摘要: 近年来，随着新一代信息革命的不断深化，各种基于人工智能，深度学习框架的应用场景解决方案不断涌现，推动人类社会不断前进。目前，人体动作识别领域虽然在基于视频数据的场景下取得了一定的进展，但是在基于传感器数据的动作识别领域的研究还需要... 展开 近年来，随着新一代信息革命的不断深化，各种基于人工智能，深度学习框架的应用场景解决方案不断涌现，推动人类社会不断前进。目前，人体动作识别领域虽然在基于视频数据的场景下取得了一定的进展，但是在基于传感器数据的动作识别领域的研究还需要进一步提高。与此同时，在户外运动、科学健身、留守看护等基于传感器数据的动作识别的需求在不断提高。目前，传统的基于传感器数据的运动信息的动作识别方法往往需要将原始数据转化和借助CNN等基于欧式空间的卷积框架来解决，噪音、空间转化等问题难以解决。为了提高动作识别的研究场景下基于传感器的动作识别的准确率,强化传感器节点与图卷积的映射关系，本文通过将基于传感器数据的运动信息与图卷积相结合，提出超图记忆网络（HypergraphMemoryNetwork，HGMN）。本文工作主要有以下方面： （1）提出基于传感器数据的图生成方法。构建多层邻接映射，充分考虑时间域、空间域以及时空域对节点信息与运动分类的特点，并通过改进的最大类间方差法动态选取阈值，使得动与静的状态合理、科学划分，同时通过上述构建方法，将原始运动数据的节点信息用图表示。提高特征提取效率从而提高动作识别率，显示出多层特征映射的优越性。 （2）采用基于动态超图注意力卷积神经网络的动作识别特征提取方法。整合动态机制、超图机制、注意力机制等机制与传统图卷积进行算子运算，通过动态的构建超图可以有效提高运算速度和效率，同时加入注意力机制，有效提高节点间的运动信息的关联状态，权重值、超边集等参数处于动态过程，使得超图卷积的计算过程更加灵活，更趋近于现实状态，提高特征表达效果。 （3）采用基于残差长短时记忆门控神经网络的动作识别方法，通过改进传统LSTM网络，在传承LSTM网络原有算子的基础上，引入残差LSTM，提高了门控单元的单位运算深度，从而提高识别效率。 收起