基于神经网络的运动步数数据的运动模式推断方法及系统技术方案

本发明专利技术提供了一种基于神经网络的运动步数数据的运动模式推断方法，包括系统通过智能设备获取用户的运动步数数据集；数据预处理；划分稀疏的数据集和相对完整的数据集；将完整运动步数样本划分到相应的运动模式中；获取训练好的MLP

【技术实现步骤摘要】
基于神经网络的运动步数数据的运动模式推断方法及系统


[0001]本专利技术涉及人体运动行为分析，涉及运动健康和计算机模式识别的
，具体地，涉及基于神经网络的运动步数数据的运动模式推断方法及系统，尤其涉及基于循环神经网络的稀疏运动步数数据的运动模式推断方法。

技术介绍

[0002]近年来，随着可穿戴设备和物联网技术的发展，拥有多种传感器的智能设备，如智能手机，运动手环，在大众群体中越来越流行。多种多样的运动数据，例如运动步数，心跳，卡路里消耗等，被这些智能设备记录。在这些运动数据中，运动步数是使用最广泛的一种数据，它容易获取同时又相对准确地记录了一个人每天的身体运动。高时间分辨率的运动步数数据可以反应使用者的日常行为习惯，在人类运动行为建模、人类运动行为的预测和促进以及个性化运动计划的指定方面有着广泛的应用。
[0003]但是在实际生活中，完整的高时间分辨率的运动步数数据往往很难获取。在硬件层面上，智能设备的存储空间和电量会限制收集的数据点数目。在软件层面上，用户的使用模式和数据权限也会限制收集的数据点数目。因为这些软硬件的限制，稀本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的运动步数数据的运动模式推断方法，其特征在于，所述方法包括如下步骤：步骤S1：系统通过智能设备获取用户的运动步数数据集；步骤S2：数据预处理，将数据集中的所有数据样本处理为具有相同采样率的运动步数序列；步骤S3：将的数据样本划分为稀疏的数据集和相对完整的数据集；并对相对完整的数据集进行线性插值和归一化操作；步骤S4：将时间划分为不同的窗口，将运动强度量化为不同的等级，按照一天内发生运动行为的时间和强度，将完整运动步数样本划分到相应的运动模式中；步骤S5：将完整数据集经过下采样后的数据和所对应的多颗粒度运动模式标签一起输入MLP
‑
GRU模型进行训练，获取训练好的MLP
‑
GRU分类模型；步骤S6：将稀疏的数据集输入到训练好的MLP
‑
GRU分类模型，得到稀疏运动步数数据的多颗粒度运动模式。2.根据权利要求1所述的基于神经网络的运动步数数据的运动模式推断方法，其特征在于，所述步骤S2以五分钟为间隔对数据集进行重采样，使得重采样后的每个数据样本为每五分钟一个数据点的时间序列；若某个五分钟的时间窗口内没有记录步数数据，则该窗口的数据点为空数据点。3.根据权利要求1所述的基于神经网络的运动步数数据的运动模式推断方法，其特征在于，所述步骤S3中的数据样本经过处理后转变为从0到1的递增序列。4.根据权利要求1所述的基于神经网络的运动步数数据的运动模式推断方法，其特征在于，所述步骤S4中的不同的量化方案会产生不同颗粒度的运动模式，因此同一个完整运动步数样本可以被赋予不同颗粒度的运动模式标签。5.根据权利要求1所述的基于神经网络的运动步数数据的运动模式推断方法，其特征在于，所述步骤S5中的MLP
‑
GRU模型包括多层感知机、门控循环单元以及SoftMax输出层；多层感知机通过缺失数据点的相对位置和绝对位置来学习稀疏运动步数数据的短期依赖和长期规律；门控循环单元用来学习补全数据的隐藏状态；SoftMax输出层将门控循环单元最后时刻的隐藏状态转换为最终的分类概率。6.根据权利要求1所述的基于神经网络的运动步数数据的运动模式推断方法，其特征在于，使用类均衡的交叉熵损失函数作为训练MLP
‑
GRU的优化目标；使用Adam算法对MLP
...

【专利技术属性】
技术研发人员：石可钦，孙卫强，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：