人体行为识别是当前人工智能和模式识别领域的一个研究热点,随着智能穿戴设备和深度学习研究的不断进步,基于可穿戴传感器的人体行为识别成为其中的一个重要研究方向。传统的基于深度学习的人体行为识别方法虽然可以在不依赖研究者经验的情况下自动学习合适的分类特征,但仍然属于监督学习的范畴,需要严格标注好的训练数据集。但是,不同于能够轻松进行类别标注的图像或视频,严格标注传感器数据序列需要消耗大量的人力和资源。因此,能否利用弱标注的数据集进行模型的训练,如何设计出一个针对弱标签传感器数据的深度学习模型成为当下考虑的主要问题。针对以上问题,本文提出了一种弱监督下基于循环注意力学习的人体行为识别模型,该模型训练了一个智能体,该智能体自适应地选择传感器数据中的一系列位置提取数据信息,以实现对弱标注的传感器数据中的人体行为进行识别和定位。本文共完成了以下几方面的工作:(1)本文利用智能手机中的加速度计传感器采集人体行为过程中产生的加速度数据,并对数据进行加窗分割、标准化等预处理操作,生成了目标弱标签传感器数据集。(2)针对传统行为识别模型需要使用整条传感器数据信息,且只适用于较短的强标注传感器数据这一问题。本文提出了一种弱监督下基于循环注意力学习的人体行为识别模型。该模型利用卷积神经网络(CNN)和循环神经网络(LSTM)构造深度学习网络,为了能够快速地从输入数据中筛选出高价值的特征信息,引入注意力机制和强化学习,通过模仿人类的视觉注意力,实现在少量的步数内快速找到数据中最具代表特征的部分,以提高分类的准确率。(3)由于该模型是不可微分的,需通过强化学习对模型进行训练。由于每条传感器数据中标签行为可能发生多次,因此,本文设计了两种新颖的奖励策略,分别针对两种不同的弱标签数据集,以实现对数据中的多次发生的行为都能进行准确的定位。(4)为了更好地评估本文提出的弱监督模型,本文构造了两种基线模型,并将三种模型分别在采集的弱标签数据集和传统强标注数据集上进行了实验。实验结果表明,本文所提出的弱监督模型在两种数据集上的表现均优于传统的深度学习模型。