一种基于聚类算法和神经网络的人体温度数据拟合方法

1.本发明涉及人体温度分析的技术领域，具体而言，涉及一种基于聚类算法和神经网络的人体温度数据拟合方法。


背景技术：

2.人体胸腔皮肤的表面温度机理是非常复杂的，主要受环境、皮肤散热这两种因素影响，在体温调节的作用下，人体体温是保持恒定不变的，但由于运动产热的条件下，人体胸腔表面温度大趋势会跟着运动时间的增加而上升，达到某一时间由于产热和散热机制的作用下会稳定在一段区间内。
3.目前在对人体温度数据进行分析拟合时，通常是通过直接取每个时间点的温度值，但是每个时间点的温度值很多，难以获取具有代表性的点，导致拟合后得到的人体温度数据拟合曲线误差较大。
4.中国专利公开号cn102736911a中，公开了一种数据拟合的方法，包括：获取待拟合的各个样本点的坐标值；对各个点的坐标值进行差分运算；根据所述差分运算结果生成拟合函数；获取目标曲线经过的特殊点，对所述拟合函数进行积分，根据积分公式以及所述特殊点的坐标值获取目标曲线。
5.但是上述拟合方法如果存在某个坐标点与其他坐标值偏差的比较大，就会产生较大的异常，后续再次将拟合曲线进行积分，偏差较大的坐标点又同样会对积分产生影响，严重影响拟合效果，也就是说，现有的人体温度数据拟合方法均存在拟合效果差、误差大的问题。


技术实现要素：

6.本发明要解决的问题是：提供一种基于聚类算法和神经网络的人体温度数据拟合方法能够提高人体温度数据拟合曲线的拟合效果并减小误差。
7.为解决上述问题，本发明提供一种基于聚类算法和神经网络的人体温度数据拟合方法，包括以下步骤：
8.步骤s1，在预设时间段内，持续采集多位实验者于跑步机上持续跑步时的实时温度数据；
9.步骤s2，将所述预设时间段分割为多个子时间段，针对每个所述子时间段，统计得到所述子时间段内的各所述实时温度数据作为所述子时间段对应的簇类数据集；
10.步骤s3，针对每个所述簇类数据集，采用聚类算法对所述簇类数据集内的各所述实时温度数据进行聚类处理得到对应的簇中心点；
11.步骤s4，针对每个所述实验者，将所述实验者对应的各所述簇中心点及各所述簇中心点对应的所述子时间段输入至预先构建的神经网络模型中，得到对应的人体温度数据拟合曲线。
12.优选的，所述步骤s1中，选用年龄在23-25岁之间、身高在174-176厘米之间、体重
在65-75公斤之间的多个健康男性作为所述实验者。
13.优选的，所述步骤s1中，分别采集各所述实验者在6km/h、7.5km/h和9km/h时速下持续跑步时的所述实时温度数据。
14.优选的，所述步骤s2中，将所述预设时间段设为10分钟，并将所述预设时间段平均分割为1分钟时长的多个所述子时间段，每隔1分钟测量各所述实验者手腕处的温度作为所述实时温度数据。
15.优选的，所述步骤s3包括：
16.步骤s31，判断是否接收到外部输入的算法指令：
17.若是，则转向步骤s32；
18.若否，则转向步骤s33；
19.步骤s32，于各所述簇类数据集中随机获取多个所述实时温度数据作为初始聚类中心点，将其余各所述实时温度数据作为数据点，根据各所述初始聚类中心点和各所述数据点之间的欧氏距离迭代计算对应的所述簇中心点，随后转向步骤s4；
20.步骤s33，将各所述簇类数据集作为初始聚类数目，于各所述初始聚类数目中随机获取多个所述实时温度数据作为初始聚类中心点，将其余各所述实时温度数据作为数据点，根据各所述初始聚类中心点和各所述数据点之间的欧氏距离和相似度得到对应的所述簇中心点。
21.优选的，所述步骤s32包括：
22.步骤s321，于各所述簇类数据集中随机获取多个所述实时温度数据作为所述初始聚类中心点，将其余各所述实时温度数据作为所述数据点；
23.步骤s322，针对每个所述数据点，基于所述数据点与各所述初始聚类中心点之间的欧氏距离，将所述数据点分配至欧氏距离最近的所述初始聚类中心点所处的所述簇类数据集中；
24.步骤s323，将各所述初始聚类中心点转换为对应的所述数据点，针对每个所述簇类数据集中的每个所述数据点，计算得到所述数据点和其余各所述数据点之间的欧式距离总和，将欧式距离总和最小的所述数据点作为二代聚类中心点；
25.步骤s324，根据各所述二代聚类中心点和各所述数据点得到对应的第一聚类误差平方和，将各所述二代聚类中心点作为所述初始聚类中心点返回所述步骤s322，并将所述步骤s323中欧式距离总和最小的所述数据点作为三代聚类中心点，根据各所述三代聚类中心点和各所述数据点得到对应的第二聚类误差平方和；
26.步骤s325，判断所述第二聚类误差平方和是否与所述第一聚类误差平方和相等：
27.若否，则将各所述三代聚类中心点作为所述初始聚类中心点并返回所述步骤s322；
28.若是，则将各所述三代聚类中心点作为所述簇中心点。
29.优选的，所述步骤s33包括：
30.步骤s331，将各所述簇类数据集作为所述初始聚类数目，于各所述初始聚类数目中随机获取多个所述实时温度数据作为所述初始聚类中心点，将其余各所述实时温度数据作为所述数据点；
31.步骤s332，针对每个所述数据点，基于所述数据点与各所述初始聚类中心点之间
的欧氏距离以及欧氏距离和相似度之间的负相关原则，将所述数据点分配至欧氏距离最近的所述初始聚类中心点所处的所述簇类数据集中；
32.步骤s333，将各所述初始聚类中心点转换为对应的所述数据点，并针对每个所述簇类数据集，将所述簇类数据集中各所述数据点的平均值作为所述簇中心点。
33.优选的，所述步骤s4中，所述神经网络模型以所述子时间段对应的时间属性作为输入层输入，以各所述簇中心点对应的温度属性作为输出层输出，拟合得到所述人体温度数据拟合曲线。
34.本发明具有以下有益效果：本发明相较于差分积分数据拟合方法，采用聚类算法对簇类数据集中的实时温度数据进行聚类处理取出簇中心点以保证簇中心点的代表性，相比于传统方法直接取代表点误差更小，再通过神经网络模型对簇中心点进行拟合得到人体温度数据拟合曲线，使得其更符合非线性函数的拟合策略，以提高拟合效果。
附图说明
35.图1为本发明的步骤流程图；
36.图2为本发明的步骤s3的具体流程图；
37.图3为本发明的步骤s32的具体流程图；
38.图4为本发明的步骤s33的具体流程图；
39.图5为本发明的6km/h下实时温度数据经过k-medoids算法处理得到的处理结果示意图；
40.图6为本发明的7.5km/h下实时温度数据经过k-means算法处理得到的处理结果示意图；
41.图7为本发明的9km/h下实时温度数据经过k-medoids算法处理得到的处理结果示意图；
42.图8为本发明的神经网络结构示意图；
43.图9为本发明的对6km/h下簇中心点进行拟合的拟合结果示意图；
44.图10为本发明的对7.5km/h下簇中心点进行拟合的拟合结果示意图；
45.图11为本发明的对9km/h下簇中心点进行拟合的拟合结果示意图。
具体实施方式
46.为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
47.本发明的较佳的实施例中，基于现有技术中存在的上述问题，现提供一种基于聚类算法和神经网络的人体温度数据拟合方法，如图1所示，包括以下步骤：
48.步骤s1，在预设时间段内，持续采集多位实验者于跑步机上持续跑步时的实时温度数据；
49.步骤s2，将预设时间段分割为多个子时间段，针对每个子时间段，统计得到子时间段内的各实时温度数据作为子时间段对应的簇类数据集；
50.步骤s3，针对每个簇类数据集，采用聚类算法对簇类数据集内的各实时温度数据进行聚类处理得到对应的簇中心点；
51.步骤s4，针对每个实验者，将实验者对应的各簇中心点及各簇中心点对应的子时间段输入至预先构建的神经网络模型中，得到对应的人体温度数据拟合曲线。
52.具体地，本实施例中，相较于差分积分数据拟合，本实施例对簇类数据集进行聚类算法处理，取出簇中心点(簇中心点为簇类数据中最具有代表性的点)，再将其进行神经网络数据拟合，通过聚类算法取出簇中心点更加具有代表性，并且经过神经网络拟合提高数据拟合效果，更适合非线性函数的拟合。
53.本发明的较佳的实施例中，步骤s1中，选用年龄在23-25岁之间、身高在174-176厘米之间、体重在65-75公斤之间的多个健康男性作为实验者。
54.具体地，本实施例中，选取了20名普通健康男性实验者，年龄在24
±
1岁，身高在175
±
1cm，体重70
±
5kg，所有实验者均满足三个条件：(1)无心肺疾病与运动障碍疾病；(2)试验期间均无感冒等现状；(3)自愿完成整个实验环节。
55.优选的，所有测试过程在恒温恒湿实验室中进行，为了避免人体生物节律性变化对测试的影响，实验安排在下午进行，本实施例采用的实验环境在室温为20
±
1摄氏度，湿度为40
±
5％的条件下进行，室内风速可忽略不计，体温测量采用温度测试仪，排汗量采用局部收集法的方式。
56.本发明的较佳的实施例中，步骤s1中，分别采集各实验者在6km/h、7.5km/h和9km/h时速下持续跑步时的实时温度数据。
57.本发明的较佳的实施例中，步骤s2中，将预设时间段设为10分钟，并将预设时间段平均分割为1分钟时长的多个子时间段，每隔1分钟测量各实验者手腕处的温度作为实时温度数据。
58.具体地，本实施例中，跑步机分别设置6km/h、7.5km/h和9km/h速度进行测试，跑步测试10分钟，每隔1分钟测试实验者手腕处的温度，并记录实时温度数据。
59.本发明的较佳的实施例中，如图2所示，步骤s3包括：
60.步骤s31，判断是否接收到外部输入的算法指令：
61.若是，则转向步骤s32；
62.若否，则转向步骤s33；
63.步骤s32，于各簇类数据集中随机获取多个实时温度数据作为初始聚类中心点，将其余各实时温度数据作为数据点，根据各初始聚类中心点和各数据点之间的欧氏距离迭代计算对应的簇中心点，随后转向步骤s4；
64.步骤s33，将各簇类数据集作为初始聚类数目，于各初始聚类数目中随机获取多个实时温度数据作为初始聚类中心点，将其余各实时温度数据作为数据点，根据各初始聚类中心点和各数据点之间的欧氏距离和相似度得到对应的簇中心点。
65.具体地，本实施例中，步骤s32采用的是k-medoids聚类算法，评估一个簇聚类质量是用一个代价函数、算法重复迭代的方式来寻找最合适的簇类划分和簇类中心点，步骤s33采用的是k-means算法，通过计算聚类中心点的平均值来选取簇中心点，其对孤立点非常敏感，从而导致选取的簇中心点可能不存在，而k-medoids算法是在迭代过程中，在选取簇中心点时，是以簇中心点附近的样本点作为选取对象，从而消除了对孤立点的敏感性，两者各有优劣，可以分别导向处理。
66.本发明的较佳的实施例中，如图3所示，步骤s32包括：
67.步骤s321，于各簇类数据集中随机获取多个实时温度数据作为初始聚类中心点，将其余各实时温度数据作为数据点；
68.步骤s322，针对每个数据点，基于数据点与各初始聚类中心点之间的欧氏距离，将数据点分配至欧氏距离最近的初始聚类中心点所处的簇类数据集中；
69.步骤s323，将各初始聚类中心点转换为对应的数据点，针对每个簇类数据集中的每个数据点，计算得到数据点和其余各数据点之间的欧式距离总和，将欧式距离总和最小的数据点作为二代聚类中心点；
70.步骤s324，根据各二代聚类中心点和各数据点得到对应的第一聚类误差平方和，将各二代聚类中心点作为初始聚类中心点返回步骤s322，并将步骤s323中欧式距离总和最小的数据点作为三代聚类中心点，根据各三代聚类中心点和各数据点得到对应的第二聚类误差平方和；
71.步骤s325，判断第二聚类误差平方和是否与第一聚类误差平方和相等：
72.若否，则将各三代聚类中心点作为初始聚类中心点并返回步骤s322；
73.若是，则将各三代聚类中心点作为簇中心点。
74.具体地，本实施例中，评估聚类中心点的好坏采用欧氏距离的误差平方，定义如下：
[0075][0076]
其中，
[0077]
x表示各个簇类数据集cj中的实时温度数据；
[0078]
oj表示聚类中心点。
[0079]
本发明的较佳的实施例中，如图4所示，步骤s33包括：
[0080]
步骤s331，将各簇类数据集作为初始聚类数目，于各初始聚类数目中随机获取多个实时温度数据作为初始聚类中心点，将其余各实时温度数据作为数据点；
[0081]
步骤s332，针对每个数据点，基于数据点与各初始聚类中心点之间的欧氏距离以及欧氏距离和相似度之间的负相关原则，将数据点分配至欧氏距离最近的初始聚类中心点所处的簇类数据集中；
[0082]
步骤s333，将各初始聚类中心点转换为对应的数据点，并针对每个簇类数据集，将簇类数据集中各数据点的平均值作为簇中心点。
[0083]
具体地，本实施例中，k-means算法通过选取合适的距离公式，来衡量不同数据对象的相似度，数据之间的距离与相似度成反比，可以认为是相似度越小，距离越大，这里的距离选取欧式距离，欧式距离的公式如下：
[0084][0085]
其中，
[0086]
x表示数据点；
[0087]ci
表示第i个聚类中心点；
[0088]
m表示数据点的维度；
[0089]
xj、c
ij
表示数据点x和聚类中心点ci的第j个维度的属性值。
[0090]
优选的，相似度sse公式如下：
[0091][0092]
优选的，对6km/h下采集到的实时温度数据进行k-medoids算法处理，处理结果如图5所示，对7.5km/h下采集到的实时温度数据进行k-means算法处理，处理结果如图6所示，对9km/h下采集到的实时温度数据进行k-medoids算法处理，处理结果如图7所示。
[0093]
本发明的较佳的实施例中，步骤s4中，神经网络模型以子时间段对应的时间属性作为输入层输入，以各簇中心点对应的温度属性作为输出层输出，拟合得到人体温度数据拟合曲线。
[0094]
具体地，本实施例中，采用如图8所示的神经网络结构，对6km/h的簇中心点进行拟合，拟合结果如图9所示，对7.5km/h的簇中心点进行拟合，拟合结果如图10所示，对9km/h的簇中心点进行拟合，拟合结果如图11所示。
[0095]
虽然本公开披露如上，但本公开的保护范围并非仅限于此。本领域技术人员，在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

技术特征：
1.一种基于聚类算法和神经网络的人体温度数据拟合方法，其特征在于，包括以下步骤：步骤s1，在预设时间段内，持续采集多位实验者于跑步机上持续跑步时的实时温度数据；步骤s2，将所述预设时间段分割为多个子时间段，针对每个所述子时间段，统计得到所述子时间段内的各所述实时温度数据作为所述子时间段对应的簇类数据集；步骤s3，针对每个所述簇类数据集，采用聚类算法对所述簇类数据集内的各所述实时温度数据进行聚类处理得到对应的簇中心点；步骤s4，针对每个所述实验者，将所述实验者对应的各所述簇中心点及各所述簇中心点对应的所述子时间段输入至预先构建的神经网络模型中，得到对应的人体温度数据拟合曲线。2.根据权利要求1所述的人体温度数据拟合方法，其特征在于，所述步骤s1中，选用年龄在23-25岁之间、身高在174-176厘米之间、体重在65-75公斤之间的多个健康男性作为所述实验者。3.根据权利要求1所述的人体温度数据拟合方法，其特征在于，所述步骤s1中，分别采集各所述实验者在6km/h、7.5km/h和9km/h时速下持续跑步时的所述实时温度数据。4.根据权利要求1所述的人体温度数据拟合方法，其特征在于，所述步骤s2中，将所述预设时间段设为10分钟，并将所述预设时间段平均分割为1分钟时长的多个所述子时间段，每隔1分钟测量各所述实验者手腕处的温度作为所述实时温度数据。5.根据权利要求1所述的人体温度数据拟合方法，其特征在于，所述步骤s3包括：步骤s31，判断是否接收到外部输入的算法指令：若是，则转向步骤s32；若否，则转向步骤s33；步骤s32，于各所述簇类数据集中随机获取多个所述实时温度数据作为初始聚类中心点，将其余各所述实时温度数据作为数据点，根据各所述初始聚类中心点和各所述数据点之间的欧氏距离迭代计算对应的所述簇中心点，随后转向步骤s4；步骤s33，将各所述簇类数据集作为初始聚类数目，于各所述初始聚类数目中随机获取多个所述实时温度数据作为初始聚类中心点，将其余各所述实时温度数据作为数据点，根据各所述初始聚类中心点和各所述数据点之间的欧氏距离和相似度得到对应的所述簇中心点。6.根据权利要求5所述的人体温度数据拟合方法，其特征在于，所述步骤s32包括：步骤s321，于各所述簇类数据集中随机获取多个所述实时温度数据作为所述初始聚类中心点，将其余各所述实时温度数据作为所述数据点；步骤s322，针对每个所述数据点，基于所述数据点与各所述初始聚类中心点之间的欧氏距离，将所述数据点分配至欧氏距离最近的所述初始聚类中心点所处的所述簇类数据集中；步骤s323，将各所述初始聚类中心点转换为对应的所述数据点，针对每个所述簇类数据集中的每个所述数据点，计算得到所述数据点和其余各所述数据点之间的欧式距离总和，将欧式距离总和最小的所述数据点作为二代聚类中心点；
步骤s324，根据各所述二代聚类中心点和各所述数据点得到对应的第一聚类误差平方和，将各所述二代聚类中心点作为所述初始聚类中心点返回所述步骤s322，并将所述步骤s323中欧式距离总和最小的所述数据点作为三代聚类中心点，根据各所述三代聚类中心点和各所述数据点得到对应的第二聚类误差平方和；步骤s325，判断所述第二聚类误差平方和是否与所述第一聚类误差平方和相等：若否，则将各所述三代聚类中心点作为所述初始聚类中心点并返回所述步骤s322；若是，则将各所述三代聚类中心点作为所述簇中心点。7.根据权利要求5所述的人体温度数据拟合方法，其特征在于，所述步骤s33包括：步骤s331，将各所述簇类数据集作为所述初始聚类数目，于各所述初始聚类数目中随机获取多个所述实时温度数据作为所述初始聚类中心点，将其余各所述实时温度数据作为所述数据点；步骤s332，针对每个所述数据点，基于所述数据点与各所述初始聚类中心点之间的欧氏距离以及欧氏距离和相似度之间的负相关原则，将所述数据点分配至欧氏距离最近的所述初始聚类中心点所处的所述簇类数据集中；步骤s333，将各所述初始聚类中心点转换为对应的所述数据点，并针对每个所述簇类数据集，将所述簇类数据集中各所述数据点的平均值作为所述簇中心点。8.根据权利要求1所述的人体温度数据拟合方法，其特征在于，所述步骤s4中，所述神经网络模型以所述子时间段对应的时间属性作为输入层输入，以各所述簇中心点对应的温度属性作为输出层输出，拟合得到所述人体温度数据拟合曲线。

技术总结
本发明提供了一种基于聚类算法和神经网络的人体温度数据拟合方法，包括：步骤S1，在预设时间段内，持续采集多位实验者于跑步机上持续跑步时的实时温度数据；步骤S2，将预设时间段分割为多个子时间段，针对每个子时间段，统计得到子时间段内的各实时温度数据作为子时间段对应的簇类数据集；步骤S3，针对每个簇类数据集，对簇类数据集内的各实时温度数据进行聚类处理得到对应的簇中心点；步骤S4，针对每个实验者，将实验者对应的各簇中心点及各簇中心点对应的子时间段输入至预先构建的神经网络模型中，得到对应的人体温度数据拟合曲线。有益效果是本发明通过聚类算法和神经网络取出簇中心点并进行曲线拟合，可以有效减小误差。差。差。


技术研发人员：方灶军 方思远 张驰
受保护的技术使用者：中国科学院宁波材料技术与工程研究所
技术研发日：2023.05.08
技术公布日：2023/9/7