随机智能手机的遍及，在日常日子中，大多数人在做任何事情的时分，都会随身携带手机。假如敞开手机中的传感器，当用户运动时，就能够收集很多的用户信息，依据这些信息，就能够判别当时用户的运动形式，如行走、上楼梯、下楼梯、坐、站立、躺劣等等。依据这些运动形式，规划不同的场景，为健身类或运动类运用(APP)添加一些风趣功用。
在智能手机中，常见的方位信息传感器便是 加速度传感器(Accelerometer)和陀螺仪(Gyroscope)。
加速度传感器：用于丈量手机移动速度的改变和方位的改变;
陀螺仪：用于测验手机移动方向的改变和旋转速度的改变;
传感器
本文首要依据手机的传感器数据，练习深度学习模型，用于猜测用户的运动形式。
技能计划：
DL：DeepConvLSTM
Keras：2.1.5
TensorFlow：1.4.0
数据
本例的数据来源于UCI(即UC Irvine，加州大学欧文分校)。数据由年龄在19-48岁之间的30位志愿者，智能手机固定于他们的腰部，履行六项动作，即行走、上楼梯、下楼梯、坐、站立、躺下，一起在手机中存储传感器(加速度传感器和陀螺仪)的三维(XYZ轴)数据。传感器的频率被设置为50HZ(即每秒50次记载)。关于所输出传感器的维度数据，进行噪声过滤(Noise Filter)，以2.56秒的固定窗口滑动，一起窗口之间包括50%的堆叠，即每个窗口的数据维度是128(2.56*50)维，依据不同的运动类别，将数据进行标示。传感器含有三类：身体(Body)的加速度传感器、全体(Total)的加速度传感器、陀螺仪。
以下是依据数据制作的运动曲线，站立(赤色)、坐(绿色)、躺下(橙色)的振幅较小，而行走(蓝色)、上楼梯(紫色)、下楼梯(黑色)的振幅较大。
运动曲线
以下是在行走(Walking)中，三类传感器的三个轴，共9维数据的运动曲线：
传感器 – 行走
以下是在坐(SitTIng)中的运动曲线：
传感器 – 坐
经过调查可知，不同运动形式的传感器数据曲线具有必定的差异性，可是有些运动形式的差异性并不显着，如行走、上楼梯、下楼梯之间;相同运动形式的传感器数据曲线也各不相同。
在数据源中，70%的数据作为练习数据，30%的数据作为测验数据，生成练习数据的志愿者与生成测验数据的不同，以确保数据的严谨性，符合在实践运用中猜测不知道用户动作的原则。
UCI数据源
模型
模型是依据深度学习的DeepConvLSTM算法，算法交融了卷积(ConvoluTIon)和LSTM操作，既能够学习样本的空间特点，也能够学习时刻特点。在卷积操作中，经过将信号与卷积核相乘，过滤波形信号，保存高层信息。在LSTM操作中，经过回忆或忘记前序信息，发现信号之间的时序联系。
DeepConvLSTM算法的结构，如下：
DeepConvLSTM
将每类传感器(身体加速度、全体加速度、陀螺仪)的3个坐标轴(XYZ)数据，兼并成一个数据矩阵，即 (128, 3)维，作为输入数据，每类传感器均创立1个DeepConvLSTM模型，共3个模型。经过3次卷积操作和3次LSTM操作，将数据笼统为128维的LSTM输出向量。
在CNN的卷积单元中，经过卷积(1×1卷积核)、BN、MaxPooling(2维chihua)、Dropout的组合操作，接连3组，终究一组履行Dropout。经过MaxPooling的降维操作( 2^3=8)，将128维的数据转为为16维的高层特征。
CNN
在RNN的时序单元中，经过LSTM操作，隐含层神经元数设置为128个，接连三次，将16维的卷积特征转换为128维的时序特征，再履行Dropout操作。
LSTM
终究，将3个传感器的3个模型输出，兼并(Merge)为一个输入，即 128*3=384，再履行Dropout、全衔接(Dense)、BN等操作，终究运用Softmax激活函数，输出6个类别的概率。
Merged
挑选概率较大的类别，作为终究猜测的运动形式。
作用
在第48层中，即Concatenate层，将3个传感器的LSTM输出兼并(Merge)成1个输入，不同类别的特征，作用也不同，如：
Merged Layer
练习参数：
epochs = 100batch_size = 256kernel_size = 3pool_size = 2dropout_rate = 0.15n_classes = 6
终究作用，在测验会集，准确率约为95%左右：
loss: 0.0131 – acc: 0.9962 – val_loss: 0.1332 – val_acc: 0.9535val_f1: 0.953794 — val_precision: 0.958533 — val_recall 0.949101
假如持续调整参数，还能够提高准确率。
经过深度学习算法练习的用户动作辨认模型，能够运用于移动端进行场景检测，包括行走、上楼梯、下楼梯、坐、站立、躺劣等六种动作。一起，95%的准确率现已满意大多数产品的需求。
