CN114246582A - 基于长短期记忆神经网络的卧床人员检测系统及方法 - Google Patents

基于长短期记忆神经网络的卧床人员检测系统及方法 Download PDF

Info

Publication number
CN114246582A
CN114246582A CN202111562524.6A CN202111562524A CN114246582A CN 114246582 A CN114246582 A CN 114246582A CN 202111562524 A CN202111562524 A CN 202111562524A CN 114246582 A CN114246582 A CN 114246582A
Authority
CN
China
Prior art keywords
data
neural network
module
bedridden
long
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111562524.6A
Other languages
English (en)
Inventor
沈卫明
史彦军
郭启军
沈卫方
韩俏梅
曲欣然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Huiguang Health Technology Co ltd
Original Assignee
Hangzhou Huiguang Health Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Huiguang Health Technology Co ltd filed Critical Hangzhou Huiguang Health Technology Co ltd
Priority to CN202111562524.6A priority Critical patent/CN114246582A/zh
Publication of CN114246582A publication Critical patent/CN114246582A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及一种基于长短期记忆神经网络的卧床人员检测系统及方法，系统包括：传感器模块、数据采集模块、数据预处理模块、特征提取模块、输出模块；所述传感器模块、数据采集模块、数据预处理模块、特征提取模块、输出模块依次连接。本发明系统安置在床垫上，用于持续、快速、高准确度地检测老年人、残疾人和长期卧床患者的床上姿态；还通过检测卧床人员的姿态，高效护理卧床患者，减轻了护理人员负担。

Description

基于长短期记忆神经网络的卧床人员检测系统及方法
技术领域
本发明涉及智能检测技术领域，特别是涉及一种基于长短期记忆神经网络的卧床人员检测系统及方法。
背景技术
当前，大多数发达国家正在经历人口老龄化危机，中国已成为世界上老年人口最多的国家，也是人口老龄化发展最快的国家之一。如何有效弥补护理行业的缺口已成为当务之急。在医院护理工作中，卧床不起的患者常伴有各种并发症，如坠床、压力型褥疮、尿失禁等问题。因此，如何高效地护理卧床患者，减轻护理人员的负担，是缓解老龄化的新方向。
现有的卧床病人监护监测系统可分为识别姿势的压力传感器、图像识别和可穿戴设备。压力传感器方法需要收集大量压力点的信息因此设备维护和建设成本较高。图像识别涉及到患者的隐私，且患者盖上被子后不能很好地检测到姿势。而可穿戴设备对于卧床不起的患者来说不太舒服，同时设备需要定期充电，会对护理造成一定的困扰。
因此,亟需一种基于长短期记忆神经网络的卧床人员检测系统及方法成为当今研究人员关注的热点问题。
发明内容
为了解决上述背景技术中的问题，本发明提出了一种基于基于长短期记忆神经网络的卧床人员检测系统及方法。
为实现上述目的，本发明提供了如下方案：
基于长短期记忆神经网络的卧床人员检测系统，包括：
传感器模块：基于传感器接收的信息，采集卧床人员的姿态信息，并传输至数据采集模块；
数据采集模块：用于收集所述卧床人员的姿态信息，得到初始数据；
数据预处理模块：对所述初始数据进行预处理操作，用于剔除异常数据，得到经过预处理后的数据,其中,所述异常数据为高于或低于周围小范围内的传感器数值；
特征提取模块：对所述经过预处理后的数据进行特征提取，得到卧床人员的姿态信息；
输出模块：与显示屏连接，用于以图像的形式表示所述卧床人员的姿态；
所述传感器模块、数据采集模块、数据预处理模块、特征提取模块、输出模块依次连接。
优选地，所述传感器模块包括若干个RFID传感器，所述RFID传感器置于床垫的表面，当卧床人员以不同姿态躺在所述床垫上时，所述RFID传感器采集所述卧床人员的姿态信息。
优选地，所述数据采集模块包括RFID标签，所述RFID标签通过所述RFID传感器发射的射频信号自动识别目标对象并获取数据，其中，所述RFID标签为无源RFID标签。
优选地，所述特征提取模块通过长短期记忆网络对所述经过预处理后的数据进行特征提取，得到卧床人员的姿态信息。
优选地，通过遗忘门、更新门和输出门，控制所述长短期记忆神经网络中记忆细胞的输入和输出，用于从提取的特征中学习时间的表示，对不同的活动姿态进行分类。
优选地，
所述遗忘门：用于去除所述长短期记忆神经网络的先前状态；
所述更新门：用于控制输入数据的存储和更新；
所述输出门：用于负责产生输出结果；
其中，所述遗忘门、更新门、输出门依次按顺序设置。
优选地，对所述长短期记忆神经网络进行训练的过程包括：
通过随机梯度下降优化器更新所述神经网络中的权值，用于使训练的损失函数达到最小；
将输入所述神经网络中的数据集分为训练集数据和测试数据集，根据迭代窗口方法，对所述神经网络进行训练和测试，并将得到的标化值置于批处理加载器中，实现精确预测。
一种基于长短期记忆神经网络的卧床人员检测系统的检测方法，包括：
S1、将RFID标签安装在床垫表面，并布设RFID读取器天线，构建传感器模块，采集卧床人员的姿态信息；其中，每个RFID标签对称放置；
S2、基于数据采集模块收集所述卧床人员的姿态信息，根据所述RFID标签接收的信号强度指标RSSI得到相应数据集；
S3、通过数据预处理模块对得到的数据进行剔除，并清除数据传输过程中由于硬件故障导致的损坏数据，得到经过预处理后的数据；
S4、将所述经过预处理后的数据传输至特征提取模块，通过长短期记忆神经网络进行特征提取，得到卧床人员的姿态信息；
S5、将所述卧床人员的姿态信息通过输出模块发送至显示屏中，用于显示卧床人员的姿态图像。
优选地,所述S3中，基于EPC值、时间戳TS和信号强度指标RSSI这三个特征共同对所述得到的数据进行处理。
本发明的有益效果为：
本发明系统采用了射频识别差分阵列(RFID)的标签来接收信号强度指标(RSSI)的信息，以收集详细的卧床人员活动数据，并采用长短期记忆网络方法(LSTM)从这些活动数据中提取RSSI特征，得到某时刻的卧床人员具体姿态。该系统安置在床垫上，用于持续、快速、高准确度地检测老年人、残疾人和长期卧床患者的床上姿态；还通过检测卧床人员的姿态，高效护理卧床患者，减轻了护理人员负担。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中模块连接关系示意图；
图2为本发明实施例中折叠的LSTM架构示意图；
图3为本发明实施例中展开的LSTM架构示意图；
图4为本发明实施例中LSTM单元内部架构示意图；
图5为本发明实施例中方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照附图1，本发明提供一种基于长短期记忆神经网络的卧床人员检测系统，包括：
传感器模块：基于传感器接收的信息，采集卧床人员的姿态信息，并传输至数据采集模块；
数据采集模块：用于收集所述卧床人员的姿态信息，得到初始数据；
数据预处理模块：对所述初始数据进行预处理操作，用于剔除异常数据，得到经过预处理后的数据；
特征提取模块：对所述经过预处理后的数据进行特征提取，得到卧床人员的姿态信息；
输出模块：与显示屏连接，用于以图像的形式表示所述卧床人员的姿态；
所述传感器模块、数据采集模块、数据预处理模块、特征提取模块、输出模块依次连接。
传感器模块和数据采集模块应用了射频识别(RFID)技术，将RFID传感器布置在床垫的表面，当卧床人员以不同的姿势躺在床垫上时，系统收集传感器的信号，得到初始数据。
其中，射频识别技术RFID是物联网感知互动层常用的感知技术，它是一种非接触的自动识别技术,通过射频信号自动识别目标对象获取数据。RFID标签按照工作方式可以分为有源、半有源和无源三类,其中无源RFID标签由于无需内置电池、成本低且使用周期长,更加广泛的被应用于实际生产生活中，因此，本实施例采用无源FRID标签。
数据预处理模块和特征提取模块应用了长短期记忆神经网络的方法，首先对收集到的数据进行预处理，剔除异常数据，接着对处理过的数据进行特征提取，得到此时卧床人员的姿态。
长短期记忆人工神经网络LSTM使用的记忆细胞中，输入和输出由门控制，所以LSTM细胞可以有效地从统计的特征中学习时间表示，用于活动分类。LSTM中的循环连接将状态或记忆添加到网络中，这允许RNN在输入序列中学习和利用观察的有序性质，以增强学习性能。
本实施例采用的网络模型如附图2所示，展开的LSTM架构如附图3所示，其中每个LSTM单元内的操作计算活动如附图4所示。
参照附图4，LSTM单元由自连接的记忆单元c(t)和三个不同的门组成：
(1)遗忘门(Forget gate)：f(t)，它控制先前状态的去除；
(2)更新门(Update gate)：i(t)，它控制输入数据的存储和更新；
(3)输出门(Output gate)：o(t)，负责产生输出结果。
对于任意给定的时间戳t，对于生成的输入数据x(t)和输出数据h(t)，LSTM中需要学习的参数是采样数据的权值和偏差。
在LSTM单元内部，主要有三个阶段：
首先是忘记阶段，使用f(t)作为忘记门控，控制上一个状态中哪些需要留，哪些需要遗忘。
然后是选择阶段，即更新阶段，使用i(t)作为门控，哪些重要则着重记录下来，哪些不重要，则少记一些。
最后是输出阶段，使用o(t)作为门控，这个阶段将决定哪些将会被当成当前状态的输出。
在图2和图4中，LSTM的输出被反馈到两个完全连接的层:FCN1和FCN2。数据经过这两层全连接层的处理后，输出再送入SoftMax(Y)层。
SoftMax(Y)层中，通过随机梯度下降优化器更新所述神经网络中的权值，用于使训练的损失函数达到最小；
根据迭代窗口方法，输入到神经网络中的数据集被分成训练数据集和测试数据集。在本实施例中，选择所有抽样活动的前七个迭代窗口来训练模型，最后三个迭代窗口用作测试数据。同时标准化值内置于批处理加载器中，以实现精确预测。
通过以上流程，即可训练LSTM模型，提高它提取数据特征的效率和正确率。
将训练好的数据通过输出模块传输至显示屏，并以图像的形式表示卧床人员的姿态。
一种基于长短期记忆神经网络的卧床人员检测系统的检测方法，如附图5所示,包括：
S1、将RFID标签安装在智能床垫表面，并布设RFID读取器天线，构建传感器模块，采集卧床人员的姿态信息；其中，每个RFID标签对称放置；
S2、基于数据采集模块收集所述卧床人员的姿态信息，根据所述RFID标签的指示器RSSI读数得到相应数据集；
S3、通过数据预处理模块对得到的数据进行剔除，并清除数据传输过程中由于硬件故障导致的损坏数据，得到经过预处理后的数据；
S4、将所述经过预处理后的数据传输至特征提取模块，通过长短期记忆神经网络进行特征提取，得到卧床人员的姿态信息；
因为每个特征随每个采样活动而变化，此处选择电子产品代码(EPC值)、时间戳TS、接收的信号强度指示(RSSI)这三个特征共同处理数据。
执行以下步骤：
首先，将电子产品代码(EPC值)映射为唯一的整数ID，整数范围为1-228(对应实际床垫使用的RFID标签总数)。每个标记ID都有一个唯一的整数ID，而其他标记ID也以类似的方式映射；
接着，将时间戳TS唯一映射给整数ID，同时给TS的整数ID是升序的，即对于每个活动数据集，最低的TS值的ID取0，下一个TS的ID取1、2、3、……；
最后，收集每个TS下所有ID的RSSI值，形成RSSI向量。每个向量的长度为228(同上，对应于标签的总数)。
每个活动数据集表示一个RSSI向量x(t)序列，记为XK，其中K为总时间步长，因此：
XK＝{x(0),x(1),x(2),x(3),…x(K)} (13)
用Q表示RSSI向量x(t)的大小，将每个XK填充为0，表示为：
Figure BDA0003420824550000091
式中，XT表示一个单一的活动训练数据集。
将预处理过的数据输入到上述训练过的LSTM模型中，模型会自动提取特征，生成此时卧床人员的姿态。
S5、将所述卧床人员的姿态信息通过输出模块发送至显示屏中，用于显示卧床人员的姿态图像。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (9)

1.基于长短期记忆神经网络的卧床人员检测系统，其特征在于，包括：
传感器模块：基于传感器接收的信息，采集卧床人员的姿态信息，并传输至数据采集模块；
数据采集模块：用于收集所述卧床人员的姿态信息，得到初始数据；
数据预处理模块：对所述初始数据进行预处理操作，用于剔除异常数据，得到经过预处理后的数据,其中,所述异常数据为高于或低于周围小范围内的传感器数值；
特征提取模块：对所述经过预处理后的数据进行特征提取，得到卧床人员的姿态信息；
输出模块：与显示屏连接，用于以图像的形式表示所述卧床人员的姿态；
所述传感器模块、数据采集模块、数据预处理模块、特征提取模块、输出模块依次连接。
2.根据权利要求1所述的基于长短期记忆神经网络的卧床人员检测系统，其特征在于，所述传感器模块包括若干个RFID传感器，所述RFID传感器置于床垫的表面，当卧床人员以不同姿态躺在所述床垫上时，所述RFID传感器采集所述卧床人员的姿态信息。
3.根据权利要求2所述的基于长短期记忆神经网络的卧床人员检测系统，其特征在于，所述数据采集模块包括RFID标签，所述RFID标签通过所述RFID传感器发射的射频信号自动识别目标对象并获取数据，其中，所述RFID标签为无源RFID标签。
4.根据权利要求1所述的基于长短期记忆神经网络的卧床人员检测系统，其特征在于，所述特征提取模块通过长短期记忆网络对所述经过预处理后的数据进行特征提取，得到卧床人员的姿态信息。
5.根据权利要求4所述的基于长短期记忆神经网络的卧床人员检测系统，其特征在于，通过遗忘门、更新门和输出门，控制所述长短期记忆神经网络中记忆细胞的输入和输出，用于从提取的特征中学习时间的表示，对不同的活动姿态进行分类。
6.根据权利要求5所述的基于长短期记忆神经网络的卧床人员检测系统，其特征在于，
所述遗忘门：用于去除所述长短期记忆神经网络的先前状态；
所述更新门：用于控制输入数据的存储和更新；
所述输出门：用于负责产生输出结果；
其中，所述遗忘门、更新门、输出门依次按顺序设置。
7.根据权利要求5所述的基于长短期记忆神经网络的卧床人员检测系统，其特征在于，对所述长短期记忆神经网络进行训练的过程包括：
通过随机梯度下降优化器更新所述神经网络中的权值，用于使训练的损失函数达到最小；
将输入所述神经网络中的数据集分为训练集数据和测试数据集，根据迭代窗口方法，对所述神经网络进行训练和测试，并将得到的标化值置于批处理加载器中，实现精确预测。
8.一种基于长短期记忆神经网络的卧床人员检测系统的检测方法，其特征在于，包括：
S1、将RFID标签安装在床垫表面，并布设RFID读取器天线，构建传感器模块，采集卧床人员的姿态信息；其中，每个RFID标签对称放置；
S2、基于数据采集模块收集所述卧床人员的姿态信息，根据所述RFID标签接收的信号强度指标RSSI得到相应数据集；
S3、通过数据预处理模块对得到的数据进行剔除，并清除数据传输过程中由于硬件故障导致的损坏数据，得到经过预处理后的数据；
S4、将所述经过预处理后的数据传输至特征提取模块，通过长短期记忆神经网络进行特征提取，得到卧床人员的姿态信息；
S5、将所述卧床人员的姿态信息通过输出模块发送至显示屏中，用于显示卧床人员的姿态图像。
9.根据权利要求8所述的基于长短期记忆神经网络的卧床人员检测系统的检测方法,其特征在于,所述S3中，基于EPC值、时间戳TS和信号强度指标RSSI这三个特征共同对所述得到的数据进行处理。
CN202111562524.6A 2021-12-20 2021-12-20 基于长短期记忆神经网络的卧床人员检测系统及方法 Pending CN114246582A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111562524.6A CN114246582A (zh) 2021-12-20 2021-12-20 基于长短期记忆神经网络的卧床人员检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111562524.6A CN114246582A (zh) 2021-12-20 2021-12-20 基于长短期记忆神经网络的卧床人员检测系统及方法

Publications (1)

Publication Number Publication Date
CN114246582A true CN114246582A (zh) 2022-03-29

Family

ID=80793122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111562524.6A Pending CN114246582A (zh) 2021-12-20 2021-12-20 基于长短期记忆神经网络的卧床人员检测系统及方法

Country Status (1)

Country Link
CN (1) CN114246582A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245588A (zh) * 2019-05-29 2019-09-17 西安交通大学 一种基于无线射频信号的细粒度人体姿态估计方法
CN110705390A (zh) * 2019-09-17 2020-01-17 平安科技（深圳）有限公司 基于lstm的形体姿态识别方法、装置及存储介质
CN111160258A (zh) * 2019-12-30 2020-05-15 联想(北京)有限公司 一种身份识别方法、装置、系统和存储介质
CN111766948A (zh) * 2019-08-20 2020-10-13 谷歌有限责任公司 利用递归神经网络的姿态预测
CN111759305A (zh) * 2019-04-02 2020-10-13 纬创资通股份有限公司 活体检测方法与活体检测系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111759305A (zh) * 2019-04-02 2020-10-13 纬创资通股份有限公司 活体检测方法与活体检测系统
CN110245588A (zh) * 2019-05-29 2019-09-17 西安交通大学 一种基于无线射频信号的细粒度人体姿态估计方法
CN111766948A (zh) * 2019-08-20 2020-10-13 谷歌有限责任公司 利用递归神经网络的姿态预测
CN110705390A (zh) * 2019-09-17 2020-01-17 平安科技（深圳）有限公司 基于lstm的形体姿态识别方法、装置及存储介质
CN111160258A (zh) * 2019-12-30 2020-05-15 联想(北京)有限公司 一种身份识别方法、装置、系统和存储介质

Similar Documents

Publication Publication Date Title
CN108764059B (zh) 一种基于神经网络的人体行为识别方法及系统
CN104966327B (zh) 一种基于物联网健康监测与签到系统和方法
Wang et al. Human fall detection algorithm based on YOLOv3
CN104523264B (zh) 一种心电信号处理方法
CN110717481A (zh) 一种利用级联卷积神经网络实现人脸检测的方法
CN109612513A (zh) 一种面向大规模高维传感器数据的在线式异常检测方法
CN109009102B (zh) 一种基于脑电图深度学习的辅助诊断方法及系统
CN104269025B (zh) 面向户外摔倒监测的穿戴式单节点特征及位置选取方法
CN108764123A (zh) 基于神经网络算法的智能识别人体睡眠姿势方法
CN110664412A (zh) 一种面向可穿戴传感器的人类活动识别方法
CN117116498A (zh) 移动查房数据处理系统及其方法
CN113111865A (zh) 一种基于深度学习的跌倒行为检测方法和系统
CN107019501B (zh) 基于遗传算法和概率神经网络的远程摔倒检测方法及系统
CN112016619A (zh) 一种基于鞋垫的跌倒检测方法
CN105869354A (zh) 一种基于吸引子传播算法的老人跌倒检测方法
CN113688740B (zh) 一种基于多传感器融合视觉的室内姿势检测方法
CN110807471A (zh) 一种多模态传感器的行为识别系统及识别方法
CN117542474A (zh) 基于大数据的远程护理监测系统及方法
CN114246582A (zh) 基于长短期记忆神经网络的卧床人员检测系统及方法
CN112883999A (zh) 一种用于奶牛运动异常检测计步器系统及其方法
CN115700595A (zh) 基于射频指纹深度学习的身份识别方法及装置
CN112086165B (zh) 一种基于深度学习的上肢康复监测方法及系统
Balaji et al. Plant Infirmity Detection Using Vgg-16 Convolutional Neural Network
CN106100860B (zh) 一种基于稀疏表示的体域网节点休眠方法
CN111973193A (zh) 一种基于硅酮-镍纳米传感器的步态识别方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination