[發明專利]基于神經網絡的運動步數數據的運動模式推斷方法及系統

有效

• 申請號: 202110753356.2
• 申請日: 2021-07-02
• 公開（公告）號: CN113436703B
• 公開（公告）日: 2022-07-15
• 發明（設計）人: 石可欽;孫衛強
• 申請（專利權）人: 上海交通大學
• 主分類號: G16H20/30
• 分類號: G16H20/30;G06K9/62
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 胡晶

1.一種基于神經網絡的運動步數數據的運動模式推斷方法，其特征在于，所述方法包括如下步驟：

步驟S1：系統通過智能設備獲取用戶的運動步數數據集；

步驟S2：數據預處理，將數據集中的所有數據樣本處理為具有相同采樣率的運動步數序列；

步驟S3：將的數據樣本劃分為稀疏的數據集和相對完整的數據集；并對相對完整的數據集進行線性插值和歸一化操作；

步驟S4：將時間劃分為不同的窗口，將運動強度量化為不同的等級，按照一天內發生運動行為的時間和強度，將完整運動步數樣本劃分到相應的運動模式中；

步驟S5：將完整數據集經過下采樣后的數據和所對應的多顆粒度運動模式標簽一起輸入MLP-GRU模型進行訓練，獲取訓練好的MLP-GRU分類模型；

步驟S6：將稀疏的數據集輸入到訓練好的MLP-GRU分類模型，得到稀疏運動步數數據的多顆粒度運動模式；

所述步驟S5中的MLP-GRU模型包括多層感知機、門控循環單元以及SoftMax輸出層；多層感知機通過缺失數據點的相對位置和絕對位置來學習稀疏運動步數數據的短期依賴和長期規律；門控循環單元用來學習補全數據的隱藏狀態；SoftMax輸出層將門控循環單元最后時刻的隱藏狀態轉換為最終的分類概率；同時使用類均衡的交叉熵損失函數作為訓練MLP-GRU的優化目標；使用Adam算法對MLP-GRU進行訓練，補全和分類過程都是數據驅動的。

2.根據權利要求1所述的基于神經網絡的運動步數數據的運動模式推斷方法，其特征在于，所述步驟S2以五分鐘為間隔對數據集進行重采樣，使得重采樣后的每個數據樣本為每五分鐘一個數據點的時間序列；若某個五分鐘的時間窗口內沒有記錄步數數據，則該窗口的數據點為空數據點。

3.根據權利要求1所述的基于神經網絡的運動步數數據的運動模式推斷方法，其特征在于，所述步驟S3中的數據樣本經過處理后轉變為從0到1的遞增序列。

4.根據權利要求1所述的基于神經網絡的運動步數數據的運動模式推斷方法，其特征在于，所述步驟S4中的不同的量化方案會產生不同顆粒度的運動模式，因此同一個完整運動步數樣本可以被賦予不同顆粒度的運動模式標簽。

5.一種基于神經網絡的運動步數數據的運動模式推斷系統，其特征在于，所述系統包括如下模塊：

模塊M1：系統通過智能設備獲取用戶的運動步數數據集；

模塊M2：數據預處理，將數據集中的所有數據樣本處理為具有相同采樣率的運動步數序列；

模塊M3：將數據樣本劃分為稀疏的數據集和相對完整的數據集；并對相對完整的數據集進行線性插值和歸一化操作；

模塊M4：將時間劃分為不同的窗口，將運動強度量化為不同的等級，按照一天內發生運動行為的時間和強度，將完整運動步數樣本劃分到相應的運動模式中；

模塊M5：將完整數據集經過下采樣后的數據和所對應的多顆粒度運動模式標簽一起輸入MLP-GRU模型進行訓練，獲取訓練好的MLP-GRU分類模型；

模塊M6：將稀疏的數據集輸入到訓練好的MLP-GRU分類模型，得到稀疏運動步數數據的多顆粒度運動模式；

所述模塊M5中的MLP-GRU模型包括多層感知機、門控循環單元以及SoftMax輸出層；多層感知機通過缺失數據點的相對位置和絕對位置來學習稀疏運動步數數據的短期依賴和長期規律；門控循環單元用來學習補全數據的隱藏狀態；SoftMax輸出層將門控循環單元最后時刻的隱藏狀態轉換為最終的分類概率；同時使用類均衡的交叉熵損失函數作為訓練MLP-GRU的優化目標；使用Adam算法對MLP-GRU進行訓練，補全和分類過程都是數據驅動的。

6.根據權利要求5所述的基于神經網絡的運動步數數據的運動模式推斷系統，其特征在于，所述模塊M2以五分鐘為間隔對數據集進行重采樣，使得重采樣后的每個數據樣本為每五分鐘一個數據點的時間序列；若某個五分鐘的時間窗口內沒有記錄步數數據，則該窗口的數據點為空數據點；

所述模塊M3中的數據樣本經過處理后轉變為從0到1的遞增序列。

7.根據權利要求5所述的基于神經網絡的運動步數數據的運動模式推斷系統，其特征在于，所述模塊M4中的不同的量化方案會產生不同顆粒度的運動模式，因此同一個完整運動步數樣本可以被賦予不同顆粒度的運動模式標簽。