基于时序序列和LSTM-CNN的步态相位预测方法及系统技术方案

本发明专利技术提出了基于时序序列和LSTM‑CNN的步态相位预测方法及系统，涉及步态预测技术领域。包括获取待预测人员的步态时序数据，进行预处理；将预处理后的步态时序数据输入至LSTM‑CNN网络模型中，利用卷积层提取步态时序数据的局部特征，并将提取的局部特征输入至LSTM层中捕捉时间依赖性，得到步态周期百分比的预测结果；所述LSTM‑CNN为经过预训练得到，其中，预训练数据包括多个步态周期的步态时序数据、以及多个步态周期的步态时序数据所对应的实际步态周期百分比标签。本发明专利技术通过长短期记忆网络和卷积神经网络对老年虚弱人群的步态相位及步态周期百分比进行预测，能够实时、准确地预测各阶段的百分比，使得步态周期的预测更加精确。

【技术实现步骤摘要】

本专利技术属于步态预测，尤其涉及基于时序序列和lstm-cnn的步态相位预测方法及系统。

技术介绍

1、随着老年人群体的增加，步态分析的重要性日益显现。步态周期的准确预测不仅对步态训练和康复具有重要意义，还能够为个性化健康管理提供数据支持。尽管市场上已经出现了多种步态分析系统，这些系统在实际应用中仍存在若干限制。

2、首先，现有系统在适应不同年龄层和不同身体条件的老年人群体方面表现不佳。老年人与年轻人在步态和生理特征上存在显著差异，现有的步态分析系统在区分这些关键差异方面常常表现不足。

3、传统步态分析方法的局限性也不容忽视。这些方法通常依赖于实验室设备，如力板和计算机化步道系统，来收集步态数据。这些设备不仅使用不便，价格昂贵，而且在实际应用中可能无法提供实时监测和反馈。特别是，传统的惯性测量单元设备在测量步宽和步长等关键参数方面存在局限，而这些参数对于步态周期预测至关重要。

4、自适应频率振荡器(afo)是一种常用于步态辅助设备中的步态周期预测方法，主要依赖于传统的特征提取技术，通常仅预测站立相(stand phase本文档来自技高网...

【技术保护点】

1.基于时序序列和LSTM-CNN的步态相位预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于时序序列和LSTM-CNN的步态相位预测方法，其特征在于，所述LSTM-CNN的预训练过程，具体为：

3.如权利要求1所述的基于时序序列和LSTM-CNN的步态相位预测方法，其特征在于，所述LSTM-CNN网络模型采用混合精度训练方法，在模型的前向传播过程中使用半精度浮点数存储和计算中间结果，在反向传播和参数更新阶段使用单精度浮点数。

4.如权利要求1所述的基于时序序列和LSTM-CNN的步态相位预测方法，其特征在于，还包括构建LSTM-CNN网...

【技术特征摘要】

1.基于时序序列和lstm-cnn的步态相位预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于时序序列和lstm-cnn的步态相位预测方法，其特征在于，所述lstm-cnn的预训练过程，具体为：

3.如权利要求1所述的基于时序序列和lstm-cnn的步态相位预测方法，其特征在于，所述lstm-cnn网络模型采用混合精度训练方法，在模型的前向传播过程中使用半精度浮点数存储和计算中间结果，在反向传播和参数更新阶段使用单精度浮点数。

4.如权利要求1所述的基于时序序列和lstm-cnn的步态相位预测方法，其特征在于，还包括构建lstm-cnn网络模型，所述lstm-cnn网络模型具体包括输入层、卷积层、lstm层和全连接输出层，其中：

5.如权利要求1所述的基于时序序列和lstm-cnn的步态相位预测方法，其特征在于，还包括采用集成学习的方法整合多个lstm-cnn模型，具体包括：

6.如...

【专利技术属性】
技术研发人员：张黄河，王佳晨，宋锐，李贻斌，
申请(专利权)人：山东大学，
类型：发明
国别省市：