[發(fā)明專利]一種基于云數(shù)據(jù)的睡眠按摩方法及系統(tǒng)在審
| 申請?zhí)枺?/td> | 201810796677.9 | 申請日: | 2018-07-19 |
| 公開(公告)號: | CN108962349A | 公開(公告)日: | 2018-12-07 |
| 發(fā)明(設(shè)計)人: | 彭團結(jié);李太福;唐波;張昆濤 | 申請(專利權(quán))人: | 重慶科技學院 |
| 主分類號: | G16H20/30 | 分類號: | G16H20/30;G16H50/50 |
| 代理公司: | 重慶蘊博君晟知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 50223 | 代理人: | 鄭勇 |
| 地址: | 401331 重*** | 國省代碼: | 重慶;50 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 按摩 睡眠 決策變量 矩陣 按摩力度 按摩模式 影響因素 終端設(shè)備 最優(yōu)解 復(fù)雜非線性關(guān)系 睡眠舒適度 身體指標 神經(jīng)網(wǎng)絡(luò) 生活環(huán)境 睡眠狀況 用戶提供 上傳 服務(wù)器 決策 采集 圖像 優(yōu)化 | ||
1.一種基于云數(shù)據(jù)的睡眠按摩方法,其特征在于,包括如下步驟:
S1:采集用戶的身體指標、按摩模式、按摩力度以及用戶的當前圖像構(gòu)成影響因素矩陣X,并上傳到服務(wù)器;其中,按摩模式、按摩力度構(gòu)成決策變量;
S2:在服務(wù)器內(nèi),利用Elman神經(jīng)網(wǎng)絡(luò)建立影響因素矩陣X與用戶睡眠舒適度指數(shù)之間的復(fù)雜非線性關(guān)系,獲得用戶睡眠按摩模型;
S3:利用MBFO算法對所述用戶睡眠按摩模型進行優(yōu)化,獲得所述決策變量的一組最優(yōu)解;
S4:將所述決策變量的一組最優(yōu)解作為用戶的推薦決策X’,并通過服務(wù)器下發(fā)至用戶的終端設(shè)備進行顯示;
S5:終端設(shè)備根據(jù)顯示的推薦決策X’為用戶提供按摩。
2.根據(jù)權(quán)利要求1所述的基于云數(shù)據(jù)的睡眠按摩方法,其特征在于,步驟S1中,所述用戶的身體指標包括性別、年齡、心跳頻率、血壓、體溫、活動量、當前體重。
3.根據(jù)權(quán)利要求2所述的基于云數(shù)據(jù)的睡眠按摩方法,其特征在于,步驟S1中,利用溫度傳感器采集用戶的體溫;利用心率傳感器采集用戶的心跳頻率;利用血壓傳感器采集用戶的血壓;利用計步器采集用戶的活動量;利用攝像頭采集用戶的當前圖像,并將當前圖像轉(zhuǎn)換成數(shù)字信號上傳到服務(wù)器;用戶的性別、年齡、當前體重由用戶輸入;利用采樣電路分別與所述溫度傳感器、所述心率傳感器、所述血壓傳感器、所述計步器連接,并將所述溫度傳感器、所述心率傳感器、所述血壓傳感器、所述計步器分別采集到的用戶的體溫、心跳頻率、血壓、活動量轉(zhuǎn)換成數(shù)字信號上傳到服務(wù)器。
4.根據(jù)權(quán)利要求書1所述的基于云數(shù)據(jù)的睡眠按摩方法,其特征在于,步驟S2中,設(shè)Xk=[xk1,xk2,L,xkM](k=1,2,L,S)為用戶睡眠按摩模型的輸入矢量,S為訓練樣本的個數(shù),WMI(g)為第g次迭代時輸入層M與隱層I之間的權(quán)值矢量,WJP(g)為第g次迭代時隱層J與輸入層P之間的權(quán)值矢量,WJC(g)為第g次迭代時隱層J與輸入層C之間的權(quán)值矢量,YK(g)=[yk1(g),yk2(g),L,ykP(g)](k=1,2,L,S)為第g次迭代時實際輸出,dK=[dk1,dk2,L,dkP](k=1,2,L,S)為期望輸出,建立睡眠按摩模型的步驟包括:
步驟S21:初始化,設(shè)迭代次數(shù)g初始值為0,分別賦WMI(0)、WJP(0)、WJC(0)一個(0,1)區(qū)間的隨機值;
步驟S22:隨機輸入樣本XK;
步驟S23:對輸入樣本XK,向前計算所述Elman神將網(wǎng)絡(luò)每層神經(jīng)元的實際輸出YK(g);
步驟S24:根據(jù)期望輸出dK和實際輸出YK(g),計算誤差E(g);
步驟S25:判斷誤差E(g)是否小于預(yù)設(shè)誤差值,如果大于或者等于,進入步驟S26,如果小于,則進入步驟S29;
步驟S26:判斷迭代次數(shù)g+1是否大于最大迭代次數(shù),如果大于進入步驟S29,否則,進入步驟S27;
步驟S27:對輸入樣本XK反向計算所述Elman神經(jīng)網(wǎng)絡(luò)每層神經(jīng)元的局部梯度δ;
步驟S28:計算權(quán)值修正ΔW,并修正權(quán)值;令g=g+1,跳轉(zhuǎn)至步驟S23;其中,ΔWij=η·δij,η為學習效率;Wij(g+1)=Wij(g)+ΔWij(g);i,j表示輸入層第i個節(jié)點到隱層第j個節(jié)點的連接權(quán)重;
步驟S29:判斷是否完成所有樣本的訓練;如果是,完成建模;如果否,跳轉(zhuǎn)至步驟S22。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于重慶科技學院,未經(jīng)重慶科技學院許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201810796677.9/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 一種電網(wǎng)系統(tǒng)可靠性報告生成方法及系統(tǒng)
- 充電站優(yōu)化布局方法及裝置
- 生成用于在自然環(huán)境中開發(fā)烴儲層的生產(chǎn)策略的方法
- 基于AGN及CNN的單目標優(yōu)化問題尋優(yōu)方法及裝置
- 用戶行為模擬方法、裝置、設(shè)備及計算機可讀存儲介質(zhì)
- 一種分布式能源集群優(yōu)化調(diào)度系統(tǒng)、方法及裝置
- 決策優(yōu)化方法及裝置
- 一種關(guān)于集合類型決策效果的反事實預(yù)測方法
- 風控決策方法、裝置、電子裝置及存儲介質(zhì)
- 數(shù)據(jù)處理方法及相關(guān)設(shè)備





