一种基于长短期记忆LSTM算法的仰卧起坐计数方法与流程

技术特征：
1.一种基于长短期记忆lstm算法的仰卧起坐计数方法，其特征在于，所述方法包括以下步骤：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；步骤2，对加速度计数据流进行滤波平滑处理；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；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；步骤5，重复上述过程，直至被测试者停止仰卧起坐过程。2.根据权利要求1所述的基于长短期记忆lstm算法的仰卧起坐计数方法，其特征在于，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。3.根据权利要求1所述的基于长短期记忆lstm算法的仰卧起坐计数方法，其特征在于，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。4.根据权利要求1所述的基于长短期记忆lstm算法的仰卧起坐计数方法，其特征在于，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：步骤4-1，构建长短期记忆lstm算法模型；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；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。5.根据权利要求4所述的基于长短期记忆lstm算法的仰卧起坐计数方法，其特征在于，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。6.根据权利要求5所述的基于长短期记忆lstm算法的仰卧起坐计数方法，其特征在于，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。7.根据权利要求5所述的基于长短期记忆lstm算法的仰卧起坐计数方法，其特征在于，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：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；步骤4-2-2，将所述样本数据集划分为训练集和验证集；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。8.根据权利要求6所述的基于长短期记忆lstm算法的仰卧起坐计数方法，其特征在于，所述一个仰卧起坐基本的数据长度为200。

技术总结
本发明公开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，该方法包括：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；对一段时间的加速度计数据流储存成数据文件，并对保存后的数据文件使用FIR滤波器进行滤波处理，得到平滑的数据；通过波峰值检测方法将平滑数据切分，记录波峰索引，每两个波峰之间的数据记录为一次可能的仰卧起坐数据；通过长短期记忆LSTM算法判断得到的可能为一次仰卧起坐的数据是否是一个标准完整的仰卧起坐，当完成一个完整标准的仰卧起坐后，计数器加1。本发明可以实现仰卧起坐的自动测试计数，过程中无需人为干预，提升了工作效率，同时本发明提高了仰卧起坐计数的准确性和严谨性。起坐计数的准确性和严谨性。起坐计数的准确性和严谨性。


技术研发人员：果实 朱晓强 倪勇 邢可 刘学 刘扬 刘少伟
受保护的技术使用者：中国船舶重工集团公司第七一六研究所
技术研发日：2021.12.13
技术公布日：2022/5/5