[发明专利]一种基于CNN-LSTM的人体健康深度学习预测方法

权利要求书

1.一种基于CNN-LSTM的人体健康深度学习预测方法，其特征在于：主要包括硬件和软件两部分，硬件即为摄像头和计算模块，软件主要包含三个模块，分别是图像中行人检测模块、基于CNN的特征提取模块和基于LSTM的特征序列识别模块； 首先利用摄像头获取用户走路视频，其次预处理视频中的每张图像(调整大小、选取清晰图像，等)，接着检测图像中的每个行人，并提取出每个行人，然后将提取的行人图像作为CNN模型的输入，获取行人的步态特征，最后将步态特征序列作为LSTM的输入，判别人体健康状态； 对于订制化用户，在CNN获取步态特征阶段还会识别用户，将用户信息结合其步态特征建立健康状态数据库，实现长期检测，通过分析其步态的变化情况，提供更为准确的健康状况诊断，同时还能实现用户健康预测。

2.根据权利要求1所述的一种基于CNN-LSTM的人体健康深度学习预测方法，其特征在于：将先进的深度学习模型结合摄像头，通过分析用户走路时的步态，判别用户的健康状况。

3.根据权利要求1所述的一种基于CNN-LSTM的人体健康深度学习预测方法，其特征在于：构建一个轻量且特征映射能力较强的CNN模型用于提取图像中的行人步态特征，将提取的特征输入LSTM，采用动态的方式判别用户的健康状况。

4.根据权利要求1所述的一种基于CNN-LSTM的人体健康深度学习预测方法，其特征在于：通过行人检测技术，获取视频中每个行人图像，将其依次输入CNN特征提取模型，以实现视频中多人同时诊断。

5.根据权利要求1所述的一种基于CNN-LSTM的人体健康深度学习预测方法，其特征在于：对于家庭用户，可实现订制化服务，在特征提取的同时识别用户，然后将用户信息结合其步态建立数据库，分析用户步态特征和步态变化情况，提供更精确的健康诊断与预测。

6.根据权利要求1所述的一种基于CNN-LSTM的人体健康深度学习预测方法，其特征在于：视频中行人检测采用Faster-RCNN技术，实现行人的快速检测；在行人检测前，预处理视频中的图像，丢弃模糊的图像，以提高识别率。

7.根据权利要求1所述的一种基于CNN-LSTM的人体健康深度学习预测方法，其特征在于：为实现对视频中行人步态特征实时提取且具有较强的特征映射能力，构建一个含有11个卷积层的轻量CNN模型，其输入图像的像素设定为 120*120，为最大的加快特征提取速度，选用多步长卷积层代替池化层。