基于CNN-GRU 和注意力機(jī)制的人體行為識(shí)別算法

摘要：針對(duì)傳感器體積小、計(jì)算能力有限以及收集數(shù)據(jù)通常表現(xiàn)為連續(xù)信號(hào)的特征，文章提出了一種基于CNN-GRUAttention的人體行為識(shí)別算法。該算法結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)的空間特征提取能力和循環(huán)神經(jīng)網(wǎng)絡(luò)的時(shí)序特征提取能力，并采用結(jié)構(gòu)相對(duì)簡(jiǎn)單的GRU，在解決時(shí)序數(shù)據(jù)長(zhǎng)期依賴問題的同時(shí)減少了參數(shù)，從而降低了算法對(duì)硬件計(jì)算能力的依賴。此外，算法還引入了注意力機(jī)制模塊，使其更加關(guān)注重要信息。在WISDM數(shù)據(jù)集上進(jìn)行的對(duì)比實(shí)驗(yàn)表明，該算法在人體行為識(shí)別方面表現(xiàn)優(yōu)異，準(zhǔn)確率達(dá)到98.46%，并在精準(zhǔn)率、召回率和F1-Score等性能指標(biāo)上均取得了顯著成果。

關(guān)鍵詞：人體行為識(shí)別；CNN；GRU；注意力機(jī)制；傳感器數(shù)據(jù)；深度學(xué)習(xí)

中圖分類號(hào)：TP181 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）01-0041-04 開放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID） ：

0 引言

人體行為識(shí)別（Human Activity Recognition， HAR） 是一種通過機(jī)器學(xué)習(xí)和模式識(shí)別技術(shù)來自動(dòng)識(shí)別和分析人類行為的方法。其應(yīng)用領(lǐng)域廣泛，涵蓋公共安全、智能手機(jī)與移動(dòng)支付、交通管理、醫(yī)療健康等[1]。HAR 通過從人體相關(guān)數(shù)據(jù)中提取特征，將特征輸入機(jī)器學(xué)習(xí)模型中進(jìn)行分類，從而實(shí)現(xiàn)對(duì)人體行為的識(shí)別。

目前，人體行為識(shí)別的數(shù)據(jù)來源主要包括視頻圖像、傳感器和Wi-Fi數(shù)據(jù)。與視頻圖像數(shù)據(jù)和Wi-Fi 數(shù)據(jù)相比，基于傳感器數(shù)據(jù)的人體行為識(shí)別研究更受關(guān)注，因?yàn)樗灰资墉h(huán)境因素的影響，且能夠更好地保護(hù)個(gè)人隱私。近年來，國(guó)內(nèi)外學(xué)者在基于傳感器數(shù)據(jù)的人體行為識(shí)別領(lǐng)域取得了一系列成果，例如基于PCA和SVM-HMM的混合模型[2]、基于深度學(xué)習(xí)的多特征融合方法[3]、基于LSTM的多傳感器數(shù)據(jù)融合方法[4]、基于CNN-LSTM的混合模型[5]等。

然而，現(xiàn)有研究方法仍面臨一些挑戰(zhàn)，例如提取特征尺度單一、深度學(xué)習(xí)模型計(jì)算復(fù)雜度較高、與傳感器計(jì)算能力不匹配等。為了解決這些問題，本文提出了一種基于CNN-GRU和注意力機(jī)制的人體行為識(shí)別算法。該算法結(jié)合了CNN的空間特征提取能力、GRU的時(shí)序特征提取能力以及注意力機(jī)制關(guān)注重要信息的能力，能夠更加高效、準(zhǔn)確地識(shí)別復(fù)雜的人體行為。

1 關(guān)鍵技術(shù)

1.1 GRU

門控循環(huán)單元（Gated Recurrent Unit， GRU） 是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種實(shí)現(xiàn)[6]。與LSTM類似，GRU也旨在解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)中的梯度消失和梯度爆炸問題，從而使網(wǎng)絡(luò)能夠更好地處理長(zhǎng)期依賴關(guān)系。在LSTM中包含三個(gè)控制門：輸入門、遺忘門以及輸出門，每個(gè)門都有獨(dú)立的記憶單元，用于控制信息的流動(dòng)。而在GRU中只包含2個(gè)門：更新門和重置門，使用更新門代替LSTM 中的輸入門和遺忘門。因此，GRU結(jié)構(gòu)更加簡(jiǎn)單、參數(shù)較少，訓(xùn)練速度較快，更加適合計(jì)算資源有限的場(chǎng)景。

GRU 的結(jié)構(gòu)如圖1 所示，其主要包括輸入變量Xt、門控隱狀態(tài)Ht、重置門Rt、更新門Zt、候選隱狀態(tài)H?t以激活函數(shù)和運(yùn)算符。圖1中σ 表示Sigmoid函數(shù)，⊕ 表示相加，?表示按元素乘積。

對(duì)于當(dāng)前時(shí)間步t，重置門Rt 用于控制在加工輸入信息時(shí)上一步隱狀態(tài)所占的比例。當(dāng)Rt 接近0時(shí)，新輸入的信息Xt 占主導(dǎo)地位，表示當(dāng)前的輸入包含的信息與前面的信息關(guān)聯(lián)性很小；當(dāng)Rt 接近1時(shí)，新輸入的信息和前面的長(zhǎng)期信息具有較大的關(guān)聯(lián)性。更新門Zt 決定了如何將前面信息與當(dāng)前的信息進(jìn)行結(jié)合，控制前面信息的保留程度。Zt 值為0表示完全忽略之前的信息，值為1表示完全保留之前的信息。重置門Rt和更新門Zt的計(jì)算公式如下所示：

Rt = σ（XtWxr + Ht - 1Whr + br ） （1）

Zt = σ（XtWxz + Ht - 1Whz + bz ） （2）

式中：Wxr，Wxz 分別為計(jì)算Rt 和Zt 時(shí)輸入變量對(duì)應(yīng)的權(quán)重參數(shù)，Whr，Whz 分別為計(jì)算Rt 和Zt 時(shí)隱藏單元對(duì)應(yīng)的權(quán)重參數(shù)，br，bz 是偏置參數(shù)，使用Sigmoid函數(shù)將輸入值轉(zhuǎn)換到區(qū)間（0，1）。隱狀態(tài)H?t 的計(jì)算公式如下所示：

H?t = tanh （XtWxh + （R ） t ? Ht - 1 Whh + bh ） （3）

式中：Wxh，Whh 為權(quán)重參數(shù)，bh 為偏置項(xiàng)。使用tanh激活函數(shù)確保候選隱狀態(tài)中的值保持在區(qū)間（-1，1）中。最后輸出Ht的計(jì)算公式如下：

Ht = Zt ? Ht - 1 + （1 - Zt ） ? H?t （4）

當(dāng)更新門Zt 接近1時(shí)，模型傾向于保留舊狀態(tài)。此時(shí)來自本步輸入Xt 的信息基本上被忽略，從而有效地跳過了依賴鏈條中的時(shí)間步t。相反，當(dāng)Zt接近0時(shí)，新的隱狀態(tài)Ht 將接近候選隱狀態(tài)H?t。GRU的這種結(jié)構(gòu)可以很好地處理循環(huán)神經(jīng)網(wǎng)絡(luò)中的梯度消失問題，并更好地捕獲時(shí)間步距離較長(zhǎng)的序列的依賴關(guān)系。

1.2 注意力機(jī)制

注意力機(jī)制（Attention Mechanism） 是深度學(xué)習(xí)領(lǐng)域中的一個(gè)重要概念，最早應(yīng)用于自然語言處理領(lǐng)域，用于改進(jìn)序列到序列模型的性能。該機(jī)制允許模型在處理輸入序列的不同部分時(shí)，能夠更加關(guān)注重要部分，而不是平等對(duì)待所有輸入元素。其核心計(jì)算公式如下所示：

式中：Q、K、V分別表示查詢向量、鍵向量和值向量，由輸入序列中的元素經(jīng)過線性變換獲得。如果沒有給定鍵向量，則默認(rèn)為鍵向量等于值向量。對(duì)于序列中的每個(gè)元素，計(jì)算查詢向量與所有其他元素的鍵向量之間的相似度。根據(jù)相似度的結(jié)果，為每個(gè)元素分配一個(gè)權(quán)重，該權(quán)重通過 SoftMax 函數(shù)計(jì)算得到。對(duì)于序列中的每個(gè)元素，將其值向量與對(duì)應(yīng)的權(quán)重相乘，然后將所有元素的加權(quán)求和結(jié)果進(jìn)行拼接，得到最終的輸出向量。注意力機(jī)制能夠更加專注于關(guān)鍵信息，從而提升模型的精度和效率。

2 CNN-GRU-Attention 算法

算法中的神經(jīng)網(wǎng)絡(luò)模型主要包含1層輸入層、2 層 1維卷積層、1層最大池化層、1層批量標(biāo)準(zhǔn)化層、2 層GRU層、1層Attention 層和1層全連接層。具體的結(jié)構(gòu)以及各層輸入輸出數(shù)據(jù)的形狀如圖2所示。

算法的詳細(xì)設(shè)計(jì)思路如下：

1） 將輸入層的數(shù)據(jù)傳給第 1 個(gè) 1 維卷積層，該層的卷積核大小設(shè)置為 5、卷積核數(shù)量設(shè)置為 64，用于提取數(shù)據(jù)中的空間特征，輸出數(shù)據(jù)的形狀為 （None，90， 64）；

2） 將第 1 個(gè)卷積層的數(shù)據(jù)傳給最大池化層，該層的池化窗口設(shè)置為 5、步長(zhǎng)設(shè)置為 2，對(duì)數(shù)據(jù)進(jìn)行降維，輸出數(shù)據(jù)的形狀為（None， 45， 64）；

3） 將池化后的數(shù)據(jù)傳給第2個(gè)1維卷積層，該層的卷積核數(shù)量設(shè)置為32，再次提取數(shù)據(jù)的空間特征，輸出數(shù)據(jù)的形狀為（None， 45， 32）；

4） 將第2次卷積后的數(shù)據(jù)傳給批量標(biāo)準(zhǔn)化層，其作用是提高模型的穩(wěn)定性，同時(shí)減少過擬合的風(fēng)險(xiǎn)；

5） 將批量標(biāo)準(zhǔn)化層的數(shù)據(jù)傳給第1個(gè) GRU 層，該層的輸出維度設(shè)置為16，用于提取數(shù)據(jù)的時(shí)序特征，輸出數(shù)據(jù)的形狀為（None， 45， 16），輸出數(shù)據(jù)分別作為 Attention 層中的查詢向量和值向量；

6） 將上層輸出的查詢向量和值向量輸入 Atten?tion 層，提取數(shù)據(jù)中的重要信息；

7） 將 Attention 層的數(shù)據(jù)傳給第 2 個(gè) GRU 層，再次提取數(shù)據(jù)的時(shí)序特征；

8） 最后將數(shù)據(jù)傳給全連接層，該層的激活函數(shù)為SoftMax，輸出各種行為的概率。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 數(shù)據(jù)集

實(shí)驗(yàn)中采用的是WISDM（Wireless Sensor DataMining） 數(shù)據(jù)集，該數(shù)據(jù)集由美國(guó)福特漢姆大學(xué)的無線傳感器數(shù)據(jù)挖掘?qū)嶒?yàn)室創(chuàng)建，可通過該大學(xué)提供的URL 下載。數(shù)據(jù)集中總共包含 1 098 207 個(gè)樣本，收集了36個(gè)用戶的6種行為數(shù)據(jù)，包括：走路（Walking） 、慢跑（Jogging） 、上樓（Upstairs） 、下樓（Downstairs） 、坐（Sitting） 和站立（Standing） 。數(shù)據(jù)采樣頻率為 20Hz，傳感器類型為加速度傳感器，測(cè)試場(chǎng)景為智能手機(jī)放置在衣兜中，用戶在完成各種行為時(shí)收集數(shù)據(jù)。

各類行為的比例分布為：Walking（38.6%） 、Jogging（31.2%） 、Upstairs（11.2%） 、Downstairs（9.1%） 、Sitting（5.5%） 、Standing（4.4%） 。每條數(shù)據(jù)樣本包含以下字段：用戶編號(hào)、行為動(dòng)作、時(shí)間戳、x 軸加速度值、y 軸加速度值和 z 軸加速度值。

3.2 數(shù)據(jù)預(yù)處理

3.2.1 數(shù)據(jù)標(biāo)準(zhǔn)化

不同的特征通常具有不同的尺度，具有更大尺度的特征可能會(huì)主導(dǎo)模型的訓(xùn)練，導(dǎo)致模型對(duì)其他特征的敏感度降低。為了使模型能夠更好地學(xué)習(xí)數(shù)據(jù)，通常需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。文中采用 Z-Score 標(biāo)準(zhǔn)化方法，其計(jì)算公式如下所示：

Z = （X - μ ）/s （6）

式中：X 為輸入樣本，μ 為樣本均值，s 為樣本標(biāo)準(zhǔn)差。通過這個(gè)公式，可以將不同量級(jí)的數(shù)據(jù)轉(zhuǎn)化為統(tǒng)一度量的Z-Score分值進(jìn)行比較，提高數(shù)據(jù)的可比性。

3.2.2 數(shù)據(jù)分割

傳感器數(shù)據(jù)是隨時(shí)間不間斷的連續(xù)信號(hào)，一段時(shí)間的數(shù)據(jù)序列代表一個(gè)行為動(dòng)作。為了識(shí)別不同的行為，需要對(duì)連續(xù)的信號(hào)進(jìn)行分割，通常采用固定長(zhǎng)度的滑動(dòng)窗口法進(jìn)行分割。其原理為：設(shè)置一個(gè)固定長(zhǎng)度的窗口，按窗口的長(zhǎng)度提取不同時(shí)間段的時(shí)序數(shù)據(jù)，然后沿著時(shí)間軸滑動(dòng)窗口，重復(fù)提取數(shù)據(jù)。連續(xù)兩次提取數(shù)據(jù)的窗口的重疊部分與窗口長(zhǎng)度的比率稱為重疊率。實(shí)驗(yàn)中，滑動(dòng)窗口的大小設(shè)置為 90，重疊率設(shè)置為 20%。經(jīng)過分割處理后的數(shù)據(jù)形狀為：（54 906， 90， 3） ，其中 54 906 表示數(shù)據(jù)樣本數(shù)，90 表示固定窗口長(zhǎng)度，3 表示加速度傳感器的3個(gè)數(shù)值（x、y 和 z 軸加速度） 。

3.3 性能指標(biāo)

實(shí)驗(yàn)中采用了評(píng)估分類算法時(shí)常用的性能指標(biāo)：準(zhǔn)確率、精準(zhǔn)率、召回率以及 F1-Score。

準(zhǔn)確率（Accuracy） 表示正確分類的樣本數(shù)與總樣本數(shù)的比例，其計(jì)算公式如下：

Accuracy = TP + TN／TP + TN + FP + FN （7）

式中：TP 為真正例：樣本為正例被正確預(yù)測(cè)為正例；TN 為真反例：預(yù)測(cè)為負(fù)樣本，真實(shí)也為負(fù)樣本；FP為假正例：樣本反例被錯(cuò)誤預(yù)測(cè)為正例；FN 為假反例：樣本正例被錯(cuò)誤預(yù)測(cè)為反例。

精準(zhǔn)率（Precision） 表示預(yù)測(cè)為正例的樣本中真正例的比例，其計(jì)算公式如下：

Precision = TP／TP + FP （8）

召回率（Recall） 表示正確識(shí)別的正例占所有實(shí)際正例的比例，其計(jì)算公式如下：

Recall = TP／TP + FN （9）

F1-Score表示精準(zhǔn)率和召回率的調(diào)和平均數(shù)，用于衡量模型的平衡性能，其計(jì)算公式如下：

F1 = 2 × Precision × Recall／Precision + Recall （10）

3.4 對(duì)比實(shí)驗(yàn)

將 CNN-GRU-Attention 算法與 CNN、GRU 以及CNN-GRU 進(jìn)行對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)中，將總數(shù)據(jù)樣本的20% 作為測(cè)試集，剩余部分作為訓(xùn)練集。學(xué)習(xí)率設(shè)置為 0.002 5，遍歷次數(shù)（epoch） 設(shè)置為 10，批次大?。╞atch_size） 設(shè)置為 64。

不同算法訓(xùn)練時(shí)的損失率和準(zhǔn)確率的變化如圖3 和圖 4 所示。經(jīng)過 10 個(gè) epoch 的訓(xùn)練，幾種算法的準(zhǔn)確率分別為：CNN-GRU-Attention：98.46%；CNNGRU：97.43%；CNN：96.95%；GRU：94.16%。

可以發(fā)現(xiàn)，包含 CNN 的算法比單純的 GRU 算法性能更優(yōu)。這可能是因?yàn)樵跀?shù)據(jù)預(yù)處理時(shí)損失了一些時(shí)序性，使得 GRU 的時(shí)序特征提取能力未能得到充分利用，而 CNN 和 GRU 的組合能夠更有效地提取數(shù)據(jù)特征。此外，Attention 機(jī)制的加入對(duì)改善模型性能起到了顯著作用。

使用 CNN-GRU-Attention 算法對(duì)測(cè)試集中的數(shù)據(jù)進(jìn)行分析，各種行為分類的性能比較如表 1 所示。算法對(duì)絕大多數(shù)行為能夠很好地識(shí)別，在精準(zhǔn)率、召回率以及 F1-Score 等性能指標(biāo)上表現(xiàn)出較好的效果。只是對(duì)于上樓和下樓行為的識(shí)別性能稍低，這可能是因?yàn)檫@兩種行為在傳感器數(shù)據(jù)上的特征較為相似。

4 結(jié)束語

本文對(duì)基于傳感器數(shù)據(jù)的人體行為識(shí)別算法進(jìn)行了研究，分析了人體行為識(shí)別技術(shù)的巨大應(yīng)用價(jià)值以及相關(guān)的研究方法。提出了一種結(jié)合 CNN、GRU 和 Attention 的算法，詳細(xì)介紹了算法中的關(guān)鍵技術(shù)以及神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，使用 GRU 替代 LSTM 降低了算法的復(fù)雜度，加入批量標(biāo)準(zhǔn)化層提升了算法的穩(wěn)定性，引入注意力機(jī)制進(jìn)一步提升了算法的行為識(shí)別性能。

實(shí)驗(yàn)記錄了算法訓(xùn)練過程中的損失率和準(zhǔn)確率變化情況，結(jié)果表明該算法在模型的訓(xùn)練速度和準(zhǔn)確率上具有較好的性能，同時(shí)在其他性能指標(biāo)上也表現(xiàn)出優(yōu)異的效果。

下一步工作將從以下兩個(gè)方面展開：

1） 改進(jìn)傳感器數(shù)據(jù)的分割方法，減少對(duì)數(shù)據(jù)中時(shí)序特征的破壞，從而充分發(fā)揮 GRU 的性能。

2） 優(yōu)化神經(jīng)網(wǎng)絡(luò)模型，減少模型中的參數(shù)，進(jìn)一步降低算法的復(fù)雜度，使算法更好地適應(yīng)基于傳感器數(shù)據(jù)的人體行為識(shí)別場(chǎng)景。

參考文獻(xiàn)：

[1] 楊觀賜，李楊，趙樂，等.基于傳感器數(shù)據(jù)的用戶行為識(shí)別方法綜述[J].包裝工程，2021，42（18）：94-102，133.

[2] ABIDINE M B，F(xiàn)ERGANI B，MENHOUR I.Activity recognitionfrom smartphones using hybrid classifier PCA-SVM-HMM[C]//2019 International Conference on Wireless Networks and Mo?bile Communications （WINCOM）. October 29 - November 1，2019，F(xiàn)ez，Morocco.IEEE，2019：1-5.

[3] 郭毅博，孟文化，范一鳴，等.基于可穿戴傳感器數(shù)據(jù)的人體行為識(shí)別數(shù)據(jù)特征提取方法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2021，33（8）：1246-1253.

[4] 張俊，李昌.基于LSTM多傳感器數(shù)據(jù)融合人體行為識(shí)別方法[J].蕪湖職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2021，23（2）：32-35.

[5] ORDó?EZ F J，ROGGEN D.Deep convolutional and LSTM re?current neural networks for multimodal wearable activity recog?nition[J].Sensors，2016，16（1）：115.

[6] CHUNG J，GULCEHRE C，CHO K，et al.Empirical evaluation ofgated recurrent neural networks on sequence modeling[EB/OL].[2024-06-23].arXiv preprint arXiv：1412.3555， 2014.

【通聯(lián)編輯：唐一東】

基金項(xiàng)目：2022 年高校哲學(xué)社會(huì)科學(xué)研究一般項(xiàng)目（2022SJYB2365） ；2022 年江蘇省高?！案哔|(zhì)量公共課教學(xué)改革研究”專項(xiàng)課題（2022JDKT080）