CN113425254A - 基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法 - Google Patents
基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法 Download PDFInfo
- Publication number
- CN113425254A CN113425254A CN202110506558.7A CN202110506558A CN113425254A CN 113425254 A CN113425254 A CN 113425254A CN 202110506558 A CN202110506558 A CN 202110506558A CN 113425254 A CN113425254 A CN 113425254A
- Authority
- CN
- China
- Prior art keywords
- body fat
- bfp
- model
- bmi
- image
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4869—Determining body composition
- A61B5/4872—Body fat
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法,通过建立基于混合数据输入的卷积神经网络体脂率预测模型,利用裸身图像和BMI数据预测体脂率,解决以往体脂率预测模型无法同时适用于健身群体和非健身群体问题。结果表明,构建的混合数据输入的CNN回归模型预测精确度优于单纯用BMI作为自变量构建的线性回归模型或ANN回归模型,适用于青年男性健身群体和非健身群体,具有较高的实用性。
Description
技术领域
本发明涉及体脂率预测技术领域,具体涉及一种基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法。
背景技术
体脂率(BFP)又称体脂百分比,是指体内脂肪重量占总体重的百分比,反映人体内脂肪含量的多少。体脂率对人体健康有很大影响,体脂率过高,会增加脑溢血、心肌梗死、高血压、肾病、糖尿病各种疾病的患病风险,体脂率过低则会引起功能性失调。美国运动协会(ACE)将成年人体脂率的正常标准划定为:女性20%~25%,男性15%~18%,若体脂率在25%以上就可视为肥胖。
体脂率测定方法通常可分为直接测量法和间接推算法。直接测量法主要有水下称重法、双能X线吸收测定法(Dual energy X-ray absorptiometry,DEXA)、生物电阻抗分析法(BIA)。其中,水下称重法以及DEXA最为精确,但这两种方法价格昂贵,多用于实验室研究,不适合推广。而BIA法是利用人体脂肪、肌肉、骨骼对电流阻抗存在差异的特点,将电流透过人体不同部位并根据受阻程度来判定人体脂肪的多少。其费用低,被广泛应用于健身房、医院、学校、家庭。目前,市面上的大部分体脂秤都是采用BIA法,但由于设备质量参差不齐,操作和算法不统一,以及BIA法会受身体结构、水分含量的影响,测量精确度存在一定偏差。间接推算法预测体脂率,是通过构建回归模型间接推算体脂含量。如果将预测体脂的数学模型应用到运动类app中,相较于BIA法,便携性更强,成本更低。众多研究者以身高、体重、年龄、性别、BMI等数据作为自变量,以BFP作为因变量,构建线性或非线性的回归模型,预测准确率可达到90%以上。然而,由于人体脂肪与肌肉的密度不同,相较于同等BMI的非健身人群,有运动训练或是增肌训练经历的健身人群,他们的BFP可能更小,因此这些模型不适用于健身人群。针对这一问题,有研究者通过构建分段函数,分别建立不同人群的回归方程,该方法虽然提高了预测准确度,但增加了模型的繁琐性,而且如果使用者不清楚自身属于哪一类别,也会增加误差。
为此,如何针对上述问题,提出一种能够兼顾非健身人群与健身人群的体脂率预测方法是目前亟待解决的问题。
发明内容
针对上述存在的问题,本发明旨在提供一种基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法。
为了实现上述目的,本发明所采用的技术方案如下:
一种基于卷积神经网络的体脂率预测模型的青年男性体脂率预测方法,其特征在于,包括以下步骤:
步骤1:采集被测青年男性的上半身图像以及BMI数据;
步骤2:构建基于卷积神经网络的体脂率预测模型;
步骤3:将采集到的上半身图像和BMI数值混合输入到构建好的基于卷积神经网络的体脂率预测模型中;
步骤4:通过所述基于卷积神经网络的体脂率预测模型进行预测;
步骤5:输出被测男青年的体脂率。
本发明的有益效果是:
本发明通过构建混合数据并输入CNN回归模型,以以使用者上半身裸露图像和BMI作为自变量,最终的预测结果的准确度明显提高,优于单纯用BMI作为自变量构建的线性回归模型或ANN模型,适用于青年男性健身群体和非健身群体预测体脂率,适合推广使用。
将本发明中提出的基于混合数据输入的卷积神经网络体脂率预测模型嵌入到健身类APP或运动智能“魔镜”等终端设备中,通过拍摄受试者图像,并输入身高、体重,设备能够自动调用模型计算用户的体脂率,不需要再借助外界设备,相较于BIA法具有极大的便利性和便携性,并且成本低廉。
附图说明
图1为本发明实施例中的受试者BMI、BFP数据分布(N=603)示意图;
图2为本发明中的VGGNet-16迁移学习网络结构;
图3(a)-(b)分别为实施例中非健身人群的线性回归和所有人群的线性回归结果图;
图4(a)-(b)分别为实施例中非健身人群ANN非线性回归与所有人群的ANN非线性回归结果图;
图5(a)-(b)分别为实施例中将类别加入自变量做线性回归和非线性回归结果图;
图6为不同体脂率的受试者图像;
图7为基于VGGNet16的卷积神经网络图像回归预测BFP;
图8为加入BFP区间后的预测效果;
图9为模型训练过程示意图;
图10为误差矩阵的示意图;
图11为基于混合数据输入的卷积神经网络体脂率预测模型;
图12为基于混合数据输入的卷积神经网络体脂率预测模型的训练结果;
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案,下面结合附图和实施例对本发明的技术方案做进一步的描述。
本发明提出的一种基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法,包括以下步骤:
步骤1:采集被测青年男性的上半身图像以及BMI数据;
步骤2:构建基于混合数据输入的卷积神经网络体脂率预测模型;
步骤3:将采集到的上半身图像和BMI数值混合输入到构建好的基于混合数据输入的卷积神经网络体脂率预测模型中;
步骤4:通过所述基于混合数据输入的卷积神经网络体脂率预测模型进行预测并输出被测男青年的体脂率BFP。
其采用CNN图像分类技术,结合BMI数据,建立混合数据输入的卷积神经网络体脂率预测模型,能够对青年男性体脂率进行精准预测。并且本发明还与线性回归模型、ANN神经网络模型、CNN卷积神经网络模型进行对比,并以预测BFP的精度(ACC)与平均绝对误差(MAE)为指标进行评估。上述各模型的介绍如下:
1、线性回归模型
以BMI作为自变量,BFP作为因变量构建线性回归模型(Linear Regression),用于测试BMI预测BFP的精确度。
2、神经网络模型
人工神经网络(Artificial Neural Network,即ANN),是20世纪80年代以来人工智能领域兴起的研究热点。人工神经网络是受到自然神经元工作原理的启发,是从信息处理角度对人脑神经元网络进行抽象,建立某种简单模型,按不同的连接方式组成不同的网络。人工神经网络在体育领域中拥有巨大的发展潜力,由于人体的运动能力与各影响因素之间是复杂的非线性关系,这给人为评价带来较大的困难,而利用人工神经网络进行评价能够降低人为因素的影响,较好地保证了评价结果的客观性和准确性。以BMI作为输入,以BFP作为输出,构建BMI预测BFP的ANN回归模型,并测试其精确度。构建的ANN模型中损失函数采用均方误差函数(MSE),优化函数采用随机梯度下降(SGD)。
3、卷积神经网络模型
卷积神经网络模型(Convolutional Neural Networks,即CNN),是一个多层感知机,它使得图像可以直接作为网络的输入,并能够自行抽取图像的特征,包括颜色、纹理、形状及图像的拓扑结构,避免了传统识别算法中复杂的特征提取和数据重建的过程,在处理二维图像的问题上,特别是识别位移、缩放及其他形式扭曲不变性的应用上具有良好的鲁棒性和运算效率。使用VGGNet-16迁移学习,构建受试者图像与BFP之间的CNN回归模型,通过图像回归预测BFP。CNN模型的建立步骤如下:
(1)图像数据预处理:将603张图像数据集按照7:3比例划分为训练集(422张)和验证集(181张)。为防止模型过拟合,采用数据增强手段来增加训练数据集,增强模型的泛化能力。数据增强(Data Augmentation):是指在训练前或训练过程中,对原始图片进行随机的裁剪、旋转、翻转、缩放、亮度变换、模糊变换、标准化等一些列操作,人为的扩充样本数量,从而提升模型的泛化能力,适应不同的应用场景。本发明采用表1中所列举的数据增强手段:
表1图像数据增强方法
卷积神经网络的输入层是一个m×n×c构成的矩阵,m、n为图片宽度和高度,即x轴、y轴方向上的像素点个数,c为通道个数,彩色图片为RGB三通道,灰度图片为单通道。VGGNet-16的输入层是一个224×224×3的矩阵,即一张宽224像素、高224像素、3通道(RGB)的图片。对图像进行尺度变换和边缘扩充,使每一张图片尺寸变为224×224×3,并将像素矩阵除以255,缩放到[0,1]范围内。
(2)模型的选择与训练:采用ImageNet的VGGNet-16预训练模型作为源领域进行迁移学习,目标领域为预测BFP。ImageNet是一个大型的图像数据集,目前该数据集大约包含1500万张图片,对应着2.2万个类别。ImageNet的VGGNet-16预训练模型是指已经用ImageNet数据集训练好的VGGNet-16模型,模型中的参数是在ImageNet图像集上学习到的,使用预训练模型进行迁移学习,可以耗费较少的资源,减少训练时间。迁移学习(TransferLearning)是一种机器学习方法,是把一个领域(即源领域)的知识,迁移到另外一个领域(即目标领域),使得目标领域能够取得更好的学习效果。在卷积神经网络迁移学习过程中,待训练模型能够复用部分成熟模型的参数值,在此基础上进行微调整,形成适用于新任务的映射模型。迁移学习不必花费大量精力采集、标注数据,大大减少了训练过程中的时间和资源耗费,并且当训练样本数量较少时,采用迁移学习能够提升模型效果。
采用如附图2所示的VGGNet-16迁移学习网络结构,通过VGGNet-16迁移学习网络建立图像回归模型,实现根据图像预测BFP。借助开源机器学习库Keras完成模型的构建混合数据输入的CNN回归模型,并完成模型的训练与回归任务。模型复用原始VGGNet-16预训练模型的卷积层部分,并将卷积层部分Block4~Block5设置为可学习,其他卷积层不可学习,而全连接层部分采用一个神经元为12,激活函数为Relu的隐藏层,输出层采用Linear线性函数,神经元个数为1,对应着BFP。此外模型的学习率为学习率为lr=1e-5,损失函数为MAE。
(3)模型的评估与预测:使用测试集对模型进行评估,验证模型的准确性,观察模型是否具备了根据图像预测BFP功能。
4、基于混合数据输入的卷积神经网络体脂率预测模型
本发明中基于建立的图像与BFP的CNN回归模型外,在该模型结构上稍作改动,构建了基于VGGNet-16迁移学习的图像分类模型,以及图像与BMI混合数据输入的CNN回归模型,所述的混合数据是指图像数据与BMI数据,模型结构如附图11所示。
从附图11所示的基于混合数据输入的卷积神经网络体脂率预测模型可以看出,模型左上支为图像数据处理模型,包括一个基于VGGNet-16迁移学习的CNN图像分类模型和Lambda函数,CNN图像分类模型是前文中已经训练好的成熟模型,负责对受试者图像进行特征提取,并输出BFP区间,该模型中所有层均设为不可学习,各层参数不变。Lambda函数层是将CNN图像分类模型输出的1×6维的独热码转换为1×1维的BFP区间类别(数字1至6)。模型的右上支为BMI数据传递层,该层有1个神经元,并且函数为Linear线性函数,表示BMI数据线性传递到全连接层。利用Kears的Concatenate函数将两个分支模型合并,然后接全连接层。全连接层中,隐藏层包括10个神经元,采用Sigmoid激活函数。最后一层为输出层,采用Linear线性函数,神经元个数为1,对应着BFP。此外模型的学习率为lr=1e-5,损失函数为MAE。
实施例:
为了验证本发明所提出的基于卷积神经网络的青年男性体脂率预测模型效果,对各类模型的预测效果进行对比。
1、数据来源
以上海市F高校随机抽取普通本科大学男生300名,现场测试身高、体重、体脂含量数据,拍摄受试者上半身裸露且不拍摄头部的正面照,图像光线充足、轮廓清晰、背景整洁,胸、腹、手臂部分无遮挡。收集F高校及3所健身房303名具有长期健身习惯的男性会员数据。受试者共603名,年龄19~37岁,BMI为17.2~34.9kg/m2,BFP为11.2%~38.9%。
受试者的身高(米)、体重(kg)采用米尺及欧姆龙HBF-371体脂仪测量,测量三次取中间值,根据公式(BMI=体重/身高2)计算BMI。
记录受试者最近是否有持续8周以上的力量训练或增肌健身经历,无健身经历归类为0,有健身经历归类为1。最终得到受试者BMI、BFP数据分布,如附图1所示,图1中“×”为非健身人群(n=300),“●”为健身人群(n=303)。
2、效果评估
(1)评估指标
本发明通过计算平均绝对误差(Mean Absolute Error,MAE)和精确度(Accuracy,ACC)为评价预测模型的指标:
a.平均绝对误差MAE:即绝对误差的平均值,能够反映预测值与真实值之间误差的实际情况,计算公式为:
其中,BFP’为模型预测的体脂率,BFP为真实体脂率;
b.精确度(Accuracy,ACC):
(2)评估结果分析
附图3(a)和(b)分别为非健身人群的线性回归模型和所有人群的线性回归模型,从图3(a)中可以看出模型的MAE为1.73%,ACC为92%,图3(b)是针对所有人群的线性回归模型,其中非健身人群与健身人群的比例接近1:1,回归模型的MAE为4.30%,ACC仅有78%,预测准确率大大降低。从图3(b)可知,健身人群数据更偏向x轴,由于人体肌肉密度大于脂肪密度,在同等BMI下,有系统增肌训练的健身人群的BFP相对较低,因此,以非健身人群数据建立的BFP线性回归模型不适用于健身人群、运动训练人群或体育院校学生。
附图4(a)和(b)分别为非健身人群的ANN非线性回归模型和所有人群的ANN非线性回归模型,图4(a)的ANN非线性回归模型,BP神经网络对数据具有较强的拟合能力,通过多次训练,模型的MAE为1.58%,ACC达到了94%,预测精确度相比线性回归略有提升。图4(b)是针对所有人群的ANN非线性回归模型,模型的MAE为3.48%,ACC达到82%,相对于线性回归预测精确度提高了4%,但仍然较低。由此可见,以非健身人群数据建立的ANN非线性回归模型,仍然不适用于健身人群。
从上述分析可知,单纯以BMI作为自变量构建的回归模型无法做到兼顾非健身人群与健身人群。而附图5(a)是根据“是否有持续8周以上的力量训练或增肌健身经历”,将样本分为非健身人群和健身人群,然后构建BMI预测BFP的分段函数模型,结果显示模型的MAE达到2.86%,ACC达到86%,对于非健身人群的ACC仍是92%,而对于健身人群的ACC只有53%。附图5(b)是将受试者BMI值及群体类别(非健身人群为0,健身人群为1)作为输入,将BFP作为输出,构建ANN回归模型,结果显示模型的MAE达到2.49%,ACC达到87%,对于非健身人群的ACC仍为94%,对于健身人群的ACC为59%。
可以看出将群体类别作为自变量加入到回归模型中后,线性回归模型和ANN模型对于所有人群的ACC都达到了86%以上,对于非健身人群的ACC都达到92%以上。然而,两种模型对于健身人群的ACC却都没有超过60%。通过观察健身人群的数据分布可以看到,健身人群数据在y轴上的分布更分散,BFP跨度较大(11%~35%),这是因为健身人群的健身水平存在差异,水平较高的健身人群的体脂相对较低,而那些健身水平较低,或是以有氧运动为主的健身人群,其增肌效果不明显,BFP可能与非健身人群差异不大。因此,线性回归模型和ANN模型都无法很好的拟合健身人群数据,预测精确性无法进一步提升。
通过观察受试者所拍摄的图像发现,不同体脂率的受试者,在外观方面具有较为明显的特征差异。如附图6所示体脂在10%~12%的人,腹肌明显,青筋暴突,肌肉线条清晰。当超过20%时,腹肌渐隐。当大于25%时,腹部开始隆起。有经验的人根据这些身体特征,对BFP的估测误差可在5%以内。
人为的观察图像预测BFP具有较大的主观误差,而卷积神经网络(CNN)能够完成图像回归任务,本发明通过训练CNN来提取不同体脂率人群的图像特征,采用CNN的图像回归方法预测BFP。图7是采用VGGNet-16迁移学习构建图像回归模型的训练结果,从中看到,模型在第6次迭代时,训练集损失与验证集的损失逐渐平稳,并且训练集损失开始小于验证集损失,说明开始出现过拟合。因此取第六次迭代的结果,最终模型的MAE为3.19%,ACC为86.01,预测精确度好于单纯用BMI作为自变量构建的线性回归模型和神经网络模型。
采用CNN构建预测BFP的图像回归模型,精确度达到了86.01%,但是绝对误差为3.19,仍然较高。将受试人群的BFP从10%开始,每隔5%,划分成6个区间,然后分别赋予0~6的类别,如表2所示,再与BMI一同作为输入神经元构建ANN回归模型。ANN模型采用单隐藏层,包括10个神经元,采用sigmoid函数,输出层为单个神经元,采用linear线性函数,输出结果对应着BFP。模型设为随机梯度下降(SGD),损失函数为均方误差函数(MSE)。最终模型的MAE为1.08%,ACC为95%。
表2将BFP划分为6个类别
类别 | BFP区间 | 类别 | BFP区间 |
1 | [10%,15%) | 4 | [25%,30%) |
2 | [15%,20%) | 5 | [30%,35%) |
3 | [20%,25%) | 6 | >35% |
如附图8(a)所示,如果单纯使用BMI作为自变量构建ANN模型或线性模型,模型不能很好的区分健身人群和非健身人群,结果都为肥胖。如附图8(b)所示,本发明提出的使用BMI和BFP区间作为输入神经元训练ANN模型,能够成功区分健身人群和非健身人群,其预测的BFP接近真实值,误差小于1.5%。
BFP区间在ANN模型中,作用是告知模型该受试者应该属于哪一个BFP区间,进而对BMI预测结果进行修正,逼近真实值。使用BMI与BFP区间作为自变量建立的ANN模型,精确度大大超过了单纯用BMI构建的线性回归模型和ANN回归模型,解决了以往模型不能兼顾健身人群与非健身人群的问题。
然而,让模型使用者自身判断BFP区间,显然难度较大。利用CNN判断受试者BFP区间,能够避免不同使用者的主观偏差。采用VGGNet-16迁移学习建立图像分类模型,复用原始VGGNet-16预训练模型的卷积层部分,并将卷积层部分Block4~Block5设置为可学习,其他卷积层不可学习,而全连接层部分采用一个神经元个数为12,激活函数为Relu的隐藏层,输出层采用Softmax分类函数,神经元个数为6,对应着BFP的6个区间类别,模型的学习率为lr=1e-5,损失函数为交叉熵(Categorical crossentropy)。
从图9可知,从第15次迭代学习开始,模型的损失和精度逐渐平稳,模型分类的准确率达到了95.69%。附图10为误差矩阵,横轴为预测区间,纵轴为真实区间,理想情况下,矩阵中的数值分布在左上角到右下角的对角线上,即图中亮色区域,代表着分类准确率达到100%。结果显示,模型对相邻区间的图片容易发生混淆,分类结果存在少量偏差,但95.69%的准确率基本能够满足模型识别BFP区间的需求。
如上分析,使用BMI与BFP区间作为自变量建立的ANN模型,精确度可以达到95%,但不同使用者在预测BFP区间方面会存在主观误差。CNN图像分类模型预测BFP区间的准确率达到了95.69%,因此本发明采用CNN图像分类模型结合BMI数据,构建了图像和BMI混合数据输入的CNN回归模型。
图12是混合数据输入的CNN回归模型的训练结果,从图中可见,在第15次迭代时,训练集和测试集的MAE逐渐平稳,最终模型MAE为1.68%,ACC为92.35%,基本满足了一个模型同时适合非健身人群与健身人群的需求。
(3)评估结论
下表3是不同模型预测BFP的效果,从表3中可见,单纯用BMI作为自变量,构建线性回归模型或ANN模型,ACC在80%左右,对混有不同健身水平的群体样本拟合程度较低,单个模型无法适用于多类群体。根据“是否有持续8周以上的力量训练或增肌健身经历”,将样本分为健身人群和非健身人群,并分别建立线性回归模型,或建立ANN回归模型,ACC达到86%,MAE小于3%,但由于健身人群的健身水平存在差异,其BFP分布分散,这两种模型对于健身人群的ACC都没有超过60%,拟合程度较低,因此这种建模方法存在一定的缺陷。CNN图像回归能够适用于多类人群,但ACC为86%,误差较大。采用BMI与BFP区间作为自变量构建ANN回归模型,ACC达到了95%,但不同的使用者在预测BFP区间方面会存在主观误差。
表3不同模型预测BFP效果一览表
自变量 | MAE | ACC | |
线性回归 | BMI | 4.3% | 78% |
ANN回归 | BMI | 3.48% | 82% |
线性回归 | BMI、是否健身 | 2.86% | 86% |
ANN回归 | BMI、是否健身 | 2.49% | 87% |
CNN回归 | 图像 | 3.19% | 86% |
ANN回归 | BMI、BFP区间 | 1.05% | 95% |
混合数据输入CNN回归 | 图像、BMI | 1.68% | 92% |
而本发明的混合数据输入的CNN回归模型,以使用者上半身裸露图像和BMI作为自变量,预测精确度达到了92.35%,平均绝对误差为1.68%。混合数据输入的CNN回归模型,原理是利用模型中的CNN分类模型预测图像BFP区间,而后结合BMI数据共同预测BFP值,在这一过程中,BFP区间对BMI预测结果进行修正,进而逼近真实值。
将本发明中的模型嵌入到健身类APP或运动智能“魔镜”等终端设备中,通过拍摄受试者图像,并输入身高、体重,设备能够自动调用模型计算用户的体脂率,不需要再借助外界设备,相较于BIA法具有极大的便利性和便携性,并且成本低廉。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法,其特征在于,包括以下步骤:
步骤1:采集被测青年男性的上半身图像以及BMI数据;
步骤2:构建基于混合数据输入的卷积神经网络体脂率预测模型;
步骤3:将采集到的上半身图像和BMI数值混合输入到构建好的基于混合数据输入的卷积神经网络体脂率预测模型中;
步骤4:通过所述基于混合数据输入的卷积神经网络体脂率预测模型进行预测并输出被测男青年的体脂率BFP。
2.根据权利要求1所述的基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法,其特征在于,步骤2构建的基于混合数据输入的卷积神经网络体脂率预测模型包括一个用于图像数据处理的卷积神经网络分类模型和BMI数据传递层,通过Kears的Concatenate函数将卷积神经网络分类模型和BMI数据传递层合并,然后接全连接层,全连接层中,隐藏层包括10个神经元,采用Sigmoid激活函数,最后全连接层与输出层相连,输出层采用Linear线性函数,神经元个数为1,对应着BFP;
所述的卷积神经网络分类模型包括基于VGGNet-16迁移学习的CNN图像分类模型和Lambda函数层,所述CNN图像分类模型中所有层均设为不可学习,各层参数不变;
所述BMI数据传递层用于将接收的BMI数据传送到下一层。
3.根据权利要求2所述的基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法,其特征在于,步骤4的具体操作步骤包括:
步骤41:基于所述VGGNet-16迁移学习网络构建受试者图像与BFP之间的CNN图像分类模型,对输入的被测者的上半身图像进行特征提取,并输出被测者的BFP区间类别,该区间类别为1-6中的一个数值;
步骤42:将采集到BMI数据通过所述数据传递层进行线性传递;
步骤43:将得到的BFP区间类别值与BMI数据进行合并,并输入到全连接层,通过Sigmoid激活函数处理后再输入到输出层,并通过Linear线性函数进行处理,最后输出预测的BFP。
4.根据权利要求3所述的基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法,其特征在于,步骤41所述的CNN图像分类模型构建步骤为:
步骤411:先将输入的图像数据集按照7:3的比例划分为训练集和验证集,并通过数据增强操作来增加训练集;
步骤412:建立CNN卷积神经网络,且该CNN卷积神经网络的输入层为m×n×c构成的矩阵,m、n分别为图片宽度和高度,c为通道个数,彩色图片为RGB三通道,灰度图片为单通道;对预处理后的图像进行尺度变换和边缘扩充,使每一张图片尺寸变为224×224×3,并将像素矩阵除以255,缩放到[0,1]范围内;
步骤413:采用ImageNet的VGGNet-16预训练模型作为源领域进行迁移学习,目标领域为预测BFP。
5.根据权利要求4所述的基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法,其特征在于,步骤411中所述的数据增强操作包括:旋转变换、翻转变换、缩放变换和平移变换。
6.根据权利要求4所述的基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法,其特征在于,所述基于卷积神经网络的体脂率预测模型的学习率设置为lr=1e-5,其损失函数使用交叉熵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110506558.7A CN113425254B (zh) | 2021-05-10 | 2021-05-10 | 基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110506558.7A CN113425254B (zh) | 2021-05-10 | 2021-05-10 | 基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113425254A true CN113425254A (zh) | 2021-09-24 |
CN113425254B CN113425254B (zh) | 2022-10-18 |
Family
ID=77753219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110506558.7A Active CN113425254B (zh) | 2021-05-10 | 2021-05-10 | 基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113425254B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023160149A1 (zh) * | 2022-02-25 | 2023-08-31 | 深圳市伊欧乐科技有限公司 | 体脂率的测量方法、装置及计算机可读存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110112428A1 (en) * | 2009-11-09 | 2011-05-12 | Charder Electronic Co., Ltd. | Body composition measuring apparatus using a bioelectric impedance analysis associated with a neural network algorithm |
US20120169337A1 (en) * | 2010-12-29 | 2012-07-05 | De He Weng | Method and apparatus for making distinction in a magnetic resonance imaging water-fat image |
US20180289334A1 (en) * | 2017-04-05 | 2018-10-11 | doc.ai incorporated | Image-based system and method for predicting physiological parameters |
CN108875590A (zh) * | 2018-05-25 | 2018-11-23 | 平安科技(深圳)有限公司 | Bmi预测方法、装置、计算机设备和存储介质 |
US20190110753A1 (en) * | 2017-10-13 | 2019-04-18 | Ai Technologies Inc. | Deep learning-based diagnosis and referral of ophthalmic diseases and disorders |
CN110051353A (zh) * | 2019-05-01 | 2019-07-26 | 四川创客知佳科技有限公司 | 一种基于深度学习技术的体脂评估系统及方法 |
CN110236497A (zh) * | 2019-07-10 | 2019-09-17 | 中电健康云科技有限公司 | 一种基于舌相和bmi指数的脂肪肝预测方法 |
US10489788B1 (en) * | 2019-03-22 | 2019-11-26 | Capital One Services, Llc | Determining a body mass index of a user of a transaction device and verifying the user for utilization of the transaction device based on the body mass index |
CN110800067A (zh) * | 2017-04-28 | 2020-02-14 | 精选研究有限公司 | 身体组成预测工具 |
CN111428735A (zh) * | 2020-03-19 | 2020-07-17 | 东南大学 | 一种基于迁移学习深层网络融合模型的货车品牌分类方法 |
US20200305801A1 (en) * | 2019-03-27 | 2020-10-01 | Panasonic Intellectual Property Management Co., Ltd. | Determining health state of individuals |
CN111950519A (zh) * | 2020-08-27 | 2020-11-17 | 重庆科技学院 | 基于检测与密度估计的双列卷积神经网络人群计数方法 |
-
2021
- 2021-05-10 CN CN202110506558.7A patent/CN113425254B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110112428A1 (en) * | 2009-11-09 | 2011-05-12 | Charder Electronic Co., Ltd. | Body composition measuring apparatus using a bioelectric impedance analysis associated with a neural network algorithm |
US20120169337A1 (en) * | 2010-12-29 | 2012-07-05 | De He Weng | Method and apparatus for making distinction in a magnetic resonance imaging water-fat image |
US20180289334A1 (en) * | 2017-04-05 | 2018-10-11 | doc.ai incorporated | Image-based system and method for predicting physiological parameters |
CN110800067A (zh) * | 2017-04-28 | 2020-02-14 | 精选研究有限公司 | 身体组成预测工具 |
US20190110753A1 (en) * | 2017-10-13 | 2019-04-18 | Ai Technologies Inc. | Deep learning-based diagnosis and referral of ophthalmic diseases and disorders |
CN108875590A (zh) * | 2018-05-25 | 2018-11-23 | 平安科技(深圳)有限公司 | Bmi预测方法、装置、计算机设备和存储介质 |
US10489788B1 (en) * | 2019-03-22 | 2019-11-26 | Capital One Services, Llc | Determining a body mass index of a user of a transaction device and verifying the user for utilization of the transaction device based on the body mass index |
US20200305801A1 (en) * | 2019-03-27 | 2020-10-01 | Panasonic Intellectual Property Management Co., Ltd. | Determining health state of individuals |
CN110051353A (zh) * | 2019-05-01 | 2019-07-26 | 四川创客知佳科技有限公司 | 一种基于深度学习技术的体脂评估系统及方法 |
CN110236497A (zh) * | 2019-07-10 | 2019-09-17 | 中电健康云科技有限公司 | 一种基于舌相和bmi指数的脂肪肝预测方法 |
CN111428735A (zh) * | 2020-03-19 | 2020-07-17 | 东南大学 | 一种基于迁移学习深层网络融合模型的货车品牌分类方法 |
CN111950519A (zh) * | 2020-08-27 | 2020-11-17 | 重庆科技学院 | 基于检测与密度估计的双列卷积神经网络人群计数方法 |
Non-Patent Citations (1)
Title |
---|
郝霖霖: "基于VGGNet-16迁移学习的男性胸肌发达程度识别模型", 《当代体育科技》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023160149A1 (zh) * | 2022-02-25 | 2023-08-31 | 深圳市伊欧乐科技有限公司 | 体脂率的测量方法、装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113425254B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108334899A (zh) | 基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法 | |
CN110532900A (zh) | 基于U-Net和LS-CNN的人脸表情识别方法 | |
CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
CN107610123A (zh) | 一种基于深度卷积神经网络的图像美学质量评价方法 | |
CN108389192A (zh) | 基于卷积神经网络的立体图像舒适度评价方法 | |
CN107832802A (zh) | 基于人脸比对的人脸图像质量评价方法及装置 | |
CN107103298A (zh) | 基于图像处理的引体向上计数系统及计数方法 | |
CN109846469A (zh) | 一种基于卷积神经网络的非接触式心率测量方法 | |
CN111640483B (zh) | 基于akc模型的健身方案推荐方法 | |
CN108334838A (zh) | 基于灯光遥感数据国家宏观经济指标估测方法 | |
CN109241881A (zh) | 一种人体姿态估计方法 | |
CN105205504B (zh) | 一种基于数据驱动的图像关注区域质量评价指标学习方法 | |
CN108717693A (zh) | 一种基于rpn的视盘定位方法 | |
CN111466878A (zh) | 基于表情识别的卧床病人疼痛症状实时监护方法及装置 | |
CN103324952A (zh) | 基于特征提取的痤疮分类方法 | |
CN113425254B (zh) | 基于混合数据输入的体脂率预测模型的青年男性体脂率预测方法 | |
Liu et al. | Simple model for encoding natural images by retinal ganglion cells with nonlinear spatial integration | |
CN109978873A (zh) | 一种基于中医影像大数据的智能体检系统及其方法 | |
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 | |
Shi et al. | An intelligent optimization method of exercisers' visual comfort assessment in gymnasium | |
WO2023160149A1 (zh) | 体脂率的测量方法、装置及计算机可读存储介质 | |
CN116543455A (zh) | 建立帕金森症步态受损评估模型、使用方法、设备及介质 | |
CN115953834A (zh) | 面向仰卧起坐的多头注意力姿态估计方法及检测系统 | |
CN113616209B (zh) | 基于时空注意力机制的精神分裂症患者甄别方法 | |
CN115908388A (zh) | 一种敏感性皮肤全周期检测方法及其系统 |
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 | ||
GR01 | Patent grant |