一种基于TBE优化CNN-BiLSTM-Attention异常步态检测方法
- 国知局
- 2024-11-18 18:18:11
本发明属于人工智能领域,具体涉及一种基于tbe优化cnn-bilstm-attention异常步态检测方法。
背景技术:
1、近些年以来,随着计算机和传感器技术的发展,生物特征识别技术日益兴起。步态作为生物特征之一,对其进行分析可获得身份、健康状况等重要隐含信息。神经退行性疾病会导致步态改变,其直接表现就是异常步态,且不同疾病引起的异常表现不同。典型的异常步态对临床诊断具有指导意义,临床上医生通过患者的步态特征进行诊断。然而这种方法严重依赖经验和配合,且主观的判断会导致误诊。因此,开发一种快速、客观、准确的异常步态检测方法尤为重要。
2、现今,随着人工智能领域的飞速发展,深度学习技术在异常步态检测领域逐渐展现出巨大潜力。通过构建和训练深度神经网络模型,如cnn、lstm等网络结构,并引入注意力机制以增强模型的特征学习能力,可以有效地从复杂的传感器数据中提取关键信息。这些信息不仅可以帮助精准识别不同类型的异常步态,还能为早期干预和个性化治疗提供客观依据。
技术实现思路
1、针对上述问题,本发明以人工智能辅助诊断为指引,以足底压力信息、惯性传感器加速度、角速度数据为信息,将深度学习技术应用到异常步态检测领域,设计了一种基于tbe优化cnn-bilstm-attention异常步态检测方法。
2、为实现上述目的,本发明提供一种基于tbe优化cnn-bilstm-attention异常步态检测方法,包括以下步骤:
3、s1:搭建一种采集步态数据的装置,包括柔性薄膜压力传感器,惯性传感器,蓝牙数据接收模块,上位机;
4、s2:将压力传感器放在足底,惯性传感器放在小腿,在实验室环境下采集健康步态,模拟帕金森、偏瘫、糖尿病四种步态的信息;
5、s3:将采集好的数据降噪制作成数据集并进行划分,利用relieff算法选取特征,将数据转换成预设形式;
6、s4:用tpe算法对模型超参数进行优化,选取出最优的超参数值,具体包括:
7、s4.1:使用通过tpe算法优化后的最佳超参数配置训练改进后的cnn-bilstm模型用于提取步态数据的空间换个时间特征,cnn部分负责捕获步态数据的空间信息;
8、s4.2:bilstm部分处理时间序列数据,在综合考虑两部分提取的特征信息基础上进行特征融合;
9、s5:在cnn阶段引入squeeze-and-excitation注意力机制,用于增强模型对步态数据中重要特征的关注度,每一次卷积之后都添加一个global average pooling池化层,在池化层后增加全连接层,进行维度重塑,以便正确地将特征输入到bilstm层中;
10、s6:在bilstm层中引入temporal attention机制,加强模型对步态数据每个时间步的重视程度,帮助模型更好地捕捉长期依赖关系和步态运动的动态特征;
11、s7:在temporal attention后添加dropout层,以减少模型的过拟合风险。具体包括:
12、s7.1:输出层使用交叉熵损失函数与softmax函数,以预测输入数据的步态类别,实现异常步态检测的最终目的;
13、s7.2:网络模型的输出维度设置为4。
14、本发明采用的技术方案相比于现有技术,具有以下优点:
15、本发明通过利用cnn的空间特征识别能力和bilstm的时间序列处理优势,有效提升了从复杂数据中提取关键信息的能力。注意力机制的加入,显著提高了步态分类和识别的准确性和灵敏性。同时,通过tbe算法优化的超参数调整和模型的结构设计使得本发明不仅适应于已知的几种异常步态类型,还能轻松拓展识别新的或不常见的异常步态类型。
技术特征:1.一种基于tbe优化cnn-bilstm-attention异常步态检测方法,其特征在于,具体包括以下步骤:
2.根据权利要求1所述的基于tbe优化cnn-bilstm-attention异常步态检测方法,其特征在于,所述的步骤1中,足底压力传感器使用阵列分布式柔性薄膜压力传感器,惯性传感器包括加速度计、陀螺计,分别负责收集加速度和角速度信息。
3.根据权利要求1所述的基于tbe优化cnn-bilstm-attention异常步态检测方法,其特征在于,所述的步骤2中,relieff函数通过设置最近邻参数k和选择特征数量nf,将标签数据转化为分类格式,并使用relieff函数计算特征的重要性权重,依据权重选择前n个最重要特征。
4.根据权利要求1所述的基于tbe优化cnn-bilstm-attention异常步态检测方法,其特征在于,所述的步骤3中,使用hyperopt通过tpe实现贝叶斯优化。
5.根据权利要求1所述的基于tbe优化cnn-bilstm-attention异常步态检测方法,其特征在于,所述的融合改进的cnn-bilstm-attention网络模型由以下组成:输入层接受形状为(19,400,1)的数据;卷积核大小为(4,1);se注意力机制通过全局平均池化和两个连接层学习每个特征通道的重要性权重;重塑层将输出调整为适合bilstm层输入的形状(1,64);时间注意力层应用于bilstm输出,增强对关键时间步的关注;dropout层在全连接层和bilstm层后添加;输出层使用softmax激活函数的全连接层,进行多类别分类任务。
技术总结本发明公开了一种基于TBE优化的CNN‑BiLSTM‑Attention异常步态检测方法。该方法在CNN中引入Squeeze‑and‑Excitation(SE)注意力机制,并在BiLSTM中应用时间注意力机制,能有效提取和强化关键步态特征。利用足底压力传感器和IMU惯性传感器采集步态数据。采用ReliefF算法选取关键特征,并通过TPE算法优化超参数。模型训练后,用CNN提取空间特征,BiLSTM提取时间序列特征,并通过注意力机制融合特征,最终通过softmax激活函数分类预测。本发明整体模型设计合理,注意力机制增强了对重要信息的捕捉能力,防止过拟合。适用于临床和日常健康监控中的异常步态检测,为疾病诊断和健康评估提供高效、准确的技术手段。技术研发人员:徐军,李正洋,郭嵩受保护的技术使用者:哈尔滨理工大学技术研发日:技术公布日:2024/11/14本文地址:https://www.jishuxx.com/zhuanli/20241118/328094.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。