龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：哈尔滨理工大学
摘要：本发明公开了一种基于TBE优化的CNN‑BiLSTM‑Attention异常步态检测方法。该方法在CNN中引入Squeeze‑and‑ExcitationSE注意力机制，并在BiLSTM中应用时间注意力机制，能有效提取和强化关键步态特征。利用足底压力传感器和IMU惯性传感器采集步态数据。采用ReliefF算法选取关键特征，并通过TPE算法优化超参数。模型训练后，用CNN提取空间特征，BiLSTM提取时间序列特征，并通过注意力机制融合特征，最终通过softmax激活函数分类预测。本发明整体模型设计合理，注意力机制增强了对重要信息的捕捉能力，防止过拟合。适用于临床和日常健康监控中的异常步态检测，为疾病诊断和健康评估提供高效、准确的技术手段。
主权项：1.一种基于TBE优化CNN-BiLSTM-Attention异常步态检测方法，其特征在于，具体包括以下步骤：S1：将足底压力传感器放在鞋内，用来采集人体行走时的步态压力数据，构建数据集，将IMU惯性传感器放在小腿上，穿戴者模拟帕金森、偏瘫、糖尿病足等异常步态采集数据；S2：将数据集降噪并进行数据集划分，利用ReliefF算法进行特征选取，将数据转化为预设形式的数据；S3：使用特征选取后的训练集，通过TBE算法优化改进注意力机制的CNN-BiLSTM模型的超参数，最终使用最佳超参数训练模型并进行评估；S4：模型通过CNN提取数据的空间特征，利用LSTM提取时间特征，并进行特征融合；S5：在CNN中加入注意力机制Squeeze-and-ExcitationSE，在池化层输出后增加了全连接层并进行维度重塑，为接下来的BiLSTM层提供正确的输入形状；S6：在BiLSTM中加入注意力机制TemporalAttention，用于加强BiLSTM模型对每个时间步的关注，帮助模型在序列数据中更好地捕捉长期依赖关系；S7：在时间注意力机制后添加了Dropout层，以减少过拟合风险。最终输出层使用了softmax激活函数，以预测输入数据的类别。
全文数据：
权利要求：
百度查询： 哈尔滨理工大学 一种基于TBE优化CNN-BiLSTM-Attention异常步态检测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号