动作特征获取方法、装置、电子设备及存储介质
本发明涉及动作识别，尤其涉及一种动作特征获取方法、装置、电子设备及存储介质。
背景技术：
1、特征工程包括特征提取和特征选择。特征提取，即从原始数据或原始特征中进一步提取出具有一定物理意义或统计学意义等的特征。这些特征抽象度更高，能够帮助后序的研究，能够更容易表达数据的特点。特征选择，也叫做特征子集选择，指从已有特征集合中选择出少量特征子集，使其具有更小的维度，同时提高算法的性能。
2、现有的特征提取方法提取的特征一般包含时域特征和频域特征，时域特征大多是均值、方差、标准差等特征，频域特征大多使用傅里叶变换或小波变换方式等进行特征提取。现有的特征提取方法提取的只是一个特征子集而未包含更多重要的特征，提取精度不高。
技术实现思路
1、本发明提供一种特征提取方法，用以解决现有技术中特征提取方法的提取精度不高的缺陷，通过训练好的神经网络模型的梯度信息确定动作特征对应的评价参数，根据评价参数进行特征选择，实现了从大量动作特征中选择出最有价值的动作特征，提升了动作特征获取的准确性。
2、本发明提供一种动作特征获取方法，包括如下步骤：
3、获取初始特征集合，所述初始特征集合包括与时间序列任务相关的多个动作特征；
4、在将所述初始特征集合输入训练好的神经网络模型的情况下，根据所述训练好的神经网络模型的梯度信息，确定所述初始特征集合中每个动作特征对应的评价参数，所述评价参数用于指示动作特征的重要程度，所述训练好的神经网络模型是使用预设特征集合进行训练的，所述预设特征集合包括多个动作特征；
5、根据所述每个动作特征对应的评价参数进行特征选择，得到目标特征子集，所述目标特征子集包括的动作特征的数量少于所述初始特征集合包括的动作特征的数量。
6、根据本发明提供的一种特征提取方法，所述根据训练好的神经网络模型的梯度信息，确定所述初始特征集合中每个动作特征对应的评价参数，包括：
7、获取所述每个动作特征对应的梯度信息，所述每个动作特征对应的梯度信息是所述训练好的神经网络模型的损失函数对输入的所述每个动作特征的梯度信息；
8、根据所述每个动作特征对应的梯度信息，以及所述初始特征集合中所有动作特征对应的梯度信息，确定所述每个动作特征对应的评价参数。
9、根据本发明提供的一种特征提取方法，所述每个动作特征对应的梯度信息包括每个动作特征对应的梯度绝对值，所述根据所述每个动作特征对应的梯度信息，以及所述初始特征集合中所有动作特征对应的梯度信息，确定所述每个动作特征对应的评价参数，包括：计算所述每个动作特征对应的梯度绝对值在所述所有动作特征对应的梯度绝对值中的占比，得到所述每个动作特征对应的权重，所述每个动作特征对应的权重为所述每个动作特征对应的评价参数；
10、所述根据所述每个动作特征对应的评价参数进行特征选择，得到目标特征子集，包括：按照所述每个动作特征对应的权重的大小，确定目标特征子集。
11、根据本发明提供的一种特征提取方法，在所述根据所述每个动作特征对应的评价参数进行特征选择，得到目标特征子集之前，所述方法还包括：
12、获取所述评价参数对应的参数阈值；
13、所述根据所述每个动作特征对应的评价参数进行特征选择，得到目标特征子集，包括：根据所述每个动作特征对应的评价参数，以及所述评价参数对应的参数阈值，得到目标特征子集，所述目标特征子集中包括的每个动作特征对应的评价参数所指示的参数值大于所述参数阈值。
14、根据本发明提供的一种特征提取方法，在所述根据所述训练好的神经网络模型的梯度信息，确定所述初始特征集合中每个动作特征对应的评价参数之前，所述方法还包括：根据目标评估结果确定训练好的神经网络模型和/或预设特征集合，所述目标评估结果是对上一轮特征选择得到的候选特征子集进行分类精度评估得到的。
15、根据本发明提供的一种特征提取方法，所述根据目标评估结果确定所述训练好的神经网络模型和/或所述预设特征集合，包括：
16、若所述分类精度所指示的区分特征类别的能力低于能力参数阈值，则更换所述训练好的神经网络、或者重新训练所述训练好的神经网络、或者更换所述预设特征集合；
17、若所述分类精度所指示的区分特征类别的能力大于或者等于能力参数阈值，且所述候选特征子集所包括的动作特征的数量大于数量阈值，则确定所述候选特征子集为预设特征集合。
18、根据本发明提供的一种特征提取方法，所述预设特征集合包括的动作特征为所述初始特征集合中的部分或者全部动作特征。
19、根据本发明提供的一种特征提取方法，所述获取初始特征集合，包括：
20、获取动作数据集，所述动作数据集包括通过加速度计采集的动作数据；
21、采用时序数据特征提取工具从所述动作数据集中提取特征，得到所述初始特征集合。
22、本发明还提供一种动作特征获取装置，包括如下模块：
23、初始特征获取模块，用于获取初始特征集合，所述初始特征集合包括与时间序列任务相关的多个动作特征；
24、评价参数获取模块，用于在将所述初始特征集合输入训练好的神经网络模型的情况下，根据所述训练好的神经网络模型的梯度信息，确定所述初始特征集合中每个动作特征对应的评价参数，所述评价参数用于指示动作特征的重要程度，所述训练好的神经网络模型是使用预设特征集合进行训练的，所述预设特征集合包括多个动作特征；
25、选择特征获取模块，用于根据所述每个动作特征对应的评价参数进行特征选择，得到目标特征子集，所述目标特征子集包括的动作特征的数量少于所述初始特征集合包括的动作特征的数量。
26、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述动作特征获取方法的步骤。
27、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述动作特征获取方法的步骤。
28、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述动作特征获取方法的步骤。
29、本发明提供的动作特征获取方法、装置、电子设备及存储介质，根通过训练好的神经网络模型的梯度信息确定动作特征对应的评价参数，根据评价参数进行特征选择，实现了从大量动作特征中选择出最有价值的动作特征，提升了动作特征获取的准确性。
技术特征：
1.一种动作特征获取方法，其特征在于，包括：
2.根据权利要求1所述的动作特征获取方法，其特征在于，所述根据所述训练好的神经网络模型的梯度信息，确定所述初始特征集合中每个动作特征对应的评价参数，包括：
3.根据权利要求2所述的动作特征获取方法，其特征在于，所述每个动作特征对应的梯度信息包括每个动作特征对应的梯度绝对值，所述根据所述每个动作特征对应的梯度信息，以及所述初始特征集合中所有动作特征对应的梯度信息，确定所述每个动作特征对应的评价参数，包括：
4.根据权利要求1所述的动作特征获取方法，其特征在于，在所述根据所述每个动作特征对应的评价参数进行特征选择，得到目标特征子集之前，所述方法还包括：
5.根据权利要求1所述的动作特征获取方法，其特征在于，在所述根据所述训练好的神经网络模型的梯度信息，确定所述初始特征集合中每个动作特征对应的评价参数之前，所述方法还包括：
6.根据权利要求5所述的动作特征获取方法，其特征在于，所述根据目标评估结果确定所述训练好的神经网络模型和/或所述预设特征集合，包括：
7.一种动作特征获取装置，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述动作特征获取方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述动作特征获取方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述动作特征获取方法的步骤。
技术总结
本发明提供一种动作特征获取方法、装置、电子设备及存储介质。所述方法包括：获取初始特征集合，所述初始特征集合包括与时间序列任务相关的多个动作特征；在将所述初始特征集合输入训练好的神经网络模型的情况下，根据所述训练好的神经网络模型的梯度信息，确定所述初始特征集合中每个动作特征对应的评价参数；根据所述每个动作特征对应的评价参数进行特征选择，得到目标特征子集。所述方法实现了从大量动作特征中选择出最有价值的动作特征，提升了动作特征获取的准确性。
技术研发人员：刘泽婷,李开航,秦雄,沈媛媛
受保护的技术使用者：北京体育大学
技术研发日：
技术公布日：2024/9/23