基于CNN-LSTM的井下人员行为模式识别模型

作者：崔丽珍; 张清宇; 郭倩倩; 马宝良

来源：无线电工程, 2023, 53(06): 1375-1381.

• 井下人员
• 智能手机
• 卷积神经网络
• 长短期记忆
• 行为模式识别

针对井下人员日常工作时的运动状态多变且智能手机位置不固定，导致仅考虑单一运动模式下的人员定位精度低的问题，提出一种基于卷积神经网络(Convolutional Neural Network, CNN)和长短期记忆(Long Short-Term Memory, LSTM)网络的CNN-LSTM井下人员行为模式识别模型。通过智能手机采集井下人员工作状态中的加速度、陀螺仪惯性数据进行运动模式识别，该模型融合了CNN和LSTM两层操作，CNN提取序列的空间特征，LSTM提取时间维度上的特征，对井下人员运动类别及智能手机位置定义，数据预处理后使用CNN-LSTM模型作为分类器进行矿工井下日常行为分类，根据分类结果排除对定位的干扰行为，辅助井下智能手机人员定位算法更新矿工位置，以此来提高井下人员定位算法的抗干扰性和实用性。在井下人员日常行为模式数据集上进行了测试实验，结果表明，提出的CNN-LSTM分类模型对矿工行为模式识别准确率为98.71%。

• 单位
  鄂尔多斯应用技术学院; 内蒙古科技大学