一种基于可穿戴设备的用户行为习惯预测方法

技术特征：
1.一种基于可穿戴设备的用户行为习惯预测方法，其特征在于，所述方法包括：步骤1，采集用户日常活动时的生理数据、运动相关的数据以及用户基本特征数据，通过可穿戴设备的陀螺仪传感器、加速度传感器、心电传感器采集用户日常活动时的心率、睡眠和运动相关的特征数据，再结合收集到的用户基本特征数据：身高、体重、年龄和性别，构建多元特征向量x
t
＝{x1,...,x
d
,...,x
d
}，其中，x
t
代表相对某日而言，某用户数据的特征向量，包含d个特征，d代表特征维度，x
d
表示某一维特征；步骤2，对采集的数据进行预处理；步骤3，同时建立基于不同时刻的attention机制改进的lstm模型和基于不同特征的attention机制改进的lstm模型，再使用基于全连接网络(fc)的用户行为习惯预测整合模型将两个改进模型整合在一起建立基于注意力机制和长短期记忆网络的复合模型，即attention-lstm复合模型；步骤4，使用用户数据训练所述的attention-lstm复合模型；步骤5，通过已训练好的attention-lstm复合模型预测用户行为习惯，所述用户行为习惯包括用户日常活动时的生理数据和运动相关的数据走势。2.根据权利要求1所述的基于可穿戴设备的用户行为习惯预测方法，其特征在于：所述的步骤2中对采集的数据进行预处理，包括：将采集到的数据集中80％的数据作为训练集，20％的数据作为测试集，并对训练集和测试集进行预处理，采用离差标准化方法对输入数据进行归一化，归一化公式为：其中，x
*
为归一化后的数据，其范围在[0，1]，x
i
为原始数据，x
max
为原始数据的最大值，x
min
为原始数据的最小值；采用滑动窗口方法，从训练集中提取长度为m的连续数据，并将所述连续数据作为模型训练集x
train
，最终将x
train
的数据格式转化为[n，m，d]，其中，n代表样本数，m代表序列数据的长度，d代表特征维度；提取心率、睡眠和运动相关的z个特征的第m 1至第m t的数据作为x
train
的标签y
train
，t＝1,2,
…
,n，n表示天数，当t＝1时y
train
的数据格式为[n，z]，z表示标签的特征维度，当t不为1时y
train
的数据格式为[n，t*z]，同时将测试集x
test
的数据格式转化为[c，m，d]，c代表测试样本数，标签y
test
的数据格式与训练集的相对应。3.根据权利要求1所述的基于可穿戴设备的用户行为习惯预测方法，其特征在于：所述的步骤3中attention-lstm复合模型由以下三个模型进行集成：第一部分是基于不同时刻的注意力机制改进的lstm模型，lstm网络加入时间注意力模块，即对时序信息分配注意力权重，此模型使用3层的lstm网络，设lstm隐藏层的一个输出为h
t
，则t时刻的注意力权重α
t
计算公式如下：α
t
＝w
αt
h
t
b
α
[α
′1,...,α
′
t
,...,α
′
l
]＝softmax([α1,...,α
t
,...,α
l
])其中，w
αt
为参数矩阵的转置，b
α
为对应偏置向量，h
t
为t时刻lstm的隐藏层输出向量，l为序列长度，然后所有权重组成向量输入到softmax函数中得到每个时刻的最终权值α
′
t
，基于注意力权重得到的输出h
v
计算公式如下：
其中，α
′
t
为t时刻的最终权值，最后将h
v
展开为一维向量h；第二部分是基于不同特征的注意力机制改进的lstm模型，lstm网络加入特征注意力模块，即对各个特征分配注意力权重，此模型使用2层的lstm网络，把输入数据的所有时刻特征x
f
组成的向量记为h
f
,特征x
f
的权重β
f
计算公式如下：β
f
＝w
αdt
h
f
ν
β
[β
′1,...,β
′
f
,...,β
′
f
]＝softmax([β1,...,β
f
,...,β
f
])其中，w
αdt
为参数矩阵的转置，ν
β
为偏置向量，x
f
为输入数据的某一维特征，f表示输入数据的特征维度，然后所有权重组成向量输入到softmax函数中得到每个特征的最终权值β
′
f
，基于注意力权重得到的输出h
vd
计算公式如下：其中,β
′
f
为特征x
f
的最终权值，然后将h
vd
输入到lstm网络学习时间序列模式，最后把lstm网络的最终输出展开为一维向量h”；第三部分是基于全连接网络(fc)的用户行为习惯预测整合模型，把所述两个lstm改进模型的输出h,h”进行拼接输入至用户行为习惯预测整合模型，通过预测整合模型将两个改进的lstm模型的输出进行动态结合，提升特征提取能力的同时也不会损失特征的时序信息，从而输出最终结果；其中，最后一层的激活函数使用线性激活函数linear，其他使用激活函数relu。4.根据权利要求1所述的基于可穿戴设备的用户行为习惯预测方法，其特征在于：所述的步骤4使用用户数据训练attention-lstm复合模型，包括：训练流程为：先对模型每层的权重进行随机初始化，然后输入数据，基于不同时刻的attention机制改进的lstm模型和基于不同特征的attention机制改进的lstm模型分别输出一个一维特征向量h和h”；再将h和h”进行拼接作为用户行为习惯预测整合模型的输入，先前向传播得到attention-lstm复合模型的输出，根据损失函数和真实标签计算损失，其中损失函数使用均方根误差；再反向传播更新每一层的权重，通过梯度下降多次迭代使模型拟合并达到最优，训练过程使用adam优化器，最终获得完成训练的复合网络模型。5.根据权利要求1所述的基于可穿戴设备的用户行为习惯预测方法，其特征在于：所述的步骤5中通过已训练好的attention-lstm复合模型预测用户行为习惯，包括：将可穿戴设备收集到的用户当下及历史数据，截取与训练attention-lstm复合模型时长度为m相同长的数据，数据格式转化为[sample，m，d],其中sample表示预测样本数，将数据输入到训练好的attention-lstm复合模型预测行为习惯里面的各种特征在未来t天的走势,当t不为1时，进行预测之后，要把预测结果由二维转为三维。

技术总结
本发明涉及一种基于可穿戴设备的用户行为习惯预测方法，包括：采集用户日常活动时的生理数据、运动相关的数据以及用户基本特征数据；对采集的数据进行预处理；同时建立基于不同时刻和基于不同特征的Attention机制改进的LSTM模型，再使用基于全连接网络的用户行为习惯预测整合模型将两个改进模型整合在一起建立Attention-LSTM复合模型；训练Attention-LSTM复合模型；通过已训练好的Attention-LSTM复合模型预测用户的行为习惯，包括用户日常活动时的生理数据和运动相关的数据走势；结合可穿戴设备可以以较低成本获取大量数据的优势，最终提升对用户未来行为习惯预测的精度；本发明联合可穿戴设备可以对人们自身行为习惯进行监测和预测，有利于及时纠正当下人们不健康的行为习惯。的行为习惯。的行为习惯。


技术研发人员：张旭 张瑞琦 李心慧 陈香
受保护的技术使用者：中国科学技术大学
技术研发日：2022.01.25
技术公布日：2022/5/17