DL00187-多模型LSTM用于基于窗口数据分段的步态识别完整实现附数据集python

基于惯性测量单元(IMUs)的步态分析是一种很有前途和吸引力的方法用于用户识别。

最近，深度学习技术的采用取得了显著的性能改进。

然而，现有研究大多集中于利用步态数据的空间信息(使用卷积神经网络(CNN))，而颞部则很少受到关注。

在这项研究中，本文提出了一种新的多模型长短期记忆(LSTM)网络来学习步态时序特性。

首先，我们观察到LSTM能够捕获隐藏在步态数据序列中的模式这是不同步的。

因此，我们的模型接受，而不是使用基于步态周期的段步态周期无关段(即固定长度窗口)作为输入。

因此，分类任务不会依赖于步态周期检测任务，通常会受到噪声和偏差的影响。

其次，提出新的LSTM网络架构，其中每个步态数据通道使用一个LSTM和一组在每个步骤中处理连续的信号。

这种策略可以使网络有效地处理长时间输入数据序列，与现有的基于lstm的步态模型相比，实现了更好的性能。

此外，除了单独使用LSTM外，还结合CNN模型对其进行了扩展，构建了一个基于LSTM的神经网络模型混合网络，进一步提高了识别性能。

评估了LSTM和混合模型使用WHUGait和OU-ISIR数据集在不同设置下的网络。

实验表明LSTM网络优于现有的LSTM网络，并将其与CNN结合建立在验证和识别任务上的最新性能。

ID:463867

详询客服 微信shujuqudong1 或shujuqudong6 或 qq68823886 或 27699885

图文详情请查看： http://matup.cn/781266354232.html