技术领域
[0001] 本
发明涉及
鞋类产品的自动松紧调整系统领域，具体是涉及能够实现智能化姿态学习交互达到更为自动化的适应松紧调整的一种系统。
背景技术
[0002] 手动系携带本身是一件非常简单的事情，但是系携带时的动作却是人体动作幅度比较大的一些动作，还有穿脱时经常的重复性松绑和系紧
整理动作让人觉得麻烦，因此现传统的系鞋带方式对很多人来说变成了是非常麻烦的一件事情，尤其是对于一些老人、孕妇不能弯腰或蹲下，儿童不会系等问题给他们带来困扰和不便，另外，对于运动爱好者在运动中鞋带更容易松开和脱落，经常会出现系紧了不舒服，系松了鞋子容易掉的现象发生，往往因为鞋带而造成的身体伤害时有发生。
[0003] 现也有公开了一些具有自动松紧鞋带装置的鞋子，但也仅限于机械机构的方式实现鞋带的自动松紧，可以说其仅仅是一种机械装置，但是这种装置达到的松紧的程度是预设好的，这样的松紧方式在实际中是无法适应大众使用的，甚至无法适应一个人在不同环境不同运动状态下的使用。例如有的人松开鞋带是为了方便脱，在穿上的时候系携带主要是防脱并不是要绑紧，因此鞋带的松紧程度是处于比较松弛的状态，达到足部的无
捆绑的舒适状态，而在运动时又需要达到鞋子较好的包裹住足部，那就需要绑紧，还有在快速的行进的时候会想调整为鞋子较为跟脚不松弛的状态，能够使得快速行进更轻松；那像这些情况如果一直手动操作松绑鞋带的话确实是很麻烦的一件事情，如果有自动松紧鞋带装置实现那自然是方便的，但是现有的自动松紧鞋带装置是无法实现自动不同状态需要的调整的，因此是有待提升的。
[0004] 有鉴于此，本案
发明人针对现有上述
现有技术中存在的诸多情况、问题进行整合，经过深入研究、探讨，遂有本案产生。
发明内容
[0005] 本发明的目的在于提供一种应用于鞋自动松紧调整的智能姿态交互系统，该系统可智能化实现与人体姿态交互，实现不同状态需要的进行自动化调整鞋子松紧。
[0006] 为实现上述目的，本发明的技术方案是：一种应用于鞋自动松紧调整的智能姿态交互系统，包括设置在鞋子上的鞋自动松紧装置、控
制模块、传感模块、微处理
电路模块和电源电路模块，所述鞋自动松紧装置、
控制模块、传感模块和微处理电路模块连接电源电路模块由其供电，所述控制模块和传感模块连接微处理电路模块，所述鞋自动松紧装置连接控制模块，所述传感模块包括有用于感应
电流值的电流
传感器、用于感应鞋子
角运动检测的
陀螺仪和/或用于感应鞋子线
加速度的
加速度计；
[0007] 所述传感模块采集鞋子使用状态多个维度动作的信息数据传输给微处理电路模块；所述微处理电路模块调整姿态动作指令包括有预存入的多种不同的调整姿态动作指令，各调整姿态动作指令对应有控
制鞋自动松紧装置所要达到鞋子松紧的动作指令，所述微处理电路模块获取传感模块的信息数据进行分析计算识别处理，得出对应的调整姿态动作指令，将得出的调整姿态动作指令对应的动作指令传输给鞋自动松紧装置控制其动作达到调整鞋子的松紧。
[0008] 所述智能姿态交互系统还包括有通过无线传输方式连接的用户端模块和/或
物联网云端模块；所述传感模块采集鞋子使用状态多个维度动作的信息数据及微处理电路模块分析计算识别得出的信息数据同步传输给物联网云端模块，所述物联网云端模块包括有AI自主学习和
大数据分析单元用于将数据同步给微处理电路模块从而提升该模块识别精准度和进行微处理电路模块分析计算识别
算法的升级优化；所述用户端模块用于用户通过该模块与微处理电路模块进行数据交互来选择调整姿态动作指令将其对应的动作指令传输给鞋自动松紧装置控制其动作达到调整鞋子的松紧，或者用于自定义调整姿态动作指令及其所对应的传感模块采集的信息数据和对应的动作指令。
[0009] 所述微处理电路模块预存入的调整姿态动作指令包括静态姿态中的站立、稍息、跨立、蹲，静态姿态中的前、后、左、右倾站立，行走姿态中的行走，动态姿态中的旋转脚踝以及跳跃和抬腿；所述微处理电路模块获取传感模块的信息数据进行分析计算识别处理方法是这样的：
[0010] 判断加速度、
角速度和姿态角是否存在
波动，该判断是分别获取传感模块采集鞋子使用状态多个维度动作前后的信息数据，分别取出
采样点，对比前后的采样点是否存在差值，该差值的计算公式为
[0011] Δ＝V(n)-V(n-1))；
[0012] 如果Δ不存在差值即为否进入压
力判断，通过获取传感模块在足底压力分布采集的信息数据，判断左右、上下部分是否存在显著性差异；如果存在显著性差异即为是，则识别为静态姿态中的前、后、左、右倾站立，如果不存在显著性差异即为否，根据足底压力最大值、最小值及其分布区域来判断识别为静态姿态中的站立、稍息、跨立、蹲；
[0013] 如果Δ存在差值即为进行动态周期划分，然后判断Yaw是否由负区间到正区间再对称的由正区间到负区间或者Yaw是否由正区间到负区间再对称的由负区间到正区间；如果是为Yaw是由负区间到正区间再对称的由正区间到负区间或者Yaw是由正区间到负区间再对称的由负区间到正区间则识别为行走姿态中的行走；如果Yaw不是由负区间到正区间再对称的由正区间到负区间或者Yaw不是由正区间到负区间再对称的由负区间到正区间则进一步的判断Yaw、pitch和roll是否均呈现由负区间到正区间再对称的由正区间到负区间或者Yaw、pitch和roll是否均呈现由正区间到负区间再对称的由负区间到正区间，如果Yaw、pitch和roll是均呈现由负区间到正区间再对称的由正区间到负区间或者Yaw、pitch和roll是均呈现由正区间到负区间再对称的由负区间到正区间则识别为动态姿态中的旋转脚踝，如果Yaw、pitch和roll不是均呈现由负区间到正区间再对称的由正区间到负区间或者Yaw、pitch和roll不是均呈现由正区间到负区间再对称的由负区间到正区间则根据角速度以及足底压力变化综合识别为跳跃和抬腿。
[0014] 所述微处理电路模块分析计算识别算法的升级优化方法步骤包括：
[0015] 1)、从传感模块和物联网云端模块获取数据，
[0016] 2)、将步骤1)获取的数据进行预处理，
[0017] 3)、将步骤2)预处理后的数据进行特征选取，
[0018] 4)、将步骤3)特征选取的数据得出
特征向量，
[0019] 5)、将步骤4)的特征向量发送给分类器，和/或，将步骤4)的特征向量先进行训练再发送给分类器；
[0020] 6)、分类器得出分类识别结果。
[0021] 所述分类器的分类识别采用余弦测度和Softmax回归算法。
[0022] 所述步骤5)分类器识别的过程包括，通过对已知的数据进行训练预先得到具有多种姿态的特征均值向量的训练集，将步骤5)的特征向量整合为待测试集，将待测试集的特征向量做余弦测度，判断其COS值是否大于预设值，如果是直接进入步骤6)得出分类识别结果，如果不是则通过Softmax回归算法对训练集进行训练得到对应的参数，然后将该参数与对待测试集的特征向量进行计算得出分类预测结果，在进入步骤6)得出分类识别结果。
[0023] 通过采用上述技术方案，本发明的有益效果是：本发明的应用于鞋自动松紧调整的智能姿态交互系统通过具有多种传感部件的传感模块采集鞋子使用动作状态信息，通过微处理电路模块获取传感模块信息数据进行分析处理计算识别结果，然后向鞋自动松紧装置发送工作指令达到适应的调整鞋子松紧，该系统结构方式是能智能的去根据用户不同的活动场景通过不同的姿势交互来达到不同松紧度的需求，姿势交互动作还能根据用户不同的使用习惯实现自定义功能，上述进一步的用户端模块、物联网云端模块设置，将上述系统加入物联网大数据，对数据不断的进行
分析学习，随着用户的使用次数增多，松紧的精准度也能不断的进行提升本系统通过不同传感器来获取用户的姿态数据，采用智能
微处理器来接收处理本地的实时交互数据，结合物联网云端模块实现了对用户活动场景的智能识别，并根据用户活动状态智能调节鞋带松紧，通过不断的获取本地端(即鞋子上)不同的数据信息，利用AI自主学习和大数据分析，不断的提升识别精准度，再下传到本地端，使得本地端的姿态交互系统能进行算法升级优化，能不断的改善用户的体验舒适度；用户端模块主要是让用户选择或自定义不同的姿态交互命令，实现在不同的活动场景下自动的去切换鞋子不同松紧度的一个需求，例如在需要跑步、打篮球、踢
足球等不同的运动场景的时候，只需做出预设的不同的姿态动作，即可激活不同运动需求的松紧模式，除了预设的姿态动作可以激活外还可以在客户端自定义属于自己的激活动作，通过左右脚的动作搭配去定制最适合自己的一个姿态动作去达到在不同的活动场景下去最便捷快速的切换。
附图说明
[0024] 图1是本发明涉及的一种应用于鞋自动松紧调整的智能姿态交互系统的结构
框图；
[0025] 图2是本发明涉及的微处理电路模块获取传感模块的信息数据进行分析计算识别处理方法的程序框图；
[0026] 图3是本发明涉及的Sigmoid函数图像；
[0027] 图4是本发明涉及的
单体迈步识别程序框图；
[0028] 图5是本发明涉及的典型的循环神经网络(RNN)模型；
[0029] 图6是本发明涉及的长短时记忆网络(LSTM)
隐藏层示意图；
[0030] 图7是本发明涉及的基于长短时记忆网络(LSTM)的人体动作分类模型；
[0031] 图8是本发明涉及微处理电路模块分析计算识别算法的升级优化方法步骤的结构框图。
具体实施方式
[0032] 为了进一步解释本发明的技术方案，下面通过具体
实施例来对本发明进行详细阐述。
[0033] 本发明公开的一种应用于鞋自动松紧调整的智能姿态交互系统，，包括设置在鞋子上的鞋自动松紧装置、控制模块、传感模块、微处理电路模块和电源电路模块，本实施例中为达到上述有益效果加入物联网大数据实现的效果和用户端可设置本系统的效果，所述智能姿态交互系统还包括有通过无线传输方式连接的用户端模块和/或物联网云端模块；所述鞋自动松紧装置、控制模块、传感模块和微处理电路模块连接电源电路模块由其供电，所述控制模块和传感模块连接微处理电路模块，所述鞋自动松紧装置连接控制模块，本实施例中公开的所述传感模块包括有用于感应鞋自动松紧装置工作时电流值实现对鞋松紧程度检测从而判断人体脚部舒适程度的电流传感器、用于感应鞋子角运动检测的陀螺仪和/或用于感应鞋子线加速度的加速度计，根据所要采集的数据也可增设其他传感设备，如感应鞋子压力的
压力传感器；另外，微处理电路模块本发明在产品开发中采用的微处理控
制芯片是ATMEL 328P-au，控制芯片的选用这里不是具体限定。
[0034] 所述传感模块整体
感知鞋子使用状态采集多个维度动作的信息数据传输给微处理电路模块；所述微处理电路模块调整姿态动作指令包括有预存入的多种不同的调整姿态动作指令，各调整姿态动作指令对应有控制鞋自动松紧装置所要达到鞋子松紧的动作指令，所述微处理电路模块获取传感模块的信息数据进行分析计算识别处理，得出对应的调整姿态动作指令，将得出的调整姿态动作指令对应的动作指令传输给鞋自动松紧装置控制其动作达到调整鞋子的松紧。
[0035] 所述用户端模块主要是让用户选择或自定义不同的姿态交互命令，实现在不同的活动场景下自动的去切换鞋子不同松紧度的一个需求，该模块可以是客户端、移动终端或网络设备的任意类型的
操作系统，例如微软公司的Windows、Windows Phone，苹果公司IOS，谷歌公司的Android，以及Linux、Unix操作系统或其他实时或嵌入式操作系统诸如VxWorks等。
[0036] 所述物联网云端模块是一个基于互联网、传统电信网等的信息承载体，它让所有能够被独立寻址的普通物理对象形成互联互通的网络，通过鞋子的各个信息传感器，去实时采集获取所需要的信息，通过网络接入，实现物与物、物与人的泛在连接，实现对鞋子和运动过程的智能化感知、识别和管理，物联网云端是人与物之间的信息交互，是对鞋子的整体感知(利用智能传感器等感知设备感知获取鞋子的各类信息)、可靠传输(通过对互联网、无线网络的融合，将物体的信息实时、准确地传送，以便信息交流、分享)和智能处理(对感知和传送到的数据、信息进行分析处理，实现监测与控制的智能化)。
[0037] 所述传感模块采集鞋子使用状态多个维度动作的信息数据及微处理电路模块分析计算识别得出的信息数据同步传输给物联网云端模块，所述物联网云端模块包括有AI自主学习和大数据分析单元用于将数据同步给微处理电路模块从而提升该模块识别精准度和进行微处理电路模块分析计算识别算法的升级优化；所述用户端模块用于用户通过该模块与微处理电路模块进行数据交互来选择调整姿态动作指令将其对应的动作指令传输给鞋自动松紧装置控制其动作达到调整鞋子的松紧，或者用于自定义调整姿态动作指令及其所对应的传感模块采集的信息数据和对应的动作指令。
[0038] 下面公开本发明一种应用于鞋自动松紧调整的智能姿态交互系统中一些数据的分析计算处理识别方法。
[0039] 本实施例中所述微处理电路模块预存入的调整姿态动作指令包括静态姿态中的站立、稍息、跨立、蹲，静态姿态中的前、后、左、右倾站立，行走姿态中的行走，动态姿态中的旋转脚踝以及跳跃和抬腿；所述微处理电路模块获取传感模块的信息数据进行分析计算识别处理方法是这样的：
[0040] 判断加速度、角速度和姿态角是否存在波动，该判断是分别获取传感模块采集鞋子使用状态多个维度动作前后的信息数据，分别取出采样点，对比前后的采样点是否存在差值，该差值的计算公式为
[0041] Δ＝V(n)-V(n-1))；
[0042] 如果Δ不存在差值即为否进入压力判断，通过获取传感模块在足底压力分布采集的信息数据，判断左右、上下部分是否存在显著性差异；如果存在显著性差异即为是，则识别为静态姿态中的前、后、左、右倾站立，如果不存在显著性差异即为否，根据足底压力最大值、最小值及其分布区域来判断识别为静态姿态中的站立、稍息、跨立、蹲；
[0043] 如果Δ存在差值即为进行动态周期划分，然后判断Yaw是否由负区间到正区间再对称的由正区间到负区间或者Yaw是否由正区间到负区间再对称的由负区间到正区间；如果是为Yaw是由负区间到正区间再对称的由正区间到负区间或者Yaw是由正区间到负区间再对称的由负区间到正区间则识别为行走姿态中的行走；如果Yaw不是由负区间到正区间再对称的由正区间到负区间或者Yaw不是由正区间到负区间再对称的由负区间到正区间则进一步的判断Yaw、pitch和roll是否均呈现由负区间到正区间再对称的由正区间到负区间或者Yaw、pitch和roll是否均呈现由正区间到负区间再对称的由负区间到正区间，如果Yaw、pitch和roll是均呈现由负区间到正区间再对称的由正区间到负区间或者Yaw、pitch和roll是均呈现由正区间到负区间再对称的由负区间到正区间则识别为动态姿态中的旋转脚踝，如果Yaw、pitch和roll不是均呈现由负区间到正区间再对称的由正区间到负区间或者Yaw、pitch和roll不是均呈现由正区间到负区间再对称的由负区间到正区间则根据角速度以及足底压力变化综合识别为跳跃和抬腿。这里说明一下动态周期划分从二维坐标动态图表示时，假设静止初始状态在二维坐标的零点坐标
位置，在出现动作时会有出现动态变化如在负值区间或正值区间，上述的Yaw表示的是绕Y轴旋转(也叫
偏航角)，pitch表示的是围绕X轴旋转(也叫
俯仰角)，roll是围绕Z轴旋转(也叫翻滚角)。
[0044] 所述微处理电路模块分析计算识别算法的升级优化方法步骤，如图8所示，包括：
[0045] 1)、从传感模块和物联网云端模块获取数据；
[0046] 2)、将步骤1)获取的数据进行预处理，这里的预处理是将数据进行一些不同数据的分类如走的数据、跑的数据、静止的数据等，还有数据类型的转换计算处理等，方便在后续的步骤中使用这些数据；
[0047] 3)、将步骤2)预处理后的数据进行特征选取，这里的特征选取是将预处理出来的数据选取出来，如选取出走的数据；
[0048] 4)、将步骤3)特征选取的数据计算得出特征向量，即将选取出来的数据计算为公式量，用于后面的计算；
[0049] 5)、将步骤4)的特征向量发送给分类器，和/或，将步骤4)的特征向量先进行训练再发送给分类器；
[0050] 6)、分类器得出分类识别结果。
[0051] 所述分类器的分类识别采用余弦测度和Softmax回归算法。
[0052] 所述步骤5)分类器识别的过程包括，通过对已知的数据进行训练预先得到具有多种姿态的特征均值向量的训练集，将步骤5)的特征向量整合为待测试集，将待测试集的特征向量做余弦测度，判断其COS值是否大于预设值，如果是直接进入步骤6)得出分类识别结果，如果不是则通过Softmax回归算法对训练集进行训练得到对应的参数，然后将该参数与对待测试集的特征向量进行计算得出分类预测结果，在进入步骤6)得出分类识别结果。这里说明一下上述预设值是预设好的余弦值，一个用于供待测试集的特征向量作余弦测度得出的值做对比，如预设为0.98，余弦测度得出的值越靠近或大于0.98，那特征属于比较明显的，识别率比较高，这时使用余弦测度的识别结构有较好的识别率，这也是在经过多次实验中发现，当求得超过0.98时几乎均能准确识别，随着余弦值的降低，出现错判的几率逐渐增大，因此两上述两种方法结合进行一次二次匹配识别过程，去识别多种人体迈步姿态更为精准；另外，待测试集的测试得出的数据同时也传输给训练集，训练集的数据在逐步增加，有利于提高计算识别
精度。
[0053] 所述余弦测度是这样的，假设a(x11，x12，...，x1n)与b(x21，x22，...，x2n)为空间中的两个二维向量，其夹角余弦为:
[0054]
[0055] 具体计算公式为:
[0056]
[0057] 通过对已知的数据进行训练得到多种姿态的特征均值向量V′(t′，a′，σ′)，用待测试集的特征向量V(t，a，σ)去做余弦测度，与其计算得到值较小的姿态，则说明比较相近，当小于某一值时，可视为同一姿态。
[0058] 所述Soft回归算法，即Softmax回归(Softmax Regression)是Logistic回归模型(Logistic regression)在多分类问题上的推广。Logistic很适合做一些非线性方面的分类问题，但它只适合处理二分类问题，且在给出分类结果时会给出结果的概率。
[0059] 首先这里引出一个函数，Sigmoid函数：
[0060]
[0061] 函数图像如图3所示。
[0062] Logistic回归和Softmax回归即基于此函数。在Logistic回归中，训练集由m个已标记的样本构成：{(x(1)，y(1))，...(x(m)，y(m))}，其中输入特征x(i)∈R(n+1)。由于logistic回归是针对二分类问题的，因此类标记y(i)∈{0，1}，其假设函数(hypothesis function)为：
[0063]
[0064] 在在softmax回归中，我们解决的是多分类问题(相对于logistic回归解决的二分类问题)，类标y可以取k个不同的值(而不是2个)。因此，对于训练集{(x(1)，y(1))，...(x(m)，y(m))}，有y(i)∈{1，2，...，k}，假设函数hθ(x)形式如下：
[0065]
[0066] 其中θ1，θ2，...，θk∈R(n+1)是模型参数。
[0067]
[0068] 其中，1{.}是示性函数，其取值规则为：1{值为真的表达式}＝1，1{值为假的表达式}＝0。下面，将训练模型参数θ，使其能够最小化代价函数，采用
梯度下降法迭更新θ的参数值：
[0069]
[0070] “：＝”代表
迭代更新，α表示步长，学习速率，可根据需要自定义。
[0071] 当类别数k＝2时，Softmax回归退化为Logistic回归。
[0072] Softmax回归实现起来比较简单，并且速度比较快，适用于数据量比较的情况。
[0073] 姿态的特征识别主要是对训练集m个(x，y)使用Softmax算法进行训练，得到对应的参数θ，然后对待预测的向量x(i)，求hθ(x)得出预测结果y(i)，m：训练样本的个数；n：特征的个数；(x，y)：表示一个训练样本，如此例中其中，y的取值1代表走路，2代表跑步，3代表打(i) (i)蓝球，4代表踢足球；(x ，y )：表示第i个训练样本，此例中的第i行数据(i取值从1至4)；
θ：需要学习的参数，n的个数，这里θ变量包含3个值，分别为θ1、θ2、θ3。hθ(x)：参数为θ的假设函数，其计算得到为待预测向量的类别概率值。
[0074] 通过上述梯度下降法迭代更新θ的参数值公式进行m次迭代得到假设函数的参数θ，便得到4种分类步伐的分类情况，然后将待预测的向量x，代入上述函数hθ(x)形式公式中，得到对应4种分类的概率值p(y＝k|x；θ)，对应概率值大的步伐类别，即为当前待预测步伐的类别。
[0075] 使用两种识别方法相结合的识别过程，一方面提高了识别率，另一方面能够节省时效，对大量的迈步姿态划分识别时，十分有利。
[0076] 本发明中所述物联网云端模块的AI自主学习，其包括基于LSTM
深度学习的人体姿态识别，基于深度学习的人体姿态识别，构建基于深度学习的人体姿态识别模型，是一种公知的现有学习技术。整个分类模型主要是由长短时记忆网络(LSTM)实现，LSTM是一种带有“记忆”功能的循环神经网络(RNN)，使得LSTM能在较长时间内存储输入序列的特征信息，从而使其能够发现较长时间段序列之间的关联信息，它可以有效地解决RNN网络出现的梯度消失或爆炸的问题。下面介绍一下RNN和LSTM基本原理。
[0077] RNN介绍
[0078] 在循环神经网络中，一条时间序列可以看作它的一个输入样本，序列中每一个特征之间是有联系的，后面特征的计算依赖于前面的特征。如图5所示为一个典型的RNN结构，如图5中左侧为一典型循环神经网络模型，将其展开后如模型右侧所示。
[0079] RNN从
输入层输入数据，xt表示输入的时间序列中的第t个特征，ht是第t步的隐藏状态，Ot是第t步的输出。图中U、V和W分别表示循环神经网络中输入层到隐藏层、隐藏层到
输出层和隐藏层到隐藏层的权重矩阵，以双曲正切激活函数(tanh)为例介绍循环神经网络隐藏层和输出层的状态以下面两个公式。
[0080] ht＝tanh(Wht-1+Uxt+b)
[0081] Ot＝Vht+c
[0082] 式中b和c分别为更新隐藏层状态和输出层状态的偏置向量。
[0083] RNN网络采用传统的通过时间反向传播算法和梯度下降算法对参数进行学习，第t层的误差函数与Ot关联，而Ot则取决于xi和hi(i≤t)，梯度计算需要一次前向传播和反向传播来完成，其时间代价为o(τ)。
[0084] RNN网络缺点是随着时间间隔的增加会冲淡某一时间点的输入对后面隐藏层
节点和输出层节点的联系，即本文常说的RNN网络产生的梯度爆炸或消失问题，不具备较长时间间隔的记忆功能。而长短时记忆网络(LSTM)提出有效解决了RNN网络产生的梯度爆炸或消失问题。
[0085] LSTM基本原理
[0086] LSTM在隐藏层加入了细胞状态单元(Cell)如图6所示，Cell之间彼此循环连接，代替原生RNN中的隐藏单元。细胞状态的产生使LSTM拥有了处理长期依赖的能力，即有了记忆能力。
[0087] 在LSTM隐藏层的Cell中设计了“
门”结构，如图6所示f、i和o分别代表了细胞状态单元的遗忘门、输入门和输出门。遗忘门ft将来自xt和ht-1的
[0088] 无用信息剔除，输入门控制输入到Cell的信息，输出门Ot控制细胞状态单元的输出，经过遗忘门和输出门，状态C的更新完成。
[0089] 图6中的σ代表sigmod激活函数，遗忘门ft、输入门it、输出门ot和LSTM细胞状态的输出ht以及状态更新Ct的计算表达式如下[60]：
[0090] ft＝σ(Wf·[ht-1，xt]+bf)
[0091] it＝σ(Wi·[ht-1，xt]+bi)
[0092] ot＝σ(Wo·[ht-1，xt]+bo)
[0093] Ct＝it·tanh(Wc·[ht-1，xt]+bc)+ft·Ct-1
[0094] ht＝ot·tanh(Ct)
[0095] 从以上公式中可以看出，遗忘门ft、输入门it、输出门ot的输入都是ht-1和xt，而各自的权重矩阵和偏置向量不同并在训练模型中优化，使得这三个门能够更好地完成各自的功能，使LSTM神经网络实现对输入信息选择和记忆。
[0096] 基于LSTM神经网络的人体运动姿态分类模型输入层是人体动作的时间序列，输出层的输出则是该序列所属的姿态类别。从对RNN和LSTM的原理可知，它们输出是和输入等长的序列。
[0097] 图7中，同一行标有LSTM矩形方框代表同一个LSTM隐藏层，为直观的将模型展示，本文只是将其按照输入序列的时间顺序展开。
[0098] 上文已经提到，本文需要得到模型类别标签的估计。因此，本文去掉LSTM输出层，并将(h1，h2，…，hT)输入到平均池层(Mean-Pooling)。改进后的网络记作mLSTM，将输入序列按照时间的反向顺序输入的mLSTM称为B-mLSTM，其输出为hb。通过平均池层得到是与时间无关的向量h，即
[0099]
[0100] 最后，将h和hb作为逻辑回归层的输入，并通过softmax输出人体运动姿态的类别标签。
[0101] B-mLSTM中的输入为(xT，xT-1，…，x1)，那么t时刻LSTM输出变为
[0102]
[0103] 其中σ代表sigmod激活函数，经过平均池层得到的输出向量为
[0104]
[0105] 在正向的加入平均池层的mLSTM网络中表示人体运动状态的时间序列只能按照时间顺序正向输入，导致其很难发现当前时刻状态与后面的时刻状态的关联。B-mLSTM的作用就是用来
访问上下文信息，从而可以发现当前时刻状态与后面的时刻状态的关系。逻辑回归层由感知机和softmax构建而成，即有
[0106] z＝WL·[h，hb]+bL
[0107]
[0108] 上式中，z为感知机的输出，WL为权重矩阵，bL表示偏置向量，是实际分类结果，n为类别个数，的每个分量表示基于LSTM的人体动作分类模型所预测的该条动作序列属于相应类别的概率。softmax的作用是将输出向量归一化，有
[0109]
[0110] 由公式易得
[0111]
[0112] 因此，可以把 作为人体运动姿态分类模型所估计的该条实例属于第i个类别的概率。本文使用交叉熵作为模型的损失函数，定义为
[0113]
[0114] 上述实施例和图式并非限定本发明的产品形态和式样，任何所属技术领域的普通技术人员对其所做的适当变化或修饰，皆应视为不脱离本发明的
专利范畴。
