1.一种用于人体动作识别的基于扩散模型的自监督对比学习方法,其特征在于,包括:构建基于DDPM的针对时间序列的数据增强模型,该模型将一个源样本和两个参考样本作为输入,将源样本和两个参考样本结合起来,生成两个增强样本;所述源样本和两个参考样本均为WiFi CSI数据;
将增强样本进一步通过裁剪和调整大小来构建正样本对,并结合源样本构建对比损失,在此过程中,通过自适应权重算法调整模型训练中正样本对的权重,并将所述权重并入到对比损失中;所述自适应权重算法首先计算一个响应图,通过响应图反映正样本对应的动作数据量,然后根据响应图计算权重,用于结合源样本构建对比损失函数;
完成基于扩散模型的自监督对比学习框架构建和训练,用于人体动作识别。
2.根据权利要求1所述的用于人体动作识别的基于扩散模型的自监督对比学习方法,其特征在于,所述基于DDPM的针对时间序列的数据增强模型用于将来自具有不同习惯的用户的两个样本结合起来生成具有两个用户特征的增强样本。
3.根据权利要求1所述的用于人体动作识别的基于扩散模型的自监督对比学习方法,其特征在于,所述基于DDPM的针对时间序列的数据增强模型中,将高斯噪声输入到DDPM的逆扩散过程中,通过逐渐去噪生成干净的CSI数据,在去噪过程中,将源样本和参考样本作为条件,并将源样本和参考样本强加到DDPM的逆扩散过程中,生成一个具有源样本和参考样本融合特征的新样本。
4.根据权利要求1所述的用于人体动作识别的基于扩散模型的自监督对比学习方法,其特征在于,所述自适应权重算法包括:为了计算响应图,首先从静止数据的CSI序列中选择多个长度为H的静态模板w其中S
将样本x
在获取响应图后,计算样本x
其中W
其中σ
对于一个正样本对(x
W
其中W
5.根据权利要求4所述的用于人体动作识别的基于扩散模型的自监督对比学习方法,其特征在于,还包括:将损失函数定义如下:
其中N是minibatch的长度,τ是温度超参数,用于缩放距离分布;
采用源样本来构建对比损失函数,以捕捉原始训练数据的特征,该损失函数定义如下:其中,z
总体损失为:
基于总体损失对基于扩散模型的自监督对比学习框架进行训练,并利用基于扩散模型的自监督对比学习框架提取动作样本的表示。
6.根据权利要求5所述的用于人体动作识别的基于扩散模型的自监督对比学习方法,其特征在于,还包括:采用线性分类器将提取的动作样本的表示划分到相应的动作类别中,实现动作识别。