CN110502770A - 基于ann预测力学参数的方法、装置、设备及存储介质 - Google Patents

Abstract

本发明揭示了一种基于ANN预测力学参数的方法、装置、设备及存储介质，步骤包括：将基准数据库中的所有基础数据按照指定比例分成建模数据和模型检测数据；将所述建模数据通过指定算法进行训练获得力学参数预测模型；通过模型检测数据对所述力学参数预测模型进行验算；判断验算结果是否符合指定要求；若是，则使用所述力学参数预测模型预测指定目标的生物力学参数。能准确的预测力学参数，准确度最高能够达到99.5％，平均准确度能达到90％以上；应用范围广，能够预测所有一直类型的力学参数；毋须知道输入参数和基准数据之间公式上的关系都能进行预测；在目标身体上任何位置的传感器都能被用在预测，而不需在特定的位置测量特定的数据，有更大的自由度。

Description

基于ANN预测力学参数的方法、装置、设备及存储介质

技术领域

本发明涉及到蓝牙通信领域，特别是涉及到一种基于ANN预测力学参数的方法、装置、设备及存储介质。

背景技术

现有的力学预测技术需要厘清参数与参数之间的关系的公式才能作出测量。但是问题是根据牛顿力学公式算出来的数字为理想状态数值与实际测量的实数相差甚远，使得现有的大部分预测技术都只有70％左右的准确度。主要的原因是除了线性的关系外，加速度跟力学数据还有很多非线性的关系，因此根据传统力学公式是无法作准确预测的。另外，不同人群之间存在着个体上的差异，例如身高，体重，运动速度，肢体长度等等的差异。人体结构明显不符合传统力学中公式成立对对象结构前提的要求，由此可见，以上的实现方案对预测有过多的简化，造成预测的不准确，公式也不能解决个体差异的问题。此外，因为人体结构极为复杂，包括关节和肢体间的关系，所以很多参数与参数间的关系根本没有厘清，例如加速度跟关节硬度，负荷率，前蹬力，减速力等等的关系没有明确的公式关系。除此之外，加速仪的位置也极为重要，在传统的解决方案中，传感器需要放在特定的地方才能有效地用公式计算力学数据。例如加速仪要放在小腿上才能计算冲击力。放在其他地方的时候，参数间的关系便完全不同，而且是传统力学没有办法模拟的。因此旧有的方法在传感器放置方面有较高的要求。

发明内容

本发明的主要目的为提供一种基于ANN预测力学参数的方法、装置、设备及存储介质，以解决背景技术中所提出的至少一个技术问题。

本发明提出本发明提出一种基于ANN预测力学参数的方法，包括如下步骤：

将基准数据库中的所有基础数据按照指定比例分成建模数据和模型检测数据；

将上述建模数据通过指定算法进行训练获得力学参数预测模型；

通过模型检测数据对上述力学参数预测模型进行验算；

判断验算结果是否符合指定要求；

若是，则使用上述力学参数预测模型预测指定目标的生物力学参数。

进一步地，在上述的基于ANN预测力学参数的方法中，在将基准数据库中的所有基础数据按照指定比例分成建模数据和模型检测数据的步骤之前，还包括步骤：

建立基准数据库。

进一步地，在上述的基于ANN预测力学参数的方法中，建立基准数据库的步骤，包括：

获取指定数量生物个体在指定活动状态下的力学参数；

获取每个上述生物个体的体格特征信息及各关节在对应活动状态下的加速度和角速率；

将每个上述生物个体的体格特征信息以及在对应活动状态下的力学参数、加速度和角速率进行同步配对，获得基础数据；

将每个上述生物个体在对应状态下的上述基础数据整合，获得上述基准数据库。

进一步地，在上述的基于ANN预测力学参数的方法中，将每个上述生物个体的体格特征信息以及在对应活动状态下的力学参数、加速度和角速率进行同步配对，获得基础数据的步骤，包括：

将每个上述生物个体各关节在对应活动状态下的上述加速度和角速率进行数据过滤处理；

将每个上述生物个体在指定活动状态下的力学参数与经过数据过滤处理后的对应的上述加速度和角速率进行同步配对，获得源数据；

将上述生物个体的体格特征信息附加进对应的上述源数据内，获得上述基础数据。

进一步地，在上述的基于ANN预测力学参数的方法中，上述指定算法为贝叶斯正则化算法。

进一步地，在上述的基于ANN预测力学参数的方法中，在将上述建模数据通过指定算法进行训练获得力学参数预测模型的步骤之前，还包括步骤：

将人工神经网络设置成三层分别为输入层、隐藏层和输出层；

将上述输入层的神经元数目调整至与指定目标的输入参数种类数目相同；

将上述隐藏层的神经元的数目设置为10个。

进一步地，在上述的基于ANN预测力学参数的方法中，通过模型检测数据对上述力学参数预测模型进行验算的步骤，包括

通过Sigmoid函数对预测过程中的各层神经元进行启动。

本发明提出一种基于ANN预测力学参数的方法，包括：

分类模块，用于将基准数据库中的所有基础数据按照指定比例分成建模数据和模型检测数据；

建模模块，用于将上述建模数据通过指定算法进行训练获得力学参数预测模型；

验算模块，用于通过模型检测数据对上述力学参数预测模型进行验算；

判断模块，用于判断验算结果是否符合指定要求；

预测模块，用于若是，则使用上述力学参数预测模型预测指定目标的生物力学参数。

本发明提出一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，上述处理器执行上述程序时实现如上述实施例中任意一项所描述的方法。

本发明提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例中任意一项所描述的方法。

本发明的一种基于ANN预测力学参数的方法、装置、设备及存储介质的有益效果为：能准确的预测力学参数，准确度最高能够达到99.5％，平均准确度能达到90％以上；应用范围广，能够预测所有一直类型的力学参数；毋须知道输入参数和基准数据之间公式上的关系都能进行预测；在目标身体上任何位置的传感器都能被用在预测，而不需在特定的位置测量特定的数据，有更大的自由度。

附图说明

图1是本发明一实施例中基于ANN预测力学参数的方法的流程示意图；

图2是本发明一实施例中基于ANN预测力学参数的方法的流程示意图；

图3是本发明一实施例中基于ANN预测力学参数的方法的流程示意图；

图4是本发明一实施例中基于ANN预测力学参数的方法的流程示意图；

图5是本发明一实施例中基于ANN预测力学参数的方法的神经元工作过程示意图；

图6是本发明一实施例中基于ANN预测力学参数的装置的模块结构示意图；

图7为本发明一实施例的一种计算机设备的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

另外，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

参照图1，本发明提供了本发明提出一种基于ANN预测力学参数的方法，包括如下步骤：

S1、将基准数据库中的所有基础数据按照指定比例分成建模数据和模型检测数据；

S2、将上述建模数据通过指定算法进行训练获得力学参数预测模型；

S3、通过模型检测数据对上述力学参数预测模型进行验算；

S4、判断验算结果是否符合指定要求；

S5、若是，则使用上述力学参数预测模型预测指定目标的生物力学参数。

如上述步骤S1，将基准数据库中的所有基础数据按照指定比例分成建模数据和模型检测数据，需要说明的是，上述基础数据一般包括指定数量的目标生物体的力学数据、体格特征数据和目标生物体的各关节在不同运动状态下的加速度以及角速率，其中，该力学数据包括——但不限于——垂直反作用力、撞击力、减速力、后蹬力、关节硬度、负荷率、垂直摆动、能量耗损和功率，但其他任何力学数据同样能进行收集并作为基准数据；其中，体格特征数据包括——但不限于——身高、体重和运动速度但其他任何体格特征数据同样能进行收集并作为基准数据；其中，获取加速度和角速率的关节部位包括——但不限于——脚面，胫骨，大腿和腰部但其他任何关节部位数据同样能进行收集并作为基准数据；其中，上述建模数据与模型检测数据的比例优选为70％：30％，分配方式以目标生物体的数量进行随机分配，每项建木数据或模型检测数据均包含有对应目标生物体的完整的基准数据。

如上述步骤S2，将上述建模数据通过指定算法进行训练获得力学参数预测模型；需要说明的是，上述建模数据一般通过贝叶斯正则化算法进行力学预测训练以达到建立预测模型的目的，但该训练算法不限于贝叶斯正则化算法，还包括现有的或未来可能出现的其他任何能够达到训练建模目的算法。

如上述步骤S3，通过模型检测数据对上述力学参数预测模型进行验算；使用上述步骤S1分配的模型检测数据中目标生物的体格特征数据及目标生物体的各关节在不同运动状态下的加速度以及角速率对上述步骤S2得出的模型进行预测检测，将预测的力学参数与模型检测数据中对应的力学数据进行对比，得出检测准确度。

如上述步骤S4，判断验算结果是否符合指定要求；将上述步骤S3得出的检测准确度与预设值进行比较判断是否大于或等于预设预设值，该预设值一般为90％，若判断结果为否，则重新返回执行上述步骤S2和S3重新建立预测模型。

如上述步骤S5，若是，则使用上述力学参数预测模型预测指定目标的生物力学参数，若上述步骤S4的判断结果为是，即检测准确度大于或等于90％，则该预测模型建立成功，使用该预测模型预测指定目标的生物力学参数，其中该指定目标的生物种类必须与建模过程中的基准数据的生物种类相同，当测试的目标生物或目标机器种类不存在建模时的基准数据时，需要重新建模，本预测方法一般用于生物的力学预测，优选用于人体生物力学的预测，但还可通过对建模基准数据的修改对非生物体进行力学参数的预测。

参照图2，在本实施例中，在上述的基于ANN预测力学参数的方法中，在将基准数据库中的所有基础数据按照指定比例分成建模数据和模型检测数据的步骤之前，还包括步骤：

S6、建立基准数据库。

如上述步骤S6，建立基准数据库，根据需要测试的目标，选取与目标种类相同或相近的一定数量参考群体以获取足够支撑建立达到目标效果预测模型的的参考数据，本实施例中，参考群体的个体数量优选为100。

参照图3，在本实施例中，在上述的基于ANN预测力学参数的方法中，建立基准数据库的步骤，包括：

S61、获取指定数量生物个体在指定活动状态下的力学参数；

S62、获取每个上述生物个体的体格特征信息及各关节在对应活动状态下的加速度和角速率

S63、将每个上述生物个体的体格特征信息以及在对应活动状态下的力学参数、加速度和角速率进行同步配对，获得基础数据；

S64、将每个上述生物个体在对应状态下的上述基础数据整合，获得上述基准数据库。

如上述步骤S61、获取指定数量生物个体在指定活动状态下的力学参数，需要说明的是，以人作为检测时，生物个体数量一般优选为100，男女比例优选为1:1。

如上述步骤S62、获取每个上述生物个体的体格特征信息及各关节在对应活动状态下的加速度和角速率，通过6轴加速仪收集上述生物个体在运动期间各个运动状态下在各关节的加速度和角速率，收集关节包括——但不限于——脚面、胫骨、大腿和腰部，其中运动状态包括——但不限于——静止、跑步、跳高和弯腰等，该体格特征信息一般包括身高，体重，运动速度等；

如上述步骤S63、将每个上述生物个体的体格特征信息以及在对应活动状态下的力学参数、加速度和角速率进行同步配对，获得基础数据，该基础数据包括一个生物个体在指定的运动状态下的力学参数、体格特征信息以及各个关节的加速度和角速率。

如上述步骤S64、将每个上述生物个体在对应状态下的上述基础数据整合，获得上述基准数据库，将每个生物个体不同状态下的基础数据整合成一份对应的数据列表，再讲所有生物个体的数据列表进行整合获得上述基准数据库。

参照图4和5，在本实施例中，在上述的基于ANN预测力学参数的方法中，将每个上述生物个体的体格特征信息以及在对应活动状态下的力学参数、加速度和角速率进行同步配对，获得基础数据的步骤，包括：

S641、将每个上述生物个体各关节在对应活动状态下的上述加速度和角速率进行数据过滤处理；

S642、将每个上述生物个体在指定活动状态下的力学参数与经过数据过滤处理后的对应的上述加速度和角速率进行同步配对，获得源数据；

S643、将上述生物个体的体格特征信息附加进对应的上述源数据内，获得上述基础数据。

如上述步骤S641、将每个上述生物个体各关节在对应活动状态下的上述加速度和角速率进行数据过滤处理，通过指定的函数对上述数据进行过滤处理，需要说明的是，上述过滤步骤一般联用高通滤波器、低通滤波器和巴特沃斯滤波器对上述数据进行过滤处理。

如上述步骤S642、将每个上述生物个体在指定活动状态下的力学参数与经过数据过滤处理后的对应的上述加速度和角速率进行同步配对，获得源数据，查找与上述力学参数相对应生物个体及运动状态的过滤处理后的对应的上述加速度和角速率，并将其整合，获得源数据；

如上述步骤S643、将上述生物个体的体格特征信息附加进对应的上述源数据内，获得上述基础数据。

在本实施例中，在上述的基于ANN预测力学参数的方法中，上述指定算法为贝叶斯正则化算法，贝叶斯正则化算法通过修正神经网络的训练性能函数来提高其推广能力,在Matlab环境中采用trainbr训练函数来实现。一般情况下,神经网络的训练性能函数采用均方误差mse,即

式中:mse为均方误差；N为样本数；ti为期望输出；ai为网络实际输出。

在贝叶斯正则化算法中,网络性能函数经改进变为如下形式:

msereg＝γ·mse+(1-γ)·msw (2)

式中:msereg为改进后的误差函数；γ为比例系数；msw为网络所有权值平方和的平均值,wi为连接权值,其他参数同式(1)。

由式(2)可知,贝叶斯正则化算法不仅能保证网络训练误差尽可能小,而且使网络的有效权值尽可能少,这实际上相当于自动缩小了网络的规模,发生过度训练的机会就会很小。贝叶斯正则化算法可以在网络训练过程中自适应地调节γ的大小,并使其达到最优。

需要说明的是，上述指定算法还包括——但不限于——量化共轭梯度法或LM算法(Levenberg Marquardt，LMA)。

参照图2，在本实施例中，在上述的基于ANN预测力学参数的方法中，在将上述建模数据通过指定算法进行训练获得力学参数预测模型的步骤之前，还包括步骤：

S7、将人工神经网络设置成三层分别为输入层、隐藏层和输出层；

S8、将上述输入层的神经元数目调整至与指定目标的输入参数种类数目相同；

S9、将上述隐藏层的神经元的数目设置为10个。

ANN是指由大量的处理单元(人工神经元)互相连接而形成的复杂网络结构，是对人脑组织结构和运行机制的某种抽象、简化和模拟。人工神经网络(Artificial NeuralNetwork，简称ANN)，以数学模型模拟神经元活动，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。

人工神经网络有多层和单层之分，每一层包含若干神经元，各神经元之间用带可变权重的有向弧连接，网络通过对已知信息的反复学习训练，通过逐步调整改变神经元连接权重的方法，达到处理信息、模拟输入输出之间关系的目的。它不需要知道输入输出之间的确切关系，不需大量参数，只需要知道引起输出变化的非恒定因素，即非常量性参数。因此与传统的数据处理方法相比，神经网络技术在处理模糊数据、随机性数据、非线性数据方面具有明显优势，对规模大、结构复杂、信息不明确的系统尤为适用。由Minsley和Papert提出的多层前向神经元网络(也称多层感知器)是目前最为常用的网络结构。

如上述步骤S7、将人工神经网络设置成三层分别为输入层、隐藏层和输出层，需要说明的是，人工神经网络的甚至层数包括——但不限于——三层，可根据现有情况对该人工神经网络进行层数的调整。

如上述步骤S8、将上述输入层的神经元数目调整至与指定目标的输入参数种类数目相同，通过将上述输入层的神经元数量调增只与输入参数种类数目相同使每个输入参数种类均成为相关变量，使预测跟准确，其中输入参数种类一般与基准数据中的数据种类相同。

如上述步骤S9、将上述隐藏层的神经元的数目设置为10个，需要说明的是，虽然在本实施例中将上述隐藏层的神经元数目设置为10个，隐藏层中可调用的神经元数目应该理解为大于10个，并根据实际情况可对隐藏层的神经元数量调用进行调节以达到最佳效果。

在本实施例中，在上述的基于ANN预测力学参数的方法中，通过模型检测数据对上述力学参数预测模型进行验算的步骤，包括

通过Sigmoid函数对预测过程中的各层神经元进行启动。

如上述步骤通过Sigmoid函数对预测过程中的各层神经元进行启动，Sigmoid函数是一个在生物学中常见的S型函数，也称为S型生长曲线。在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的阈值函数，将变量映射到0,1之间。

需要说明的是，上述步骤S31一般通过Sigmoid函数进行对预测过程中的各层神经元进行启动，但该启动函数不限于Sigmoid函数，还包括现有的或未来可能出现的其他任何能够达到启动目的函数，例如：ReLu(Rectified Linear Units)启动函数、TanH函数和arcTan函数。

参照图6，本发明提出一种基于ANN预测力学参数的方法，包括：

分类模块1，用于将基准数据库中的所有基础数据按照指定比例分成建模数据和模型检测数据；

建模模块2，用于将上述建模数据通过指定算法进行训练获得力学参数预测模型；

验算模块3，用于通过模型检测数据对上述力学参数预测模型进行验算；

判断模块4，用于判断验算结果是否符合指定要求；

预测模块5，用于若是，则使用上述力学参数预测模型预测指定目标的生物力学参数。

上述分类模块1，一般用于将基准数据库中的所有基础数据按照指定比例分成建模数据和模型检测数据，需要说明的是，上述基础数据一般包括指定数量的目标生物体的力学数据、体格特征数据和目标生物体的各关节在不同运动状态下的加速度以及角速率，其中，该力学数据包括——但不限于——垂直反作用力、撞击力、减速力、后蹬力、关节硬度、负荷率、垂直摆动、能量耗损和功率，但其他任何力学数据同样能进行收集并作为基准数据；其中，体格特征数据包括——但不限于——身高、体重和运动速度但其他任何体格特征数据同样能进行收集并作为基准数据；其中，获取加速度和角速率的关节部位包括——但不限于——脚面，胫骨，大腿和腰部但其他任何关节部位数据同样能进行收集并作为基准数据；其中，上述建模数据与模型检测数据的比例优选为70％：30％，分配方式以目标生物体的数量进行随机分配，每项建木数据或模型检测数据均包含有对应目标生物体的完整的基准数据。

上述建模模块2，一般用于将上述建模数据通过指定算法进行训练获得力学参数预测模型；需要说明的是，上述建模数据一般通过贝叶斯正则化算法进行力学预测训练以达到建立预测模型的目的，但该训练算法不限于贝叶斯正则化算法，还包括现有的或未来可能出现的其他任何能够达到训练建模目的算法。

上述验算模块3，一般用于通过模型检测数据对上述力学参数预测模型进行验算；使用上述分类模块1分配的模型检测数据中目标生物的体格特征数据及目标生物体的各关节在不同运动状态下的加速度以及角速率对上述建模模块2得出的模型进行预测检测，将预测的力学参数与模型检测数据中对应的力学数据进行对比，得出检测准确度。

上述判断模块4，一般用于判断验算结果是否符合指定要求；将上述验算模块3得出的检测准确度与预设值进行比较判断是否大于或等于预设预设值，该预设值一般为90％，若判断结果为否，则重新返回调用上述建模模块2和验算模块3重新建立预测模型。

上述预测模块5，一般用于若是，则使用上述力学参数预测模型预测指定目标的生物力学参数，若上述判断模块4的判断结果为是，即检测准确度大于或等于90％，则该预测模型建立成功，使用该预测模型预测指定目标的生物力学参数，其中该指定目标的生物种类必须与建模过程中的基准数据的生物种类相同，当测试的目标生物或目标机器种类不存在建模时的基准数据时，需要重新建模，本预测方法一般用于生物的力学预测，优选用于人体生物力学的预测，但还可通过对建模基准数据的修改对非生物体进行力学参数的预测。

参照图7，在本发明实施例中，本发明还提供一种计算机设备，上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线18结构中的一种或多种，包括存储器总线18或者存储器控制器，外围总线18，图形加速端口，处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线18，微通道体系结构(MAC)总线18，增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD～ROM，DVD～ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图7中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的基于ANN预测力学参数的方法。

也即，上述处理单元16执行上述程序时实现：将基准数据库中的所有基础数据按照指定比例分成建模数据和模型检测数据；将上述建模数据通过指定算法进行训练获得力学参数预测模型；通过模型检测数据对上述力学参数预测模型进行验算；判断验算结果是否符合指定要求；若是，则使用上述力学参数预测模型预测指定目标的生物力学参数。

在本发明实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的基于ANN预测力学参数的方法：

也即，给程序被处理器执行时实现：将基准数据库中的所有基础数据按照指定比例分成建模数据和模型检测数据；将上述建模数据通过指定算法进行训练获得力学参数预测模型；通过模型检测数据对上述力学参数预测模型进行验算；判断验算结果是否符合指定要求；若是，则使用上述力学参数预测模型预测指定目标的生物力学参数。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPOM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD～ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，改计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

本发明的一种基于ANN预测力学参数的方法、装置、设备及存储介质的有益效果为：能准确的预测力学参数，准确度最高能够达到99.5％，平均准确度能达到90％以上；应用范围广，能够预测所有一直类型的力学参数；毋须知道输入参数和基准数据之间公式上的关系都能进行预测；在目标身体上任何位置的传感器都能被用在预测，而不需在特定的位置测量特定的数据，有更大的自由度。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于ANN预测力学参数的方法，其特征在于，包括如下步骤：

将基准数据库中的所有基础数据按照指定比例分成建模数据和模型检测数据；

将所述建模数据通过指定算法进行训练获得力学参数预测模型；

通过模型检测数据对所述力学参数预测模型进行验算；

判断验算结果是否符合指定要求；

若是，则使用所述力学参数预测模型预测指定目标的生物力学参数。

2.根据权利要求1所述的基于ANN预测力学参数的方法，其特征在于，在将基准数据库中的所有基础数据按照指定比例分成建模数据和模型检测数据的步骤之前，还包括步骤：

建立基准数据库。

3.根据权利要求2所述的基于ANN预测力学参数的方法，其特征在于，建立基准数据库的步骤，包括：

获取指定数量生物个体在指定活动状态下的力学参数；

获取每个所述生物个体的体格特征信息及各关节在对应活动状态下的加速度和角速率；

将每个所述生物个体的体格特征信息以及在对应活动状态下的力学参数、加速度和角速率进行同步配对，获得基础数据；

将每个所述生物个体在对应状态下的所述基础数据整合，获得所述基准数据库。

4.根据权利要求3所述的基于ANN预测力学参数的方法，其特征在于，将每个所述生物个体的体格特征信息以及在对应活动状态下的力学参数、加速度和角速率进行同步配对，获得基础数据的步骤，包括：

将每个所述生物个体各关节在对应活动状态下的所述加速度和角速率进行数据过滤处理；

将每个所述生物个体在指定活动状态下的力学参数与经过数据过滤处理后的对应的所述加速度和角速率进行同步配对，获得源数据；

将所述生物个体的体格特征信息附加进对应的所述源数据内，获得所述基础数据。

5.根据权利要求1所述的基于ANN预测力学参数的方法，其特征在于，所述指定算法为贝叶斯正则化算法。

6.根据权利要求1所述的基于ANN预测力学参数的方法，其特征在于，在将所述建模数据通过指定算法进行训练获得力学参数预测模型的步骤之前，还包括步骤：

将人工神经网络设置成三层分别为输入层、隐藏层和输出层；

将所述输入层的神经元数目调整至与指定目标的输入参数种类数目相同；

将所述隐藏层的神经元的数目设置为10个。

7.根据权利要求6所述的基于ANN预测力学参数的方法，其特征在于，通过模型检测数据对所述力学参数预测模型进行验算的步骤，包括

通过Si gmoi d函数对预测过程中的各层神经元进行启动。

8.一种基于ANN预测力学参数的方法，其特征在于，包括：

分类模块，用于将基准数据库中的所有基础数据按照指定比例分成建模数据和模型检测数据；

建模模块，用于将所述建模数据通过指定算法进行训练获得力学参数预测模型；

验算模块，用于通过模型检测数据对所述力学参数预测模型进行验算；

判断模块，用于判断验算结果是否符合指定要求；

预测模块，用于若是，则使用所述力学参数预测模型预测指定目标的生物力学参数。

9.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～7中任意一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1～7中任意一项所述的方法。