[发明专利]一种基于CNN与RF的老年人平衡能力特征选择方法

权利要求书

1.一种基于CNN与RF高维多粒度的老年人平衡能力特征选择方法，其特征在于包括以下步骤：

步骤1对待特征选择的老年人平衡能力数据集中的数据进行规范化表示：数据表示D＝{X₁,X₂,…,X_n}，其中每个数据点X_i＝(x₁,x₂,…,x_m)(i＝1,2,…,n)，每个特征x_j＝(x_j1,x_j2,…,x_jl)(j＝1,2，…,m)，m＝42，则每一个数据点X∈D可以表示为如下矩阵A：

其中，矩阵A的每一行表示数据点X的一个特征，并且该特征分布在l个不同的维度，l＝3，将每个特征统称为多粒度特征；

步骤2构建基于CNN技术的FSelCNN模型并训练，其中，f表示FSelCNN模型函数，该模型用于对多粒度特征进行降维；

步骤2.1构建FSelCNN模型

FSelCNN模型依次包括两个卷积层、一个Flatten层以及一个全连接层，其中，第一卷积层包括M个尺寸为1×l的并行的卷积核，M个卷积核的输入均为矩阵A_m×l，每个卷积核的卷积操作相同且为Φ₁，经过每个卷积核卷积操作后输出一个m×1的列向量，则第一卷积层的输出为矩阵B_m×M；第二卷积层包括一个尺寸为1×1的卷积核，输入为第一卷积层的输出，卷积操作为Φ₂，第二卷积层的输出再通过一个Flatten层，输出一个m×1的列向量；Flatten层作用是对第二卷积层的输出做一个相当于reshape的操作；

步骤2.2训练FSelCNN模型，确定函数f

首先，用规范化表示后的数据构建数据集D＝{(X₁,y₁),(X₂,y₂)…,(X_n,y_n)}，其中y_i,(i＝1,2,…,n)为类别标签label∈{0,1},其中1表示平衡能力差，0表示平衡能力好；其次将数据集D划分为训练集与测试集，利用训练集并通过深度学习框架对FSelCNN模型进行训练，当模型在测试集上的准确率Acc∈(α,1]时，α为一常数，提取FSelCNN的Flatten层输出结果，得到函数f，训练完成，其中准确率Acc，即分类正确的样本数N_right除以样本总数；

步骤3利用随机森林RF技术对待进行特征选择的数据进行特征选择

3.1构造数据集D′＝((f₁,y₁),(f₂,y₂),…,(f_n,y_n))，数据f_i∈R^m(i＝1,2,…n)由规范化表示后的数据带入函数f得到，y_i(i＝1,2,…,n)为类别标签，与步骤2.2中的标签相同；

3.2通过训练RF模型来获取特征

首先将数据集D′划分为训练集与测试集，利用RF技术在训练集上训练，使得模型在测试集上的准确率Acc∈(β,1]，β是一常数；再通过训练好的RF模型，输出m个特征对(F₁,I₁),(F₂,I₂),…,(F_m,I_m)，I_i为特征F_i对应的重要性；

3.3通过特征的重要性选择特征

将特征对(F₁,I₁),(F₂,I₂),…,(F_m,I_m)根据特征重要性I_i从大到小排序，选出前k(k≤m)个所需特征。