CN113095390A - 基于云数据库和改进集成学习的手杖运动分析系统及方法 - Google Patents
基于云数据库和改进集成学习的手杖运动分析系统及方法 Download PDFInfo
- Publication number
- CN113095390A CN113095390A CN202110359489.1A CN202110359489A CN113095390A CN 113095390 A CN113095390 A CN 113095390A CN 202110359489 A CN202110359489 A CN 202110359489A CN 113095390 A CN113095390 A CN 113095390A
- Authority
- CN
- China
- Prior art keywords
- cloud database
- time
- information
- model
- walking stick
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000033001 locomotion Effects 0.000 title claims abstract description 97
- 241001166076 Diapheromera femorata Species 0.000 title claims abstract description 57
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000001133 acceleration Effects 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 30
- 238000003066 decision tree Methods 0.000 claims description 21
- 230000000875 corresponding effect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000004904 shortening Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 3
- 230000037147 athletic performance Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000253999 Phasmatodea Species 0.000 description 1
- 206010047571 Visual impairment Diseases 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 208000029257 vision disease Diseases 0.000 description 1
- 230000004393 visual impairment Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/18—Stabilised platforms, e.g. by gyroscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明的基于云数据库和改进集成学习的手杖运动分析系统及方法，根据手杖采集的数据集训练LightBE模型，将训练好的模型移植到Raspberry Pi zero w系统板。再通过姿态传感器实时采集加速度、角速度数据，经过窗口矩阵处理后输入系统板中进行实时分类，将分类后的运动状态和时间信息上传云数据库，供远程智能终端获取。本发明的方法能克服分类过程中相似类别分类准确率低和噪声影响的问题，实现了对运动状态的高精度分类，物联网技术的应用使得看护者可在任何地点实时监测使用者的运动状态，也可实现一段时间的运动分析和历史记录查询。对运动行为的分析也为进一步的看护和照顾提供了方便。
Description
技术领域
本发明属于家庭看护及康复医疗技术领域，涉及基于云数据库和改进集成学习的手杖运动分析系统及方法。
背景技术
行动不方便的老年人、残障人士或有视力障碍的人等，需要依靠手杖等助行设备实现行走。据调查显示，全中国每年有超过七千万人次因各种原因受伤问诊或住院，病人由于行动能力受阻，在康复期内需要拐杖进行辅助移动。这类人群由于生理限制，常伴随着健康风险，因此医生或看护人需要对他们的健康情况进行监测。同时，为了更好的康复，医生或看护人需要分析他们的运动状态以做出进一步的护理和照顾。目前常用的监测方法，仍然以定期到医院检查或者陪护人定期上报为主，这些方法十分消耗时间且增加了健康风险。手杖是这类人群密切使用的一种助行设备，使用智能化手杖系统来解决上述问题是可行的。随着人工智能的发展，一款能够利用机器学习技术对使用者运动状态检测和分类，并实时进行数据传输的手杖越来越具有应用价值。对于相似度较高的某些类别的分类，传统的机器学习算法的分类效果并不令人满意。此外，这些算法通常没有讨论噪声对分类精度的影响，这可能导致实际应用中的精度降低。
发明内容
为解决上述技术问题，本发明的目的是提供一种基于云数据库和改进集成学习的手杖运动分析系统及方法，实现对手杖持有者运动行为的实时监测和准确分类，并进行分析。
本发明提供一种基于云数据库和改进集成学习的手杖运动分析系统，包括：智能手杖、云端数据库和远程智能终端；所述智能手杖和远程智能终端通过HTTP协议分别连接云端数据库；所述智能手杖包括：手杖本体和安装在手杖本体上的控制中心系统板、姿态传感器、便携式移动Wi-Fi模块和电源模块，所述手杖本体的上部和下部各设置一个姿态传感器以采集三轴的加速度信息和三轴的角速度信息，合并后构成十二维的加速度、角速度信息；所述控制中心系统板集成有中央处理器、Wi-Fi接收模块、输入输出扩展口和USB接口，中央处理器分别连接Wi-Fi接收模块、输入输出扩展口和USB接口；所述控制中心系统板通过USB接口连接电源模块；所述中央处理器通过输入输出扩展口连接两个姿态传感器，对十二维的加速度、角速度信息进行实时分类计算；Wi-Fi接收模块接收便携式移动Wi-Fi模块或环境中的无线网络发出的Wi-Fi信号，并将中央处理器的分类结果和时间信息上传到云端数据库；便携式移动Wi-Fi模块与电源模块连接。
在本发明的基于云数据库和改进集成学习的手杖运动分析系统中，所述云端数据库为关系型数据库，通过键值对的方式储存信息，用于储存智能手杖分类后的实时运动状态和时间信息，以供远程智能终端的获取。
在本发明的基于云数据库和改进集成学习的手杖运动分析系统中，所述姿态传感器为MPU-6050加速度陀螺仪传感器，所述控制中心系统板为Raspberry Pi zero w系统板。
在本发明的基于云数据库和改进集成学习的手杖运动分析系统中，所述智能手杖通过POST请求方式将实时运动状态和时间信息上传云端数据库；远程智能终端通过GET请求从云端服务器获得信息，同时也可通过POST请求向云端服务器发送信息。
本发明提供一种基于云数据库和改进集成学习的手杖运动分析方法，包括以下步骤：
步骤1：通过智能手杖预先采集六个类别多组数据作为数据集，将数据集通过窗口矩阵预处理后获得新数据集，将新数据集中70％数据构成训练数据集；
步骤2：对训练数据集中的训练数据标签进行独热编码，使训练数据更有表现力；
步骤3：构建自定义损失函数；
步骤4：对自定义损失函数中的误差损失函数进行改进以构建LightBE模型；
步骤5：对自定义损失函数的代码进行优化，缩短模型训练时间；
步骤6：对LightBE模型的超参数进行贝叶斯优化，以寻找最优超参数带入到LightBE模型中进行训练；
步骤7：将训练好的LightBE模型移植到控制中心系统板中；
步骤8：通过两个姿态传感器实时采集十二维的加速度、角速度信息，并通过窗口矩阵处理后输入到中心系统板中进行实时分类；
步骤9：将分类结果和时间信息上传到云端数据库，以供远程智能终端的获取。
在本发明的基于云数据库和改进集成学习的手杖运动分析方法中，所述步骤2具体为：
对训练数据的标签进行独热编码，以保证每个样本的标签为1×7维的向量，具体分类类别与独热编码的对应关系为：
“停止”—0100000，“慢走”—0010000，“快走”—0001000，“右转”—0000100，“左转”—0000010，“其他”—0000001。
在本发明的基于云数据库和改进集成学习的手杖运动分析方法中，所述步骤3具体为：
步骤3.1构造目标函数：
对于数据集
i＝1,...,n，LightGBM第t步的目标函数如下：
其中，xi代表第i个输入样本，yi代表第i个输入样本的真实值，n为输入样本数量；ft(xi)为第t棵决策树对输入样本xi的预测值，
代表前t-1颗决策树构成的模型对输入样本xi的预测值；
为误差函数，描述了前t颗决策树组成的模型的预测值与真实值yi之间的误差；
步骤3.2：对目标函数进行泰勒展开：
其中：
在本发明的基于云数据库和改进集成学习的手杖运动分析方法中，所述步骤4具体为：
对自定义损失函数中的误差损失函数
进行改进以构造LightBE模型，改进后的误差损失函数为：
系数α为：
其中yi＝0010000和yi＝0001000分别表示类别为“慢走”、“快走”的样本的真实值，βi为一个大于1的数，表示这两个类别样本的权重；ωi为降噪权重，其与噪声对窗口内的数据的影响呈正相关，为了合理调整ωi对样本梯度的影响，为ωi设置了范围系数c，将参数βi和c作为模型中的超参数，ωi的公式如下所示：
xiq表示样本在窗口矩阵内的取值，其中i∈{1,...,40}，q∈{1,...,12}，，分别表示窗口的样本索引和对应样本的特征索引；
使用Softmax函数对模型的预测值进行处理，并使用交叉熵损失函数解决多分类问题，改进后的交叉熵损失函数为：
其中：
ak为预测值第k个位置的值，pj为输出为第j类的概率，此时yi，
为1×7维的向量，其中第j个元素分别为yj，aj；
lbe对
求一阶二阶导数，首先对
中的每一项进行求导，以第m项为例：
组合后形成对lbe对
的一阶和二阶导数：
所述gi和hi为自定义损失函数的输出，根据步骤3构建LightBE模型，前t-1颗决策树的预测值
和真实值yi为输入。
在本发明的基于云数据库和改进集成学习的手杖运动分析方法中，所述步骤4具体为：使用jit装饰器将自定义损失函数的代码转换成机器代码，减少在遍历样本过程中造成的时间损耗。
在本发明的基于云数据库和改进集成学习的手杖运动分析方法中，所述步骤9将分类结果和时间信息上传到云端数据库采用一种基于事件触发机制的信息上传方法，当系统板检测到运动姿态发生变化时，记录当前状态的运动时间，同时将当前的运动状态信息上传到云数据库；系统板每隔60秒上传一次记录的所有状态的运动时间信息，并标记当前的日期；系统板每次开机时，首先登录云数据库获取当天的所有运动时间信息，进行记录后，后续的运动时间将在之前的运动时间上进行累加。
本发明的基于云数据库和改进集成学习的手杖运动分析系统及方法，至少具有以下有益效果：
1、使用Raspberry Pi zero w系统板和MPU-6050加速度陀螺仪进行运动行为的实时采集，并通过窗口矩阵对采集的数据进行处理，可将每一周期的运动行为表示为一个样本。
2、使用高效、高准确率的改进机器学习算法LightBE进行运动状态的分类，运行速度快，分类精度高，可以解决相似类别识别率低和噪声影响问题。
3、使用基于云数据库的物联网技术连通手机等远程智能终端、云端数据库和智能手杖，通过远程智能终端可实时、低延迟的查看到智能手杖的运行状态，并实现对运动的分析。
4、通过远程智能终端和Raspberry Pi zero w系统板的算法逻辑，实现了对每天运动时间的历史记录查询，通过为远程智能终端开放的各种API可实现对运动情况更高质量的分析。
5、通过本发明可从根本上解决看护人或医疗服务人员对手杖持有者的远程监护问题，能够在保证手杖持有者安全的情况下，实现对其身体健康状态、运动行为的合理分析。
附图说明
图1是本发明的基于云数据库和改进集成学习的手杖运动分析系统的框架图；
图2是本发明的基于云数据库和改进集成学习的手杖运动分析方法的流程图。
具体实施方式
如图1所示，本发明的基于云数据库和改进集成学习的手杖运动分析系统，包括：智能手杖、云端数据库和远程智能终端。智能手杖与远程智能终端通过物联网技术进行信息传输，传输的信息存储在云端数据库中，具体为智能手杖和远程智能终端通过HTTP协议分别连接云端数据库。
云端数据库为关系型数据库，通过键值对的方式储存信息，用于储存智能手杖分类后的实时运动状态和时间信息，以供远程智能终端的获取。其中“键”分为“状态”和“状态持续时间”+“日期”两种类型；“值”为数值型数据，表示时间或者当前的运动状态。智能手杖通过POST请求方式将实时运动状态和时间信息上传云端数据库；远程智能终端通过GET请求从云端服务器获得信息，同时也可通过POST请求向云端服务器发送信息。实现及时高效的信息传输。
远程智能终端安装有监护APP，该监护APP包括登录页面、当前状态页面、有监督下状态概要页面以及历史查询页面。登录页面可设置登录账号和登录密码，实现安全登录。当前状态页面显示了手杖持有人当前的运动状态，和以打开APP为起始时刻的运动状态持续时间(除“停止”和“其他”)。有监督下状态概要页面显示了从打开APP开始各类别详细的运动时间。历史查询页面包括过去任何日期的运动概要。
所述智能手杖包括：手杖本体和安装在手杖本体上的控制中心系统板103、姿态传感器104、便携式移动Wi-Fi模块106和电源模块105。所述手杖本体的上部和下部各设置一个姿态传感器104以采集三轴的加速度信息和三轴的角速度信息，合并后构成十二维的加速度和角速度信息，可以反映手杖持有人运动过程中手杖姿态的变化。
智能手杖的顶部101为手柄，使用木质材料，做成手握的舒适形状。智能手杖的两个姿态传感器104采用MPU-6050加速度陀螺仪，控制中心系统板103为Raspberry Pi zerow系统板，该系统板小巧轻便，非常适宜安装在手杖上，可以正常运行KNN、GBDT等绝大多数机器学习算法。电源模块105采用便携式移动电源，外形小巧，携带方便，电压稳定。智能手杖的底部103接触地面，采用胶质材料，主要以轻便、不打滑为目的。
所述控制中心系统板103集成有中央处理器、Wi-Fi接收模块、输入输出扩展口和USB接口。中央处理器分别连接Wi-Fi接收模块、输入输出扩展口和USB接口。控制中心系统板103通过USB接口连接电源模块105。所述中央处理器通过输入输出扩展口连接两个姿态传感器104，对十二维的加速度、角速度信息进行实时分类计算。Wi-Fi接收模块接收来自便携式移动Wi-Fi模块106或无线网络环境中的Wi-Fi信号，将中央处理器的分类结果和时间信息上传到云端数据库。便携式移动Wi-Fi模块106与电源模块105连接。当手杖位于无线网络环境中，可使用手杖外的网络并关闭便携式移动Wi-Fi模块106以节省电量；当手杖位于其他环境中，可通过手杖上的便携式可移动Wi-Fi模块提供网络环境。
作为一种优选方案，本发明的基于云数据库和改进集成学习的手杖运动分析系统，使用改进的集成学习算法来训练分类模型。使用笔记本电脑在运动状态数据集上训练分类模型。将训练好的模型移植到Raspberry Pi zero w系统板。将姿态传感器实时检测到的十二维姿态信息，经过窗口矩阵处理后输入到中央处理器中进行实时分类，分类结果通过物联网上传到云端数据库，以供远程智能终端的获取。
作为本发明的一种优选方案，Raspberry Pi zero w系统板使用一种基于事件触发机制的信息上传算法，当检测到运动姿态发生变化时，记录当前状态的运动时间，同时将当前的运动状态信息上传到云端数据库。系统板每隔60秒上传一次记录的所有状态的运动时间信息，并标记当前的日期。系统板每次开机时，首先登录云端数据库获取当天的所有运动时间信息，进行记录后，后续的运动时间将在之前的运动时间上进行累加。
如图2所示，本发明的基于云数据库和改进集成学习的手杖运动分析方法，包括以下步骤：
步骤1：通过智能手杖预先采集六个类别的多组运动状态数据作为基础数据集，将基础数据集通过窗口矩阵预处理后获得新数据集，将新数据集中70％数据构成训练数据集，具体为：
步骤1.1：将采集到的运动状态数据分为六个类别，分别为“停止”、“慢走”、“快走”、“左转”、“右转”和其他。
步骤1.2：选择40行运动状态数据形成一个窗口矩阵，提取每个窗口矩阵中10个有用的统计特征以充分的反映这个窗口期间运动状态数据的变化情况，这些特征包括中值、均值、方差、偏度、峰度、最小值、最大值等。将这些特征连接起来，形成一个样本点。最后构成新的数据集。
具体实施时，所述窗口矩阵大小为40行12列。预先采集六个类别共60000组数据作为数据集，其中每个类别的样本数为10000。所述数据集通过窗口矩阵进行预处理后得到样本数目为15000，特征维度为120维的新数据集。将新数据集中70％数据构成训练数据集，30％数据构成测试数据集。
步骤2：对训练数据集中的训练数据标签进行独热编码，使训练数据更有表现力，具体为：
对训练数据的标签进行独热编码，以保证每个样本的标签为1×7维的向量，具体分类类别与独热编码的对应关系为：
“停止”—0100000，“慢走”—0010000，“快走”—0001000，“右转”—0000100，“左转”—0000010，“其他”—0000001。
步骤3：构建自定义损失函数，具体为：利用LightGBM的自定义损失函数功能，通过计算机编写自定义损失函数的Python程序。
步骤3.1构造目标函数：
对于数据集
i＝1,...,n，LightGBM第t步的目标函数如下：
其中，xi代表第i个输入样本，yi代表第i个输入样本的真实值，n为输入样本数量；ft(xi)为第t棵决策树对输入样本xi的预测值，
代表前t-1颗决策树构成的模型对输入样本xi的预测值；
为误差函数，描述了前t颗决策树组成的模型的预测值与真实值yi之间的误差；
步骤3.2：对目标函数进行泰勒展开得到：
其中：
集成学习算法是一种决策树算法，通过多个弱决策树的集成形成一个强决策树来进行决策，其训练的每一步都会形成一个新的弱决策树，每一步的根本目的是通过模型在数据集上的不断训练使目标函数趋于最小。
步骤4：对自定义损失函数中的误差损失函数
进行改进以构造LightBE模型，改进后的误差损失函数为：
系数α为：
其中yi＝0010000和yi＝0001000分别表示类别为“慢走”、“快走”的样本的真实值，βi为一个大于1的数，表示这两个类别样本的权重；ωi为降噪权重，其与噪声对窗口内的数据的影响呈正相关，为了合理调整ωi对样本梯度的影响，为ωi设置了范围系数c，使得cωi的取值不会过大也不会太小。将参数βi和c作为模型中的超参数，ωi的公式如下所示：
xiq表示样本在窗口矩阵内的取值，其中i∈{1,...,40}，q∈{1,...,12}，分别表示窗口的样本索引和对应样本的特征索引；使用Softmax函数对模型预测值进行标准化，并使用交叉熵损失函数解决多分类问题，改进后的交叉熵损失函数为：
其中：
ak为预测值第k个位置的值，aj为预测值中所求位置对应的值，pj为输出为第j类的概率，，yi，
为1×7维的向量，其中第j个元素分别为yj，aj。
lbe分别对
求一阶二阶导数，首先对
中的每一项进行求导，以第m项为例：
组合后形成对lbe对
的一阶和二阶导数：
所述gi和hi为自定义损失函数的输出，根据步骤3构建LightBE模型，前t-1颗决策树的预测值
和真实值yi为输入。
步骤5：对自定义损失函数的代码进行优化，缩短模型训练时间；
具体实施时，使用jit装饰器将自定义损失函数的代码转换成机器代码，减少在遍历样本过程中造成的时间损耗。
步骤6：对LightBE模型的超参数βi和c进行贝叶斯优化，以寻找最优超参数带入到LightBE模型中进行训练；
具体实施时，通过贝叶斯优化算法进行超参数调优，寻找出最优的超参数βi和c取值代入LightBE模型中进行训练。
步骤7：将训练好的LightBE模型移植到控制中心系统板中；
具体实施时，使用笔记本电脑在新数据集上训练LightBE模型，再将训练好的LightBE模型移植到Raspberry Pi zero w系统板。所述LightBE模型是基于LightGBM的改进集成学习模型，通过LightGBM的自定义损失函数功能构建改进损失函数，以解决类别精度不平衡及噪声干扰问题。
步骤8：通过两个姿态传感器实时采集十二维的加速度、角速度信息，并通过窗口矩阵处理后输入到中心系统板中进行实时分类；
步骤9：将分类结果和时间信息上传到云端数据库，以供远程智能终端的获取；
本发明中Raspberry Pi zero w系统板将分类结果和时间信息上传到云端数据库，采用一种基于事件触发机制的信息上传算法。当系统板检测到运动姿态发生变化时，记录当前状态的运动时间，同时将当前的运动状态信息上传到云数据库。系统板每隔60秒上传一次记录的所有状态的运动时间信息，并标记当前的日期。系统板每次开机时，首先登录云数据库获取当天的所有运动时间信息，进行记录后，后续的运动时间将在之前的运动时间上进行累加。
本发明的基于云数据库和改进集成学习的手杖运动分析系统及方法，使用笔记本电脑根据手杖采集的数据集训练LightBE模型，将训练好的模型移植到Raspberry Pi zerow系统板中。再通过姿态传感器实时采集加速度、角速度数据，经过窗口矩阵处理后输入系统板中进行实时分类，并将分类结果和时间信息上传云数据库，供远程智能终端获取。看护人或者医疗服务人员使用远程移动终端的监护APP远程获取手杖使用者的实时运动状态，以达到改良病情、保证安全的目的。同时，可以使用该APP进行一段时间的运动情况分析和运动历史记录查询，以方便看护人或者医疗服务人员做出进一步的护理和照顾。LightBE模型是一种基于LightGBM的改进集成学习模型，通过LightGBM的自定义损失函数功能构建改进损失函数，改进损失函数通过Python语言进行编写，在LightBE模型的每次迭代过程中，以当前模型的预测值和数据集的真实值作为输入，以目标函数中误差损失函数的一阶导数和二阶导数为输出，以解决类别精度不平衡及噪声干扰问题。实现对手杖持有者运动行为的实时监测和准确分类，并进行分析。
将LightBE模型与GBDT、XGBoost等常见机器学习模型在新数据集上进行训练，将训练结果进行评估，以验证LightBE模型相对于其他模型的优越性。分析实验结果可知，在新数据集上LightBE模型的分类准确率相对于其他模型有明显的提高，其中对于“快速”、“慢速”两个类别样本的分类效果提升更为明显。经过jit装饰器处理后的LightBE模型，在训练速度上与LightGBM模型相近，远快于GBDT、XGBoost等模型。
以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于云数据库和改进集成学习的手杖运动分析系统，其特征在于，包括：智能手杖、云端数据库和远程智能终端；所述智能手杖和远程智能终端通过HTTP协议分别连接云端数据库；
所述智能手杖包括：手杖本体和安装在手杖本体上的控制中心系统板、姿态传感器、便携式移动Wi-Fi模块和电源模块，所述手杖本体的上部和下部各设置一个姿态传感器以采集三轴的加速度信息和三轴的角速度信息，合并后构成十二维的加速度、角速度信息；
所述控制中心系统板集成有中央处理器、Wi-Fi接收模块、输入输出扩展口和USB接口，中央处理器分别连接Wi-Fi接收模块、输入输出扩展口和USB接口；所述控制中心系统板通过USB接口连接电源模块；所述中央处理器通过输入输出扩展口连接两个姿态传感器，对十二维的加速度、角速度信息进行实时分类计算；Wi-Fi接收模块接收便携式移动Wi-Fi模块或环境中的无线网络发出的Wi-Fi信号，并将中央处理器的分类结果和时间信息上传到云端数据库；便携式移动Wi-Fi模块与电源模块连接。
2.如权利要求1所述的基于云数据库和改进集成学习的手杖运动分析系统，其特征在于，所述云端数据库为关系型数据库，通过键值对的方式储存信息，用于储存智能手杖分类后的实时运动状态和时间信息，以供远程智能终端的获取。
3.如权利要求1所述的基于云数据库和改进集成学习的手杖运动分析系统，其特征在于，所述姿态传感器为MPU-6050加速度陀螺仪传感器，所述控制中心系统板为RaspberryPi zero w系统板。
4.如权利要求1所述的基于云数据库和改进集成学习的手杖运动分析系统，其特征在于，所述智能手杖通过POST请求方式将实时运动状态和时间信息上传云端数据库；远程智能终端通过GET请求从云端服务器获得信息，同时也可通过POST请求向云端服务器发送信息。
5.基于云数据库和改进集成学习的手杖运动分析方法，其特征在于，包括以下步骤：
步骤1：通过智能手杖预先采集六个类别多组数据作为数据集，将数据集通过窗口矩阵预处理后获得新数据集，将新数据集中70％数据构成训练数据集；
步骤2：对训练数据集中的训练数据标签进行独热编码，使训练数据更有表现力；
步骤3：构建自定义损失函数；
步骤4：对自定义损失函数中的误差损失函数进行改进以构建LightBE模型；
步骤5：对自定义损失函数的代码进行优化，缩短模型训练时间；
步骤6：对LightBE模型的超参数进行贝叶斯优化，以寻找最优超参数带入到LightBE模型中进行训练；
步骤7：将训练好的LightBE模型移植到控制中心系统板中；
步骤8：通过两个姿态传感器实时采集十二维的加速度、角速度信息，并通过窗口矩阵处理后输入到中心系统板中进行实时分类；
步骤9：将分类结果和时间信息上传到云端数据库，以供远程智能终端的获取。
6.如权利要求5所述的基于云数据库和改进集成学习的手杖运动分析方法，其特征在于，所述步骤2具体为：
对训练数据的标签进行独热编码，以保证每个样本的标签为1×7维的向量，具体分类类别与独热编码的对应关系为：
“停止”—0100000，“慢走”—0010000，“快走”—0001000，“右转”—0000100，“左转”—0000010，“其他”—0000001。
7.如权利要求5所述的基于云数据库和改进集成学习的手杖运动分析方法，其特征在于，所述步骤3具体为：
步骤3.1构造目标函数：
对于数据集
LightGBM第t步的目标函数如下：
其中，xi代表第i个输入样本，yi代表第i个输入样本的真实值，n为输入样本数量；ft(xi)为第t棵决策树对输入样本xi的预测值，
代表前t-1颗决策树构成的模型对输入样本xi的预测值；
为误差函数，描述了前t颗决策树组成的模型的预测值与真实值yi之间的误差；
步骤3.2：对目标函数进行泰勒展开：
其中：
8.如权利要求7所述的基于云数据库和改进集成学习的手杖运动分析方法，其特征在于，所述步骤4具体为：
对自定义损失函数中的误差损失函数
进行改进以构造LightBE模型，改进后的误差损失函数为：
系数α为：
其中yi＝0010000和yi＝0001000分别表示类别为“慢走”、“快走”的样本的真实值，βi为一个大于1的数，表示这两个类别样本的权重；ωi为降噪权重，其与噪声对窗口内的数据的影响呈正相关，为了合理调整ωi对样本梯度的影响，为ωi设置了范围系数c，将参数βi和c作为模型中的超参数，ωi的公式如下所示：
xiq表示样本在窗口矩阵内的取值，其中i∈{1,...,40}，q∈{1,...,12}，，分别表示窗口的样本索引和对应样本的特征索引；
使用Softmax函数对模型的预测值进行处理，并使用交叉熵损失函数解决多分类问题，改进后的交叉熵损失函数为：
其中：
ak为预测值第k个位置的值，pj为输出为第j类的概率，此时yi，
为1×7维的向量，其中第j个元素分别为yj，aj；
lbe对
求一阶二阶导数，首先对
中的每一项进行求导，以第m项为例：
组合后形成对lbe对
的一阶和二阶导数：
所述gi和hi为自定义损失函数的输出，根据步骤3构建LightBE模型，前t-1颗决策树的预测值
和真实值yi为输入。
9.如权利要求7所述的基于云数据库和改进集成学习的手杖运动分析方法，其特征在于，所述步骤4具体为：使用jit装饰器将自定义损失函数的代码转换成机器代码，减少在遍历样本过程中造成的时间损耗。
10.如权利要求7所述的基于云数据库和改进集成学习的手杖运动分析方法，其特征在于，所述步骤9将分类结果和时间信息上传到云端数据库采用一种基于事件触发机制的信息上传方法，当系统板检测到运动姿态发生变化时，记录当前状态的运动时间，同时将当前的运动状态信息上传到云数据库；系统板每隔60秒上传一次记录的所有状态的运动时间信息，并标记当前的日期；系统板每次开机时，首先登录云数据库获取当天的所有运动时间信息，进行记录后，后续的运动时间将在之前的运动时间上进行累加。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110359489.1A CN113095390B (zh) | 2021-04-02 | 基于云数据库和改进集成学习的手杖运动分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110359489.1A CN113095390B (zh) | 2021-04-02 | 基于云数据库和改进集成学习的手杖运动分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113095390A true CN113095390A (zh) | 2021-07-09 |
| CN113095390B CN113095390B (zh) | 2024-06-04 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116936106A (zh) * | 2023-09-18 | 2023-10-24 | 天津医科大学第二医院 | 一种透析中危险事件风险的评估方法和系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016099860A (ja) * | 2014-11-25 | 2016-05-30 | 巴電気通信株式会社 | 医療データ管理システム |
| CN109829236A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于XGBoost特征提取的压缩机故障诊断方法 |
| CN110119540A (zh) * | 2019-04-19 | 2019-08-13 | 电子科技大学 | 一种用于生存风险分析的多输出梯度提升树建模方法 |
| CN110232448A (zh) * | 2019-04-08 | 2019-09-13 | 华南理工大学 | 提高梯度提升树模型的特征值作用和防止过拟合的方法 |
| CN110472778A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于Blending集成学习的短期负荷预测方法 |
| CN110685868A (zh) * | 2019-10-25 | 2020-01-14 | 长沙理工大学 | 一种基于改进梯度提升机的风电机组故障检测方法及装置 |
| CN110974641A (zh) * | 2019-12-24 | 2020-04-10 | 中南民族大学 | 一种融合机器学习与物联网技术的盲人智能手杖系统 |
| US20200113505A1 (en) * | 2018-10-11 | 2020-04-16 | Seno Medical Instruments, Inc. | Optoacoustic image analysis method and system for automatically estimating lesion traits |
| CN111657643A (zh) * | 2020-05-20 | 2020-09-15 | 广西师范大学 | 一种智能nfc手杖及其障碍物检测方法 |
| CN111695693A (zh) * | 2019-03-13 | 2020-09-22 | 株式会社理光 | 学习装置及学习方法 |
| CN111752775A (zh) * | 2020-05-28 | 2020-10-09 | 苏州浪潮智能科技有限公司 | 一种磁盘故障预测方法和系统 |
| CN112073227A (zh) * | 2020-08-26 | 2020-12-11 | 重庆理工大学 | 利用层叠泛化和代价敏感学习的社交网链路异常检测方法 |
| CN112085525A (zh) * | 2020-09-04 | 2020-12-15 | 长沙理工大学 | 一种基于混合模型的用户网络购买行为预测研究方法 |
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016099860A (ja) * | 2014-11-25 | 2016-05-30 | 巴電気通信株式会社 | 医療データ管理システム |
| US20200113505A1 (en) * | 2018-10-11 | 2020-04-16 | Seno Medical Instruments, Inc. | Optoacoustic image analysis method and system for automatically estimating lesion traits |
| CN109829236A (zh) * | 2019-01-31 | 2019-05-31 | 浙江工业大学 | 一种基于XGBoost特征提取的压缩机故障诊断方法 |
| CN111695693A (zh) * | 2019-03-13 | 2020-09-22 | 株式会社理光 | 学习装置及学习方法 |
| CN110232448A (zh) * | 2019-04-08 | 2019-09-13 | 华南理工大学 | 提高梯度提升树模型的特征值作用和防止过拟合的方法 |
| CN110119540A (zh) * | 2019-04-19 | 2019-08-13 | 电子科技大学 | 一种用于生存风险分析的多输出梯度提升树建模方法 |
| CN110472778A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于Blending集成学习的短期负荷预测方法 |
| CN110685868A (zh) * | 2019-10-25 | 2020-01-14 | 长沙理工大学 | 一种基于改进梯度提升机的风电机组故障检测方法及装置 |
| CN110974641A (zh) * | 2019-12-24 | 2020-04-10 | 中南民族大学 | 一种融合机器学习与物联网技术的盲人智能手杖系统 |
| CN111657643A (zh) * | 2020-05-20 | 2020-09-15 | 广西师范大学 | 一种智能nfc手杖及其障碍物检测方法 |
| CN111752775A (zh) * | 2020-05-28 | 2020-10-09 | 苏州浪潮智能科技有限公司 | 一种磁盘故障预测方法和系统 |
| CN112073227A (zh) * | 2020-08-26 | 2020-12-11 | 重庆理工大学 | 利用层叠泛化和代价敏感学习的社交网链路异常检测方法 |
| CN112085525A (zh) * | 2020-09-04 | 2020-12-15 | 长沙理工大学 | 一种基于混合模型的用户网络购买行为预测研究方法 |
Non-Patent Citations (5)
| Title |
|---|
| JUNYI WANG 等: "Walking Motion Real-time Detection Based on Walking Stick Equipped with MPU and Raspberry Pi", 《2ND UK-RAS ROBOTICS AND AUTONOMOUS SYSTEMS CONFERENCE》, 15 January 2019 (2019-01-15), pages 118 - 120 * |
| JUNYI WANG 等: "Walking motion real-time detection method based on walking stick, IoT, COPOD and improved LightGBM", 《APPLIED INTELLIGENCE》, 22 March 2022 (2022-03-22), pages 16398 * |
| YAN WANG 等: "Application of Improved LightGBM Model in Blood Glucose Prediction", 《APPLIED SCIENCES》, 6 May 2020 (2020-05-06), pages 1 - 16 * |
| 周彦君: "异类知识管理视角下交易平台风险识别及治理研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 February 2021 (2021-02-15), pages 138 - 3089 * |
| 陈冠宇: "基于机器视觉的障碍物识别算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 March 2018 (2018-03-15), pages 138 - 2023 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116936106A (zh) * | 2023-09-18 | 2023-10-24 | 天津医科大学第二医院 | 一种透析中危险事件风险的评估方法和系统 |
| CN116936106B (zh) * | 2023-09-18 | 2023-12-22 | 天津医科大学第二医院 | 一种透析中危险事件风险的评估方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Panwar et al. | CNN based approach for activity recognition using a wrist-worn accelerometer | |
| CN106210269B (zh) | 一种基于智能手机的人体动作识别系统及方法 | |
| Kataria et al. | Human Activity Classification using G-XGB | |
| CN110245707B (zh) | 基于蝎子定位的人体行走姿态振动信息识别方法及系统 | |
| CN110659677A (zh) | 一种基于可移动传感器组合设备的人体跌倒检测方法 | |
| Xu et al. | Intelligent emotion detection method based on deep learning in medical and health data | |
| CN107803843A (zh) | 一种基于树莓派的人体健康监测机器人 | |
| Wang et al. | Motion recognition for smart sports based on wearable inertial sensors | |
| CN114446439A (zh) | 一种基于可穿戴设备的运动风险评估方法与系统 | |
| CN107688827A (zh) | 一种基于用户日常行为特征的用户身份属性预测方法 | |
| CN115019964A (zh) | 一种基于数字生物标志物的认知能力评判系统及方法 | |
| CN114550299A (zh) | 基于视频的老年人日常生活活动能力评估系统和方法 | |
| CN110414590A (zh) | 基于智能移动设备和卷积神经网络的人体活动识别方法 | |
| Wang et al. | Walking motion real-time detection method based on walking stick, IoT, COPOD and improved LightGBM | |
| CN113095390B (zh) | 基于云数据库和改进集成学习的手杖运动分析方法 | |
| CN113095390A (zh) | 基于云数据库和改进集成学习的手杖运动分析系统及方法 | |
| CN110705599B (zh) | 一种基于在线迁移学习的人体动作识别方法 | |
| CN114521900B (zh) | 一种基于迁移学习心律失常分类识别的方法 | |
| Shi et al. | Design of motor skill recognition and hierarchical evaluation system for table tennis players | |
| Wang et al. | SwimSense: Monitoring swimming motion using body sensor networks | |
| Mardini et al. | Deep CHORES: estimating hallmark measures of physical activity using deep learning | |
| CN106250715A (zh) | 一种基于增量式神经网络模型的慢性咽喉炎预测方法和预测系统 | |
| CN112766420A (zh) | 一种基于时频域信息的人体行为识别方法 | |
| Kyritsis et al. | Gait Pattern Recognition Using a Smartwatch Assisting Postoperative Physiotherapy | |
| Wu et al. | Inertial sensor based human activity recognition via reduced kernel PCA |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |