基于卷积神经网络与足底压力信息的步态识别的任务书.docx

基于卷积神经网络与足底压力信息的步态识别的任务书
任务书
一、任务目的
随着人们生活水平的提高，健康成为现代人生活的重要组成部分之一。科学的运动方式可以促进健康，而步态识别技术则是辅助运动的重要手段之一。本任务旨在利用卷积神经网络与足底压力信息，构建一个步态识别的模型，并且在实际运用中达到良好的预测效果，为人们的运动保健提供建议。
二、任务内容
1.综述卷积神经网络与足底压力信息的研究现状，了解相关的理论与算法原理。收集大量相关文献资料，对相关理论进行深入学习和掌握，从中挑选出与本任务相关的内容。
2.收集足底压力信息数据，建立足底压力信息的数据集。在建立数据集时，需要考虑到人群的多样性，将不同年龄、性别、体型、健康状况等因素考虑进去，使得数据集更加全面，有代表性。
3.构建步态识别的模型。本任务采用卷积神经网络进行模型构建。对于卷积神经网络的建模，需要考虑到网络的层数、卷积核大小、步长以及池化等因素，并且需要进行适当的调参，使得模型具有较高的准确性和鲁棒性。
4.通过训练模型，对足底压力信息数据进行分类识别。本任务需要识别步态的状态，即行走、奔跑、静止等状态，并得出对应的判断结果。
5.对训练的模型进行评估。本任务通过准确率、召回率等指标，对训练的模型进行评估。同时检验模型的鲁棒性及稳定性，以保证模型的适用性。
三、任务要求
1.深入掌握卷积神经网络与足底压力信息的基础理论和研究现状。详细阅读相关文献资料，阅读英文文献。
2.能够独立收集并处理足底压力信息的数据，建立完整可用于模型训练的数据集。
3.能够利用Tensorflow、Keras等深度学习框架构建步态识别的模型，并且进行适当的调参。
4.具备一定的编程能力，能够使用Python编程语言对模型进行训练，并完成对应的代码实现。同时需要采用良好的编程规范，代码风格简洁易懂，代码注释齐全。
5.能够对模型进行评估，对该模型的准确率、召回率等指标指标进行计算，对训练过程进行详细的记录和分析。
6.进行深入的讨论和分析，对该模型的优劣、适应性、应用场景等方面进行分析和总结，并提出合理的改进建议。
四、任务计划
1.第一阶段（选题与评审，用时7天）
1.1选题：选择目前研究热点，获得导师同意选题，编写任务书
1.2系统阅读与研究文献资料，包括卷积神经网络、步态识别、足底压力信息数据收集赖的文献资料
1.3编写选题的开题报告，提交审批。
2.第二阶段（数据收集，用时14天）
2.1足底压力信息数据的收集：通过体感测试设备，收集数据，拍摄照片，记录足底的实际接触面积和压力分布
2.2数据的处理：采集到数据后，将其进行格式转换，并且进行数据清洗和预处理，保证数据的规范性和可用性。
3.第三阶段（模型构建，用时21天）
3.1搭建卷积神经网络模型：采用Tensorflow或Keras等深度学习框架，建立卷积神经网络模型，考虑到模型层次、损失函数、优化器等因素，并且进行适当的调参。
3.2训练模型：利用数据集，对已搭建好的模型网络进行训练并进行优化
4.第四阶段（性能评估，用时14天）
4.1对模型进行评估，采用准确率、召回率等指标进行计算，并进行有效的分析和总结。
4.2设计和实现评估平台：设计和实现一个跨平台的软件应用，对足底压力信息进行采集、处理和可视化展示，同时加入模型的评估接口，达到可持续升级和扩展的目的。
5.第五阶段（报告和总结，用时7天）
5.1撰写论文：在任务完成后，对任务的实施过程和结果进行撰写。
5.2准备答辩：对任务过程、结果、取得的成果等进行简洁明了的讲解，并答辩专家的提问。
五、任务成果
1.本任务的研究成果包括：构建了一个基于卷积神经网络与足底压力信息的步态识别模型。
2.对模型进行了详细的评估，包括模型对数据集的训练效果和模型的识别准确率等内容。
3.撰写了一份完整的论文，对任务的研究过程、方法和结论进行了详细地论述。
4.设计和开发了一个跨平台的软件应用，利用该应用，用户可以方便而直观地进行足底压力信息的收集、处理和识别。可以为未来的应用带来启示，并且提出合理的改进建议。
六、参考文献
[1]WangG,XuQ,ZhangC,etal.AdaptiveModelforReal-timeHumanGaitRecognitionwithPedestrianDeadReckoningSystem[C]//2018IEEE3rdInternationalConferenceonImage,VisionandComputing(ICIVC).IEEE,2018:431-436.
[2]LiangQ,ZhangD,ChenY,etal.AComprehensiveReviewofFootPlantarPressureMeasurementSystemsandMeth