一种基于LSTM模型的老年人生物信号健康监测方法技术

本发明专利技术公开了一种基于LSTM模型的老年人生物信号健康监测方法，采用了与时间序列相关且对长序列训练过程中的梯度消失和梯度爆炸问题有较好解决方案的LSTM深度学习模型，将物联网设备在不同的时间间隔从老年人身上收集到的多维生物信号作为模型原始数据，经过数据预处理正则化后，输入到LSTM模型中，从而分别从时间维度和不同生物信号数据维度建立联系，将过去时间的健康数据和不同的生物信号数据都作为判断是否健康的标准，以获得更好的健康状况监测效果。同时，本发明专利技术以监测准确率为依据，提出模型中的参数调试方法，并实验调试确定了模型中的可直接应用的参数值。

【技术实现步骤摘要】
一种基于LSTM模型的老年人生物信号健康监测方法
本专利技术属于人工智能智慧养老
，尤其涉及一种基于LSTM模型的老年人生物信号健康监测方法。技术背景随着生活压力的日益增加，越来越多的人出现了亚健康甚至慢性疾病状态，老年人的健康问题尤其受到人们的关注。目前，大部分的健康监测工具，仅仅只是对当前用户的各类健康参数进行本地实时监测和显示，或者将数据通过蓝牙传送至手机客户端显示，没有智能分析和异常提醒。虽然物人工智能分别已经在生物信号等健康领域有了较多的应用，但是利用深度学习技术进行老年人的个性化生物信号分析与健康监测的方法较少。LSTM作为一种深度学习模型，是一种特殊的RNN模型，能够学习长期的规律，能够有效地解决时序相关问题，而本专利技术的健康监测数据与时间序列相关，因此本专利技术提出了一种基于LSTM模型的老年人生物信号健康监测方法，在时间维度和多种健康特征结合情况下进行个性化智能健康监测。
技术实现思路
本发目的在于针对现有技术的不足，提出一种基于LSTM模型的老年人生物信号健康监测方法，将收集的健康生物信号数据作为输入，LSTM深度学习模型对老年人生物数据进行智能分析并监测，是对于不同老年人个体的个性化监测方法。本专利技术通过LSTM模型，将老年用户的历史数据进行收集，进行个性化数据分析，同时将不同的健康生物信号指标建立关联，最后在时间维度和多种健康特征结合情况下进行智能健康监测，提高了老年人健康异常监测准确率。同时，本专利技术以监测准确率为依据，提出模型中的参数调试方法，并实验调试确定了模型中的可直接应用的参数值。本专利技术的目的是通过以下技术方案来实现的：1、一种基于LSTM模型的老年人生物信号健康监测方法，其特征在于，包括以下模块：(1)数据获取模块：由物联网设备在不同的时间间隔收集到老年人的健康生物信号，得到相应的多维健康生物信号原始矩阵数据E，当收集到的信号数据满足足够的训练集时，对原始矩阵进行正则化预处理，将结果作为输入数据交给监测模块进行运算。本专利技术定义“0”表示不健康，“1”表示健康，将健康用户正常使用过程中收集到的信号均标记为健康，同时，为了训练的准确率，该方法还将结合健康数据自动生成部分不健康数据，同时作为模型的输入；(2)监测模块：定义由物联网设备收集到的老年人健康信号特征维度为n，则在每个时间t将会有m个输入，前向传播的更新可用如下公式表示：定义隐藏层的神经元数量为n，则模型输入是一个(1，n+m)的向量，则用公式(1)表示的公用权值W为一个(n+m)*n的矩阵。其他参数依此类推，模型输出的是否健康是典型二分类问题，在通过物联网收集的训练集数据上需要额外进行打标签处理作为模型输出，同时也作为损失函数输入进行训练。将模型最后的输出与标签值进行损失函数处理，再通过神经网络反向传播实现模型训练。本专利技术所采用的损失函数为MSE，公式如下：根据反向传播的梯度下降迭代更新原理，结合上述的算法原理，LSTM需要通过隐藏状态h和c来进行反向传播，先定义如下公式：定义最后一步的时间为τ，则再按照t+1至t的顺序往前推导，就可以求出所有权重参数。通过这样的模型可以分别从时间维度和不同健康数据维度建立联系，将过去时间的生物信号和不同类型的生物信号数据都作为判断是否健康的标准，大大提高模型预测的准确率。2、一种基于LSTM模型的老年人生物信号健康监测方法，其特征在于，提出了一种参数调试方案：准确率是评价模型重要的评价指标，通过将测试集输入训练完成的模型，通过计算输出的准确数量占总数的比例计算模型的准确率，公式如下。在LSTM模型中隐藏层神经元数量的参数越大，训练集越大，模型越完整，收敛越快，预测率越高。但是，过多的神经元和训练集会造成较大的计算开销，提升的效果反而不是非常明显。本专利技术利用测试集对上述两个参数进行动态调试，在确保高准确率低开销的情况下，确定本专利技术架构模型中的最优参数。3、一种基于LSTM模型的老年人生物信号健康监测方法，其特征在于，通过权利要求2中的调试方法，确定本专利技术中适合老年人生物信号监测的LSTM模型中的参数如下：(1)学习率为0.0001(2)迭代次数为3000(3)隐藏层神经元数量为15(4)训练集的样本大小为150本专利技术的有益效果：1、利用LSTM深度学习模型，对老年人不同的健康生物信号建立关联，然后在时间维度和多种生物特征结合情况下进行智能健康监测，提升老年人健康监测准确率；2、不同于泛化的分析模型，而是对于不同用户个体的个性化监测，使得预测效果更加接近用户真实情况。3、确定老年人健康监测LSTM模型的具体参数，可直接利用这些参数进行应用。附图说明图1为本专利技术的老年人生物信号健康监测LSTM模型示意图；图2为本专利技术的模型调试和应用示意图；具体实施方式以下结合附图对本专利技术具体实施方式作进一步详细说明。如图1和2所示，一种基于LSTM模型的老年人生物信号健康监测方法，其特征在于，包括以下模块：(1)数据获取模块：由物联网设备在不同的时间间隔收集到老年人的健康生物信号，得到相应的多维健康生物信号原始矩阵数据E，当收集到的信号数据满足足够的训练集时，对原始矩阵进行正则化预处理，将结果作为输入数据交给监测模块进行运算。本专利技术定义“0”表示不健康，“1”表示健康，将健康用户正常使用过程中收集到的信号均标记为健康，同时，为了训练的准确率，该方法还将结合健康数据自动生成部分不健康数据，同时作为模型的输入；(2)监测模块：定义由物联网设备收集到的老年人健康信号特征维度为n，则在每个时间t将会有m个输入，前向传播的更新可用如下公式表示：定义隐藏层的神经元数量为n，则模型输入是一个(1，n+m)的向量，则用公式(1)表示的公用权值W为一个(n+m)*n的矩阵。其他参数依此类推，模型输出的是否健康是典型二分类问题，在通过物联网收集的训练集数据上需要额外进行打标签处理作为模型输出，同时也作为损失函数输入进行训练。将模型最后的输出与标签值进行损失函数处理，再通过神经网络反向传播实现模型训练。本专利技术所采用的损失函数为MSE，公式如下：根据反向传播的梯度下降迭代更新原理，结合上述的算法原理，LSTM需要通过隐藏状态h和c来进行反向传播，先定义如下公式：定义最后一步的时间为τ，则再按照t+1至t的顺序往前推导，就可以求出所有权重参数。通过这样的模型可以分别从时间维度和不同健康数据维度建立联系，将过去时间的生物信号和不同类型的生物信号数据都作为判断是否健康的标准，大大提高模型预测的准确率。一种基于LSTM模型的老年人生物信号健康监测方法，其特征在于，提出了一种参数调试方案：准确率是评价模型重要的评价指标，通本文档来自技高网...

【技术保护点】
1.一种基于LSTM模型的老年人生物信号健康监测方法，其特征在于，包括以下模块：/n(1)数据获取模块：由物联网设备在不同的时间间隔收集到老年人的健康生物信号，得到相应的多维健康生物信号原始矩阵数据E，当收集到的信号数据满足足够的训练集时，对原始矩阵进行正则化预处理，将结果作为输入数据交给监测模块进行运算。本专利技术定义“0”表示不健康，“1”表示健康，将健康用户正常使用过程中收集到的信号均标记为健康，同时，为了训练的准确率，该方法还将结合健康数据自动生成部分不健康数据，同时作为模型的输入；/n(2)监测模块：定义由物联网设备收集到的老年人健康信号特征维度为n，则在每个时间t将会有m个输入，前向传播的更新可用如下公式表示：/n

【技术特征摘要】
1.一种基于LSTM模型的老年人生物信号健康监测方法，其特征在于，包括以下模块：
(1)数据获取模块：由物联网设备在不同的时间间隔收集到老年人的健康生物信号，得到相应的多维健康生物信号原始矩阵数据E，当收集到的信号数据满足足够的训练集时，对原始矩阵进行正则化预处理，将结果作为输入数据交给监测模块进行运算。本发明定义“0”表示不健康，“1”表示健康，将健康用户正常使用过程中收集到的信号均标记为健康，同时，为了训练的准确率，该方法还将结合健康数据自动生成部分不健康数据，同时作为模型的输入；
(2)监测模块：定义由物联网设备收集到的老年人健康信号特征维度为n，则在每个时间t将会有m个输入，前向传播的更新可用如下公式表示：



定义隐藏层的神经元数量为n，则模型输入是一个(1，n+m)的向量，则用公式(1)表示的公用权值W为一个(n+m)*n的矩阵。其他参数依此类推，模型输出的是否健康是典型二分类问题，在通过物联网收集的训练集数据上需要额外进行打标签处理作为模型输出，同时也作为损失函数输入进行训练。
将模型最后的输出与标签值进行损失函数处理，再通过神经网络反向传播实现模型训练。本发明所采用的损失函数为MSE，公式如下：



根据反向传播的梯度下降迭代更新原理，结合上述的算法原理，LSTM需要通过隐藏状态h和c来进行反向传播，先定义如下...

【专利技术属性】
技术研发人员：朱敬华，邓志豪，
申请(专利权)人：浙江禾连网络科技有限公司，
类型：发明
国别省市：浙江;33