一种基于可穿戴设备的用户行为习惯预测方法技术

本发明专利技术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

【技术实现步骤摘要】
一种基于可穿戴设备的用户行为习惯预测方法


[0001]本专利技术涉及穿戴设备
，特别涉及一种基于可穿戴设备的用户行为习惯预测方法。

技术介绍

[0002]据世界卫生组织报道身体活动不足是全球死亡的10个主要风险因素之一，每年造成约320万人死亡。熬夜、肥胖、运动量不足等是当下许多人生活的常态，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，还能为后续人们的运动健康管理和慢病预测提供良好的数据基础，并为用户推荐系统提供参考。
[0003]人类行为习惯可以由多种变量进行衡量，如睡眠数据、心率值、运动量这些生理数据以及运动相关的数据，它们都是高度个性化的数据，对于身体健康的监测具有重要意义。然而，采集高度个性化的数据需要耗费大量资源，近年来，可穿戴设备广泛出现和普及，为数据能够随时随地获取提供了极大的便利性，大大降低了数据采集成本。并且，它能够借助高速发展的数据挖掘技术,实现更加高效便捷的智能预测系统，给用户行为习惯预测提供了新的研究方向。
[0004]现有的用户行为预测方法包括马尔可夫(MC)模型、传统长短期记忆网络(LSTM)等。然而，由于马尔科夫假设当下时刻的状态只依赖于前一时刻的状态，忽略了长期历史信息，模型没有能力对数据中的长期依赖关系进行建模。理论上，LSTM可以基于任意长的过去的观测结果进行用户行为习惯预测，然而，传统的LSTM预测方法在记忆序列模式时会忽略一些重要特征。一方面，用户行为习惯可能在短期内发生变化，数据在时序上的重要性有所不同。另一方面，每一位用户活动在可能开始的时间和可能持续的时间方面都是不同的，用户活动存在个体差异，不同特征间也存在重要性的区别。传统单一LSTM网络模型不能够很好的获取到这些时序上和特征上的不同重要性，进而影响LSTM网络对用户行为习惯的预测结果。

技术实现思路

[0005]本专利技术技术解决方案：克服现有技术的不足，提供一种基于可穿戴设备的用户行为习惯预测方法，以克服当下单一LSTM网络模型难以获取用户数据短期内重要时间特征的缺陷，同时解决其无法对不同特征的重要性进行很好的区别等问题。另外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。
[0006]本专利技术技术解决方案：一种基于可穿戴设备的用户行为习惯预测方法，所述方法包括：
[0007]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。
[0008]步骤2，对采集的数据进行预处理。
[0009]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：
[0010][0011]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；
[0012]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。
[0013]步骤3，建立Attention
‑
LSTM复合模型。
[0014]所述建立的Attention
‑
LSTM复合模型，主要由以下三个模型进行集成：
[0015]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：
[0016]α
t
＝W
αT
h
t
+b
α
[0017][α
′1,...,α
′
t
,...,α'
L
]＝softmax([α1,...,α
t
,...,α
L
])
[0018]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：
[0019][0020]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；
[0021]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：
[0022]β
f
＝W
αdT
h
f
+ν
β
[0023][β
′1,...,β'
f
,...,β'
F
]＝softmax([β1,...,β
f
,...,β
F
])
[0024]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函数中得本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：张旭，张瑞琦，李心慧，陈香，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：