计算机工程

作者：廖晓群, 徐清钏, 杨浩东, 李丹, 薛亚楠

单位：西安科技大学通信与信息工程学院，陕西 西安 710600

关键词：人体异常行为,TimeSformer算法,时间序列,优化算法,时间偏移模块

基金：中国高校产学研创新基金(2021KSA05005)

人体异常行为研究是应对人体潜在危险和紧急情况的重要保障任务。针对人体异常行为定义模糊、缺乏标准数据集等问题，基于生活场景定义头痛、摔倒、抽搐、腰痛、拳打、踢踹6种高发生频率的人体异常行为，并自建数据集HABDataset-6。基于注意力机制的TimeSformer算法在自建数据集HABDataset-6上存在高损失和时间序列建模不全面的问题，难以提取复杂样本的特征。为了更好地处理人体异常行为数据，提出改进算法TS-AT。首先采用加速随机梯度下降(ASGD)优化算法改进交叉熵损失函数来设计CAS模块降低原算法损失值，其次嵌入时间偏移模块(TSM)到原算法的Backbone网络中，提高时间序列的感知能力，提取更优特征用于模型训练。实验结果表明：TS-AT算法在自建数据集HABDataset-6上取得了良好效果，各行为类别的平均推理准确率高于80%；在公开数据集UCF-10和老人异常行为数据上，平均测试准确率分别达到了99%和84%，超过了对比算法。这些结果表明TS-AT算法在人体异常行为识别方面具有更高的精确度和良好的鲁棒性，有望提高应对潜在危险和紧急情况的能力，进一步保障人们的安全与健康。

来源：2025年第11期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第11期