一种基于长短期记忆LSTM算法的仰卧起坐计数方法与流程

一种基于长短期记忆lstm算法的仰卧起坐计数方法
技术领域
1.本发明属于计算机技术领域，特别是一种基于长短期记忆lstm算法的仰卧起坐计数方法。


背景技术：

2.仰卧起坐作为一种常见的运动方式，对于身体多个肌群的锻炼以及核心发力的增强都很有效，因此仰卧起坐这项运动在国内学生体能测试以及军队身体体能评价中都占有重要地位。对于仰卧起坐这样推广全面的国民性运动，准确且精准的计数方式是必不可少的。
3.目前主要使用的仰卧起坐计数方法有：
4.(1)统计人员人为判断计数。统计人员通过观察被测试者做仰卧起坐运动，然后人为进行计数，采用这种计数手段，需要更多的人力资源配合，同时对于动作是否规范无法确认，也容易存在舞弊现象；
5.(2)基于红外线的仰卧起坐计数装置。整个装置的占地空间较大，需要操作人员配合，使用不方便，对于仰卧起坐动作的规范性也无法准确判断；
6.(3)基于动作检测算法的仰卧起坐计数装置。利用深度学习检测算法对仰卧起坐视频进行动作识别检测，该装置还需要专门配置摄像头，整体装置较为冗余。
7.上述仰卧起坐计数方式计数准确性、精度、效率均一搬，且增加了所依附装置的复杂度，不方便使用。


技术实现要素：

8.本发明的目的在于针对上述现有技术存在的问题，提供一种基于长短期记忆lstm算法的仰卧起坐计数方法。
9.实现本发明目的的技术解决方案为：一种基于长短期记忆lstm算法的仰卧起坐计数方法，所述方法包括以下步骤：
10.步骤1，利用加速度计获取被测试者仰卧起坐的实时加速度计数据流；
11.步骤2，对加速度计数据流进行滤波平滑处理；
12.步骤3，通过波峰值检测方法将平滑数据切分，记录波峰索引，将每两个波峰之间的数据记录为一次疑似仰卧起坐数据；
13.步骤4，利用长短期记忆lstm算法判断步骤3中得到的仰卧起坐数据是否为一个标准完整的仰卧起坐，若是，则计数加1；
14.步骤5，重复上述过程，直至被测试者停止仰卧起坐过程。
15.进一步地，步骤2所述对加速度计数据流进行滤波平滑处理，具体为：利用fir滤波器对加速度计数据流进行滤波平滑处理。
16.进一步地，步骤3所述通过波峰值检测方法将平滑数据切分，具体为：将平滑数据切分为“波峰-波峰”之间的数据信息分块存储。
17.进一步地，步骤4中所述利用长短期记忆lstm算法判断步骤3中得到的仰卧起坐数据是否为一个标准完整的仰卧起坐，具体包括：
18.步骤4-1，构建长短期记忆lstm算法模型；
19.步骤4-2，对所述模型进行训练，得到判断仰卧起坐是否标准完整的模型；
20.步骤4-3，利用所述判断仰卧起坐是否标准完整的模型对仰卧起坐数据进行判断，判断其是否为一个标准完整的仰卧起坐。
21.进一步地，步骤4-1中所述长短期记忆lstm算法模型包括主干网络和全连接层两部分，其主干网络部分由lstm模块网络组成，共6层lstm模块网络，输入信息为仰卧起坐数据段，经第一层运算后维度上获得32维数据，第二层运算后维度上获得32维数据，第三层运算后维度上获得64维数据，第四层运算后维度上获得64维数据，第五层运算后维度上获得128维数据，第六层运算后维度上获得128维数据；将第六层运算后获得的特征矩阵输入全连接层，之后经过激活函数输出结果，根据该结果判断是否是一个标准完整的仰卧起坐。
22.进一步地，所述激活函数输出结果为1
×
2的矩阵，其中维度2的2个数值分别代表“是”或者“不是”标准仰卧起坐，如果结果为“0”，则代表是一个标准的仰卧起坐，同时计数器加1，如果结果为“1”，则代表是一个不标准仰卧起坐，计数器值不变。
23.进一步地，步骤4-2所述对所述模型进行训练，得到判断仰卧起坐是否标准完整的模型，具体包括：
24.步骤4-2-1，构建样本数据集，包括正样本集和负样本集；所述正样本集，选取标准的仰卧起坐动作加速度计数据流，对该数据流进行滤波平滑，之后获取“波峰-波峰”仰卧起坐数据切片，根据完成一个仰卧起坐基本的数据长度补充或者裁剪该数据切片长度，并对数据进行归一化处理，处理后将该数据作为正样本，多个正样本构成正样本集；所述负样本集，利用随机生成的1以内的浮点数构成一个负样本，多个负样本构成负样本集；
25.步骤4-2-2，将所述样本数据集划分为训练集和验证集；
26.步骤4-2-3，利用所述训练集对所述长短期记忆lstm算法模型进行训练，使用交叉熵损失函数进行优化，得到训练好的判断仰卧起坐是否标准完整的模型。
27.本发明与现有技术相比，其显著优点为：
28.(1)本发明使用方便简单，能够精确稳定记录仰卧起坐个数，无需多余人员监督配合，节省了人力资源。
29.(2)本发明所依附装置简洁，仅需要被测试者佩戴一个包含加速度计的穿戴式设备(如腕表)即可，占地空间小。
30.(3)本发明所提出的算法对于被测试者仰卧起坐动作的规范性、完整性判断较为准确，可以达到规范被测试者动作姿态的作用，起到更充分的锻炼效果。
31.下面结合附图对本发明作进一步详细描述。
附图说明
32.图1为本发明基于长短期记忆lstm(long short-term memory)算法的仰卧起坐计数方法的流程图。
33.图2为本发明的长短期记忆lstm(long short-term memory)算法模型示意图。
具体实施方式
34.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
35.结合图1和图2，本发明提出了一种基于长短期记忆lstm(long short-term memory)算法的仰卧起坐计数方法，包括以下步骤：
36.步骤一，构建长短期记忆lstm(long short-term memory)算法模型，包括主干网络和全连接层两部分：其主干网络部分由lstm模块网络组成，主干网络一共6层lstm模块网络，输入信息为200
×
1的仰卧起坐数据段，第一层运算后维度上获得32维数据，第二层运算后维度上获得32维数据，第三层运算后维度上获得64维数据，第四层运算后维度上获得64维数据，第五层运算后维度上获得128维数据，第六层运算后维度上获得128维数据；将第六层运算后获得的特征矩阵输入全连接层，经过激活函数后得到2维度的结果，利用该结果判断是否是一个标准完整的仰卧起坐。通过全连接网络和激活函数后得到最终的结果是1
×
2的矩阵，其中维度2的2个数值分别代表“是”或者“不是”标准仰卧起坐，如果结果为“0”，则代表是一个标准的仰卧起坐，同时计数器加1，如果结果为“1”，则代表是一个不标准仰卧起坐，计数器值不变。
37.关于激活函数，本发明使用softmax作为激活函数，这是由于softmax激活函数具备以下特点：softmax激活函数中使用了指数，这样可以让大的值更大，让小的值更小，增加了区分对比度，使得模型学习效率更高。第二个是因为softmax激活函数是连续可导的，消除了拐点，这个特性在深度学习的梯度下降法等地方非常必要。
38.步骤二，长短期记忆lstm(long short-term memory)算法模型的训练集采集准备、预处理过程：
39.(1)利用腕表(或其他包含加速度计的穿戴式设备)中的加速度计获取被测试者仰卧起坐的实时加速度计数据流，解析该数据流，得到被测试者的仰卧起坐的信息。
40.(2)对解析的加速度计数据流进行滤波处理，为了得到平滑的曲线，否则无法良好的分析，使用的滤波方式为数字滤波器fir(finite impulse response)滤波器，通过滤波器后获得被测试者平滑的仰卧起坐数据。
41.(3)针对被测试者平滑的仰卧起坐数据，数据中包含波峰和波谷，分析仰卧起坐运动对加速度计的周期影响可以确定两个波峰之间的数据可能为一次仰卧起坐数据，处理平滑数据得到全部波峰信息，将整体信息切分为“波峰-波峰”之间的数据信息分块存储，“波峰-波峰”数据定义为一次可能的仰卧起坐。
42.(4)获得训练集：正样本集，选取标准的仰卧起坐动作加速度计数据流，对数据流使用数字滤波器平滑，得到平滑数据后获得“波峰-波峰”仰卧起坐数据切片，根据完成一个仰卧起坐基本的数据长度补充或者裁剪该数据切片长度，固定一次仰卧起坐数据长度为200，对数据进行归一化处理，处理后将该数据作为正样本，多个正样本构成整个训练用的整个正样本集；负样本集，一次仰卧起坐的数据长度也选定为200，利用随机生成的1以内的浮点数构成一个负样本，多个负样本构成整个训练用的整个负样本集。本发明中正样本集共包含409个正样本，负样本集中包含400个负样本。
43.步骤三，长短期记忆lstm(long short-term memory)算法模型的训练过程：
44.(1)将预处理好的训练集送入基于长短期记忆lstm(long short-term memory)算法的模型进行训练，使用交叉熵损失函数(cross entropy loss function)作为损失函数进行优化。
45.(2)此外训练过程还需要设置一些超参数，包括每次输入到神经网络进行训练的数据的数量batch-size设置、迭代次数、初始学习率、学习率的衰减方式、训练集和验证集比例。本发明中设置迭代次数是50次，将batch-size设置为512，初始学习率设置为0.001，训练集和验证集比例为9:1。学习率的衰减方式采用观察验证集的准确率来进行衰减，当观察到10个迭代次数后验证集的准确率都维持不变，那么学习率就衰减为之前的学习率的50％。
46.(3)直到完成50次迭代训练，获得训练好的用于判断仰卧起坐是否规范、标准、完整的基于长短期记忆lstm(long short-term memory)算法的模型。将模型固化为文件，后期便于使用。
47.本发明的技术内容及技术特点已揭示如上，然而熟悉本领域的技术人员仍可能基于本发明的教示及揭示而作种种不背离本发明精神的替换及修饰。因此，本发明的保护范围应不限于实施例所揭示的内容，而应包括各种不背离本发明的替换及修饰，并为本专利申请权利要求书所涵盖。