一种基于深度学习的智慧服装定位方法

本发明涉及深度学习的定位，并且更具体地，涉及一种基于深度学习的智慧服装定位方法。

背景技术：

1、高精度定位一直都是工程安全领域研究的热点，然而高精度定位往往需要依赖繁重的定位传感器满足高精度的需求。而在可穿戴设备领域，智慧服装也是近年来研究的热点之一，智慧服装具有轻便、智能、舒适度高等特点。使用高精度定位算法处理在智慧服装上的定位传感器信号也将是未来定位算法研究的热点之一。

2、目前，国内外很多研究机构也在做关于可穿戴设备定位方法的研究，现有的方法主要分为两类，第一类是使用gps、北斗等芯片进行卫星定位的方法，这类方法精度高，但是信号传输易被遮挡、抗干扰能力差。第二类是使用加速度、陀螺仪等传感器对运动状态进行测量计算从而更新定位状态，这类方法抗干扰性强但精度低，且佩戴时舒适性差。此外，在医疗安全领域，在一些特定场景下一些行动不便的患者需要进行高精度定位，以防止发生意外。而目前使用的方法大多为在患者身上佩戴定位传感器，这种方法舒适性差，且抗干扰能力差。

技术实现思路

1、本发明针对上述问题，使用基于深度学习的算法解决定位传感器信号精度低的问题，针对医疗安全领域，将传感器集成在智慧服装上，解决佩戴舒适度差的问题，为行动不便的患者提供了一种舒适的智慧服装定位的方法。

2、本发明提供了一种基于深度学习的智慧服装定位方法，其目的在于运用超宽带定位芯片采集不同区域内的定位信息，通过卷积神经网络提取定位信号序列中的局部特征并获得定位信息特征图，并将上述定位信息特征图传入基于自注意力的深度学习网络解决传统定位方法中抗干扰能力差、舒适度低的问题。

3、为实现上述目的，本发明采用如下技术方案：一种基于深度学习的智慧服装定位方法，包括如下步骤：

4、步骤（1），通过连接在智慧服装上的超宽带定位芯片进行定位信号采集，使用去噪滤波预处理算法对上述采集的定位信号进行信号预处理，并将经过预处理后的定位信号构建为数据集，分为训练集和测试集；

5、步骤（2），利用训练集对构建的智慧服装定位模型进行训练，所述智慧服装定位模型包括特征提取网络和特征分类网络；

6、步骤（2.1），将预处理后的定位信号传入特征提取网络进行定位信息特征图的提取；

7、步骤（2.2），将上述最后一层定位信息特征图使用特征分类网络进行特征分类，输出高精度定位结果；

8、步骤（3），将测试集中预处理后的定位信号输入到训练好的智慧服装定位模型，输出定位结果。

9、进一步的，步骤（1）中定位信号采集包括以下步骤：

10、确定采集区域，并将采集区域等比例划分为n个小方格区域，左上角处小方格为区域1，右下角处方格为区域n，在采集区域的正上方部署超宽带定位基站a，左下角部署超宽带定位基站b，右下角部署超宽带定位基站c；

11、使用智慧服装上的超宽带定位标签芯片部署在区域1，采集超宽带定位标签与3个超宽带定位基站之间的距离，将“1”作为的标签值；

12、在小方格区域1至n内重复上述步骤，采集不同区域内超宽带定位标签与3个超宽带定位基站之间的距离。

13、进一步的，步骤（1）中使用去噪滤波预处理算法对采集的定位信号进行信号预处理，并将经过预处理后的定位信号构建数据集；

14、所述去噪滤波预处理算法包括：输入长度为t的作为序列x，通过计算获得序列中第t位的序列值与第t-1位的序列值的去噪值，将上述第t位序列值的去噪值与第t位序列值相乘，减少噪声值对序列的影响，其中去噪滤波预处理算法的计算公式如下：

15、

16、

17、其中为第t位序列值的去噪值，为输入序列中第t位的值，为使用去噪滤波预处理算法后序列中第t元素的值，其中t是设定的时间段长度。

18、进一步的，步骤（2.1）中的特征提取网络包括三个卷积块，第一卷积块包括2个卷积层、1个池化层和1个relu激活函数层，第二卷积块包括1个卷积层、1个池化层和1个relu激活函数层，第三个卷积块包括2个卷积层；将所述经过去噪滤波预处理的拼接为长度为t，高为3的信息矩阵，将此信息矩阵作为第一个卷积块的输入；所述第二个、第三个卷积块的输出为上一层卷积块的输出与本层卷积输出的非线性变化叠加。

19、进一步的，所述第一个卷积块包括一个卷积核大小为1*1、卷积核个数为16、步长为1、填充为1的卷积层，一个卷积核大小为3*3、卷积核个数为32、步长为1、填充为1的卷积层，一个卷积核大小为1*1、卷积核个数为32、步长为3、填充为1的池化层以及一个relu激活函数层；所述第二个卷积块包括一个卷积核大小为3*3、卷积核个数为64、步长为2、填充为1的卷积层，一个卷积核大小为3*3、卷积核个数为64、步长为3、填充为1的池化层以及一个relu激活函数层；所述第三个卷积块包括一个卷积核大小为3*3、卷积核个数为64、步长为2、填充为1的卷积层，一个卷积核大小为1*1、卷积核个数为1、步长为1、填充为1的池化层，并输出定位信息特征图。

20、进一步的，步骤（2.2）中的特征分类网络包括两个编码译码块；第一个编码译码块包括两个解码层，一个自注意力提取层以及一个译码层；第二个编码译码块包括两个解码层，一个自注意力提取层，一个全连接层和一个softmax层；

21、所述解码层将所述定位信息特征图从第一维开始进行展平操作得到序列z，按照位置通过计算赋予独立的编码序列z；所述自注意力提取层按照编码序列计算全局的相关性；所述译码层将所述自注意力提取层提取得到的自注意力值按照位置拼接为自注意力矩阵；所述softmax层将输出当前时刻的定位位置概率值，取所有位置中最大值作为当前时刻的定位位置结果。

22、进一步的，所述编码序列、自注意力值计算公式的如下：

23、

24、

25、

26、

27、

28、其中表示为输入序列中的第元素的位置编码，为输入序列中的第元素，为输入自注意力提取层的编码序列的第元素，分别为当前自注意力提取层的编码序列的注意力键得分和注意力值得分，、为网络中反向传播学习的参数，为可更改的控制网络学习率的参数，表示输出的定位结果，即标签预测值。

29、进一步的，训练智慧服装定位模型所使用的损失函数为：

30、

31、其中n为输入样本的个数，表示当前第j个样本的真实标签值，表示当前第j个样本的预测标签值。

32、与现有技术相比，本发明的优点和有益效果如下：

33、本发使用了超宽带定位芯片，将其安装在智慧服装上，使用卷积学习网络（即特征提取网络）提取定位信息特征，使用基于自注意力的深度学习网络（即特征分类网络）将定位信息进行分类，解决传统的基于超宽带定位芯片的三角定位算法的抗干扰差的问题，同时具有可穿戴设备轻便、舒适度高的优点，在医疗安全领域为行动不便的患者提供了一种舒适的智慧服装的方法，可应用在医院、养老院以及电力检查等场所。