(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210632059.7 (22)申请日 2022.06.07 (71)申请人 首都体育学院 地址 100191 北京市海淀区北三环西路1 1 号高德楼 201 (72)发明人 王秋睿　王子朴　周志雄　 (51)Int.Cl. G06V 40/10(2022.01) G06V 40/20(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) A61B 5/00(2006.01) A61B 5/11(2006.01) G06N 5/02(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种采用PAMS运动编码的运动行为知识图 谱构建方法 (57)摘要 本发明专利提供了一种采用PAMS运动编码 的运动行为知 识图谱构建方法， 其特征在于： (1) 以pams行为样本开放平台(www.pams.cn)的样例 动作为模板， 对现实场景中发生的运动行为采用 分级构建模 型， 将基于深度学习的人体骨骼关键 点转化为行为样本开放平台的对应不同级别的 动作单元(Pose  Unit， PU)； (2)进一步采用深度 神经编码网络学习并同时分层输出不同级别动 作单元的动作类型， 并自顶向下的构建不同级别 动作单元的知识图谱属性关系。 权利要求书1页 说明书3页 附图2页 CN 114943987 A 2022.08.26 CN 114943987 A 1.本发明专利提供了一种采用PAMS运动编码的运动行为知识图谱构建方法， 其特征在 于： (1)以pams行为样本开放平台(www..pams.cn)的样例动作为模板， 对现实场景中发生的 运动行为采用分级构建模型， 将 基于深度学习的人体骨骼关键点转化为行为样本开放平台 的对应不同级别的动作单元(Pose  Unit， PU)； (2)进一步采用深度神经编码网络学习并同 时分层输出不同级别动作单元的动作类型， 并自顶向下的构建不同级别动作单元的知识图 谱属性关系。权　利　要　求　书 1/1 页 2 CN 114943987 A 2一种采用PAMS运动编码的运动行为知识图谱构建 方法 一、 技术领域 [0001]计算机视觉、 人工智能、 知识图谱、 体育动作识别 二、 背景技术 [0002]2.1通用技 术方法介绍 [0003]长短期记忆网络(LSTM， Long  Short‑Term Memory)是一种时间循环神经网络， 是 为了解决一般的循环神经网络存在的长期依赖问题而专门设计出来的， 所有的循环神经网 络都具有一种重复神经网络模块的链式形式。 [0004]卷积运算是深度卷积神经网络的重要模块， 其本质是类似于神经元输出功能的一 个权值共享的节点， 用于提取特征。 其中， 一 维卷积是仅对特征的某一个维度进 行卷积的卷 积运算。 [0005]知识图谱(Knowledge  Graph)是人工智能的重要分支技术， 它是结构化的语义知 识库， 用于以符号形式描述物理世界中的概念及其相互关系， 其基本组成单位是 “实体‑关 系‑实体”三元组， 以及实体及其相关属性 ‑值对， 实体间通过关系相互联结， 构成网状的知 识结构。 [0006]人体骨骼关键点检测是计算机视觉领域的一个研究任务， 通常采用基于深度学习 的方法预测事先定义的人体关键点的位置 。 人体骨骼关键点检测的方法属于回归 模型。 [0007]2.2相似方法介绍 [0008]基于个体运动行为层次模型的泛化应用系统及方法(申请号： 202110178598.3) [1]构建了多层级的人体运动知识图谱。 [0009]与其相比， 本申请的不同之处在于： (1)在人体动作定义阶段， 本申请先用基于深 度学习的人体骨骼关键点检测方法提取人体骨骼关键点， 再根据关键点之 间的空间位置关 系转化为相似方法的姿态单元  (PU)； (2)本方法可以基于一系 列连输的输入实现对动作的 多层级的识别， 而文 献[1]先基于单张图片识别姿态， 再以规则方法识别动作； (3)本方法的 动作标签的定义采用本申请提出的深度神经网络模 型(如图3所示)； (4)本方法采用视觉方 式， 文献[1]采用传感器等动作捕捉方式。 三、 发明内容 [0010]本发明专利提供了一种采用PAMS运动编码的运动行为知识图谱构建方法， 其特征 在于： (1)以pams  行为样本开放平台(www..pams.cn)的样例动作为模板， 对现实场 景中发 生的运动行为采用分级构建模型， 将 基于深度学习的人体骨骼关键点转化为行为样本开放 平台的对应不同级别的动作单元(Pose  Unit， PU)；  (2)进一步采用深度神经编码网络学习 并同时分层输出不同级别动作单元的动作类型， 并自顶向下的构建不同级别动作单元的知 识图谱属性关系。说　明　书 1/3 页 3 CN 114943987 A 3