本發(fā)明屬于步態(tài)預(yù)測，尤其涉及基于時序序列和lstm-cnn的步態(tài)相位預(yù)測方法及系統(tǒng)。

背景技術(shù)：

1、隨著老年人群體的增加，步態(tài)分析的重要性日益顯現(xiàn)。步態(tài)周期的準(zhǔn)確預(yù)測不僅對步態(tài)訓(xùn)練和康復(fù)具有重要意義，還能夠為個性化健康管理提供數(shù)據(jù)支持。盡管市場上已經(jīng)出現(xiàn)了多種步態(tài)分析系統(tǒng)，這些系統(tǒng)在實際應(yīng)用中仍存在若干限制。

2、首先，現(xiàn)有系統(tǒng)在適應(yīng)不同年齡層和不同身體條件的老年人群體方面表現(xiàn)不佳。老年人與年輕人在步態(tài)和生理特征上存在顯著差異，現(xiàn)有的步態(tài)分析系統(tǒng)在區(qū)分這些關(guān)鍵差異方面常常表現(xiàn)不足。

3、傳統(tǒng)步態(tài)分析方法的局限性也不容忽視。這些方法通常依賴于實驗室設(shè)備，如力板和計算機化步道系統(tǒng)，來收集步態(tài)數(shù)據(jù)。這些設(shè)備不僅使用不便，價格昂貴，而且在實際應(yīng)用中可能無法提供實時監(jiān)測和反饋。特別是，傳統(tǒng)的慣性測量單元設(shè)備在測量步寬和步長等關(guān)鍵參數(shù)方面存在局限，而這些參數(shù)對于步態(tài)周期預(yù)測至關(guān)重要。

4、自適應(yīng)頻率振蕩器(afo)是一種常用于步態(tài)輔助設(shè)備中的步態(tài)周期預(yù)測方法，主要依賴于傳統(tǒng)的特征提取技術(shù)，通常僅預(yù)測站立相(stand?phase)和擺動相(swingphase)。雖然afo通過調(diào)整其內(nèi)部參數(shù)與用戶的步態(tài)周期同步，利用傳感器反饋檢測步態(tài)事件(如腳跟著地(hs)和起步(to))，但在面對突發(fā)步態(tài)變化時，其需要一定的過渡時間來重新同步，這會導(dǎo)致預(yù)測延遲和不準(zhǔn)確。

5、此外，傳統(tǒng)方法未能充分利用復(fù)雜的步態(tài)數(shù)據(jù)，從而限制了其預(yù)測能力和適應(yīng)性。

技術(shù)實現(xiàn)思路

1、為克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了基于時序序列和lstm-cnn的步態(tài)相位預(yù)測方法及系統(tǒng)，使用腳部安裝的慣性測量單元獲取時序序列收集步態(tài)數(shù)據(jù)，通過長短期記憶網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)對老年虛弱人群的步態(tài)相位及步態(tài)周期百分比進行預(yù)測，能夠?qū)崟r、準(zhǔn)確地預(yù)測步態(tài)相位，還創(chuàng)新性地預(yù)測各階段的百分比，使得步態(tài)周期的預(yù)測更加精確。

2、為實現(xiàn)上述目的，本發(fā)明的一個或多個實施例提供了如下技術(shù)方案：

3、本發(fā)明第一方面提供了基于時序序列和lstm-cnn的步態(tài)相位預(yù)測方法。

4、基于時序序列和lstm-cnn的步態(tài)相位預(yù)測方法，包括以下步驟：

5、獲取待預(yù)測人員的步態(tài)時序數(shù)據(jù)，進行預(yù)處理；

6、將預(yù)處理后的步態(tài)時序數(shù)據(jù)輸入至lstm-cnn網(wǎng)絡(luò)模型中，利用卷積層提取步態(tài)時序數(shù)據(jù)的局部特征，并將提取的局部特征輸入至lstm層中捕捉時間依賴性，得到步態(tài)周期百分比的預(yù)測結(jié)果；

7、所述lstm-cnn為經(jīng)過預(yù)訓(xùn)練得到，其中，預(yù)訓(xùn)練數(shù)據(jù)包括多個步態(tài)周期的步態(tài)時序數(shù)據(jù)、以及多個步態(tài)周期的步態(tài)時序數(shù)據(jù)所對應(yīng)的實際步態(tài)周期百分比標(biāo)簽。

8、本發(fā)明第二方面提供了基于時序序列和lstm-cnn的步態(tài)相位預(yù)測系統(tǒng)。

9、基于時序序列和lstm-cnn的步態(tài)相位預(yù)測系統(tǒng)，包括：

10、數(shù)據(jù)獲取模塊，被配置為：獲取待預(yù)測人員的步態(tài)時序數(shù)據(jù)，進行預(yù)處理；

11、步態(tài)周期百分比預(yù)測模塊，被配置為：將預(yù)處理后的步態(tài)時序數(shù)據(jù)輸入至lstm-cnn網(wǎng)絡(luò)模型中，利用卷積層提取步態(tài)時序數(shù)據(jù)的局部特征，并將提取的局部特征輸入至lstm層中捕捉時間依賴性，得到步態(tài)周期百分比的預(yù)測結(jié)果；

12、所述lstm-cnn為經(jīng)過預(yù)訓(xùn)練得到，其中，預(yù)訓(xùn)練數(shù)據(jù)包括多個步態(tài)周期的步態(tài)時序數(shù)據(jù)、以及多個步態(tài)周期的步態(tài)時序數(shù)據(jù)所對應(yīng)的實際步態(tài)周期百分比標(biāo)簽。

13、本發(fā)明第三方面提供了計算機可讀存儲介質(zhì)，其上存儲有程序，該程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明第一方面所述的基于時序序列和lstm-cnn的步態(tài)相位預(yù)測方法中的步驟。

14、本發(fā)明第四方面提供了電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的程序，所述處理器執(zhí)行所述程序時實現(xiàn)如本發(fā)明第一方面所述的基于時序序列和lstm-cnn的步態(tài)相位預(yù)測方法中的步驟。

15、以上一個或多個技術(shù)方案存在以下有益效果：

16、本發(fā)明提供了一種基于時序序列和lstm-cnn的步態(tài)相位預(yù)測方法及系統(tǒng)，通過腳部安裝的慣性測量單元(imu)收集步態(tài)數(shù)據(jù)，利用長短期記憶網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的結(jié)合進行分析和預(yù)測。與傳統(tǒng)afo方法不同，該方法不僅能夠?qū)崟r、準(zhǔn)確地預(yù)測步態(tài)相位，還創(chuàng)新性地預(yù)測各階段的百分比，使得步態(tài)周期的預(yù)測更加精確。

17、本發(fā)明使用端到端的lstm-cnn模型能夠直接從原始步態(tài)數(shù)據(jù)中學(xué)習(xí)特征，避免了傳統(tǒng)特征選擇過程中的信息損失，并實現(xiàn)了實時數(shù)據(jù)處理，無需過渡期，從而提供更快速的預(yù)測響應(yīng)。此外，該模型能夠捕捉步態(tài)數(shù)據(jù)中的復(fù)雜模式，具有較高的適應(yīng)性和泛化能力，滿足不同環(huán)境和生理條件下的步態(tài)訓(xùn)練和康復(fù)需求。通過這種創(chuàng)新方法，本發(fā)明提升了步態(tài)分析的精確度，為步態(tài)健康監(jiān)測提供了有效支持。

18、在本發(fā)明的步態(tài)周期百分比預(yù)測模型中，我們采取了創(chuàng)新性的優(yōu)化策略，我們首先采用了一種創(chuàng)新的數(shù)據(jù)預(yù)處理方法，以增強模型的泛化能力。具體而言，我們從數(shù)據(jù)窗口中選取連續(xù)多個時刻的數(shù)據(jù)，并確定這些連續(xù)多個時刻中最后一個時刻的下一時刻數(shù)據(jù)所對應(yīng)的實際步態(tài)周期百分比作為訓(xùn)練標(biāo)簽。在形成輸入向量的過程中，本發(fā)明的創(chuàng)新點之一在于將連續(xù)多個時刻的數(shù)據(jù)和訓(xùn)練標(biāo)簽隨機打亂后結(jié)合。這種隨機化處理方法進行了數(shù)據(jù)增強，有助于模型學(xué)習(xí)到更加泛化的特征表示，從而提高了模型在不同數(shù)據(jù)分布下的預(yù)測性能。進一步地，將這些隨機化處理后的輸入向量輸入至lstm-cnn模型中進行訓(xùn)練，得到的模型在預(yù)測精度上表現(xiàn)出了顯著的優(yōu)勢。

19、其次，在模型訓(xùn)練階段，為了解決深層網(wǎng)絡(luò)訓(xùn)練中常見的梯度消失問題，我們引入了殘差連接技術(shù)，允許網(wǎng)絡(luò)中的信號繞過一層或多層，直接傳遞至后續(xù)層，有效增強了模型的學(xué)習(xí)能力和泛化能力。具體地，我們將殘差連接策略性地集成于lstm層與卷積層之間，通過將卷積層輸出的局部特征向量與lstm層的輸出進行相加操作，形成了殘差連接。這種設(shè)計不僅減少了信息在網(wǎng)絡(luò)中的損失，還加快了訓(xùn)練速度并提高了模型的收斂性。

20、此外，我們在模型中應(yīng)用了層歸一化技術(shù)，對lstm層和卷積層的輸出進行了規(guī)范化處理，確保了不同批次的數(shù)據(jù)輸入分布的一致性。層歸一化有助于減少“內(nèi)部協(xié)變量偏移”，穩(wěn)定學(xué)習(xí)過程，并加快模型的收斂速度。

21、為了平衡計算速度和模型精度，我們還采用了混合精度訓(xùn)練方法。在模型的前向傳播過程中，我們使用半精度浮點數(shù)來存儲和計算中間結(jié)果，以減少內(nèi)存占用并加速計算。在反向傳播和參數(shù)更新階段，我們切換回單精度，以保持足夠的數(shù)值穩(wěn)定性和模型精度。這種混合精度策略使得模型在訓(xùn)練時既能快速收斂，又能保持預(yù)測結(jié)果的準(zhǔn)確性。通過這種創(chuàng)新的數(shù)據(jù)預(yù)處理和訓(xùn)練方法，本發(fā)明能夠有效地提高模型對步態(tài)周期的預(yù)測能力，為步態(tài)分析和相關(guān)應(yīng)用領(lǐng)域提供了一種新的技術(shù)解決方案。

22、在模型評估階段，我們采用了全新的損失函數(shù)。由于lstm層考慮過去的歷史標(biāo)準(zhǔn)，通過自我調(diào)整來評估當(dāng)前的未知模式，并提前做出未來預(yù)測，本專利因此采用了增強損失函數(shù)，即改進損失函數(shù)(ilf)，使用統(tǒng)計評估參數(shù)對獲得的ilf-lstm的預(yù)測值進行驗證。相比于傳統(tǒng)的損失函數(shù)如mae，ilf能更好評估模型的預(yù)測性能。

23、本發(fā)明附加方面的優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。