一种基于LSTM-Adaboost集成学习的身体活动强度预测算法制造技术

本发明专利技术属于运动监测技术领域，具体为一种基于LSTM

【技术实现步骤摘要】
一种基于LSTM
‑
Adaboost集成学习的身体活动强度预测算法


[0001]本专利技术涉及运动监测
，具体为一种基于LSTM
‑
Adaboost集成学习的身体活动强度预测算法。

技术介绍

[0002]近几年来，可穿戴技术发展迅速，用于健康和运动监测的可穿戴设备越来越受到健身人群的欢迎。在手腕处佩戴可穿戴设备最为常见，其能够通过设备内置的加速度计等传感器来监测各种重要的人体生理参数。其中，较为常见的便是身体活动强度，也称为能量消耗，是表征人体活动时用力大小和身体紧张程度等运动负荷的重要指标。
[0003]目前，利用腕部佩戴加速度计预测身体活动强度的研究受到了广泛关注，主要应用于包括走、跑、球类等多种类型的身体活动。然而，传统的身体活动强度估计算法基于线性拟合等方法，其准确度较低，无法在实际的人体运动中得到较好的应用。近年来，随着深度学习等人工智能技术的不断发展，基于人工智能算法进行身体活动强度预测成为新的研究热点。比较常见的方式是，采用加速度计记录并提取人体运动过程中的加速度数据，同时记录人体的身体活动强度数值，并采用监督学习的方式进行预测模型的构建。以人工神经网络、循环神经网络等为代表的人工智能算法均是基于监督学习的方式从训练集数据中得到训练好的预测模型，能够快速准确的得到身体活动强度的预测结果。
[0004]然而，通过加速度计采集得到的三轴加速度数据为时间序列数据，各采样点之间具有高度的时序相关性，对于身体活动强度的预测结果会产生重要影响。然而，传统的人工神经网络无法学习到采样点之间的相关性，导致其最终的预测性能较差。循环神经网络能够很好的解决这一问题，其具有记忆性，因此在对序列的非线性特征进行学习时具有一定优势。循环神经网络容易产生梯度消失或梯度爆炸的问题，而长短期记忆(LSTM)神经网络模型则能够很好的规避这一问题。在LSTM模型中，输入门、遗忘门和输出门等三个门控单元用于控制传输状态，选择性的保留有用的数据信息，长期保存梯度信息。因此，LSTM模型在求解需要“长期记忆”的任务上具有天然优势，适合于处理时间较长的序列数据。因此，对于身体活动强度预测来说，目前已有的人体活动强度数据采集设备的采样频率通常为几秒一次，这段时间对应的加速度数据通常有几百乃至上千个采样点，因此用于预测身体活动强度的训练数据属于长时间序列数据。
[0005]基于上述，我们提出一种基于LSTM
‑
Adaboost集成学习的身体活动强度预测算法。

技术实现思路

[0006]本部分的目的在于概述本专利技术的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0007]鉴于现有技术中存在的问题，提出了本专利技术。
[0008]因此，本专利技术的目的是提供一种基于LSTM
‑
Adaboost集成学习的身体活动强度预测算法，将多个学习器经过加权整合的方式组成一个预测误差更小的LSTM
‑
Adaboost强学习器，从而进一步提高身体活动强度预测的准确性。
[0009]为解决上述技术问题，根据本专利技术的一个方面，本专利技术提供了如下技术方案：
[0010]一种基于LSTM
‑
Adaboost集成学习的身体活动强度预测算法，其包括如下步骤：
[0011]步骤1：基于LSTM网络的身体活动强度预测模型设计，首先构建基于LSTM模型的基学习器，实现对于身体活动强度的粗预测，其包含输入层、非线性层、LSTM层和输出层等四部分；
[0012]步骤2：构建LSTM
‑
Adaboost身体活动强度预测模型，基于步骤1设计的LSTM基学习器，构建adaboost
‑
LSTM身体活动强度预测模型。
[0013]作为本专利技术所述的一种基于LSTM
‑
Adaboost集成学习的身体活动强度预测算法的一种优选方案，其中：所述步骤1中：
[0014](1)输入层：腕部加速度计采集到的三轴加速度数据作为输入数据，用于训练数据收集的身体活动强度数值采集设备的采样间隔为10秒，因此输入数据为对应的10秒内的三轴加速度数据X＝[x1,x2,...,x
N
]，其中N＝10*F为10秒内的总采样点数，F为加速度计每秒的采样频率，x
n
为第n个采样时刻的在x轴、y轴和z轴的加速度向量：x
n
为第n个采样时刻的在x轴、y轴和z轴的加速度向量：x轴、y轴和z轴的加速度向量：和分别为第n个采样点在x轴、y轴和z轴的加速度。因此，输入数据的维度为[3,N]；
[0015](2)非线性激活层：该层的作用是为LSTM网络引入非线性特征信息，采用Relu函数作为非线性激活函数；
[0016](3)LSTM层：该层的作用是对输入数据进行线性和非线性的处理，并进一步从数据中提取特征，LSTM层由输入们、遗忘门和输出门组成：输入门表示要保存的信息或者待更新的信息、遗忘门决定丢弃哪些信息、输出门决定当前神经原细胞输出的隐向量；
[0017](4)输出层：该层用于输出最终的身体活动强度预测结果。
[0018]作为本专利技术所述的一种基于LSTM
‑
Adaboost集成学习的身体活动强度预测算法的一种优选方案，其中：所述步骤1中，LSTM模型的训练过程中的参数设置为：训练迭代次数为500，批大小为64，初始学习率为0.0015，衰退率为0.98。
[0019]作为本专利技术所述的一种基于LSTM
‑
Adaboost集成学习的身体活动强度预测算法的一种优选方案，其中：所述步骤2中：
[0020]用于预测身体活动强度的数据集D由M个样本组成：
[0021]D＝{(X1,y1),(X2,y2),...,(X
M
,y
M
)}
[0022]其中X
m
为第m个样本的输入数据(采样点数为N的三轴加速度数据)，y
M
为第M个样本对应的真实身体活动强度数值。LSTM
‑
AdaBoost用于预测身体活动强度算法的具体步骤如下：
[0023](1)初始化样本权重，将初始状态下的数据集样本分布记为Dist1，对每一个样本X
m
的权重均初始化为1/M，则分布Dist1(X
m
)＝1/M用于第一个LSTM基分类器的训练，得到第一个用于预测身体活动能耗的LSTM基分类器h1；
[0024](2)循环进行T轮迭代，记每一轮迭代中分类器的编号为t∈{1,2,...,T}，第t轮迭代的步骤具体为：
[0025]1)在样本分布为Dist
t
(X)的基础上，在数据集上D训练LSTM模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM
‑
Adaboost集成学习的身体活动强度预测算法，其特征在于：包括如下步骤：步骤1：基于LSTM网络的身体活动强度预测模型设计，首先构建基于LSTM模型的基学习器，实现对于身体活动强度的粗预测，其包含输入层、非线性层、LSTM层和输出层等四部分；步骤2：构建LSTM
‑
Adaboost身体活动强度预测模型，基于步骤1设计的LSTM基学习器，构建LSTM
‑
Adaboost身体活动强度预测模型。2.根据权利要求1所述的一种基于LSTM
‑
Adaboost集成学习的身体活动强度预测算法，其特征在于：所述步骤1中：(1)输入层：腕部加速度计采集到的三轴加速度数据作为输入数据，用于训练数据收集的身体活动强度数值采集设备的采样间隔为10秒，因此输入数据为对应的10秒内的三轴加速度数据X＝[x1,x2,...,x
N
]，其中N＝10*F为10秒内的总采样点数，F为加速度计每秒的采样频率，x
n
为第n个采样时刻的在x轴、y轴和z轴的加速度向量：为第n个采样时刻的在x轴、y轴和z轴的加速度向量：和分别为第n个采样点在x轴、y轴和z轴的加速度。因此，输入数据的维度为[3,N]；(2)非线性激活层：该层的作用是为LSTM网络引入非线性特征信息，采用Relu函数作为非线性激活函数；(3)LSTM层：该层的作用是对输入数据进行线性和非线性的处理，并进一步从数据中提取特征，LSTM层由输入们、遗忘门和输出门组成：输入门表示要保存的信息或者待更新的信息、遗忘门决定丢弃哪些信息、输出门决定当前神经元输出的隐向量；(4)输出层：该层用于输出最终的身体活动强度预测结果。3.根据权利要求1所述的一种基于LSTM
‑
Adaboost集成学习的身体活动强度预测算法，其特征在于：所述步骤1中，LSTM模型的训练过程中的参数设置为：训练迭代次数为500，批大小为64，初始学习率为0.0015，衰退率为0.98。4.根据权利要求1所述的一种基于LSTM
‑
Adaboost集成学习的身体活动强度预测算法，其特征在于：所述步骤2中：用于预测身体活动强度的数据集D由M个样本组成：D＝{(X1,y1),(X2,y2),...,(X
M
,y
M
)}其中X
m
为...

【专利技术属性】
技术研发人员：张晋喜，周志雄，韩晓伟，
申请(专利权)人：首都体育学院，
类型：发明
国别省市：