[发明专利]行为活动预测方法、装置、设备及情绪预测方法

说明书

行为活动预测方法、装置、设备及情绪预测方法。本发明公开了一种基于机器学习的行为活动预测方法，包括步骤：获取第一预设时间内行为活动特征数据，得到第一训练样本集；根据第一训练样本集对行为活动预测模型进行训练，得到训练后的第一行为活动预测模型；获取用于预测的特征值，得到第一预测样本集；根据第一预测样本集和训练后的第一行为活动预测模型，进行行为活动预测。通过采集用户的行为活动数据，通过行为活动预测模型来预测用户当前的活动类型，预测过程无需用户参与，使用方便，操作更人性化。

技术领域

本发明涉及可穿戴设备领域，尤其是一种行为活动预测方法、装置、设备及情绪预测方法。

背景技术

近年来，可穿戴设备发展迅速，通过可穿戴设备采集人体数据进行智能分析是一大热点，由于人们在不同活动状态的情况下，例如工作、运动、饮食等，不同状态下采集的活动数据是不同的，因此需要在明确活动类型后进行数据采集，但是现有的活动类型分析都是靠用户自己进行活动类型设置或者根据提示进行选择，操作不方便，且交互过程需要用户参与，使用缺乏人性化，因此需要提出一种直接对传感器数据进行分析，来预测用户当前的活动类型的方法。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的是提供一种直接对传感器数据进行分析，来预测用户当前的活动类型的行为活动预测方法、装置、设备及情绪预测方法。

本发明所采用的技术方案是：

一种基于机器学习的行为活动预测方法，包括步骤：

S11：获取第一预设时间内行为活动特征数据，得到第一训练样本集；

S12：根据所述第一训练样本集对行为活动预测模型进行训练，得到训练后的第一行为活动预测模型；

S13：获取用于预测的特征值，得到第一预测样本集；

S14：根据所述第一预测样本集和所述训练后的第一行为活动预测模型，进行行为活动预测。

进一步地，步骤S11中行为活动特征数据包括时间特征、加速度特征和位置特征；

所述时间特征指活动的时间段处于一天24小时的哪个时间段，为一个24维特征，特征值为0或1；

所述加速度特征指活动的时间段中传感器的各轴加速度值的时域特征和频域特征；

所述位置特征指活动的时间段中活动时长最长的位置所在的经纬度。

进一步地，步骤S12中行为活动预测模型为2分类模型，具体为根据活动类型个数建立与所述活动类型个数对应的多个2分类模型；

所述2分类模型中定义一类活动为正类，其余活动为负类；

所述活动类型包括：通勤和/或饮食和/或教育和/或家庭和/或自我保养和/或专业服务和/或购物和/或社交休闲和/或运动和/或工作。

进一步地，步骤S12中根据所述第一训练样本集对行为活动预测模型进行训练，得到训练后的第一行为活动预测模型，所述训练过程通过逻辑回归模型进行活动预测模型的训练，所述逻辑回归模型为：

其中，n表示的特征值个数，h为正类活动类型的概率，ω_i为第i个特征值对应的权值参数，x_i为第i个特征值；

通过最小化加了惩罚项的损失函数来确定所述权值参数，所述损失函数具体为：