联合自注意力机制与权值共享的人体行为识别模型

作     者：马仑 杨跃 王迨贺 廖桂生 李幸 

作者机构：长安大学信息工程学院 西安电子科技大学雷达信号处理国家重点实验室 

出 版 物：《系统仿真学报》 (Journal of System Simulation)

年 卷 期：2024年

核心收录：

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

基　　金：中国博士后科学基金(2015M582586) 长安大学中央高校基本科研业务费专项资金(学生创新实践能力提升子计划) 

主　　题：人体行为识别 可穿戴传感器 特征提取 自注意力机制 权值共享 

摘      要：随着可穿戴设备的普及，基于可穿戴传感器的人体行为识别已被广泛关注。如何从原始传感器数据中提取较为有效的行为信息并组成相应特征向量，是该领域的核心问题。目前，卷积和循环神经网络已广泛用于多传感器数据的特征提取，然而这些网络难以站在全局角度关注到人体行为沿时间维度具有的重要特征。为此，在考虑到布设于人体不同部位传感器存在的逻辑相关性后，提出了一个基于自注意力机制与权值共享的多分支人体行为识别模型Multi-CBSA(Multi-CNN-Bi LSTM-Self Attention)。该模型使用架构统一且权值一致的子网络提取人体不同部位行为数据的特征，从而简化模型结构并减少模型训练参数。同时，每个子网络首先利用一维卷积将原始行为数据转换为由高级特征组成的短序列，然后通过双向长短期记忆网络获取短序列的前后向时序特征，最后利用自注意力机制将提取到的行为特征进行动态权值分配，获取具有代表性的关键特征，每个子网络输出将在融合层进行特征融合。消融实验表明，在引入自注意力机制后，Multi-CBSA在收敛速度、验证集损失、以及单类行为识别准确率上都有提升。对比实验表明，Multi-CBSA可以在减少训练参数量的基础上将MHEALTH和PAMAP2数据集的识别准确率提高到99.3%和96.4%，相较于近年表现较好的模型，识别准确率可以提高最大4.2%和4.4%。