[發明專利]一種基于步態信息的運動識別和疲勞檢測方法及系統

有效

• 申請號: 201710402764.7
• 申請日: 2017-05-27
• 公開（公告）號: CN107212890B
• 公開（公告）日: 2019-05-21
• 發明（設計）人: 王露露;黃志武;郝帥;余娉;王瑞;呂承璋;李晗;湯晅恒;徐小康
• 申請（專利權）人: 中南大學
• 主分類號: A61B5/11
• 分類號: A61B5/11;A61B5/16;G06F3/0346;G06K9/62
• 代理公司: 長沙市融智專利事務所(普通合伙) 43114
• 代理人: 龔燕妮

1.一種基于步態信息的運動識別和疲勞檢測方法，其特征在于，包括：

步驟1：采集用戶的當前步態信息；

步驟2：對步驟1采集的當前步態信息進行數據處理，并根據若干個預設的運動識別與疲勞分類模型對處理后的數據進行識別，識別出用戶當前的運動行為以及用戶當前是否處于疲勞狀態的若干個分類結果；

其中，一個所述運動識別與疲勞分類模型對應一類所述當前步態信息，一個所述運動識別與疲勞分類模型對應一個所述分類結果；

所述若干個預設的運動識別與疲勞分類模型是將用戶在非疲勞狀態和疲勞狀態下進行若干類運動行為時的步態信息作為樣本數據并進行預處理，并將預處理后的樣本數據應用于機器學習中的基于集成學習的投票分類算法訓練生成的；

其中，所述用戶在非疲勞狀態和疲勞狀態下進行若干類運動行為時的步態信息包括三軸加速度、三軸角速度和三軸姿態角，所述若干個預設的運動識別與疲勞分類模型包括與所述三軸加速度、三軸角速度和三軸姿態角分別在X、Y、Z軸上的九類數據一一對應的九個運動識別與疲勞分類模型；

步驟3：將所述若干個分類結果按照“少數服從多數”的原則獲取到用戶當前的運動行為以及用戶當前是否處于疲勞狀態的最終結果。

2.根據權利要求1所述的方法，其特征在于，在構建所述若干個預設的運動識別與疲勞分類模型的過程，對所述樣本數據進行預處理，包括：

根據所述步態信息中數據的周期性變化規律對所述樣本數據進行步態周期劃分；

根據所述樣本數據中的數據類型對劃分后的樣本數據集劃分若干子數據集；其中，所述若干個子數據集的數量與當前步態信息的類型數量相同；

根據十等分分層隨機分割交叉驗證方法分別將所述若干子數據集劃分為訓練集和測試集，并將所述訓練集和所述測試集中的數據除以相對應數據集中的最大值以得到包含標準化輸入數據的訓練集和測試集；

其中，所述標準化輸入數據的大小在-1到1的范圍內。

3.根據權利要求2所述的方法，其特征在于，將預處理后的樣本數據應用于機器學習中的基于集成學習的投票分類算法訓練生成所述若干個預設的運動識別與疲勞分類模型，包括：

分別將所述若干子數據集的訓練集中的數據作為機器學習的輸入數據，采用機器學習中的裝袋算法Bagging、隨機森林Random Forests以及極端隨機樹Extremely RandomizedTree三個集成算法作為基于集成學習的投票分類算法的個體學習器，學習到若干個運動識別與疲勞分類模型；

其中，每個所述運動識別與疲勞分類模型的分類結果H(x)是根據如下公式計算而來：

其中，ω_i為第i個集成學習算法的個體學習器對應的權重，T為集成學習算法的個體學習器的個數，表示第i個集成學習算法的個體學習器針對樣本x得到的類別j的分類結果，c表示樣本數據的集合標記，所述分類結果H(x)是表示通過所有的個體學習器得到的數量權重最多的該類別的分類結果。

4.根據權利要求3所述的方法，其特征在于，還包括在生成所述若干個預設的運動識別與疲勞分類模型之后，對所述若干個運動識別與疲勞分類模型進行調節以進一步優化模型的過程，執行過程如下：

步驟51：將所述若干個子數據集的測試集的數據作為所述若干個運動識別與疲勞分類模型的輸入數據得到若干個分類結果；

步驟52：將所述若干個分類結果按照“少數服從多數”的原則得到最終結果F(x)：

其中，為第i個運動識別與疲勞分類模型對測試集的類別j的分類結果，N為運動識別與疲勞分類模型的個數，c表示樣本數據的集合標記，所述最終結果F(x)是表示得到的所有運動識別與疲勞分類模型的分類結果中數量最多的一類分類結果；

步驟53：將所述最終結果與預存的已知結果進行比較得出分類結果的精度，并判斷精度是否達到標準值；

步驟54：若精度未達到標準值，修改所述若干個運動識別與疲勞分類模型的參數并重復步驟51-53直至精度達到標準值，進而得到了分類精度達到標準值的運動識別與疲勞分類模型，其中，運動識別與疲勞分類模型的參數包括所述三個集成學習算法對應權重。