CN106407668B - 基于人体热生理模型的运动健康仿真与预测方法及系统 - Google Patents

基于人体热生理模型的运动健康仿真与预测方法及系统 Download PDF

Info

Publication number
CN106407668B
CN106407668B CN201610805187.1A CN201610805187A CN106407668B CN 106407668 B CN106407668 B CN 106407668B CN 201610805187 A CN201610805187 A CN 201610805187A CN 106407668 B CN106407668 B CN 106407668B
Authority
CN
China
Prior art keywords
themo
emulation
human
human body
physiological
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.)
Active
Application number
CN201610805187.1A
Other languages
English (en)
Other versions
CN106407668A (zh
Inventor
杨凯星
贾楠
王若梅
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.)
National Sun Yat Sen University
Original Assignee
National Sun Yat Sen University
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 National Sun Yat Sen University filed Critical National Sun Yat Sen University
Priority to CN201610805187.1A priority Critical patent/CN106407668B/zh
Publication of CN106407668A publication Critical patent/CN106407668A/zh
Application granted granted Critical
Publication of CN106407668B publication Critical patent/CN106407668B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明实施例公开了一种基于人体热生理模型的运动健康仿真与预测方法及系统，其中，该方法包括：输入人体参数、服装参数、环境参数以及运动数据；使用Gagge两节点人体热生理模型和相应的服装模型对运动过程进行仿真，获得仿真结果；从所述仿真结果中提取所需要的人体生理变化数据；利用模糊有限状态机对所述人体生理变化数据进行分析与预测，获得分析预测结果；将所述分析预测结果按指定的格式输出。在本发明实施例中，可以很好地仿真运动过程中生理数据变化并且对可能出现的病状做出合适的预警，可以使人们在运动前提前仿真整个运动过程，了解运动过程中生理情况的变化；还可以为医学工作提供更多仿真数据，从而为研究运动健康提供巨大的帮助。

Description

基于人体热生理模型的运动健康仿真与预测方法及系统
技术领域
本发明涉及计算机仿真、运动生理学和纺织学技术领域，尤其涉及一种基于人体热生理模型的运动健康仿真与预测方法及系统。
背景技术
近年来，随着运动事故的增多以及可穿戴智能设备的发展，人们越来越关注运动健康领域。在计算机领域，人们更加关注的是对人体运动过程的仿真以及利用数据挖掘地方法对人体运动进行分析与预测。虽然随着可穿戴智能设备的增多，健康预测所需要的数据也越来越丰富，但是针对这些运动做出实时分析仍然是很难的。因此，人们希望能够通过计算机技术仿真整个运动过程，并通过仿真所得到的生理数据进行分析，对运动过程中可能出现的疾病进行正确的预警。随着计算机技术的发展，人们可以准确预测运动过程中生理数据的变化以及对可能出现的疾病做出正确的预警。
对人体运动过程的仿真属于计算机仿真、运动生理学和纺织学的交叉领域。其难点在于提出符合现实的人体热生理模型和服装热湿模型。Gagge两节点模型是应用比较广泛的人体热生理模型，它将人体的温度调节描述为非线性的数学传感器，并建立关于人体生理调节的传感器。
有限状态机在人工智能和机器人技术中已经得到广泛的应用，而模糊状态机这需要更多前向的思考。智能体的行为问题必须真正地分解为问题允许的独立元素。对许多问题情形来说，以一种限定方式进行思考是很自然的事情。模糊状态机是一类允许多个状态激活为当前状态并能够具有与行为问题有利于每个状态程度相当的激活阈值。与常规有限状态机一样，模糊状态机也可以一种自由形式的方式进行编写。在一个复杂系统中，具有一个运行决策引擎的模糊状态机，将根据需要更新的每个独立决策系统的激活阈值对其具有的用于计算的时间进行划，它需要将这种逻辑分解成不同模块，使系统更具组织性和可读性，并能够对各种状态同时进行处理。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于人体热生理模型的运动健康仿真与预测方法，可以通过对运动过程中人体生理的仿真和分析，提供准确的健康预测。
为了解决上述问题，本发明提出了一种基于人体热生理模型的运动健康仿真与预测方法，所述方法包括：
输入人体参数、服装参数、环境参数以及运动数据；
使用Gagge两节点人体热生理模型和相应的服装模型对运动过程进行仿真，获得仿真结果；
从所述仿真结果中提取所需要的人体生理变化数据；
利用模糊有限状态机对所述人体生理变化数据进行分析与预测，获得分析预测结果；
将所述分析预测结果按指定的格式输出。
优选地，所述人体生理变化数据包括：核心温度、脱水量和心率中的一种或多种。
优选地，所述人体参数包括身高、体重、性别、年龄；服装参数包括服装覆盖率、材质以及厚度；环境参数包括风速、温度、相对湿度；运动数据包括运动的速度和新陈代谢率。
优选地，所述使用Gagge两节点人体热生理模型和相应的服装模型对运动过程进行仿真，获得仿真结果的步骤，包括：
使用生理模型总的热平衡方程和相应的服装模型对运动过程进行仿真；其中，该热生理模型总的热平衡方程为：
S＝M-W-E-R-C
其中M为新陈代谢率，W为运动做功产生的热损失，E为总的蒸发散热量，R为辐射散热量，C为对流引起的换热量。
优选地，所述利用模糊有限状态机对所述人体生理变化数据进行分析与预测，获得分析预测结果的步骤，包括：
通过下述公式对所述人体生理变化数据进行分析与预测，获得分析预测结果：
其中，μ(n)表示可信度，n表示时刻，N表示状态未改变的信号数目，M表示状态改变的信号数目，si表示信号。
相应地，本发明还提供一种基于人体热生理模型的运动健康仿真与预测系统，所述系统包括：
输入模块，用于输入人体参数、服装参数、环境参数以及运动数据；
仿真模块，用于使用Gagge两节点人体热生理模型和相应的服装模型对运动过程进行仿真，获得仿真结果；
提取模块，用于从所述仿真结果中提取所需要的人体生理变化数据；
预测模块，用于利用模糊有限状态机对所述人体生理变化数据进行分析与预测，获得分析预测结果；
输出模块，用于将所述分析预测结果按指定的格式输出。
优选地，所述人体生理变化数据包括：核心温度、脱水量和心率中的一种或多种。
优选地，所述人体参数包括身高、体重、性别、年龄；服装参数包括服装覆盖率、材质以及厚度；环境参数包括风速、温度、相对湿度；运动数据包括运动的速度和新陈代谢率。
优选地，所述仿真模块还用于使用生理模型总的热平衡方程和相应的服装模型对运动过程进行仿真；其中，该热生理模型总的热平衡方程为：
S＝M-W-E-R-C
其中M为新陈代谢率，W为运动做功产生的热损失，E为总的蒸发散热量，R为辐射散热量，C为对流引起的换热量。
优选地，所述预测模块还用于通过下述公式对所述人体生理变化数据进行分析与预测，获得分析预测结果：
其中，μ(n)表示可信度，n表示时刻，N表示状态未改变的信号数目，M表示状态改变的信号数目，si表示信号。
在本发明实施例中，可以很好地仿真运动过程中生理数据变化并且对可能出现的病状做出合适的预警，可以使人们在运动前提前仿真整个运动过程，了解运动过程中生理情况的变化。通过对运动过程的模拟，预测运动过程中出现的脱水、心率过高等运动疾病，从而可以合理安排运动计划，规避运动过程可能出现的身体不适；进一步地还可以为医学工作提供更多仿真数据，从而为研究运动健康提供巨大的帮助。
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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例的基于人体热生理模型的运动健康仿真与预测方法的流程示意图；
图2是本发明实施例的基于人体热生理模型的运动健康仿真与预测系统的结构组成示意图。
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作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。
图1是本发明实施例的基于人体热生理模型的运动健康仿真与预测方法的流程示意图，如图1所示，该方法包括：
S1，输入人体参数、服装参数、环境参数以及运动数据；
S2，使用Gagge两节点人体热生理模型和相应的服装模型对运动过程进行仿真，获得仿真结果；
S3，从仿真结果中提取所需要的人体生理变化数据；
S4，利用模糊有限状态机对人体生理变化数据进行分析与预测，获得分析预测结果；
S5，将分析预测结果按指定的格式输出。
其中，该人体生理变化数据主要包括：核心温度、脱水量和心率中的一种或多种。
人体参数包括身高(m)、体重(kg)、性别、年龄；服装参数包括服装覆盖率、材质以及厚度(cm)；环境参数包括风速(m/s)、温度(℃)、相对湿度；运动数据包括运动的速度(m/s)和新陈代谢率(Met)。
S2进一步包括：
使用生理模型总的热平衡方程和相应的服装模型对运动过程进行仿真；其中，该热生理模型总的热平衡方程为：
S＝M-W-E-R-C
其中M为新陈代谢率，W为运动做功产生的热损失，E为总的蒸发散热量，R为辐射散热量，C为对流引起的换热量。
Gagge两节点模型将人体划分为内核与皮肤两部分，两部分的热平衡方程分别为：
Scr＝(M-Eres-W)Kmin*(Tcr-Tsk)-cbl*Vbl*(Tcr-Tsk)
Ssk＝Kmin*(Tcr-Tsk)+cbl*Vbl*(Tcr-Tsk)-(R+C)
其中，Scr、Ssk分别为内核与皮肤的热交换率，Eres为呼吸热损失，Tcr和Tsk分别为内核与皮肤的温度，Vbl则是皮肤的血流率，Kmin和cbl为常数项系数，R为辐射散热量，C。
Eres＝0.0023*M*(44-φaPa)
R+C＝(hr+hc)*(Tsk-Ta)*Fcl
其中，hr和hc为辐射和对流传热系数，Ta为环境温度，Pa为当前温度下的对流传热系数，Fcl为与服装相关的热阻值。通过主动系统的热平衡方程可以计算内核与皮肤温度的变化：
ΔTcr＝Scr*A/(mcr*ccr)
ΔTsk＝Ssk*A/(msk*csk)
其中，A为体表面积，m为质量，c为热容。
被动系统主要描述人体生理活动对体温的影响，例如出汗、打颤等。其中较为重要的生理数据为出汗量，仿真中所需的人体生理数据主要为：核心温度、脱水量和心率，其特征在于，计算过程为：
脱水量的计算过程为：
mrsw＝(ka*ΔTcr+ksw*ΔTcr*ΔTsk)*A
其中，mrsw为出汗率，DA为脱水量，ka和ksw为控制系数。在本实例中ka＝250，ksw＝100。
上述对运动过程仿真后所需的生理数据为：核心温度、脱水量以及心率。心率的计算来自非线性心率模型，其具体过程为：
HR(t)＝4.0*x1(t)+HRrest
其中，a1至a6均为控制参数，x1(t)和x2(t)为控制系数，v(t)为运动速度，HR为心率，HRrest为常数参数，取值74.6。在本实例中a1＝1.84,a2＝24.32,a3＝0.0636,a4＝0.00321,a5＝8.32and a6＝0.38.
利用模糊有限状态机FSM对上述生理数据进行分析，判断运动过程中是否会出现疾病并进行预警。
输入的生理数据可以作为模糊状态机的判断信号,其中核心温度T划分为C、N、F三个状态，脱水量DA划分为N、D两个状态，HR划分为B、N、T三个状态。其中最大心率和最佳心率的计算为：
MHR＝163+(1.16*age)-(0.018*age2)
THR＝(MHR-HRrest)*EIP-HRrest
其中HRrest＝74.6，MHR为所能承受的最大心率，THR为最佳心率。
本实例中，MHR＝180.75THR＝148.79。
优选的，所使用的模糊有限状态机(FSM)定义为：
FSM可以用四元组(Σ,Q,φ,δ)表示；
其中Σ表示从从模拟的生理数据中提取的所有可能的健康症状的集合,表示引起状态变化的因素。包括：lt(low temperature)、nt(normaltemperature)、dt(slight hightemperature)、mt(moderate hightemperature)、ht(high temperature)、nh(non-dehydration)、mih(mild dehydration)、moh(moderate dehydration)、sh(severedehydration)、lhr(low HR)、nhr(normal HR)、hhr(high HR)。
Q表示人体所处状态的集合，总共为18个状态，为：NNN,NNB,NNT,NDN,NDB,NDT,FNN,FNB,FNT,FDN,FDB,FDT,CNN,CNB,CNT,CDN,CDB,CDT。
φ表示状态转换的权重集合，在这里全部为1。
δ表示所有事物的集合，事物定义为(A→αB)，A为初始状态，B为变化后的状态，α为引起变化的症状集合。
基于以上的定义，我们希望得出运动状态转换序列，并进行健康预测。相应的置信水平计算为：
其中S表示三个信号(内核温度、脱水量和心率)，s表示与其相对应的症状。
进一步地，S4包括：
通过下述公式对人体生理变化数据进行分析与预测，获得分析预测结果：
其中，μ(n)表示可信度，n表示时刻，N表示状态未改变的信号数目，M表示状态改变的信号数目，si表示信号(核心温度、脱水量、心率)。
相应地，本发明实施例还提供一种基于人体热生理模型的运动健康仿真与预测系统，如图2所示，该系统包括：
输入模块1，用于输入人体参数、服装参数、环境参数以及运动数据；
仿真模块2，用于使用Gagge两节点人体热生理模型和相应的服装模型对运动过程进行仿真，获得仿真结果；
提取模块3，用于从仿真结果中提取所需要的人体生理变化数据；
预测模块4，用于利用模糊有限状态机对人体生理变化数据进行分析与预测，获得分析预测结果；
输出模块5，用于将分析预测结果按指定的格式输出。
具体地，人体生理变化数据包括：核心温度、脱水量和心率中的一种或多种。
人体参数包括身高、体重、性别、年龄；服装参数包括服装覆盖率、材质以及厚度；环境参数包括风速、温度、相对湿度；运动数据包括运动的速度和新陈代谢率。
其中，仿真模块2还用于使用生理模型总的热平衡方程和相应的服装模型对运动过程进行仿真；其中，该热生理模型总的热平衡方程为：
S＝M-W-E-R-C
其中M为新陈代谢率，W为运动做功产生的热损失，E为总的蒸发散热量，R为辐射散热量，C为对流引起的换热量。
预测模块4还用于通过下述公式对人体生理变化数据进行分析与预测，获得分析预测结果：
其中，μ(n)表示可信度，n表示时刻，N表示状态未改变的信号数目，M表示状态改变的信号数目，si表示信号。
本发明的系统实施例中各功能模块的功能可参见本发明方法实施例中的流程处理，这里不再赘述。
在本发明实施例中，可以很好地仿真运动过程中生理数据变化并且对可能出现的病状做出合适的预警，可以使人们在运动前提前仿真整个运动过程，了解运动过程中生理情况的变化。通过对运动过程的模拟，预测运动过程中出现的脱水、心率过高等运动疾病，从而可以合理安排运动计划，规避运动过程可能出现的身体不适；进一步地还可以为医学工作提供更多仿真数据，从而为研究运动健康提供巨大的帮助。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的基于人体热生理模型的运动健康仿真与预测方法及系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于人体热生理模型的运动健康仿真与预测方法，其特征在于，所述方法包括：
输入人体参数、服装参数、环境参数以及运动数据；
使用Gagge两节点人体热生理模型和相应的服装模型对运动过程进行仿真，获得仿真结果；
从所述仿真结果中提取所需要的人体生理变化数据；
从生理数据中提取所有可能的健康症状集合，并建立运动状态转换健康预测置信水平计算模型，形成模糊有限状态机；
利用模糊有限状态机对所述人体生理变化数据进行分析与预测，获得分析预测结果；
将所述分析预测结果按指定的格式输出。
2.如权利要求1所述的基于人体热生理模型的运动健康仿真与预测方法，其特征在于，所述人体生理变化数据包括：核心温度、脱水量和心率中的一种或多种。
3.如权利要求1所述的基于人体热生理模型的运动健康仿真与预测方法，其特征在于，所述人体参数包括身高、体重、性别、年龄；服装参数包括服装覆盖率、材质以及厚度；环境参数包括风速、温度、相对湿度；运动数据包括运动的速度和新陈代谢率。
4.如权利要求1所述的基于人体热生理模型的运动健康仿真与预测方法，其特征在于，所述利用模糊有限状态机对所述人体生理变化数据进行分析与预测，获得分析预测结果的步骤，包括：
通过下述公式所述对人体生理变化数据进行分析与预测，获得分析预测结果：
其中，μ(n)表示可信度，n表示时刻，N表示状态未改变的信号数目，M表示状态改变的信号数目，si表示信号。
5.一种基于人体热生理模型的运动健康仿真与预测系统，其特征在于，所述系统包括：
输入模块，用于输入人体参数、服装参数、环境参数以及运动数据；
仿真模块，用于使用Gagge两节点人体热生理模型和相应的服装模型对运动过程进行仿真，获得仿真结果；
提取模块，用于从所述仿真结果中提取所需要的人体生理变化数据；
预测模块的状态机构造单元，从生理数据中提取所有可能的健康症状集合，并建立运动状态转换健康预测置信水平计算模型，形成模糊有限状态机；
预测模块，用于利用模糊有限状态机对所述人体生理变化数据进行分析与预测，获得分析预测结果；
输出模块，用于将所述分析预测结果按指定的格式输出。
6.如权利要求5所述的基于人体热生理模型的运动健康仿真与预测系统，其特征在于，所述人体生理变化数据包括：核心温度、脱水量和心率中的一种或多种。
7.如权利要求5所述的基于人体热生理模型的运动健康仿真与预测系统，其特征在于，所述人体参数包括身高、体重、性别、年龄；服装参数包括服装覆盖率、材质以及厚度；环境参数包括风速、温度、相对湿度；运动数据包括运动的速度和新陈代谢率。
8.如权利要求5所述的基于人体热生理模型的运动健康仿真与预测系统，其特征在于，所述预测模块还用于通过下述公式对所述人体生理变化数据进行分析与预测，获得分析预测结果：
其中，μ(n)表示可信度，n表示时刻，N表示状态未改变的信号数目，M表示状态改变的信号数目，si表示信号。
CN201610805187.1A 2016-09-05 2016-09-05 基于人体热生理模型的运动健康仿真与预测方法及系统 Active CN106407668B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610805187.1A CN106407668B (zh) 2016-09-05 2016-09-05 基于人体热生理模型的运动健康仿真与预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610805187.1A CN106407668B (zh) 2016-09-05 2016-09-05 基于人体热生理模型的运动健康仿真与预测方法及系统

Publications (2)

Publication Number Publication Date
CN106407668A CN106407668A (zh) 2017-02-15
CN106407668B true CN106407668B (zh) 2019-04-30

Family

ID=57998510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610805187.1A Active CN106407668B (zh) 2016-09-05 2016-09-05 基于人体热生理模型的运动健康仿真与预测方法及系统

Country Status (1)

Country Link
CN (1) CN106407668B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3762941A1 (en) * 2018-03-05 2021-01-13 Omron Corporation Device for predicting body weight of a person and device and method for health management
CN108565022B (zh) * 2018-03-13 2021-12-03 合肥趣陪信息技术有限公司 一种建立儿童成长评估模型的方法
TWI768216B (zh) * 2019-06-25 2022-06-21 緯創資通股份有限公司 用於血液透析的脫水量預測方法與使用該方法的電子裝置
CN114089055A (zh) * 2021-09-30 2022-02-25 安徽继远软件有限公司 一种电网有限空间作业人员安全状态监测方法及系统
CN116313116B (zh) * 2023-05-12 2023-07-28 氧乐互动(天津)科技有限公司 基于人体热生理模型的仿真处理系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226565A (zh) * 2008-01-17 2008-07-23 中山大学 一种面向教学的服装热舒适度展示系统
CN104036061A (zh) * 2013-03-08 2014-09-10 香港纺织及成衣研发中心有限公司 服装仿真方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226565A (zh) * 2008-01-17 2008-07-23 中山大学 一种面向教学的服装热舒适度展示系统
CN104036061A (zh) * 2013-03-08 2014-09-10 香港纺织及成衣研发中心有限公司 服装仿真方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于高温人体热反应模型的生理参数预测;杨杰等;《清华大学学报（自然科学版）》;20141115;第54卷(第11期);摘要、第1424页
高热湿环境下影响人体生理反应的个体差异研究;高萍;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20140815(第08期);第13页

Also Published As

Publication number Publication date
CN106407668A (zh) 2017-02-15

Similar Documents

Publication Publication Date Title
CN106407668B (zh) 基于人体热生理模型的运动健康仿真与预测方法及系统
Teng A comparison of simulation approaches to epidemic modeling
Edelmann‐nusser et al. Modeling and prediction of competitive performance in swimming upon neural networks
CN106446530B (zh) 一种基于人体运动热生理的仿真风险评估方法及其系统
CN109431492B (zh) 基于神经网络算法的心电图导联数据模拟重建方法
El-Habil et al. Global climate prediction using deep learning
CN108932517A (zh) 一种基于精细化网络模型的多标签服装解析方法
Luo et al. A fuzzy neural network model for predicting clothing thermal comfort
CN108694290A (zh) 一种基于八叉树网格的有限元模型的软组织变形方法
Assunção et al. An overview of emotion in artificial intelligence
Zhang et al. Active information fusion for decision making under uncertainty
Arulkumar et al. A novel usage of artificial intelligence and internet of things in remote‐based healthcare applications
Wang Sports training auxiliary decision support system based on neural network algorithm
Malcangi et al. Evolving fuzzy-neural paradigm applied to the recognition and removal of artefactual beats in continuous seismocardiogram recordings
CN104850735A (zh) 一种基于栈式自编码的活动识别方法
Deck et al. Deep learning method to assess brain injury risk
CN106407532A (zh) 一种着装人体热质传递并行仿真方法及其系统
Zhou et al. Analysis of body behavior characteristics after sports training based on convolution neural network
Roohi et al. Toward a realistic reconstruction and determination of blood flow pattern in complex vascular network: 3D, non-Newtonian, multi-branch simulation based on CFD and GMDH algorithm
Xingjun Application of Motion Sensor Fusion in Special Competitive Sports
CN115169660A (zh) 基于多尺度时空特征融合神经网络的刀具磨损预测方法
CN105912859B (zh) 一种基于质点弹簧和流体力学的组织形变模拟方法
Guo et al. Signal recognition based on APSO-RBF neural network to assist athlete’s competitive ability evaluation
Zhang Clustering and evolution of artificial intelligence technology in international sports
Jiang et al. Application of Sensors in Intelligent Clothing Design.

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant