买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉天津大学申请的专利基于特征融合和注意力机制的人体活动识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116645723B 。

龙图腾网通过国家知识产权局官网在2026-02-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310529919.9，技术领域涉及：G06V40/20；该发明授权基于特征融合和注意力机制的人体活动识别方法是由石高涛;张铁关设计研发完成，并于2023-05-11向国家知识产权局提交的专利申请。

本基于特征融合和注意力机制的人体活动识别方法在说明书摘要公布了：本发明公开了一种基于特征融合和注意力机制的人体活动识别方法，将包含陀螺仪和加速度计的嵌入式设备佩戴于人体的腰部，获取传感器数据集并进行数据预处理；构建由特征融合模块、注意力模块和分类器模块串联构成的神经网络模型；特征融合模块包含引入了DenseNet多尺度特征融合原理的陀螺仪卷积神经网络模型和加速度计卷积神经网络模型，将两个模型输出的陀螺仪和加速度计特征向量经过位置编码后输入注意力模块，最终分类器输出各活动模式的概率，取概率最大的活动模式作为模型识别的结果；利用训练后的神经网络模型进行人体活动的识别。本发明识别精度高，同时增强了神经网络模型在人体活动识别应用上的鲁棒性。

本发明授权基于特征融合和注意力机制的人体活动识别方法在权利要求书中公布了：1.一种基于特征融合和注意力机制的人体活动识别方法，将包含多个传感器的嵌入式设备佩戴于人体的腰部，所述传感器包括陀螺仪和加速度计，其特征在于，该方法包括以下步骤： 步骤一，获取数据集并进行数据预处理，包括： 1-1在人体活动时，对陀螺仪和加速度计三轴数据进行实时采集，并以活动模式为标签对数据进行标签化处理； 1-2删除数据集中的缺失值和异常值，并采用多项式插值法，将数据的频率统一； 1-3对数据进行滑动窗口划分，且同一窗口内的被采集对象活动模式相同； 1-4采用零-均值标准化，将数据进行标准化处理，降低数据间的量纲差异； 步骤二，神经网络模型的构建 所述的神经网络模型包含依次串联的特征融合模块、多头注意力模块和分类器模块；其中： 2-1所述特征融合模块包含陀螺仪卷积神经网络模型和加速度计卷积神经网络模型，用以将预处理后的陀螺仪和加速度计的数据进行空间特征提取，所述陀螺仪卷积神经网络和加速度计卷积神经网络引入了DenseNet网络多尺度特征融合原理，所述陀螺仪卷积神经网络模型和加速度计卷积神经网络模型的输出分别为陀螺仪特征向量FA和加速度计特征向量FB； 2-2所述多头注意力模块包括三个子模型和一个前馈神经网络模型，三个子模型分别为陀螺仪多头注意力子模型，加速度计多头注意力子模型和卷积融合子模型； 所述多头注意力模块将所述的陀螺仪特征向量FA和加速度计特征向量FB先经过层归一化，再经过三角函数位置编码后嵌入位置信息，得到特征向量FA’和特征向量FB’；分别将特征向量FA’和特征向量FB’在数量上以2:1的比例进行划分，其中，特征向量FA’的23部分数据进入所述陀螺仪多头注意力子模型，特征向量FB’的23部分数据进入所述加速度计多头注意力子模型中；将特征向量FA’和特征向量FB’剩余的13部分数据进行concat操作后，输入到所述的卷积融合子模型中；所述三个子模型的输出数据在通道上进行concat操作，得到融合特征向量Ef1； 融合特征向量Ef1与特征向量FA’和特征向量FB’进行残差操作，将其结果输入至所述前馈神经网络模型；所述前馈神经网络模型的输出再与特征向量FA’和特征向量FB’进行残差操作，该前馈神经网络的输出为特征向量Ef2； 2-3将所述的特征向量Ef2进行层归一化后输入到所述分类器中，该分类器输出各活动模式的概率，取概率最大的活动模式作为模型识别的结果； 步骤三，训练神经网络模型，优化网络参数 将步骤一预处理后的数据集输入步骤二构建的神经网络模型中，获取最终识别结果，并与经过独热编码的标签进行对比，应用损失函数及梯度下降法对该神经网络模型进行优化，得到神经网络模型的最优参数； 步骤四，利用训练后的神经网络模型进行人体活动的识别 将包含陀螺仪和加速度计的嵌入式设备配戴在人体的腰部，实时进行数据采集，并将采集数据按照步骤一所述的预处理方法经过实时预处理后输入到训练好的神经网络模型中进行活动识别，该神经网络模型输出各活动识别的概率，并取最大概率作为活动识别结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人天津大学，其通讯地址为：300072 天津市南开区卫津路92号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。