60、基于LSTM与微夹持器的技术研究

基于LSTM与微夹持器的技术研究

在当今的科技领域，跌倒预测和微机电系统（MEMS）中的微夹持器设计都是备受关注的方向。下面将分别介绍基于LSTM的跌倒预测方法以及一种由电热V形致动器驱动的微夹持器。

基于LSTM的跌倒预测方法

实验设计与数据采集

23 - 24岁的J. Peng等人进行了7种活动，包括2种跌倒类型和5种日常生活活动（ADL），每种活动重复5次。选择向前跌倒和侧面跌倒这两种最常见的跌倒方式，而表1中的ADL则是基于常见活动、与跌倒加速度趋势相似的动作或高频高幅运动来选择的，目的是提高模型的特异性并降低误报率。除慢跑外，受试者在每次活动前都被要求短距离行走。

LSTM基础理论

循环神经网络（RNN）是一种用于处理序列数据的深度学习模型。与前馈神经网络不同，当前隐藏单元受之前所有隐藏单元的影响，且影响随距离该节点的距离增加而减小。但由于梯度消失问题，RNN只能捕捉短序列的时间依赖性。

长短期记忆网络（LSTM）是改进后的RNN模型，克服了这一缺陷。LSTM单元由一个记忆单元和三个门（遗忘门、输入门和输出门）组成。遗忘门根据当前输入过滤无用信息，保留有效信息以实现长期记忆；输入门选择性地将当前节点的新信息添加到单元状态；输出门将重组后的信息保存到隐藏层。

基于LSTM的跌倒预测

• 数据预处理 ：每个参与者对每种活动进行5轮。数据库按4:1的比例分为两部分，大部分用于训练（10 * 7 * 4次试验），另一部分用于测试（10 * 7 * 1次试验）。数据归一化对算法优化有重要意义，它能弱化数据差异，使测试数据库