本发明涉及人体温度分析的,具体而言,涉及一种基于聚类算法和神经网络的人体温度数据拟合方法。
背景技术:
1、人体胸腔皮肤的表面温度机理是非常复杂的,主要受环境、皮肤散热这两种因素影响,在体温调节的作用下,人体体温是保持恒定不变的,但由于运动产热的条件下,人体胸腔表面温度大趋势会跟着运动时间的增加而上升,达到某一时间由于产热和散热机制的作用下会稳定在一段区间内。
2、目前在对人体温度数据进行分析拟合时,通常是通过直接取每个时间点的温度值,但是每个时间点的温度值很多,难以获取具有代表性的点,导致拟合后得到的人体温度数据拟合曲线误差较大。
3、中国专利公开号cn102736911a中,公开了一种数据拟合的方法,包括:获取待拟合的各个样本点的坐标值;对各个点的坐标值进行差分运算;根据所述差分运算结果生成拟合函数;获取目标曲线经过的特殊点,对所述拟合函数进行积分,根据积分公式以及所述特殊点的坐标值获取目标曲线。
4、但是上述拟合方法如果存在某个坐标点与其他坐标值偏差的比较大,就会产生较大的异常,后续再次将拟合曲线进行积分,偏差较大的坐标点又同样会对积分产生影响,严重影响拟合效果,也就是说,现有的人体温度数据拟合方法均存在拟合效果差、误差大的问题。
技术实现思路
1、本发明要解决的问题是:提供一种基于聚类算法和神经网络的人体温度数据拟合方法能够提高人体温度数据拟合曲线的拟合效果并减小误差。
2、为解决上述问题,本发明提供一种基于聚类算法和神经网络的人体温度数据拟合方法,包括以下步骤:
3、步骤s1,在预设时间段内,持续采集多位实验者于跑步机上持续跑步时的实时温度数据;
4、步骤s2,将所述预设时间段分割为多个子时间段,针对每个所述子时间段,统计得到所述子时间段内的各所述实时温度数据作为所述子时间段对应的簇类数据集;
5、步骤s3,针对每个所述簇类数据集,采用聚类算法对所述簇类数据集内的各所述实时温度数据进行聚类处理得到对应的簇中心点;
6、步骤s4,针对每个所述实验者,将所述实验者对应的各所述簇中心点及各所述簇中心点对应的所述子时间段输入至预先构建的神经网络模型中,得到对应的人体温度数据拟合曲线。
7、优选的,所述步骤s1中,选用年龄在23-25岁之间、身高在174-176厘米之间、体重在65-75公斤之间的多个健康男性作为所述实验者。
8、优选的,所述步骤s1中,分别采集各所述实验者在6km/h、7.5km/h和9km/h时速下持续跑步时的所述实时温度数据。
9、优选的,所述步骤s2中,将所述预设时间段设为10分钟,并将所述预设时间段平均分割为1分钟时长的多个所述子时间段,每隔1分钟测量各所述实验者手腕处的温度作为所述实时温度数据。
10、优选的,所述步骤s3包括:
11、步骤s31,判断是否接收到外部输入的算法指令:
12、若是,则转向步骤s32;
13、若否,则转向步骤s33;
14、步骤s32,于各所述簇类数据集中随机获取多个所述实时温度数据作为初始聚类中心点,将其余各所述实时温度数据作为数据点,根据各所述初始聚类中心点和各所述数据点之间的欧氏距离迭代计算对应的所述簇中心点,随后转向步骤s4;
15、步骤s33,将各所述簇类数据集作为初始聚类数目,于各所述初始聚类数目中随机获取多个所述实时温度数据作为初始聚类中心点,将其余各所述实时温度数据作为数据点,根据各所述初始聚类中心点和各所述数据点之间的欧氏距离和相似度得到对应的所述簇中心点。
16、优选的,所述步骤s32包括:
17、步骤s321,于各所述簇类数据集中随机获取多个所述实时温度数据作为所述初始聚类中心点,将其余各所述实时温度数据作为所述数据点;
18、步骤s322,针对每个所述数据点,基于所述数据点与各所述初始聚类中心点之间的欧氏距离,将所述数据点分配至欧氏距离最近的所述初始聚类中心点所处的所述簇类数据集中;
19、步骤s323,将各所述初始聚类中心点转换为对应的所述数据点,针对每个所述簇类数据集中的每个所述数据点,计算得到所述数据点和其余各所述数据点之间的欧式距离总和,将欧式距离总和最小的所述数据点作为二代聚类中心点;
20、步骤s324,根据各所述二代聚类中心点和各所述数据点得到对应的第一聚类误差平方和,将各所述二代聚类中心点作为所述初始聚类中心点返回所述步骤s322,并将所述步骤s323中欧式距离总和最小的所述数据点作为三代聚类中心点,根据各所述三代聚类中心点和各所述数据点得到对应的第二聚类误差平方和;
21、步骤s325,判断所述第二聚类误差平方和是否与所述第一聚类误差平方和相等:
22、若否,则将各所述三代聚类中心点作为所述初始聚类中心点并返回所述步骤s322;
23、若是,则将各所述三代聚类中心点作为所述簇中心点。
24、优选的,所述步骤s33包括:
25、步骤s331,将各所述簇类数据集作为所述初始聚类数目,于各所述初始聚类数目中随机获取多个所述实时温度数据作为所述初始聚类中心点,将其余各所述实时温度数据作为所述数据点;
26、步骤s332,针对每个所述数据点,基于所述数据点与各所述初始聚类中心点之间的欧氏距离以及欧氏距离和相似度之间的负相关原则,将所述数据点分配至欧氏距离最近的所述初始聚类中心点所处的所述簇类数据集中;
27、步骤s333,将各所述初始聚类中心点转换为对应的所述数据点,并针对每个所述簇类数据集,将所述簇类数据集中各所述数据点的平均值作为所述簇中心点。
28、优选的,所述步骤s4中,所述神经网络模型以所述子时间段对应的时间属性作为输入层输入,以各所述簇中心点对应的温度属性作为输出层输出,拟合得到所述人体温度数据拟合曲线。
29、本发明具有以下有益效果:本发明相较于差分积分数据拟合方法,采用聚类算法对簇类数据集中的实时温度数据进行聚类处理取出簇中心点以保证簇中心点的代表性,相比于传统方法直接取代表点误差更小,再通过神经网络模型对簇中心点进行拟合得到人体温度数据拟合曲线,使得其更符合非线性函数的拟合策略,以提高拟合效果。
1.一种基于聚类算法和神经网络的人体温度数据拟合方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的人体温度数据拟合方法,其特征在于,所述步骤s1中,选用年龄在23-25岁之间、身高在174-176厘米之间、体重在65-75公斤之间的多个健康男性作为所述实验者。
3.根据权利要求1所述的人体温度数据拟合方法,其特征在于,所述步骤s1中,分别采集各所述实验者在6km/h、7.5km/h和9km/h时速下持续跑步时的所述实时温度数据。
4.根据权利要求1所述的人体温度数据拟合方法,其特征在于,所述步骤s2中,将所述预设时间段设为10分钟,并将所述预设时间段平均分割为1分钟时长的多个所述子时间段,每隔1分钟测量各所述实验者手腕处的温度作为所述实时温度数据。
5.根据权利要求1所述的人体温度数据拟合方法,其特征在于,所述步骤s3包括:
6.根据权利要求5所述的人体温度数据拟合方法,其特征在于,所述步骤s32包括:
7.根据权利要求5所述的人体温度数据拟合方法,其特征在于,所述步骤s33包括:
8.根据权利要求1所述的人体温度数据拟合方法,其特征在于,所述步骤s4中,所述神经网络模型以所述子时间段对应的时间属性作为输入层输入,以各所述簇中心点对应的温度属性作为输出层输出,拟合得到所述人体温度数据拟合曲线。