王 琳，孫 倩，馬曉娜，高永艷，劉 毅，馬宏偉，楊東強(qiáng)+

1.山東建筑大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，濟(jì)南 250101

2.山東建筑大學(xué) 體育部，濟(jì)南 250101

隨著智能生物技術(shù)（intelligent bio-technology，IBT）和可穿戴技術(shù)（wearable technology，WT）的日趨融合，由體力活動(dòng)而產(chǎn)生的運(yùn)動(dòng)能量消耗，即人體活動(dòng)能量消耗（physical activity energy expenditure，PAEE）計(jì)算研究成為移動(dòng)計(jì)算領(lǐng)域的一個(gè)熱點(diǎn)問(wèn)題[1-2]。通過(guò)準(zhǔn)確預(yù)測(cè)PAEE能夠掌握其身體活動(dòng)水平，有的放矢地指導(dǎo)其科學(xué)運(yùn)動(dòng)，為制定膳食推薦標(biāo)準(zhǔn)提供支持，并可廣泛應(yīng)用于運(yùn)動(dòng)健身、養(yǎng)老醫(yī)療、體能訓(xùn)練、慢性病預(yù)防治療等方面[3-5]。在人體運(yùn)動(dòng)能量檢測(cè)中，氣體代謝分析法和運(yùn)動(dòng)加速度器測(cè)量法是兩種主要的計(jì)算方法。

計(jì)算PAEE的典型處理流程包括五個(gè)步驟，如圖1所示[1]。首先捕獲人體被試佩戴的傳感器所獲得的原始信號(hào)，然后從表征原始信號(hào)的原始傳感器測(cè)量值中提取不同的時(shí)域或頻域的特征（如均值、方差、主頻等信息）。采用特征提取方法（互信息、相關(guān)系數(shù)等）選出有效特征，作為評(píng)估或建立PAEE 模型算法的輸入。從簡(jiǎn)單的線(xiàn)性回歸到復(fù)雜的機(jī)器學(xué)習(xí)技術(shù)（如彈性網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)等）[6-7]，都可以用來(lái)訓(xùn)練估計(jì)模型（如圖1中的決策樹(shù)模型或多層感知機(jī)模型），從傳感器新獲得的數(shù)據(jù)就可用訓(xùn)練好的模型進(jìn)行PAEE估計(jì)。一般情況下，實(shí)驗(yàn)過(guò)程中通過(guò)氣體代謝分析儀測(cè)量的能量消耗[8]，可以作為PAEE估計(jì)的黃金標(biāo)準(zhǔn)值。

圖1 基于傳感器的PAEE典型處理流程Fig.1 Typical PAEE processing flow of sensor

研究表明，PAEE 評(píng)估主要存在三方面的問(wèn)題：第一，傳感器類(lèi)型和傳感器的佩戴位置影響了PAEE估計(jì)的精度。第二，如何提取更為有效的特征。傳統(tǒng)方法多采用三軸加速度器的COUNTS值作為主要參數(shù)，簡(jiǎn)單但不夠精確。可以從傳感器信號(hào)提取時(shí)頻域的特征，提高預(yù)測(cè)精度。第三，融合方法不能只采用傳統(tǒng)的線(xiàn)性回歸方法，可采用機(jī)器學(xué)習(xí)方法融合不同的技術(shù)，提高PAEE估計(jì)精度。

針對(duì)以上問(wèn)題，本文從以下四方面展開(kāi)工作：

（1）在數(shù)據(jù)預(yù)處理階段，由于傳感器信號(hào)的時(shí)效性和周期性，通過(guò)傅里葉變換生成FFT特征，對(duì)于三維原始速度數(shù)據(jù)使用正弦函數(shù)進(jìn)行曲線(xiàn)擬合，并進(jìn)行顯著性差異檢驗(yàn)后再進(jìn)行數(shù)據(jù)分析，去除無(wú)效和冗余數(shù)據(jù)，保證數(shù)據(jù)的有效性。

（2）實(shí)驗(yàn)數(shù)據(jù)采用帶抖動(dòng)的數(shù)據(jù)集作為測(cè)試數(shù)據(jù)，模擬真實(shí)情況下的數(shù)據(jù)，準(zhǔn)確估計(jì)PAEE 估計(jì)模型的泛化能力。

（3）數(shù)據(jù)融合方法，Schuldhaus等[9]提出的一種傳感器融合的PAEE估計(jì)方法，對(duì)每個(gè)傳感器源分別進(jìn)行數(shù)據(jù)預(yù)處理、特征提取和回歸分別生成估計(jì)PAEE值，然后對(duì)預(yù)測(cè)結(jié)果取平均值，進(jìn)行決策級(jí)融合。此種方法因?yàn)椴捎闷骄?，降低了預(yù)測(cè)精度。采用通過(guò)特征選擇選出少量特征，比較多種模型估計(jì)PAEE值的性能指標(biāo)，選擇出最優(yōu)模型。

（4）本研究采用基于WEKA 的實(shí)驗(yàn)平臺(tái)[10-11]，利用相關(guān)系數(shù)、互信息、包裝方法和嵌入方法的四類(lèi)特征選擇方法選取特征，并使用多線(xiàn)性回歸、回歸樹(shù)、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)四種機(jī)器學(xué)習(xí)方法估計(jì)PAEE值。決策級(jí)融合時(shí)用最優(yōu)策略選取評(píng)估模型。

1 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理

該數(shù)據(jù)集通過(guò)采集人體所佩戴的加速度傳感器和陀螺儀傳感器獲得。在臀部和腳踝上分別放置一個(gè)三軸加速度計(jì)（HPA，AKA）和一個(gè)三軸陀螺儀（HPG，AKG）均為SHIMMER 傳感器（Shimmer Research，Dublin，Ireland）。每次測(cè)試包括三種速度等級(jí)，分別是3.2 km/h、4.8 km/h 和6.4 km/h，傳感器的采樣率為204.8 Hz。采用MET 表示消耗的能量，用氣體代謝分析儀測(cè)定耗氧量，采樣率為0.2 Hz，實(shí)驗(yàn)指標(biāo)如表1所示。在跑步機(jī)上，10個(gè)受試者進(jìn)行了兩次實(shí)驗(yàn)，一次實(shí)驗(yàn)為正常狀態(tài)下跑步，另一次實(shí)驗(yàn)使用了振蕩狀態(tài)下的跑步。

表1 實(shí)驗(yàn)參數(shù)Table 1 Experimental parameters

1.1 人體運(yùn)動(dòng)能量預(yù)測(cè)的主要特征

首先要分析提取傳感器哪些特征以及如何處理這些特征，PAEE 預(yù)測(cè)常用的特征可以分成時(shí)域特征、頻域特征、時(shí)頻域特征以及統(tǒng)計(jì)與測(cè)量特征四大類(lèi)[12-13]。時(shí)域特征（如表2所示的均值和Counts值等）使用比較廣泛，但其受噪聲數(shù)據(jù)的影響較大。對(duì)信號(hào)的時(shí)域到頻域轉(zhuǎn)換的過(guò)程中，最常用的技術(shù)是快速傅里葉變換（fast Fourier transform，F(xiàn)FT），提取到的常用頻域特征包括主頻、振幅和光譜熵等（如表2所示）。統(tǒng)計(jì)與測(cè)量特征由于個(gè)體差異較大，通用性不強(qiáng)，在本實(shí)驗(yàn)中沒(méi)有采納。

表2 PAEE中的常用時(shí)域頻域特征Table 2 Time-domains and frequency-domains characteristics of PAEE

對(duì)于每個(gè)傳感器，提取的27個(gè)特征包括：絕對(duì)信號(hào)振幅的均值、標(biāo)準(zhǔn)差、第10 分位點(diǎn)、第25 分位點(diǎn)、第50 分位點(diǎn)、第75 分位點(diǎn)和第90 分位點(diǎn)、最小值和最大值等。在此基礎(chǔ)上，又加入了每個(gè)傳感器的協(xié)方差、counts（計(jì)算方法參考式（1））、主頻（計(jì)算方法參考式（2））。其中時(shí)域特征counts 的計(jì)算方法如式（1）所示：

其滑動(dòng)窗口設(shè)置為1 024，即取連續(xù)1 024個(gè)數(shù)據(jù)。頻域特征中主頻使用傅里葉變換來(lái)計(jì)算，采用式（2）進(jìn)行計(jì)算。對(duì)傅里葉變換結(jié)果進(jìn)行分析后發(fā)現(xiàn)，信號(hào)主頻對(duì)應(yīng)的最大振幅的系數(shù)代表了人體活動(dòng)強(qiáng)度水平?？紤]到人體運(yùn)動(dòng)能量集中在實(shí)數(shù)部分，因此只取實(shí)數(shù)部分，并取前100項(xiàng)的最大值作為特征值。

1.2 顯著性差異檢驗(yàn)（T檢驗(yàn)）和方差分析

由于運(yùn)動(dòng)過(guò)程中的傳感器佩戴位置、測(cè)量誤差、能量代謝儀出問(wèn)題等因素可能造成數(shù)據(jù)偏離，首先需要對(duì)9 個(gè)樣本進(jìn)行顯著性差異檢驗(yàn)，可以用T 檢驗(yàn)來(lái)檢測(cè)樣本偏離程度。對(duì)實(shí)驗(yàn)數(shù)據(jù)在3 個(gè)速度（3.2 km/h、4.8 km/h 和6.4 km/h）等級(jí)下采樣。在對(duì)3個(gè)數(shù)據(jù)集進(jìn)行處理之前，采用正弦函數(shù)進(jìn)行曲線(xiàn)擬合的處理方法[14-15]對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理。

采用如式（3）所示的正弦函數(shù)進(jìn)行數(shù)據(jù)擬合，其中參數(shù)的取值分別為：a=6.4，b=4.8，c=3.2。

其中，若xi、yi、zi分別表示X、Y、Z三軸的加速度值，則Si可以表示為：

y值與均值進(jìn)行方差分析，實(shí)驗(yàn)結(jié)果中其F值不小于0.05，則說(shuō)明數(shù)據(jù)集不存在顯著性差異。按此方法對(duì)所有數(shù)據(jù)集進(jìn)行顯著性差異檢驗(yàn)，發(fā)現(xiàn)所有數(shù)據(jù)均不存在顯著性差異，能夠進(jìn)行后續(xù)的數(shù)據(jù)分析。兩名被試者的比較數(shù)據(jù)如表3所示。

表3 顯著性差異檢驗(yàn)結(jié)果Table 3 Significant difference test results

2 實(shí)驗(yàn)設(shè)計(jì)

2.1 選擇評(píng)估方法

實(shí)驗(yàn)數(shù)據(jù)集[10]分為兩部分，一部分從正常跑步機(jī)獲取，另一部分從振蕩跑步機(jī)獲取。正常跑步機(jī)產(chǎn)生的數(shù)據(jù)稱(chēng)之為正常數(shù)據(jù)，振蕩跑步機(jī)上產(chǎn)生的數(shù)據(jù)稱(chēng)之為抖動(dòng)數(shù)據(jù)。若在正常數(shù)據(jù)上使用交叉驗(yàn)證法，可以取得較高的模型性能評(píng)估指標(biāo)。但考慮到訓(xùn)練模型需要應(yīng)用在實(shí)際場(chǎng)景中，用正常數(shù)據(jù)作為訓(xùn)練集，而用抖動(dòng)數(shù)據(jù)作為測(cè)試集進(jìn)行模型的構(gòu)建與評(píng)估，檢驗(yàn)?zāi)Ｐ驮谔卣鬟x取后的泛化能力。

2.2 選擇特征選擇方法和機(jī)器學(xué)習(xí)方法

預(yù)處理階段所選取的時(shí)頻域特征數(shù)量非常多，而且可能存在線(xiàn)性相關(guān)性。首先采用特征工程對(duì)這些特征進(jìn)行過(guò)濾。特征選擇[16-17]可以將高維數(shù)據(jù)降為低維數(shù)據(jù)的同時(shí)，保留原始主要特征。從特征子集評(píng)價(jià)準(zhǔn)則的角度，特征選擇方法可以分為過(guò)濾式（filter）、封裝式（wrapper）以及嵌入式（embedded）方法。評(píng)價(jià)函數(shù)的選擇采用距離度量、信息度量、相關(guān)系數(shù)度量等方法。特征選擇可以采用人工特征選擇與線(xiàn)性回歸方法相結(jié)合，或過(guò)濾式特征選擇與線(xiàn)性和非線(xiàn)性回歸方法相結(jié)合，或包裹式特征選擇與線(xiàn)性回歸方法相結(jié)合，或直接使用嵌入式特征選擇的方法：Lasso回歸算法和Elastic回歸算法[18-20]。本文分別采用了相關(guān)系數(shù)特征選擇方法、互信息特征選擇方法、封裝特征選擇方法和嵌入式特征選擇方法進(jìn)行特征選擇，并將其與多線(xiàn)性回歸、回歸樹(shù)、基于POLY 函數(shù)和RBF（radial basis function）函數(shù)的支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等五種機(jī)器學(xué)習(xí)方法相結(jié)合進(jìn)行實(shí)驗(yàn)比較，選出最優(yōu)模型[21]。

3 實(shí)驗(yàn)結(jié)果及分析

采用相關(guān)性（correlation coefficient，CC）和平均絕對(duì)誤差（mean absolute error，MAE）作為模型評(píng)估指標(biāo)。依次比較相關(guān)系數(shù)特征選擇方法與多線(xiàn)性回歸、決策樹(shù)、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)算法結(jié)合的模型的CC 和MAE，互信息特征選擇方法與多線(xiàn)性回歸、決策樹(shù)、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)算法結(jié)合的CC 和MAE，包裝方法（wrapper）特征選擇與多線(xiàn)性回歸、決策樹(shù)、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)算法結(jié)合的CC 和MAE，直接使用嵌入式特征選擇的方法Elastic 回歸算法的CC和MAE。

3.1 采用相關(guān)系數(shù)的相關(guān)性測(cè)量方法的比較

過(guò)濾式特征選擇中，相關(guān)系數(shù)體現(xiàn)了特征與結(jié)果之間的線(xiàn)性依賴(lài)關(guān)系，其計(jì)算方法見(jiàn)式（5）。

其中，var(xi)是方差，cov(xi,Y)是協(xié)方差。

用相關(guān)系數(shù)方法選取的特征有HA1_prc_10、HA1_prc_25、AA1_prc_50、AA3_CV、AA2_prc_75、AA3_prc_25，分別是腰部加速度計(jì)、腳部加速度計(jì)的數(shù)據(jù)，采用多線(xiàn)性回歸進(jìn)行PAEE 估計(jì)，實(shí)驗(yàn)結(jié)果如表4所示。從數(shù)據(jù)結(jié)果可以看出，加速度計(jì)的特征與能量預(yù)測(cè)相關(guān)性更強(qiáng)，進(jìn)行特征選擇后相關(guān)系數(shù)有所提高，平均絕對(duì)誤差下降明顯。

表4 特征選擇前后的評(píng)估結(jié)果比較（相關(guān)系數(shù)）Table 4 Comparison of evaluation results before and after feature selection(correlation coefficient)

另外分別用REPTree算法[23]（決策樹(shù)算法之一）、POLY多項(xiàng)式核函數(shù)的支持向量機(jī)算法、RBF徑向基核函數(shù)的支持向量機(jī)算法、神經(jīng)網(wǎng)絡(luò)算法進(jìn)行實(shí)驗(yàn)比較，其結(jié)果如圖3所示。圖3中MLR指多線(xiàn)性回歸算法，REPTree 是決策樹(shù)算法之一，SVM（poly）是代表采用poly 核函數(shù)的支持向量機(jī)算法，SVM（RBF）是代表采用RBF核函數(shù)的支持向量機(jī)算法，NN（10,5）表示神經(jīng)網(wǎng)絡(luò)算法。

神經(jīng)網(wǎng)絡(luò)模型采用模型為多層感知機(jī)，兩個(gè)隱層，其中第一層為10個(gè)節(jié)點(diǎn)，第二層為5個(gè)節(jié)點(diǎn)。如圖2 神經(jīng)網(wǎng)絡(luò)連接圖所示，其中參數(shù)設(shè)置：學(xué)習(xí)率（learning rate）設(shè)為0.3，動(dòng)能（momentum）設(shè)為0.2。

圖2 神經(jīng)網(wǎng)絡(luò)模型連接圖Fig.2 Neural network model connection diagram

圖3表明神經(jīng)網(wǎng)絡(luò)的相關(guān)系數(shù)最高，平均絕對(duì)誤差最低，PAEE 估計(jì)效果最好。效果最差的是REPTree算法，相關(guān)系數(shù)最小，平均絕對(duì)誤差最高。

圖3 相關(guān)系數(shù)選擇特征的評(píng)估結(jié)果Fig.3 Evaluation results of correlation coefficient selection feature

3.2 采用互信息的信息測(cè)量方法比較結(jié)果

過(guò)濾式特征選擇中，互信息反映的是兩個(gè)特征之間的依賴(lài)關(guān)系，可以由式（6）計(jì)算得出。

若MI=0 則說(shuō)明兩個(gè)特征是獨(dú)立的，若MI ＞0 則說(shuō)明兩個(gè)特征是相互依賴(lài)的。由于實(shí)驗(yàn)取得的特征數(shù)據(jù)是連續(xù)值，要計(jì)算互信息，必須離散化數(shù)據(jù)。計(jì)算特征之間的互信息后，再根據(jù)互信息值進(jìn)行排序，選取前20個(gè)特征如表5所示。

表5 特征選擇前后的評(píng)估結(jié)果比較（互信息）Table 5 Comparison of evaluation results before and after feature selection(MI)

特征選取后，采用多線(xiàn)性回歸進(jìn)行PAEE 估計(jì)。通過(guò)互信息所選出的特征比較多，主要是腰部加速計(jì)的特征。除了分位點(diǎn)特征外還包括Counts和陀螺儀的第三軸的特征等。實(shí)驗(yàn)結(jié)果表明進(jìn)行特征選擇后相關(guān)系數(shù)有所提高，平均絕對(duì)誤差有所下降。

采用互信息進(jìn)行特征選擇后，仍然分別用REPTree算法、SVM（poly）算法、SVM（RBF）算法、神經(jīng)網(wǎng)絡(luò)算法進(jìn)行實(shí)驗(yàn)，其結(jié)果如圖4所示。從實(shí)驗(yàn)結(jié)果可以看出，采用SVM的方法得到的結(jié)果最好，兩種不同核函數(shù)對(duì)實(shí)驗(yàn)結(jié)果影響不大。由于采用RBF核函數(shù)的支持向量機(jī)方法比較耗時(shí)，由實(shí)驗(yàn)結(jié)果可以看出采用POLY核函數(shù)的支持向量機(jī)方法是最優(yōu)的。

圖4 互信息選擇特征的評(píng)估結(jié)果比較圖Fig.4 Comparison chart of evaluation results of mutual information selection feature

3.3 包裝方法（wrapper）

特征選擇方法中，包裝方法將預(yù)測(cè)過(guò)程看成一個(gè)黑匣子，用性能作為評(píng)估的目標(biāo)函數(shù)。采用多線(xiàn)性回歸進(jìn)行PAEE估計(jì)，實(shí)驗(yàn)結(jié)果如表6所示，實(shí)驗(yàn)結(jié)果表明使用包裝方法特征選擇后相關(guān)系數(shù)有較大提高，平均絕對(duì)誤差下降比較大。

表6 特征選擇前后的評(píng)估結(jié)果比較（包裝方法）Table 6 Comparison of evaluation results before and after feature selection(wrapper)

同樣地，分別用REPTree算法、SVM（poly）算法、SVM（RBF）算法、神經(jīng)網(wǎng)絡(luò)算法進(jìn)行實(shí)驗(yàn)，測(cè)試結(jié)果如圖5所示。使用SVM（RBF）算法的相關(guān)系數(shù)最高，平均絕對(duì)誤差最低。

圖5 包裝方法選擇特征的評(píng)估結(jié)果比較圖Fig.5 Comparison chart of evaluation results of wrapper selection feature

3.4 嵌入式（embedded）方法

嵌入式方法采用邊訓(xùn)練邊選擇的方法來(lái)減少計(jì)算時(shí)間，是數(shù)據(jù)特征選擇時(shí)效率比較高的方法之一。采用經(jīng)典的彈性網(wǎng)絡(luò)（elastic net）[24]回歸估計(jì)PAEE值，使用式（7）計(jì)算。

其中，系數(shù)α稱(chēng)為懲罰項(xiàng)，采用廣義交叉驗(yàn)證最小化的方法確定α的值，計(jì)算后將其設(shè)置為0.378 5。

PAEE中主要以代謝當(dāng)量（metabolicequivalent，MET）表示能量消耗，因此可以得到彈性網(wǎng)絡(luò)回歸模型：

實(shí)驗(yàn)結(jié)果如表7 所示。其相關(guān)系數(shù)和平均絕對(duì)誤差的值與前面的方法比較來(lái)看，性能有所提高。選擇的特征是AG3_CV、HG_counts、HG_fft、AG_counts、AG_fft，主要包括陀螺儀的數(shù)據(jù)，即變異系數(shù)和counts、傅里葉變換的值。

表7 嵌入式方法（彈性網(wǎng)絡(luò)）評(píng)估結(jié)果Table 7 Evaluation results of embedded method(elastic network)

與互信息的特征選擇方法比較，該方法所選出的特征數(shù)量明顯下降；與包裝方法相比，性能結(jié)果與神經(jīng)網(wǎng)絡(luò)相近，但其計(jì)算速度比包裝方法快。

將四種特征選擇產(chǎn)生的實(shí)驗(yàn)結(jié)果進(jìn)行比較，所得比較結(jié)果如圖6 所示。圖中，CC+NN 表示相關(guān)系數(shù)方法+神經(jīng)網(wǎng)絡(luò)算法、MI+SVM 表示互信息方法+支持向量機(jī)算法、wrapper+SVM表示包裝方法+支持向量機(jī)算法、embedded+Elastic 表示嵌入式方法的彈性網(wǎng)絡(luò)[25]。

圖6 最優(yōu)組合方法評(píng)估結(jié)果比較圖Fig.6 Comparison chart of evaluation results of optimal combination method

本文使用特征方法選擇出來(lái)的特征與機(jī)器學(xué)習(xí)算法結(jié)合進(jìn)行數(shù)據(jù)分析后發(fā)現(xiàn)（如表8所示），在人體運(yùn)行能量消耗預(yù)測(cè)中，這4個(gè)模型效果比較接近?；バ畔⒎椒ǖ男阅芟鄬?duì)較差，主要原因是對(duì)數(shù)據(jù)進(jìn)行了離散化處理，降低了數(shù)據(jù)的精度。嵌入式方法在許多文獻(xiàn)中都認(rèn)為是比較好的方法，但在本實(shí)驗(yàn)中并沒(méi)有發(fā)現(xiàn)它能極大地提高性能。包裝方法的性能不錯(cuò)，但是在實(shí)驗(yàn)過(guò)程中非常耗時(shí)?；谙嚓P(guān)系數(shù)方法的神經(jīng)網(wǎng)絡(luò)算法是所有的結(jié)果中最好的，說(shuō)明神經(jīng)網(wǎng)絡(luò)算法在此類(lèi)回歸問(wèn)題上具有較好的效果。

表8 最優(yōu)組合方法評(píng)估結(jié)果匯總Table 8 Summary of evaluation results of optimal combination methods

3.5 決策級(jí)融合獲得最優(yōu)數(shù)據(jù)模型

PAEE 中主要以代謝當(dāng)量MET 表示能量消耗。構(gòu)建的PAEE 回歸系統(tǒng)如圖7 所示，嘗試不同的特征選擇方法和機(jī)器學(xué)習(xí)算法組合，最后進(jìn)行決策級(jí)融合。使用最優(yōu)策略（MAE最小，CC最高）選出最優(yōu)算法模型預(yù)測(cè)的MET作為最后的預(yù)測(cè)結(jié)果。

圖7 PAEE 回歸系統(tǒng)Fig.7 Proposed regression system for PAEE

通過(guò)決策級(jí)融合，得到最優(yōu)的數(shù)據(jù)模型：基于相關(guān)系數(shù)方法和神經(jīng)網(wǎng)絡(luò)算法[26]的PAEE模型。

先用相關(guān)系數(shù)方法進(jìn)行特征選擇選出有效特征為HA1_prc_10、HA1_prc_25、AA1_prc_50、AA2_prc_75、AA3_CV、AA3_prc_25，分別代表腰部加速度計(jì)、腳部加速度計(jì)數(shù)據(jù)，加速度計(jì)的特征比陀螺儀的特征在人體運(yùn)動(dòng)能量預(yù)測(cè)中占有更重要的作用。

4 總結(jié)

本文對(duì)提取的人體運(yùn)動(dòng)能量預(yù)測(cè)特征使用機(jī)器學(xué)習(xí)的特征選擇方法選出重要的特征[27-28]，使用機(jī)器學(xué)習(xí)的算法構(gòu)建預(yù)測(cè)PAEE的數(shù)據(jù)模型，取得較好的預(yù)測(cè)效果。通過(guò)特征選擇方法，將129 個(gè)特征降到6個(gè)，極大地提高了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度。同時(shí)，采用帶抖動(dòng)的數(shù)據(jù)模擬真實(shí)數(shù)據(jù)集，避免了數(shù)據(jù)的過(guò)擬合?；谙嚓P(guān)系數(shù)和神經(jīng)網(wǎng)絡(luò)算法的PAEE 預(yù)測(cè)模型可為商用手環(huán)或智能手機(jī)預(yù)測(cè)人體運(yùn)動(dòng)能量提供參考。