一种基于便携加速度计和陀螺仪的日常走、跑体能消耗预测方法技术

本发明专利技术公开了一种人体活动能耗计算模型。模型通过人体踝部和髋部的加速度计与陀螺仪信号进行构建。并分析了模型对低、中、高三种运动强度的预测性能。实验采用EnEx(能源支出)数据库作为基准数据库，且基于惯性数据估算能量消耗。其采用三轴加速度计和三轴陀螺仪组成的SHIMMER传感器进行数据采集。数据采集时将传感器分别放置在受试者的臀部和脚踝处。十名受试者分别在三种不同速度水平下（3.2km/h、4.8km/h、6.4km/h）的跑步机上进行测试。实验分别提取每个传感器上的原始信号，并对原始信号进行预处理。然后进行特征提取、交叉验证、回归测试。最终基于人工神经网络建立模型。最终基于人工神经网络建立模型。

【技术实现步骤摘要】
一种基于便携加速度计和陀螺仪的日常走、跑体能消耗预测方法


[0001]本专利技术属于运动体育学与计算机科学技术交叉领域，涉及一种人体能耗计算模型，给予便携式运动传感器计算人体活动能量消耗。

技术介绍

[0002]国内外长期研究表明，人体活动能量消耗与人们的健康密切相关，适量的运动有益于身心健康。人们保持适度的运动量，可以有效地增强体质。对人体能量消耗进行有效地监测，一方面可以监测人们的体质健康，另一方面可以预防一些相关的慢性疾病。
[0003]计算人体活动能量能耗的方法主要包括：双标水法(doubly labeled water)、直接热量测定法(direct calorimetry)、间接热量测定法(indirect calorimetry)以及运动传感器(motion sensors)等。双标水法主要是利用同位素标记和元素能量守恒计算人体能量的代谢，但是因为其价格昂贵而未能得到广泛运用。直接热量测定法是测定整个机体在单位时间内向外界环境发散的总热量，由于直接测热装置比较复杂，故未能被广泛地推广使用。间接热量测定法是通过测定人体消耗掉的氧气量和生成的二氧化碳以及排出的尿氮量来计算人体所生成热能的方法。该类仪器价格昂贵，且仅适用于实验室应用，在一般日常活动方面实用性不强。运动传感器体积小，价格便宜，佩戴方便且可应用于日常活动，在评估人体活动能量消耗方面得到广泛应用。其中加速度计通过测量热体活动时的加速度和位移信息来计算人体活动所消耗的能量，此方法被学者们广泛应用研究中。
[0004]加速度计传感器通常被用于人体活动能量消耗的计算。陀螺仪传感器常被用于人体动作识别。在计算人体活动能量计算领域，鲜见研究者同时采用加速度计的和陀螺仪的全部信号。为了充分挖掘传感器原始信号中蕴藏的信息，算法将采用深度学习的方法进行建模，以此得到更为精确的人体能耗计算模型。

技术实现思路

[0005]创新性: 本实验利用髋部与踝部的三轴加速度计、三轴陀螺仪传感器的原始信号建立数学模型。模型方法为人工神经网络（ANN），模型最终的MSE达到了0.17。对于低、中、高三种运动强度，其MSE 分别为0.14、0.16、0.21。模型对于不同强度的走、跑运动，其MSE保持基本一致。同时展现出了模型具有良好的泛化能力。
[0006]实验数据：实验所采用的数据为EnEx(能源支出)数据库，基于惯性数据估算能源消耗。数据库中包含10名是受试者的信息，每名受试者分别在右髋和右脚踝处放置一个SHIMMER传感器节点。每个传感器节点由一个三轴加速度计（A1、A2、A3）和一个三轴陀螺仪（G1、G2、G3）组成。受试者分别以三种不同速度水平(3.2km/h、4.8km/h、6.4km/h)在传统跑步机上(hp
‑
cosmos model mercury med 5.0,Traunstei
‑
n,Germany)上进行。每种速度分别持续六分钟。数据格式如图1所示。其中A1：加速度计轴1，A2：加速度计轴2，A3：加速度计轴3，G1：陀螺仪轴1，G2：陀螺仪轴2，G3：陀螺仪轴3，MET：消耗的能量以MET为单位，速度：速
度水平以km / h。
[0007]实验方案：算法流程图如图2所示。
[0008]数据预处理：数据库所提供的数据为原始信号，未经过数据预处理。由于跑步机存在一个起步加速过程，在此期间收集的信号不稳定。故根据跑步机的速度信号，截取速度稳定时的原始信号作为实验数据。对传感器的原始信号进行数据分析。采用均值替代法对空值进行处理，即采用空值前、后两个数据的均值进行替代。然后对测得的MET值进行T检验，发现1号受试者的MET值与其他9位受试者存在高显著性水平差异。故将一号受试者的数据剔除，采用剩余9名受试者的数据进行建模。
[0009]特征提取：特征提取时，采用非重叠式的滑动窗口获取惯性数据。窗口大小为1024。每个惯性数据滑动窗口对应一个基于肺活量系统测定的MET值。为了表征信号分布，对传感器信号源的每个轴计算了10个时域特征。即平均值、方差、方差/均值、最大值、最小值、10分位数、25分位数、75分位数、90分位数。特征提取公式如下表3.1所示。最后对提取的特征采用去均值和方差归一化的方式进行标准化。
[0010]表3.1 PAEE估计中的常用特征特征选取：特征提取产生的某些特征可能与模型预测值的相关性很低。特征数量过多容易造成模型过拟合。因此在模型训练之前，我们需要对特征进行过滤。本实验采取基于Wrapper的递归特征消除方法进行特征选择。即使用神经网络模型作基模型，然后进行多轮训练。每轮训练之后移除若干个权值系数低的特征，然后基于新的特征集进行下一轮训练。最终选取其权重系数排名为第一等级的特征集。此方法也是一种基于局部搜索寻找最优特征子集的贪心算法。
[0011]实验采用ANN（人工神将网络）的方法建立数学模型。网络的中间隐藏层为三层，对应的节点数分别为[240,120,240]。网络的激活函数为ReLU。由于本实验的数据集偏小，故求解器采用lbfgs。其中L2惩罚项的值为12，学习率为自适应（adaptive），tol值设为0.05。最大迭代次数为1000，采用数据预热的方式进行训练，即warm_start设置为True。随机状态值为925，此参数用来确定权重和初始化偏置的随机数生成。以上参数的设置，均采用基于网格的方式寻找最优参数，即参数的局部最优解。
[0012]模型训练时，采用基于对象（subject）的方式建模。即数据集的划分是根据受试者划分。为了防止模型发生过拟合现象，将78%（7个人）的数据作为训练集，22%（2个人）的数据
作为测试集，以此确保作为测试集的两人的数据完全不参与模型训练。模型训练时采取Double Cross Validation（DCV）的方式进行交叉检验。DCV主要分为两层，第一层交叉验证是每次从9名受试者中选取两人作为测试集，7人作为训练集，共进行36次交叉验证。第二层交叉验证是在模型训练时对训练集采用留一法交叉验证（Leave
‑
one
‑
out cross validation）。即在模型训练时将训练集中一名受试者的数据作为验证。
[0013]实验结果：模型测试结果过如表3所示。图3分别为 基于ANN模型的低、中、高强度的预测结果(横坐标为模型预测的MET值，纵坐标为实测MET值。黑线：y=x，蓝线：y=x
±
std(实测MET值))实验结果采用均方误差（mean
‑
square error, MSE）指标来判断模型预测的准确性；表 1 实验结果（ALL代表集成四个信号源。ANN代表基于神经网络的方法。MSE
‑
ALL、MSE
‑
MED、MSE
‑
HIGH分别表示运动强度为3.2km/h、4.8km/h、6.4km/h时，模型的MSE的平均值；）SOURCEMSE
‑...

【技术保护点】

【技术特征摘要】
1.一种基于便携加速度计和陀螺仪的日常走、跑体能消耗计算方法，其特征在于，包括：当日常生活中的用户在髋部和踝部各佩戴一个运动传感器，实施获取运动传感器的加速度计与陀螺仪的信号；其中主要包括加速度计的X、Y、Z三个轴与陀螺仪X、Y、Z三个轴的信号，加速度计主要负责记录用户的位移信息，陀螺仪主要负责记录用户的旋转角速度信息，在每次获得用户的运动传感器的信号时，将其信号与用户数据进行绑定存储；然后根据其传感器信号计算出模型所需要的特征，包括信号的平均值、方差、方差/均值、最大值、最小值、10分位数、25分位数、75分位数、90分位数；然后将信号特征传入已经训练好的模型中，输出用户的体能消耗数据，并进行保存。2.根据权利要求1所述的方法，其特征在于，所述实时获取用户的体能消耗数据，包括：所穿戴的设备至少向一个基站发送数据传输信号，且基站处于联网状态。3.根据权利要求1所述的方法，其特征在于，计算传感器信号的时域特征，包括：两个传感器共计四个信号源，每个信号源包含3个轴；为信号源的每个轴计算其时域特征，分别为：信号的平均值、方差、方差/均值、最大值、最小值、10分位数、25分位数、75分位数、90分位数。4.根据权利要求1所述的方法，其特征在于，将计算所得的时域特征传入已经训练好的模型中，其中包括：模型为人工神经网络（ANN...

【专利技术属性】
技术研发人员：杨东强，王丕坤，王琳，孙倩，刘毅，马宏伟，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：