[发明专利]一种基于CNN-LSTM的人体健康深度学习预测方法

说明书

本发明涉及一种基于CNN‑LSTM的人体健康深度学习预测方法，将先进的深度学习模型结合摄像头用于识别行人的病理步态，进而预测其健康状态。对行人步态的识别采用动态方式，用CNN提取视频图像中行人的步态特征，然后利用LSTM基于时序识别步态特征，进而判别其步态类型。为实现多人在线实时检测，在系统中加入一个视频行人检测模块，并构建一个轻量且特征映射能力强的复用型CNN模型，既用于视频检测中行人的识别，也用于行人步态的特征提取。本发明基于图像采用动态方式识别步态，硬件实现简单，但技术先进，对步态的识别准确率高，应用前景广阔，即可用于区域人体健康监测与分析，也可用于家庭，做到订制化服务。

技术领域

本发明涉及深度学习和人体健康领域，具体是一种基于 CNN-LSTM的人体健康深度学习预测方法。

背景技术

随着经济的发展，人们的生活水平得到极大的提高，同时人们对健康的关注也越来越高；监测人体健康状况，并对人体可能出现的疾病作出提前预报，在疾病防控领域具有重要意义。研究表明，人的走路步态与其健康状况息息相关，目前常见的病理步态有剪刀步、拖把步、醉酒步、偏瘫步态、截瘫步态、臀大肌步态、臀中肌步态、股四头肌步态、跨域步态、关节强直步态、蹒跚步态、慌张步态、短腿步态、疼痛步态等，而不同步态又对应着其不同病理，例如：剪刀步，双脚前后分开，后脚往前踏，前脚再往前踏保持刚才分开时与后脚的距离，多发生在脑血管病、脑梗塞、脑出血或者脊髓损伤的病人；拖把步，这类病人在走路的时候一条腿是正常的，但由于肌肉或者神经功能的障碍，另一条腿会慢慢地拖过来；醉酒步，该步态常常走不到一条直线上，摇摇晃晃，有这种步态的人应高度怀疑脑肿瘤、脑出血、小脑病变等。

人体走路步态慢慢的变化都算是一个正常的退行性改变，也算正常的范畴。如果是短时间内迅速出现一些步态的异常，而且发展速度非常快，再伴有其他的一些神经系统的症状，这个时候就要高度怀疑是某一个系统出现了问题。基于以上，本发明提出一种基于CNN-LSTM的人体健康深度学习预测方法。卷积神经网络(Convolutional NeuralNetworks,CNN)是深度学习领域重要算法，主要用于图像的特征提取或分类，一张二维或更高维的数字图像可直接作为其输入。 CNN算法具有优异的特征提取能力，在2015年的世界ImageNet大赛中，基于 CNN算法的深度学习模型的图像识别错误率低至4.94％，低于人类的5.1％的错误率。长短期记忆网络(Long Short-Term Memory，LSTM)主要用于处理时间序列数据，广泛的应用在语音识别、文本识别等领域。本发明提出一种基于 CNN-LSTM的人体健康深度学习预测方法，构建一个轻量快速且具有较强特征映射能力的复用型CNN模型，用于图像中行人的识别和步态特征提取，并将提取的步态特征输入LSTM网络，然后LSTM基于时序采用动态的方式识别步态特征，判别行人步态类型，进而预测行人健康状况。

发明内容

本发明的目的是提供一种基于CNN-LSTM的人体健康深度学习预测方法；该发明通过摄像头获取人体走路步态的图像序列，然后利用CNN提取每张图像中的步态特征，并将其作为LSTM的输入，由LSTM算法依据图像序列中的步态特征的变化，预判人体健康状态，并作出提前预报。其主要优点有：

1、将前沿的深度学习模型用于人体健康预测，不仅能识别出视频中的行人，而且还可以对多人步态同时检测；其硬件设备简单，应用前景广，既能用于特定环境下人群的健康状态分析，也可用于家庭，做到订制化服务；

2、本发明设计的深度学习模型，轻量且具有较强特征映射能力，提取图像特征的速度快，能实现视频中多人走路步态的实时判别；

本发明实现发明目的采用如下技术方案：