一种基于智能大数据的人体健康特征建模测量方法与平台技术

本发明专利技术公开了一种基于智能大数据的人体健康特征建模测量方法与平台，该方法包括：步骤1：构建人体自然体征数据库和人体极限运动数据库；步骤2：利用搭载在无人机上的ZED相机获取的人体身高，筛选出待识别人体群；步骤3：基于Hadoop平台对待识别人体脸部图像利用灰色神经网络进行快速识别；步骤4：无人机跟踪已识别人体，利用穿戴设备获取待识别人体的健康数据并传输至远程服务器；步骤5:将获取的健康数据输入基于小波神经网络的人体健康评估模型，得到待识别人体的健康检测程度。本发明专利技术基于大数据平台，运用穿戴设备、无人机、双目相机对户外运动人体健康信息采集，进行实时健康监测，从而做出合理决策。

A method and platform for human health feature modeling and measurement based on intelligent large data

The invention discloses a method for measuring intelligent human health feature modeling based on big data platform, the method comprises the following steps: Step 1: Construction of human nature and the limits of the human body movement signs database database; step 2: Based on the UAV is equipped with ZED camera to obtain the height of the human body, screened to identify human groups; step 3 Hadoop platform: the recognition of human face image using treat fast recognition based on grey neural network; step 4: UAV has been tracking human body recognition, the use of wearable devices to obtain health data to identify human and transmitted to the remote server; health data input step 5: will get the evaluation model of wavelet neural network based on human health, health to detect the degree of recognition of human. The invention is based on the big data platform, uses wearable devices, UAV and binocular cameras to collect outdoor sports human health information, and carries out real-time health monitoring, so as to make reasonable decisions.

【技术实现步骤摘要】
一种基于智能大数据的人体健康特征建模测量方法与平台
本专利技术属于健康监测大数据领域，特别涉及一种基于智能大数据的人体健康特征建模测量方法与平台。
技术介绍
随着社会经济的不断发展，健康观念逐步深入人心，参加户外运动的人数日益壮大。与此同时，因运动个体的运动量过大导致的运动事故率也节节攀高。因此，在户外运动中对人体的健康情况进行实时监测，有效的保障运动者安全的问题就十分有意义。近些年来，穿戴设备发展迅猛，可以快速准确地测出测量心率、汗液、体温、睡眠、步数、血压、葡萄糖水平等人体健康数据。而通过对这些人体健康数据的智能融合可以判断人体的身体健康状况。因此，在户外运动过程中，实时监测人体健康数据、运动环境以及实时定位，就可以很大程度上防止户外运动意外事故的发生，保障生命安全。
技术实现思路
本专利技术目的在于提出一种基于智能大数据的人体健康特征建模测量方法与平台，利用搭载在无人机上的ZED相机获取的人体身高，筛选出待识别人体群并且获取对应的脸部图像；基于Hadoop平台对待识别人体脸部图利用灰色神经网络进行快速识别；无人机跟踪已识别人体，并与已识别人体的穿戴设备进行通信，获取待识别人体的健康数据传输至远程服务器；将获取的健康数据输入基于小波神经网络的人体健康评估模型，得到待识别人体的健康检测程度。一种基于智能大数据的人体健康特征建模测量方法，包括以下步骤：步骤1：构建人体健康特征数据库；所述人体健康特征数据库包括人体自然体征数据库和人体极限运动数据库；其中，所述人体自然体征数据库包括不同人的脸部图像和对应的身高，且所述脸部图像包括在不同光照强度下获得的各种正面图像、左脸图像以及右脸图像；所述人体极限运动数据库包括人体健康特征数据库中每个人在不同极限运动的各种运动量情况下的健康数据，所述健康数据是指在运动过程中10s内采集的心率、血压和体温；步骤2：依据搭载在无人机上的ZED相机获取的人体身高，筛选出待识别人体群并且获取对应的脸部图像数据块；步骤3：基于Hadoop平台对待识别人体脸部图像数据块进行待识别人体的快速识别；步骤3.1：将待识别人体的脸部图像数据块，利用MapReduce进行切片，并为每一个数据分片构造一个Map任务；步骤3.2：利用InputFormat类将每个数据分片转换成<key/value>对，以key记录每个数据分片起点的存储位置，以value记录每个数据分片的数据长度；步骤3.3：对步骤3.2得到的所有<key/value>对对应的脸部图像数据进行Map操作；所述Map操作是指对一个数据分片中的脸部图像依次进行预处理、特征提取、PCA降维处理后，采用在Hadoop平台训练得到的基于灰色神经网络的脸部识别模型进行识别；步骤3.4：利用Reduce函数融合所有Map操作输出的识别结果；其中，所述在Hadoop平台训练得到的基于灰色神经网络的脸部识别模型是指将脸部图像训练数据按照步骤3.1-3.2的过程利用MapReduce进行多次数据分片处理，并将每个数据分片对应的训练数据，训练基于灰色神经网络的脸部识别模型，将所有训练完后的基于灰色神经网络的脸部识别模型中的权值和阈值求平均，直到最终基于灰色神经网络的脸部识别模型的精度满足设定的识别精度或者执行MapReduce次数达到设定的最大执行次数；步骤4：利用识别结果，使得无人机跟踪待识别人体，并与待识别人体的穿戴设备进行通信，获取待识别人体的健康数据传输至远程服务器；步骤5：将获取的待识别人体的健康数据输入小波神经网络人体健康评估模型，得到待识别人体的健康检测程度。进一步地，所述灰色神经网络脸部识别模型的构建过程如下：步骤3.3.1：对每一幅训练图像进行预处理，并对预处理后的图像进行PCA降维，得到降维矩阵；步骤3.3.2：利用MapReduce对训练图像数据和对应的图像编号进行切片，依次将每个数据分片中所有训练图像的降维矩阵对应的特征向量作为输入层节点，输出层节点为数据分片中每个训练图像的编号，对灰色神经网络进行训练，得到基于灰色神经网络的脸部识别模型；其中，最大迭代次数为300，训练学习率为0.15，在训练过程中，所述灰色神经网络使用的权值和阈值采用带有自适应权值的量子粒子群算法进行寻优获得。进一步地，所述灰神经网络使用的权值和阈值采用带有自适应权值的量子粒子群算法进行寻优获得的过程如下：步骤A1：以量子粒子群中每个量子粒子个体的位置向量作为所述灰色神经网络的权值和阈值，将量子粒子种群个体的位置向量参数初始化为[-1，1]的随机数；量子粒子群种群的个数的取值范围为[25,70]，量子粒子群的粒子个数的取值范围为[5,50]，最大迭代次数的取值范围为[400，1000]，组建精英种群的迭代次数的取值范围为[60,180]，早熟收敛判断阈值的取值范围为[0.01，0.45]，种群最差粒子变异比例δ％的取值范围为[2％,7％]；步骤A2：设定适应度函数，确定初始最优量子粒子个体位置向量和迭代次数t，t＝1；将量子粒子个体位置向量对应的权值和阈值代入基于灰色神经网络的脸部识别模型中，并利用量子粒子个体位置向量确定的基于灰色神经网络的脸部识别模型计算输入图像的对应编号，将输入图像的计算编号和实际编号的均方差的倒数作为第一适应度函数f1(x)；Ai表示计算编号值的第i位，Bi表示实际编号值的第i位，n＝6；步骤A3：计算每个量子粒子群的群体适应度方差，进行早熟收敛判断；若量子粒子群群体适应度方差小于早熟收敛判断阈值γ，则对量子粒子群中δ％的适应度最差粒子和群体极值粒子进行变异，并以当前适应度最好的粒子作为全局最优量子粒子个体；步骤A4：判断是否组建精英种群；当迭代次数大于精英种群迭代次数时，则通过种群间的信息共享，提取各种群的极值组建精英种群，转入步骤A8，否则转入步骤A5；步骤A5：更新各种群粒子参数；步骤A6：重新计算并比较每个粒子的适应度值，如果优于当前的个体极值，则更新个体极值；比较全局极值粒子，如果存在粒子适应度值优于当前的群体极值，则更新全局极值粒子，令t＝t+1，转入步骤A3；步骤A7：精英种群继续进化；步骤A8：判断是否满足最大迭代次数，若满足则退出，否则，令t＝t+1，转入步骤A3，直到找到全局最优值，输出所述神经网络的权值和阈值。进一步地，对步骤3.3.1预处理后的图像提取LBP特征后，再对图像LBP特征进行PCA降维处理；所述提取LBP特征的过程如下：逐行扫描预处理后的图像的每一个像素点，以每个像素点的灰度作为阈值，对当前像素点周围3×3的8邻域像素点进行二值化处理；按照从左上角开始，顺时针方向的顺序将二值化的结果组成一个8位二进制数，并将得到的二进制数的十进制值作为当前像素点的响应值，得到响应图像；将响应图像按照从左至右，从上至下的顺序将所有像素点的响应值排列成一维向量，作为预处理后的图像LBP特征。进一步地，所述小波神经网络人体健康评估模型的构建过程如下：将人体极限运动量训练数据库中各种运动量的人体健康数据作为输入层节点，输出层节点为对应的健康评估分数，对小波神经网络进行训练；其中，输入层包含3个节点，最大迭代次数设置为100，训练学习率为0.2，所述小波神经网络使用本文档来自技高网...

【技术保护点】
一种基于智能大数据的人体健康特征建模测量方法，其特征在于，包括以下步骤：步骤1：构建人体健康特征数据库；所述人体健康特征数据库包括人体自然体征数据库和人体极限运动数据库；其中，所述人体自然体征数据库包括不同人的脸部图像和对应的身高，且所述脸部图像包括在不同光照强度下获得的各种正面图像、左脸图像以及右脸图像；所述人体极限运动数据库包括人体健康特征数据库中每个人在不同极限运动的各种运动量情况下的健康数据，所述健康数据是指在运动过程中10s内采集的心率、血压和体温；步骤2：依据搭载在无人机上的ZED相机获取的人体身高，筛选出待识别人体群并且获取对应的脸部图像数据块；步骤3：基于Hadoop平台对待识别人体脸部图像数据块进行待识别人体的快速识别；步骤3.1：将待识别人体的脸部图像数据块，利用MapReduce进行切片，并为每一个数据分片构造一个Map任务；步骤3.2：利用Input Format类将每个数据分片转换成<key/value>对，以key记录每个数据分片起点的存储位置，以value记录每个数据分片的数据长度；步骤3.3：对步骤3.2得到的所有<key/value&gt;对对应的脸部图像数据进行Map操作；所述Map操作是指对一个数据分片中的脸部图像依次进行预处理、特征提取、PCA降维处理后，采用在Hadoop平台训练得到的基于灰色神经网络的脸部识别模型进行识别；步骤3.4：利用Reduce函数融合所有Map操作输出的识别结果；其中，所述在Hadoop平台训练得到的基于灰色神经网络的脸部识别模型是指将脸部图像训练数据按照步骤3.1‑3.2的过程利用MapReduce进行多次数据分片处理，并将每个数据分片对应的训练数据，训练基于灰色神经网络的脸部识别模型，将所有训练完后的基于灰色神经网络的脸部识别模型中的权值和阈值求平均，直到最终基于灰色神经网络的脸部识别模型的精度满足设定的识别精度或者执行MapReduce次数达到设定的最大执行次数；步骤4：利用识别结果，使得无人机跟踪待识别人体，并与待识别人体的穿戴设备进行通信，获取待识别人体的健康数据传输至远程服务器；步骤5：将获取的待识别人体的健康数据输入小波神经网络人体健康评估模型，得到待识别人体的健康检测程度。...

【技术特征摘要】
1.一种基于智能大数据的人体健康特征建模测量方法，其特征在于，包括以下步骤：步骤1：构建人体健康特征数据库；所述人体健康特征数据库包括人体自然体征数据库和人体极限运动数据库；其中，所述人体自然体征数据库包括不同人的脸部图像和对应的身高，且所述脸部图像包括在不同光照强度下获得的各种正面图像、左脸图像以及右脸图像；所述人体极限运动数据库包括人体健康特征数据库中每个人在不同极限运动的各种运动量情况下的健康数据，所述健康数据是指在运动过程中10s内采集的心率、血压和体温；步骤2：依据搭载在无人机上的ZED相机获取的人体身高，筛选出待识别人体群并且获取对应的脸部图像数据块；步骤3：基于Hadoop平台对待识别人体脸部图像数据块进行待识别人体的快速识别；步骤3.1：将待识别人体的脸部图像数据块，利用MapReduce进行切片，并为每一个数据分片构造一个Map任务；步骤3.2：利用InputFormat类将每个数据分片转换成&lt;key/value&gt;对，以key记录每个数据分片起点的存储位置，以value记录每个数据分片的数据长度；步骤3.3：对步骤3.2得到的所有&lt;key/value&gt;对对应的脸部图像数据进行Map操作；所述Map操作是指对一个数据分片中的脸部图像依次进行预处理、特征提取、PCA降维处理后，采用在Hadoop平台训练得到的基于灰色神经网络的脸部识别模型进行识别；步骤3.4：利用Reduce函数融合所有Map操作输出的识别结果；其中，所述在Hadoop平台训练得到的基于灰色神经网络的脸部识别模型是指将脸部图像训练数据按照步骤3.1-3.2的过程利用MapReduce进行多次数据分片处理，并将每个数据分片对应的训练数据，训练基于灰色神经网络的脸部识别模型，将所有训练完后的基于灰色神经网络的脸部识别模型中的权值和阈值求平均，直到最终基于灰色神经网络的脸部识别模型的精度满足设定的识别精度或者执行MapReduce次数达到设定的最大执行次数；步骤4：利用识别结果，使得无人机跟踪待识别人体，并与待识别人体的穿戴设备进行通信，获取待识别人体的健康数据传输至远程服务器；步骤5：将获取的待识别人体的健康数据输入小波神经网络人体健康评估模型，得到待识别人体的健康检测程度。2.根据权利要求1所述的方法，其特征在于，所述灰色神经网络脸部识别模型的构建过程如下：步骤3.3.1：对每一幅训练图像进行预处理，并对预处理后的图像进行PCA降维，得到降维矩阵；步骤3.3.2：利用MapReduce对训练图像数据和对应的图像编号进行切片，依次将每个数据分片中所有训练图像的降维矩阵对应的特征向量作为输入层节点，输出层节点为数据分片中每个训练图像的编号，对灰色神经网络进行训练，得到基于灰色神经网络的脸部识别模型；其中，最大迭代次数为300，训练学习率为0.15，在训练过程中，所述灰色神经网络使用的权值和阈值采用带有自适应权值的量子粒子群算法进行寻优获得。3.根据权利要求2所述的方法，其特征在于，所述灰色神经网络使用的权值和阈值采用带有自适应权值的量子粒子群算法进行寻优获得的过程如下：步骤A1：以量子粒子群中每个量子粒子个体的位置向量作为所述灰色神经网络的权值和阈值，将量子粒子种群个体的位置向量参数初始化为[-1，1]的随机数；量子粒子群种群的个数的取值范围为[25,70]，量子粒子群的粒子个数的取值范围为[5,50]，最大迭代次数的取值范围为[400，1000]，组建精英种群的迭代次数的取值范围为[60,180]，早熟收敛判断阈值的取值范围为[0.01，0.45]，种群最差粒子变异比例δ％的取值范围为[2％,7％]；步骤A2：设定适应度函数，确定初始最优量子粒子个体位置向量和迭代次数t，t＝1；将量子粒子个体位置向量对应的权值和阈值代入基于灰色神经网络的脸部识别模型中，并利用量子粒子个体位置向量确定的基于灰色神经网络的脸部识别模型计算输入图像的对应编号，将输入图像的计算编号和实际编号的均方差的倒数作为第一适应度函数f1(x)；Ai表示计算编号值的第i位，Bi表示实际编号值的第i位，n＝6；步骤A3：计算每个量子粒子群的群体适应度方差，进行早熟收敛判断；若量子粒子群群体适应度方差小于早熟收敛判断阈值γ，则对量子粒子群中δ％的适应度最差粒子和群体极值粒子进行变异，并以当前适应度最好的粒子作为全局最优量子粒子个体；步骤A4：判断是否组建精英种群；当迭代次数大于精英种群迭代次数时，则通过种群间的信息共享，提取各种群的极值组建精英种群，转入步骤A8，否则转入步骤A5；步骤A5：更新各种群粒子参数；步骤A6：重新计算并比较每个粒子的适应度值，如果优于当前的个体极值，则更新个体极值；比较全局极值粒子，如果存在粒子适应度值优于当前的群体极值，则更新全局极值粒子，令t＝t+1，转入步骤A3；步骤A7：精英种群继续进化；步骤A8：判断是否满足最大迭代次数，若满足则退出，否则，令t＝t+1，转入步骤A3，直到找到全局最优值，输出所述神经网络的权值和阈值。4.根据权利要求2所述的方法，其特征在于，对步骤3.3.1预处理后的图像提取LBP特征后，再对图像LBP特征进行PCA降维处理；所述提取LBP特征的过程如下：逐行扫描预处理后的图像的每一个像素点，以每个像素点的灰度作为阈值，对当前像素点周围3×3的8邻域像素点进行二值化处理；按照从左上角开始，顺时针方向的顺序将二值化的结果组成一个8位二进制数，并将得到的二进制数的十进制值作为当前像素点的响应值，得到响应图像；将响应图像按照从左至右，从上至下的顺序将所有像素点的响应值排列成一维向量，作为预处理后的图像LBP特征。5.根据权利要求1所述的方法，其特征在于，所述小波神经网络人体健康评估...

【专利技术属性】
技术研发人员：刘辉，李燕飞，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43