BMI预测方法、装置、系统及计算机存储介质、电子设备制造方法及图纸

一种BMI预测方法、装置、系统及计算机存储介质、电子设备，包括：获取用户当前动作状态下的动作传感器数据；根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI。采用本申请中的方案，将BMI作为一个独立的健康指标直接预测，相比现有技术中单独预测身高和体重后再换算成BMI对的准确度更高、更精准。

【技术实现步骤摘要】
BMI预测方法、装置、系统及计算机存储介质、电子设备
本申请涉及计算机技术，具体地，涉及一种BMI预测方法、装置、系统及计算机存储介质、电子设备。
技术介绍
身体质量指数(BMI，BodyMassIndex)又称体重指数，BMI＝体重/身高的平方(国际单位kg/m2)，是国际上常用的衡量人体肥胖程度和是否健康的重要标准。肥胖程度的判断不能采用体重的绝对值，它天然与身高有关，因此，BMI通过人体体重和身高两个数值获得相对客观的参数，并用这个参数所处范围衡量身体质量。按照世界卫生组织公布的标准，根据BMI数值成年人可分为六类健康状况，如下表所示：BMI健康状况＜18.5超瘦18.5-24.9正常体重25.0-29.9预肥胖30.0-34.9肥胖一期35.0-39.9肥胖二期＞40肥胖三期BMI不仅被用于评估个人健康状况，也是各国政府部门制定公共卫生政策的一项重要依据。统计全民BMI数据单纯靠个体坚持测量身高体重并定期汇总上报是非常困难的，移动通信网络的全面覆盖和智能移动终端的日益普及，为远程测量个体BMI提供了硬件基础。目前存在利用手机加速度传感器预测用户性别、身高和体重的研究，具体是使用均值、方差在内的统计特征训练传统的及其学习模型。这种方式只能针对特定运动状态下(步行)，利用加速度传感器数据进行单一的身高和体重的预测。现有技术中存在的问题：目前采用手机动作传感器只能在特定运动状态已知的情况下预测身高和体重，适用场景有较大局限性；而且是将用户的身高和体重作为独立问题单独预测，然后再进行求比值计算得到BMI，导致预测准确度较低。
技术实现思路
本申请实施例中提供了一种BMI预测方法、装置、系统及计算机存储介质、电子设备，以解决上述技术问题。根据本申请实施例的第一个方面，提供了一种BMI预测方法，包括如下步骤：获取用户当前运动状态下的动作传感器数据；根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI。根据本申请实施例的第二个方面，提供了一种BMI预测装置，包括：数据获取模块，用于获取用户当前运动状态下的动作传感器数据；BMI预测模块，用于根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI。根据本申请实施例的第三个方面，提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述BMI预测方法的步骤。根据本申请实施例的第四个方面，提供了一种电子设备，包括存储器、以及一个或多个处理器，所述存储器用于存储一个或多个程序；所述一个或多个程序被所述一个或多个处理器执行时，实现如上所述的BMI预测方法。根据本申请实施例的第五个方面，提供了一种BMI预测系统，包括：移动终端、以及包括如上所述BMI预测装置的服务器，所述移动终端，包括：动作传感器，用于采集用户动作时的动作传感器数据；数据通信模块，用于将所述动作传感器数据发送至所述服务器，并接收所述服务器反馈的BMI。采用本申请实施例中提供的BMI预测方法、装置、系统及计算机存储介质、电子设备，本申请实施例将用户的身高体重比值(BMI)直接作为预测目标，将BMI作为一个独立的健康指标，相比现有技术中单独预测身高和体重后再换算成BMI对的准确度更高、更精准。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1示出了本申请实施例一中BMI预测方法实施的流程示意图；图2示出了本申请实施例二中BMI预测装置的结构示意图；图3示出了本申请实施例四中电子设备的结构示意图；图4示出了本申请实施例五中BMI预测系统的结构示意图；图5示出了本申请实施例六中动作传感器数据的序列示意图；图6示出了本申请实施例六中动作传感器数据的波形示意图；图7示出了本申请实施例六中滑动窗口划分的示意图；图8示出了本申请实施例六中模型训练的过程示意图。具体实施方式在实现本申请的过程中，专利技术人发现：现有技术中还包括利用脸部照片或语音来预测BMI数值的研究方案，但是，使用手机摄像头获取面部照片、或者使用手机麦克风记录语音这两种方式都存在隐私泄露的担忧。因此，上述预测BMI的方法都有一定的隐私局限性，制约其大规模使用。针对上述问题，本申请实施例中提供了一种BMI预测方法、装置、系统及计算机存储介质、电子设备，可以在用户动作状态未知的情况下使用，更符合日常生活的设定，且将用户的身高体重比值直接作为预测目标，比现有的单独预测身高和体重后再换算BMI的方式预测结果更精准，验证了BMI作为一个独立的健康指标对步态的影响超出了单独的身高或体重指标；此外，使用基于深度学习的预测模型较传统模型在性能上有明显提升。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。实施例一图1示出了本申请实施例一中BMI预测方法实施的流程示意图。如图所示，所述BMI预测方法包括：步骤101、获取用户当前动作状态下的动作传感器数据；步骤102、根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI。具体实施时，动作传感器数据可以由传感器组件记录得到，传感器组件可以包括加速度计、重力传感器、陀螺仪、姿态传感器等。所述用户可以携带具备这些传感器组件的设备进行任意活动，本申请实施例将这些传感器组件采集或记录得到的动作传感器数据获取到并进行后续模型预测。所述预先建立的BMI识别模型为以若干携带具有动作传感器的设备的用户执行某一指定动作时采集的动作传感器数据作为样本进行深度学习训练得到，所述BMI识别模型的训练样本携带有动作标签以及该用户的BMI值两个标签。采用本申请实施例中提供的BMI预测方法，可以在用户动作状态未知的情况下使用，更符合日常生活的设定；而且，本申请实施例将用户的身高体重比值(BMI)直接作为预测目标，将BMI作为一个独立的健康指标，相比现有技术中单独预测身高和体重后再换算成BMI对的准确度更高、更精准。在具体实施时，可能并不知晓用户当本文档来自技高网...

【技术保护点】
1.一种BMI预测方法，其特征在于，包括：/n获取用户当前动作状态下的动作传感器数据；/n根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI。/n

【技术特征摘要】
1.一种BMI预测方法，其特征在于，包括：
获取用户当前动作状态下的动作传感器数据；
根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI。


2.根据权利要求1所述的方法，其特征在于，所述获取用户当前运动状态下的动作传感器数据，包括：
获取用户当前的动作传感器数据；
根据所述动作传感器数据以及预先建立的动作识别模型，确定所述用户当前的动作状态。


3.根据权利要求2所述的方法，其特征在于，在所述获取用户的动作传感器数据之后、根据所述动作传感器数据以及预先建立的动作识别模型确定所述用户的动作状态之前，进一步包括：
根据预先设定的采样率φ对所述动作传感器数据进行重采样，得到与所述预先设定的采样率φ相同的动作传感器数据；
对所述与所述预先设定的采样率相同的动作传感器数据按照预先设定的时间窗口w和交叠θ进行滑动窗口划分；
在滑动窗口划分后对所述动作传感器数据进行标准化，生成若干子序列。


4.根据权利要求2所述的方法，其特征在于，在所述根据动作传感器数据以及预先建立的动作识别模型确定所述用户的动作状态之后、根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI之前，进一步包括：
计算所述动作传感器数据的运动信息熵；
将所述动作传感器数据中低于与所述动作状态对应的预设运动信息熵阈值的数据删除。


5.根据权利要求4所述的方法，其特征在于，所述计算所述动作传感器数据的运动信息熵，具体利用下式计算：



其中，racc,rgyro分别为预设的加速度传感器各分量、角速度传感器各分量的向量模相似容限；Bm(racc,rgyro)为序列Xm(i)和序列Xm(j)在相似容限racc,rgyro下匹配m个点的概率，Am(racc,rgyro)为序列Xm+1(i)和序列Xm+1(j)在相似容限racc,rgyro下匹配m+1个点的概率；



Bi为与序列Xm(i)的各传感器向量模分量间距离小于等于racc,rgyro的Xm(j)的数量；

Ai为与序列Xm+1(i)的各传感器向量模分量间距离小于等于racc,rgyro的Xm+1(j)的数量；w为设定的时间窗口大小；w>m+1；
Xm(i)为所述动作传感器向量模数据组成的序列{x(n)}中从第i点开始的m个连续值的子序列；Xm(j)为所述动作传感器向量模数据组成的序列{x(n)}中从第j点开始的m个连续值的子序列；Xm+1(i)为所述动作传感器向量模数据组成的序列{x(n)}中从第i点开始的m+1个连续值的子序列；Xm+1(j)为所述动作传感器向量模数据组成的序列{x(n)}中从第j点开始的m+1个连续值的子序列。


6.根据权利要求5所述的方法，其特征在于，所述序列Xm(i)与序列Xm(j)的距离d[Xm(i)，Xm(j)]＝maxk＝0,...,m-1(|x(i+k)-x(j+k)|)；所述序列Xm+1(i)与序列Xm+1(j)的距离d[Xm+1(i)，Xm+1(j)]＝maxk＝0,...,m(|x(i+k)-x(j+k)|)。


7.根据权利要求5所述的方法，其特征在于，动作传感器向量模数据组成的序列{x(n)}为：



其中，ax,t、ay,t和az,t分别表示t时刻x、y和z三个方向上的加速度大小，ωx,t、ωy,t和ωz,t分别表示t时刻x、y和z三个方向上的角速度大小。


8.根据权利要求2所述的方法，其特征在于，所述动作识别模型的建立过程，包括：
采集若干分别在不同预设动作状态下预设时长的动作传感器数据，得到若干组数据序列；所述数据序列带有对应的动作状态标签；
将所述数据序列重采样为同一采样率后按照预设的滑动窗口生成动作传感器数据的多维数组；
将所述动作传感器数据的多维数组分别作为输入向量输入至初始深度卷积神经网络，经多次迭代训练得到动作识别模型。


9.根据权利要求1所述的方法，其特征在于，所述BMI识别模型的建立过程，包括：
采集若干在预设动作状态下预设时长的动作传感器数据，得到若干组数据序列；所述数据序列带有对应的动作状态标签和BMI标签；
将所述数据序列重采样为同一采样率后按照预设的滑动窗口生成动作传感器数据的多维数组；
将所述动作传感器数据的多维数组分别作为输入向量输入至初始深度残差神经网络，经多次迭代训练得到BMI识别模型。


10.根据权利要求8或9所述的方法，其特征在于，迭代训练过程，包括：
利用下式进行卷积层的计算：



其中，为第l卷积层带有第i个特征映射的输出，n为实例索引，为激活函数，m为内核或过滤器的大小，为带有第i个特征图和第m个过滤器索引的权重向量，sm+n-1为运动传感器数据，bi为第i个特征映射的偏差项；
将卷积区域划分为若干子区域，通过子采样确定滑动窗口邻域内的最大输出，利用下式进行池化层的计算：



其中，γ为池的步长；
将池化层的输出输入到全连接层，利用下述损失函数编译网络：



其中，RMSE为样本标准差，为预测值，yi为实际数据值。


11.根据权利要求1所述的方法，其特征在于，所述获取用户的动作传感器数据包括获取预设时长的三轴加速度传感器数据和三轴角速度传感器数据，所述动作传感器数据为若干组6维数据序列；所述动作状态为慢跑、步行、骑行、上楼、下楼、站立、或坐姿。


12.根据权利要求1所述的方法，其特征在于，所述获取用户当前动作状态下的动作传感器数据，包括：
监控到用户终端上的应用程序的运行情况；
根据应用程序的运行情况以及所述应用程序的类别确定触发获取用户当前动作状态下的动作传感器数据。


13.根据权利要求12所述的方法，其特征在于，所述根据应用程序的运行情况以及所述应用程序的类别确定触发获取用户当前运动状态下的动作传感器数据，包括在监测到以下任意一种场景时确定触发获取用户预设时间段内的动作传感器数据：
共享交通工具类应用程序开始计时；
共享交通工具类应用程序计时结束；
共享交通工具类应用程序调用支付应用程序完成支付操作；
餐饮类应用程序完成支付操作；
支付类应用程序完成向餐饮类商家支付操作。


14.一种BMI预测装置，其特征在于，包括：
数据获取模块，用于获取用户当前运动状态下的动作传感器数据；
BMI预测模块，用于根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI。


15.根据权利要求14所述的装置，其特征在于，所述数据获取模块，包括：
获取单元，用于获取用户当前的动作传感器数据；
动作状态确定单元，用于根据所述动作传感器数据以及预先建立的动作识别模型，确定所述用户当前的动作状...

【专利技术属性】
技术研发人员：姚昱旻，温岚，
申请(专利权)人：长沙昱旻信息科技有限公司，
类型：发明
国别省市：湖南;43