一种基于LSTM-Adaboost集成学习的身体活动强度预测算法

技术领域

本发明涉及运动监测技术领域，具体为一种基于LSTM-Adaboost集成学习的身体活动强度预测算法。

背景技术

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。

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。

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。

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。

发明内容

本部分的目的在于概述本发明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发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于现有技术中存在的问题，提出了本发明。

因此，本发明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。

为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

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：

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adaboost-LSTM身体活动强度预测模型。

作为本发明所述的一种基于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：

(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＝[x

(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原细胞输出的隐向量；

(4)输出层：该层用于输出最终的身体活动强度预测结果。

作为本发明所述的一种基于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。

作为本发明所述的一种基于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：

用于预测身体活动强度的数据集D由M个样本组成：

D＝{(X

其中X

(1)初始化样本权重，将初始状态下的数据集样本分布记为Dist

(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：

1)在样本分布为Dist

2)计算LSTM模型h

E

其中，h

3)基于步骤2)得到的最大误差，计算LSTM模型h

4)根据上一步骤得到的相对平方误差e

5)根据上一步骤得到的模型h

6)更新数据集中每个样本X

其中，

7)令t＝t+1，进入下一次迭代

(3)结束T轮迭代，将所有T个LSTM模型进行加权集成，最终生成的LSTM-Adaboost模型H(X)为：

H(X)＝h

与现有技术相比，本发明的有益效果是：通过采集到的人体腕部加速度数据和实时身体活动能耗进行预测模型的训练。待模型收敛后，输入新的人体腕部加速度数据到训练好的模型中即可得到身体活动能耗的预测结果。同时，在本发明中，为了避免单个LSTM模型性能受限的问题，引入适应性增强(Adaboost)算法。将LSTM模型作为基学习器，先后生成多个LSTM学习器，并根据学习器的预测误差更新每个训练样本的权重。最终，根据每个学习器的预测性能，为每个学习器赋予不同的权重，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。

附图说明

为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明设计的基于LSTM模型的身体活动强度预测模型结构；

图2为本发明设计的LSTM-Adaboost模型身体活动强度预测算法流程。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。

其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。

本发明提供如下技术方案：一种基于LSTM-Adaboost集成学习的身体活动强度预测算法，能够实现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；

实施例1

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：

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。

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＝[x

(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。

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。

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＝{(X

其中X

(1)初始化样本权重，将初始状态下的数据集样本分布记为Dist

(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：

1)在样本分布为Dist

2)计算LSTM模型h

E

其中，h

3)基于步骤2)得到的最大误差，计算LSTM模型h

4)根据上一步骤得到的相对平方误差e

5)根据上一步骤得到的模型h

6)更新数据集中每个样本X

其中，

7)令t＝t+1，进入下一次迭代

(3)结束T轮迭代，将所有T个LSTM模型进行加权集成，最终生成的LSTM-Adaboost模型H(X)为：

H(X)＝h

虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。