝設(shè)計(jì)研發(fā)完成，并于2025-04-07向國家知識(shí)產(chǎn)權(quán)局提交的專利申請(qǐng)。

本一種基于可穿戴傳感器的人體活動(dòng)識(shí)別改進(jìn)方法及系統(tǒng)在說明書摘要公布了：本發(fā)明涉及人體活動(dòng)識(shí)別技術(shù)領(lǐng)域，尤其是一種基于可穿戴傳感器的人體活動(dòng)識(shí)別改進(jìn)方法及系統(tǒng)，所述方法包括如下步驟：利用可穿戴傳感器采集人體活動(dòng)的時(shí)間序列原始數(shù)據(jù)，得到時(shí)序特征張量，以構(gòu)建局部時(shí)空特征；結(jié)合殘差連接構(gòu)建第一人體活動(dòng)識(shí)別改進(jìn)模型，以得到所述人體活動(dòng)的加權(quán)融合特征；結(jié)合改進(jìn)多頭注意力機(jī)制構(gòu)建第二人體活動(dòng)識(shí)別改進(jìn)模型，以獲得所述時(shí)間序列原始數(shù)據(jù)的全局時(shí)空依賴特征；根據(jù)改進(jìn)鵜鶘優(yōu)化算法對(duì)所述第二人體活動(dòng)識(shí)別改進(jìn)模型進(jìn)行優(yōu)化得到人體活動(dòng)識(shí)別優(yōu)化模型；對(duì)所述全局時(shí)空依賴特征進(jìn)行優(yōu)化得到時(shí)空依賴優(yōu)化特征，實(shí)現(xiàn)對(duì)所述人體活動(dòng)的識(shí)別改進(jìn)。本發(fā)明提供了兼顧效率與精度的人體活動(dòng)識(shí)別改進(jìn)技術(shù)方案。

本發(fā)明授權(quán)一種基于可穿戴傳感器的人體活動(dòng)識(shí)別改進(jìn)方法及系統(tǒng)在權(quán)利要求書中公布了：1.一種基于可穿戴傳感器的人體活動(dòng)識(shí)別改進(jìn)方法，其特征在于，包括如下步驟： 利用可穿戴傳感器采集人體活動(dòng)的時(shí)間序列原始數(shù)據(jù)，根據(jù)所述時(shí)間序列原始數(shù)據(jù)得到時(shí)序特征張量，以構(gòu)建所述人體活動(dòng)的局部時(shí)空特征； 依據(jù)所述局部時(shí)空特征，結(jié)合殘差連接構(gòu)建第一人體活動(dòng)識(shí)別改進(jìn)模型，以得到所述人體活動(dòng)的加權(quán)融合特征； 基于所述加權(quán)融合特征，結(jié)合改進(jìn)多頭注意力機(jī)制構(gòu)建第二人體活動(dòng)識(shí)別改進(jìn)模型，以獲得所述時(shí)間序列原始數(shù)據(jù)的全局時(shí)空依賴特征； 根據(jù)改進(jìn)鵜鶘優(yōu)化算法對(duì)所述第二人體活動(dòng)識(shí)別改進(jìn)模型進(jìn)行優(yōu)化得到人體活動(dòng)識(shí)別優(yōu)化模型； 通過所述人體活動(dòng)識(shí)別優(yōu)化模型對(duì)所述全局時(shí)空依賴特征進(jìn)行優(yōu)化得到時(shí)空依賴優(yōu)化特征，以實(shí)現(xiàn)對(duì)所述人體活動(dòng)的識(shí)別改進(jìn)； 所述依據(jù)所述局部時(shí)空特征，結(jié)合殘差連接構(gòu)建第一人體活動(dòng)識(shí)別改進(jìn)模型，以得到所述人體活動(dòng)的加權(quán)融合特征，包括： 依據(jù)時(shí)間分布層對(duì)所述局部時(shí)空特征進(jìn)行解析得到前向時(shí)序信息和后向時(shí)序信息； 基于加權(quán)拼接層對(duì)所述前向時(shí)序信息和所述后向時(shí)序信息進(jìn)行加權(quán)拼接獲得拼接輸出特征； 根據(jù)所述第一人體活動(dòng)識(shí)別改進(jìn)模型，將所述局部時(shí)空特征和所述拼接輸出特征進(jìn)行融合得到加權(quán)融合特征； 所述基于所述加權(quán)融合特征，結(jié)合改進(jìn)多頭注意力機(jī)制構(gòu)建第二人體活動(dòng)識(shí)別改進(jìn)模型，以獲得所述時(shí)間序列原始數(shù)據(jù)的全局時(shí)空依賴特征，包括： 將所述加權(quán)融合特征作為所述改進(jìn)多頭注意力機(jī)制的輸入特征； 利用線性變換得到所述輸入特征的注意力得分，根據(jù)權(quán)重矩陣結(jié)合所述注意力得分獲得多頭注意力分布； 根據(jù)所述輸入特征，基于正弦周期函數(shù)和余弦周期函數(shù)得到不同的時(shí)間編碼，依據(jù)所述時(shí)間編碼得到融合多尺度時(shí)間編碼； 基于所述第二人體活動(dòng)識(shí)別改進(jìn)模型，對(duì)所述多頭注意力分布和所述融合多尺度時(shí)間編碼進(jìn)行加權(quán)求和得到輸出特征，所述輸出特征作為所述全局時(shí)空依賴特征； 所述根據(jù)改進(jìn)鵜鶘優(yōu)化算法對(duì)所述第二人體活動(dòng)識(shí)別改進(jìn)模型進(jìn)行優(yōu)化得到人體活動(dòng)識(shí)別優(yōu)化模型，包括： 基于混沌映射、動(dòng)態(tài)非線性慣性權(quán)重、垂直交叉算子和帕累托分布對(duì)鵜鶘優(yōu)化算法進(jìn)行改進(jìn)，以構(gòu)建所述改進(jìn)鵜鶘優(yōu)化算法； 通過所述改進(jìn)鵜鶘優(yōu)化算法對(duì)所述第二人體活動(dòng)識(shí)別改進(jìn)模型的關(guān)鍵超參數(shù)進(jìn)行優(yōu)化得到所述人體活動(dòng)識(shí)別優(yōu)化模型； 所述基于混沌映射、動(dòng)態(tài)非線性慣性權(quán)重、垂直交叉算子和帕累托分布對(duì)鵜鶘優(yōu)化算法進(jìn)行改進(jìn)，以構(gòu)建所述改進(jìn)鵜鶘優(yōu)化算法，包括： 基于混沌映射對(duì)鵜鶘種群進(jìn)行混沌干擾，滿足如下關(guān)系： 其中，為第個(gè)鵜鶘個(gè)體在第維空間中的位置，為擾動(dòng)幅度控制參數(shù)，為正弦函數(shù)，為混沌映射，所述混沌映射的數(shù)學(xué)模型滿足如下關(guān)系： 其中，為鵜鶘個(gè)體的下一位置，為余弦函數(shù)，為混沌映射的階數(shù)，為鵜鶘個(gè)體的當(dāng)前位置； 依據(jù)動(dòng)態(tài)非線性慣性權(quán)重得到所述鵜鶘種群的鵜鶘個(gè)體新位置，所述動(dòng)態(tài)非線性慣性權(quán)重滿足如下關(guān)系： 其中，為動(dòng)態(tài)非線性慣性權(quán)重，為動(dòng)態(tài)非線性慣性權(quán)重的最小值，為動(dòng)態(tài)非線性慣性權(quán)重的最大值，為當(dāng)前迭代次數(shù)，為最大迭代次數(shù)； 根據(jù)垂直交叉算子對(duì)所述鵜鶘個(gè)體新位置進(jìn)行更新得到鵜鶘個(gè)體更新位置，滿足如下關(guān)系： 其中，為第個(gè)鵜鶘個(gè)體在第維空間中的位置，為控制參數(shù)，為當(dāng)前鵜鶘種群中最優(yōu)個(gè)體在第維空間中的位置，為當(dāng)前鵜鶘種群中任一隨即個(gè)體在第維空間中的位置； 利用帕累托分布對(duì)所述鵜鶘個(gè)體更新位置進(jìn)行迭代優(yōu)選得到鵜鶘個(gè)體最優(yōu)位置，以構(gòu)建所述改進(jìn)鵜鶘優(yōu)化算法。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請(qǐng)人或?qū)＠麢?quán)人北京信息科技大學(xué)，其通訊地址為：100192 北京市海淀區(qū)清河小營(yíng)東路12號(hào)；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。