一种基于贝叶斯最优化XGBoost算法的疲劳预测方法技术

本发明专利技术提供一种基于贝叶斯最优化XGBoost算法的疲劳预测方法，步骤如下:一、利用信号采集仪，获得测试者在运动疲劳状态下的生理信号数据并存储；二、基于RANSAC算法剔除异常数据；三、利用SMOTE过采样算法进行少数样本重采样，解决类不平衡问题；四、利用XGBoost模型进行疲劳预测，将处理完成的样本数据输入XGBoost模型进行分类；五、利用贝叶斯最优化算法对XGBoost模型进行优化。通过以上步骤，实现疲劳预测的过程，提高了运动疲劳识别的智能度和准确率。

【技术实现步骤摘要】
一种基于贝叶斯最优化XGBoost算法的疲劳预测方法
本专利技术提供一种疲劳预测方法，特别涉及一种基于贝叶斯最优化XGBoost算法的疲劳预测方法，属于智能健康管理领域。
技术介绍
体征数据监测作为智能健康管理系统的基础模块，是不可缺少的核心部分，长时间以来，始终是各个领域专家学者研究的重点课题。随着社会的不断进步与发展，再加上个人健康信息长时间的积累，智能健康管理系统逐渐趋于完善，在这一背景条件的影响下，医学领域在疲劳预测的研究中也取得了很多突破性进展。国内外对于疲劳预测的问题的研究切入点，大致可以人分为以下四种方法：评价性测定法、生理反应测试法、生理参数测试法(ShinjiMita、SarojK.L.Lal、MartinEriksso等人)和生化方法(C.Tsopanakis等)。基于生理参数测定法考虑，迄今为止，我国很多专家学者采用检测生理参数的方式对人体疲劳进行推导研究。目前，已经提出的疲劳预测方法有：陆阿明提出最大纵向强度和10秒内的垂直跳动冲动值可作为评估疲劳的一项重要生理指标；刘华等开发出了根据人眼对LED灯闪烁频率的识别度进行判断的简易人体疲劳检测仪；西安交通大学发表了论文如何使用红外光谱法(NIRS)的方法来检测人体的肌肉的疲劳程度等。但是，预测正确率仍然有待提高。本专利所提出的一种疲劳预测方法是针对当前的体征监测的需求，同时结合参考当今社会疲劳预测对人们日常生活的重要性，通过利用贝叶斯最优化XGBoost算法，提高了疲劳预测的正确率。
技术实现思路
专利技术目的本专利技术的目的是提供一种疲劳预测方法，它针对当前的体征监测的需求，同时结合参考当今社会疲劳预测对人们日常生活的重要性，通过利用贝叶斯最优化XGBoost算法，提高了疲劳预测的正确率。技术方案本专利技术一种基于贝叶斯最优化XGBoost算法的疲劳预测方法，其步骤如下:步骤一、利用信号采集仪，获得测试者在运动疲劳状态下的生理信号数据并存储步骤二、基于RANSAC算法剔除异常数据步骤三、利用SMOTE过采样算法进行少数样本重采样，解决类不平衡问题步骤四、利用XGBoost模型进行疲劳预测，将处理完成的样本数据输入XGBoost模型进行分类步骤五、利用贝叶斯最优化算法对XGBoost模型进行优化通过以上步骤，借助于多种相关生理指标数据(心率、血氧饱和度、血压、身高、体重、年龄等)当作参考，通过推导而获得疲劳程度。利用贝叶斯最优化的XGBoost算法实现了对测试者疲劳值的预测，在建立的疲劳数据库上得到的疲劳值预测输出与期望输出的符合度高，提高了预测的正确率。其中，在“步骤一”中所述的“利用信号采集仪，获得测试者在运动疲劳状态下的生理信号数据并存储”，其做法如下：信号采集仪需要收集的数据包括用户的实时血压，血氧饱和度，心率，体温同时收集设备物理数据，设备物理数据包括设备温度等。数据是在接收的同时进行存储。数据存储部分功能在轻量级数据库SQLite中完成。其中，在“步骤二”中所述的“基于RANSAC算法剔除异常数据”，其做法如下：由于条件的限制以及获得实验设计的信号的便利性，观察评估的结果受人为因素的影响很大。尽管RPE得分和疲劳自我评估问卷得分被综合考虑，但是获得的数据仍然太大。因此，使用RANSAC算法来消除异常数据。RANSAC算法是假设数据具有某种特性(目的)，为了达到目的，适当割舍一些现有的数据。其中，在“步骤三”中所述的“利用SMOTE过采样算法进行少数样本重采样，解决类不平衡问题”，其做法如下：考虑到志愿者对运动量的接受程度等因素，重度疲劳和轻度疲劳类别的样本数据量较少，所以样本数据存在类不平衡问题。SMOTE过采样算法即少数样本合成技术，它通过将选定的少数采样与其k个最近的相邻节点相关联来获取新采样。其中，在“步骤四”中所述的“利用XGBoost模型进行疲劳预测，将处理完成的样本数据输入XGBoost模型进行分类”，其做法如下：将步骤二和三处理完成的样本数据输入XGBoost模型进行分类，XGBoost(极端梯度增强)表示的是一个集成的学习框架，它的分类过程是迭代计算弱分类器来进行更准确地分类，并且其分类过程是可以多线程并行计算进行的。其中，在“步骤五”中所述的“利用贝叶斯最优化算法对XGBoost模型进行优化”，其做法如下：通过XGBoost中参数的数量和范围，随机选择一个点作为初始化点，并把该点的相应参数值带入高斯模型，再把实验样本参数值带入到预测模型，随后将得到的模型进行输出后校正；利用提取函数，在校正后的高斯模型中挑选要检验的点；如果所选的参数组合的误差在条件范围之内，那么则要终止运行，随后将相应的参数组合和预测误差进行输出；否则，把(xi,f(xi))带入到高斯模型中，先将高斯模型进行校正，再按要求进行上面的步骤，直到符合条件即可终止。专利技术优点本专利技术的优点是在建立的疲劳数据库上得到的疲劳值预测输出与期望输出的符合度高，提高了疲劳预测正确率。附图说明图1XGBoost建树步骤。图2贝叶斯优化算法流程图。具体实施方式本专利技术是一种基于贝叶斯最优化XGBoost算法的疲劳预测方法，见图1和图2所示，其步骤如下:步骤一、利用信号采集仪，获得测试者在运动疲劳状态下的生理信号数据并存储步骤二、基于RANSAC算法剔除异常数据步骤三、利用SMOTE过采样算法进行少数样本重采样，解决类不平衡问题步骤四、利用XGBoost模型进行疲劳预测，将处理完成的样本数据输入XGBoost模型进行分类步骤五、利用贝叶斯最优化算法对XGBoost模型进行优化其中，步骤一的做法如下：信号采集仪需要收集的数据包括用户的实时血压，血氧饱和度，心率，体温同时收集设备物理数据，设备物理数据包括设备温度等。数据是在接收的同时进行存储。数据存储部分功能在轻量级数据库SQLite中完成。SQLite在对table进行创建的过程中，基于create命令的条件下，可以对列的数据类型进行指定，也能够将全部支持的数据放入至列中。其中，步骤二的做法如下：RANSAC算法是假设数据具有某种特性(目的)，为了达到目的，适当割舍一些现有的数据。具体步骤如下：先是选定一个模型(比如直线方程)，然后任意选取N个(以2个为例)样本点，通过这两个样本点进行拟合；因为拟合的模型不是严格线性，所以数据点都存在一定程度的波动，假设容差范围为：σ，通过容差选取出距离拟合的模型在容差范围内的点，并统计点的个数；重新随机选取N个点，重复上两步操作，直到结束迭代；在每一次拟合形成模型后，固定的容差范围内都会有新的数据点数，从中选出数据点个数最多的情况，就是最终的拟合结果。其中，步骤三的做法如下：考虑到志愿者对运动量的接受程度等因素，重度疲劳和轻度疲劳类别的样本数据量较少，所以样本数据存在类不平衡问题。SMOTE过采样算法即少数样本合成技术，它通过将选本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯最优化XGBoost算法的疲劳预测方法，其特征在于：其步骤如下:/n步骤一、利用信号采集仪，获得测试者在运动疲劳状态下的生理信号数据并存储/n步骤二、基于RANSAC算法剔除异常数据/n步骤三、利用SMOTE过采样算法进行少数样本重采样，解决类不平衡问题/n步骤四、利用XGBoost模型进行疲劳预测，将处理完成的样本数据输入XGBoost模型进行分类/n步骤五、利用贝叶斯最优化算法对XGBoost模型进行优化/n通过以上步骤，借助于多种相关生理指标数据(心率、血氧饱和度、血压、身高、体重、年龄等)当作参考，通过推导而获得疲劳程度。利用贝叶斯最优化的XGBoost算法实现了对测试者疲劳值的预测，在建立的疲劳数据库上得到的疲劳值预测输出与期望输出的符合度高，提高了预测的正确率。/n

【技术特征摘要】
1.一种基于贝叶斯最优化XGBoost算法的疲劳预测方法，其特征在于：其步骤如下:
步骤一、利用信号采集仪，获得测试者在运动疲劳状态下的生理信号数据并存储
步骤二、基于RANSAC算法剔除异常数据
步骤三、利用SMOTE过采样算法进行少数样本重采样，解决类不平衡问题
步骤四、利用XGBoost模型进行疲劳预测，将处理完成的样本数据输入XGBoost模型进行分类
步骤五、利用贝叶斯最优化算法对XGBoost模型进行优化
通过以上步骤，借助于多种相关生理指标数据(心率、血氧饱和度、血压、身高、体重、年龄等)当作参考，通过推导而获得疲劳程度。利用贝叶斯最优化的XGBoost算法实现了对测试者疲劳值的预测，在建立的疲劳数据库上得到的疲劳值预测输出与期望输出的符合度高，提高了预测的正确率。


2.根据权利要求1所述的一种基于贝叶斯最优化XGBoost算法的疲劳预测方法，其特征在于：
在“步骤一”中所述的“利用信号采集仪，获得测试者在运动疲劳状态下的生理信号数据并存储”，其做法如下：信号采集仪需要收集的数据包括用户的实时血压，血氧饱和度，心率，体温同时收集设备物理数据，设备物理数据包括设备温度等。数据是在接收的同时进行存储。数据存储部分功能在轻量级数据库SQLite中完成。


3.根据权利要求1所述的一种基于贝叶斯最优化XGBoost算法的疲劳预测方法，其特征在于：
在“步骤二”中所述的“基于RANSAC算法剔除异常数据”，其做法如下：由于条件的限制以及获得实验设计的信号的便利性，观察评估的结果受人为因素的影响很大。尽管RPE得分和疲劳自我评估问卷得分被综合考虑，但是获得的数据仍然太大。因此，使用RANSAC算法来消除异常数据。RANSAC算法是假设数据具有某种特性(目...

【专利技术属性】
技术研发人员：赵琦，马裕静，陈立江，刘秉昊，刘通，尤玉虎，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11