运动量估算方法和配套可穿戴设备与流程

本发明涉及智能穿戴设备，尤其是指一种运动量估算方法和配套可穿戴设备。

背景技术：

1、现有的运动量测量手段(如双水标注和间接量热法)，其设备尺寸大、操作复杂和成本高，很难应用于日常测量场景。因此一个方便有效的运动量监测手段将有广阔的应用场景，例如帮助预防因缺少锻炼引起的慢性病或为重大手术后病人康复提供参考。

2、鉴于现有测量手段难以应用，日常生活当中对运动量往往采取估算的方法。例如最常见的运动手环，它的工作原理是监测当前心率或者一段时间内的步数，代入事先经过验证的公式计算出当下的运动量。这些公式通常是由线性回归拟合而来，但由于人体是一个复杂的非线性时变系统，这些公式往往只在一定范围内具有较好的拟合度，不能应对多种多样的运动场景，普适性不高。

3、因此，迫切需要提出一种运动量估算方法和配套可穿戴设备以克服现有技术存在的上述缺陷。

技术实现思路

1、为此，本发明所要解决的技术问题在于克服现有技术中存在的技术缺陷，而提出一种运动量估算方法和配套可穿戴设备，其结合了深度森林与遗传算法，对传感器数据所能提取的数学特征进行了筛选，一方面去除了特征之间的信息冗余度，一定程度上可以带来估计精度提升；另一方面大大减少了估计所需的特征数量，减轻了边缘计算时硬件设备的负担；此外云端的估计模型复杂度也得到了下降。

2、为解决上述技术问题，本发明提供了一种运动量估算方法，包括：

3、s1：使用传感器设备获取人体日常活动量的原始数据,提取所述原始数据的特征，得到原始特征集；

4、s2：采用遗传算法对从原始特征集进行迭代优选，得到最优的特征子集，其中，在采用遗传算法迭代优选的过程中伴随着深度森林模型的训练，所述最优的特征子集构建的深度森林模型作为最优的深度森林模型；

5、s3：将最优的深度森林模型部署于云端，按照最优的特征子集计算并上传用户的运动数据特征，在云端使用部署好的深度森林模型进行运动量估算。

6、在本发明的一个实施例中，在步骤s1中，人体日常活动量的原始数据包括运动加速度、体温和心率。

7、在本发明的一个实施例中，在步骤s2中，采用遗传算法对从原始特征集进行迭代优选的方法，包括：

8、s21：将原始特征集编码成47位二进制数，每一位代表一个特征，0表示特征未被选中，1表示特征被选中，数字编码定义为基因；

9、s22：生成一定数量的初始种群，从原始特征集中随机选取特征，然后编码，种群中每个个体具有不同的基因；

10、s23：对种群内全部个体逐一训练深度森林，并求解对应的适应度值，基于适应度值选择种群中要遗传至下一代的个体，构成新的种群；

11、s24：对选择完的下一代种群按照概率决定是否发生交叉变异；

12、s25：经过步骤s23-s24后便完成了一代新种群的生成，不断迭代重复步骤s23-s24，在达到设定的最大迭代数或者种群内最优适应度长时间没有提升时停止，找出最后一代里适应度最优的个体，其基因译码结果为最终选择的特征子集。

13、在本发明的一个实施例中，在步骤s23中，基于适应度值选择种群中要遗传至下一代的个体的方法，包括：

14、将种群中所有个体的适应度值逐个累加得到对应的区间，取0-1之间的随机数，该随机数落在哪个区间，就取该区间中的个体，个体被选择的概率由区间长度决定；重复选取，直到选出与初始种群一样多的个体，且适应度最大的个体必须被选择。

15、在本发明的一个实施例中，在步骤s23中，使用适应度函数求解种群内个体的适应度值。

16、在本发明的一个实施例中，在步骤s2中，最优的特征子集构建深度森林模型的方法，包括：

17、首先对特征子集的数据训练出一些森林，这些森林是多个决策树的集成；假设每个森林给出m个结果，一层有n个森林，那么每层森林总包含n×m个输出结果，将这些结果与原始特征拼接，作为下一层森林的输入向量，之后的每一层森林都延续这个方法；模型每次新加入一层森林，都会验证整个模型在测试集上的表现，如果比起增加前模型增益没有得到较大的性能提升，或者是达到了预先的设置值，则终止加入森林的层数，将该模型作为最优的深度森林模型。

18、此外，本发明还提供一种运动量估算系统，包括：

19、数据获取模块，其用于使用传感器设备获取人体日常活动量的原始数据,提取所述原始数据的特征，得到原始特征集；

20、模型构建模块，其用于采用遗传算法对从原始特征集进行迭代优选，得到最优的特征子集，其中，在采用遗传算法迭代优选的过程中伴随着深度森林模型的训练，所述最优的特征子集构建的深度森林模型作为最优的深度森林模型；

21、运动量估算模块，将最优的深度森林模型部署于云端，按照最优的特征子集计算并上传用户的运动数据特征，在云端使用部署好的深度森林模型进行运动量估算。

22、在本发明的一个实施例中，所述模型构建模块还用于将原始特征集编码成47位二进制数，每一位代表一个特征，0表示特征未被选中，1表示特征被选中，数字编码定义为基因；

23、所述模型构建模块还用于生成一定数量的初始种群，从原始特征集中随机选取特征，然后编码，种群中每个个体具有不同的基因；

24、所述模型构建模块还用于对种群内全部个体逐一训练深度森林，并求解对应的适应度值，基于适应度值选择种群中要遗传至下一代的个体，构成新的种群；

25、所述模型构建模块还用于对选择完的下一代种群按照概率决定是否发生交叉变异；

26、所述模型构建模块还用于不断迭代重复，在达到设定的最大迭代数或者种群内最优适应度长时间没有提升时停止，找出最后一代里适应度最优的个体，其基因译码结果为最终选择的特征子集。

27、在本发明的一个实施例中，所述模型构建模块还用于将种群中所有个体的适应度值逐个累加得到对应的区间，取0-1之间的随机数，该随机数落在哪个区间，就取该区间中的个体，个体被选择的概率由区间长度决定；重复选取，直到选出与初始种群一样多的个体，且适应度最大的个体必须被选择。

28、并且，本发明还提供一种配套可穿戴设备，包括传感器设备、主控芯片、通信模块、云端和最优的深度森林模型，所述传感器设备用于获取人体日常活动量的原始数据；所述主控芯片用于提取采用遗传算法对从原始特征集进行迭代优选得到的特征子集提取原始数据事先经遗传算法筛选出来的统计特征；所述通信模块用于将特征子集发送至云端，云端部署最优的深度森林模型，所述深度森林模型用于进行运动量估算。

29、本发明的上述技术方案相比现有技术具有以下优点：

30、1.本发明结合了深度森林与遗传算法，对传感器数据所能提取的数学特征进行了筛选，一方面去除了特征之间的信息冗余度，一定程度上可以带来估计精度提升；另一方面大大减少了估计所需的特征数量，降低了模型复杂度；减轻了边缘计算时硬件设备的负担；

31、2.本发明还对多传感器进行了数据融合，考虑了运动量的多种相关因素：身体加速度和心率，使得模型精度进一步提升；

32、3.本发明将信号处理预测环节移动至云端，使得硬件设备上只需要具备简单的数据采集单元而不需要搭载算力复杂的数据处理单元，保证了硬件的体积和重量适于随身穿戴，同时相对简单的设备对应着更低的成本。