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：