CN106886782A - 融合运动和生理传感数据的层次化复杂活动识别方法 - Google Patents
融合运动和生理传感数据的层次化复杂活动识别方法 Download PDFInfo
- Publication number
- CN106886782A CN106886782A CN201710029113.8A CN201710029113A CN106886782A CN 106886782 A CN106886782 A CN 106886782A CN 201710029113 A CN201710029113 A CN 201710029113A CN 106886782 A CN106886782 A CN 106886782A
- Authority
- CN
- China
- Prior art keywords
- sensing data
- motion
- physiology
- data
- activity
- 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.)
- Granted
Links
- 230000000694 effects Effects 0.000 title claims abstract description 92
- 230000035479 physiological effects, processes and functions Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013517 stratification Methods 0.000 title claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 230000001052 transient effect Effects 0.000 claims abstract description 8
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 238000004821 distillation Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 42
- 238000012360 testing method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000007477 logistic regression Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000013450 outlier detection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 230000036541 health Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 210000000707 wrist Anatomy 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 235000012054 meals Nutrition 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012888 cubic function Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
- G06V10/422—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation for representing the structure of the pattern or shape of an object therefor
- G06V10/424—Syntactic representation, e.g. by using alphabets or grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种融合运动和生理传感数据的层次化复杂活动识别方法。包括：1)利用智能设备和穿戴式设备采集运动和生理传感数据；2)对运动传感数据提取统计特征，对生理传感数据提取结构特征和瞬态特征；3)对运动传感数据的统计特征进行K‑Means聚类和LDA主题提取，得到运动传感数据的主题分布；4)在运动传感数据的主题分布和生理传感数据的特征基础上，分别建立相应的分类器；5)采用分数级融合的方法将合分类器的输出，得到复杂活动分类模型。本发明利用聚类和主题模型表示复杂活动的层次化结构，且融合运动和生理传感数据，能实现准确地复杂活动识别，在智能家居、医疗保健、老年人辅助等领域具有广阔的应用前景。
Description
技术领域
本发明涉及模式识别和普适计算领域，具体涉及一种融合运动和生理传感数据的层次化复杂活动识别方法。
背景技术
随着智能设备(如智能手机、智能手表等)和穿戴式设备(如胸带、手环等)的发展，加速度、角速度等运动传感数据以及心电、心率、呼吸率等生理传感数据的获取变得日益便捷，如何利用这些数据进行活动识别成为了业界关注的焦点，相应技术在智能家居、医疗保健、老年人辅助等领域具有广阔的应用前景。
简单活动通常由周期性的动作或者人体单一姿势组成，如站立、坐、走路、跑步等。相比简单活动，复杂活动通常规律性不强，持续时间更长，且具有高级语义，如吃饭、工作、购物等。传统基于智能设备和穿戴式设备的活动识别方法通常首先采集用户的活动相关数据，然后对其进行预处理和分割，接着进行特征提取，最后利用特征数据训练一个活动识别模型。然而传统方法大部分仅基于运动传感数据，且通常只在简单活动上取得较高的识别准确率。
识别简单活动不能满足许多实际应用的需求，复杂活动更能反映用户的日常生活，例如，在健康监护应用中，识别用户的复杂活动如吃药、康复训练等比简单活动更有价值。由于同一简单活动可对应多种复杂活动，如坐着可以是在工作、学习、开会、看电视、吃饭等，现有基于运动传感数据的活动识别方法不能有效分辨这些活动。因此出现了分层识别复杂活动的方法：将复杂活动看作简单活动的组合，人工定义简单活动，并基于领域知识建立简单活动与复杂活动的组成关系。然而，人工定义的简单活动难以覆盖到复杂活动的所有组成，容易造成信息丢失，导致对复杂活动难以进行准确表示。
为进一步提高活动识别的性能，目前也出现了融合运动和生理传感数据的活动识别方法，在特征层面对运动和生理传感数据进行融合。但由于运动传感数据和生理传感数据特性不同，运动传感数据主要体现瞬态变化，而生理传感数据变化速度相对缓慢，加之复杂活动种类繁多，特征级融合不能有效整合特性不同的两类数据进行复杂活动识别。
发明内容
鉴于上述，本发明提出了一种融合运动和生理传感数据的层次化复杂活动识别方法，该方法将复杂活动看作多种简单活动的组合，结合聚类和主题模型来进行层次化的复杂活动识别。
一种融合运动和生理传感数据的层次化复杂活动识别方法，具体包括以下步骤：
(1)采集运动传感数据和生理传感数据，并对两种数据进行异常值处理和特征提取，构建运动传感数据特征向量Fa和生理传感数据特征向量Fp；
(2)将运动传感数据特征向量Fa进行K-Means聚类和LDA主题提取，得到运动传感数据的主题分布；
(3)建立生理传感数据的分类器，将生理传感数据特征向量Fp作为该分类器的输入，计算得到生理传感数据在复杂活动上的概率向量Pp＝[Pp1,Pp2…,Ppm]，m为复杂活动类别的总数目；
(4)建立运动传感数据的分类器，将运动传感数据的主题分布作为该分类器的输入，计算得到运动传感数据在复杂活动上的概率向量Pa＝[Pa1,Pa2,…,Pam]；
(5)将概率向量Pa和概率向量Pp作为逻辑回归融合模型的输入数据，将复杂活动类型作为逻辑回归融合模型的真值标签，对逻辑回归融合模型进行训练，得到复杂活动分类模型；
(6)利用步骤(1)～步骤(4)的方法采集并处理测试运动传感数据和测试生理传感数据，得到测试生理传感数据的概率向量P’p和测试运动传感数据的概率向量P’a，然后，将概率向量P’p和概率向量P’a输入到复杂活动分类模型中，计算得到复杂活动类型。
所述的步骤(1)的具体步骤为：
(1-1)采用智能设备和穿戴式设备采集用户在复杂活动时的运动传感数据和生理传感数据；
(1-2)对运动传感数据和生理传感数据进行异常值消除处理，并将处理后的两种数据进行时间窗口划分；
(1-3)对每个时间窗口的运动传感数据提取常用统计特征，构建运动传感数据特征向量Fa；
(1-4)对每个时间窗口的生理传感数据提取结构特征和瞬态特征，构建生理传感数据特征向量Fp。
所述的步骤(1-2)的具体步骤为：
(1-2-1)对运动传感数据进行异常点检测，并对其中的值为零的数据进行插值处理；
(1-2-2)对生理传感数据进行异位检测与替换，并将其中超出正常值范围的数据消除或进行均值填充；
(1-2-3)对处理后的运动传感数据与生理传感数据进行时间窗口划分，生理传感数据的时间窗口大小是运动传感数据的时间窗口大小的整数倍N。
步骤(1-3)中，所述的常用统计特征为常用的时域特征，包括：均值(Mean)、方差(Var)、标准差(Std)、中位数(Median)、最小值(Min)、最大值(Max)、四分位距(Iqr)、平均绝对偏差(Mad)以及根均方(Rms)。
步骤(1-4)中，所述的结构特征的获取方法为：采用函数拟合生理传感数据变化，选取与生理传感数据拟合最好的函数的系数作为结构特征。所述的瞬态特征有两种，一是数据的变化趋势(上升、下降和维持不变)；二是数据的变化幅度。
所述的步骤(2)的具体步骤为：
(2-1)将所有窗口的运动传感数据特征向量Fa通过K-Means聚类，得到K个簇，每个时间窗口的运动传感数据对应一个簇编号，K个簇为K个“词”；
(2-2)将N个窗口的运动传感数据视作一个复杂活动，为“文档”，统计每个文档在K个词上的分布，得到“文档”在“词”上的分布p(w|d)；
(2-3)将“文档”在“词”上的分布p(w|d)作为LDA主题模型的输入，经学习得出“文档”在“主题”上的分布p(z|d)，为运动传感数据的主题分布。
在得到运动传感数据的主题分布的过程中，每个簇相当于简单活动的无语义，也就是K个“词”，“文档”表示一个复杂活动，“主题”表示复杂活动的潜在语义。
本发明结合聚类和主题模型来进行复杂活动识别，在分层表示复杂活动的结构时，能充分保留有效信息；同时，采用分数级融合的方法，保持运动和生理传感数据的独立性。与现有的方法相比，其优点在于：
(1)将复杂活动看作简单活动组合，简单活动通过K-Means聚类生成，能充分保留复杂活动的组成部分，有效解决了信息丢失等问题；再利用LDA主题模型表示复杂活动的层次化结构，进而提高识别性能。
(2)先针对不同的传感器数据，提取不同的特征向量，训练不同的识别分类器，然后再进行分数级融合，解决不同传感器数据类型不兼容的问题，能充分整合运动和生理传感数据对复杂活动的表征能力。
(3)建立的模型能够有效识别类型丰富的复杂活动，实用性高，普适性好。
附图说明
图1是本发明层次化复杂活动识别方法的整体流程图；
图2是本发明实施例数据处理的流程图；
图3是本发明中LDA主题模型矩阵分解图；
图4是本发明中复杂活动生成示意图；
图5是本发明中不同数据分类器的构建流程图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示，本发明融合运动和生理传感数据的层次化复杂活动识别方法，具体包括数据处理阶段和模型训练阶段。
在数据处理阶段，需要对采集到的数据进行处理，具体过程如下：
步骤a-1，采用智能设备和穿戴式设备采集用户在复杂活动时的数据，其中数据包括运动传感数据和生理传感数据。
此步骤中，数据的采集的具体方法为：
首先，使用智能设备记录复杂活动时的各类运动传感数据，同时使用穿戴式设备来记录复杂活动时的各类生理传感数据，对于每一项复杂活动，用户手动标记当前的活动类型于智能设备内；
然后，对收集的运动传感数据和生理传感数据按照活动类型进行分割。
本实施例中，智能设备采用智能手机和智能手表，智能手机按指定方式放置在用户裤子口袋中，智能手表放置在用户手腕，智能手机和手表内置的加速度计、陀螺仪等运动传感设备传感器分别获取用户在复杂活动中腿部和手腕的运动传感数据。穿戴式设备采用可穿戴的胸带式生理传感设备，获取用户的各项生理指标：心率、心电、呼吸率、呼吸幅度等。
在录制腿部运动传感数据的同时，智能手机通过蓝牙接收由智能手表录制的手腕运动传感数据和由胸带式生理传感设备录制的生理传感数据。所有录制的数据，都保存在智能手机中。每次进行一项活动时，通过智能手机中开发的程序手动标记当前的活动类型。
步骤a-2，对运动传感数据和生理传感数据进行异常值消除处理，并将处理后的两种数据进行时间窗口划分。
如图2所示，此步骤中，数据处理具体过程为：
首先，对运动传感数据进行异常点检测，并对其中的无效值(如零值)进行插值处理；
然后，对生理传感数据进行异位检测与替换，并其中的无效值(如超出正常值范围的值)消除或进行均值填充。
最后，对处理后的运动与生理传感数据进行时间窗口划分，由于生理传感数据变化比运动传感数据缓慢，需要更长的时间窗口，因此，运动传感数据窗口大小为2秒，生理传感数据窗口大小为1分钟，以便使运动和生理传感数据在时间上相对应。
步骤a-3，对每个时间窗口的运动传感数据提取常用统计特征，并构建特征向量Fa。
此步骤中，运动传感数据提取的常用统计特征为常用的时域特征，包括：均值(Mean)、方差(Var)、标准差(Std)、中位数(Median)、最小值(Min)、最大值(Max)、四分位距(Iqr)、平均绝对偏差(Mad)以及根均方(Rms)。
步骤a-4，对每个时间窗口的生理传感数据提取结构特征和瞬态特征，并构建特征向量Fp。
生理传感数据相对于运动传感数据变化过程较慢，因此，对每项生理传感数据提取结构特征和瞬态特征。
结构特征的获取方法为：采用函数拟合生理传感数据变化，选取与生理传感数据拟合最好的函数的系数作为结构特征。此处，采用拟合函数为：一次、二次以及三次函数：f1＝a0+a1t，f2＝a2+a3t+a4t2，f3＝a5+a6t+a7t2+a8t3，当f1，f2和f3拟合生理传感数据取得的平方误差和最小时，a0,…,a8就是生理传感数据的9个结构特征。
瞬态特征有两种，一是数据的变化趋势(上升、下降和维持不变)；二是数据的变化幅度。
数据处理结束后，利用处理后的数据进行模型训练，具体过程为：
步骤b-1，将所有窗口的运动传感数据特征向量Fa通过K-Means聚类，得到K个簇，此K个簇相当于无语义的简单活动，也就是K个“词”；
此步骤中，K-Means聚类的过程具体包括：
首先，输入运动传感数据的特征向量和期望，得到簇数目K；
然后，通过K-Means聚类，得到每个时间窗口的运动传感数据对应的簇编号。
步骤b-2，将N个窗口的运动传感数据视作一个复杂活动，即“文档”。统计每个文档在K个词上的分布，即统计“词频”，得到“文档”在“词”上的分布p(w|d)。
因为运动传感数据窗口大小为2秒，生理传感数据窗口大小为1分钟。为了将运动和生理传感数据在时间上对齐，这里“文档”大小同样设置为1分钟，因此N＝30。
步骤b-3，将“文档”在“词”上的分布p(w|d)作为LDA主题模型的输入，经学习得出“文档”在“主题”上的分布p(z|d)，此处，主题表示复杂活动的潜在语义。
LDA是一种经典的主题模型，其主要思想在于将“文档”看作由若干“词”组成，每一个“词”都是通过以一定概率选择了某个“主题”，并从这个“主题”中以一定概率选择某个“词”这样的过程得到的。“文档”在“词”上的分布p(w|d)可由“文档”在“主题”上的分布p(z|d)和“主题”在“词”上的分布p(w|z)计算得出，公式如下：
公式(1)可以被图3矩阵分解表示，通过“文档”在“词”上的分布p(w|d)，可学习出“文档”在“主题”上的分布p(z|d)和“主题”在“词”上的分布p(w|z)。
主题提取的过程包括：
首先，将步骤b-1得到的簇看作“词”，将用户复杂活动看作“文档”，将复杂活动的潜在语义看作“主题”，其中“词”的大小为2秒，“文档”的大小为1分钟，以便运动和生理传感数据在时间上对齐。复杂活动表示图如图4所示。
然后，将通过步骤b-2得到的运动传感数据在簇上的数目分布看作“文档”中的“词频”，将“文档”在“词”上的分布p(w|d)输入到LDA主题模型，学习得到“文档”在“主题”上的分布p(z|d)。
步骤b-4，将“文档”在“主题”上的分布p(z|d)视作复杂活动的高级特征，并建立J48决策树分类器，将p(z|d)作为该分类器的输入，经计算输出运动传感数据在复杂活动上的概率向量Pa＝[Pa1,Pa2,…,Pam]，m为复杂活动类别数目。
步骤b-5，构建J48决策树分类器，将生理传感数据特征向量Fp作为此分类器的输入，经计算输出生理传感数据在复杂活动上的概率向量Pp＝[Pp1,Pp2…,Ppm]。
步骤b-4、b-5流程如图5所示，根据“文档”在“主题”上的分布p(z|d)和生理传感数据的特征向量Fp，分别建立相应的决策树分类器，得到两种数据在每个复杂活动上的概率分布。
步骤b-6，将概率向量Pa和概率向量Pp作为逻辑回归融合模型的输入数据，将复杂活动类型作为逻辑回归融合模型的真值标签，对逻辑回归融合模型进行训练，得到复杂活动分类模型。
在得到复杂活动分类模型的基础上，采集新运动传感数据和新生理传感数据进行测试，具体过程为：
首先，利用以上步骤采集并处理测试运动传感数据和测试生理传感数据，得到测试生理传感数据的概率向量P’p和测试运动传感数据的概率向量P’a；
然后，将概率向量P’p和概率向量P’a输入到复杂活动分类模型中，计算得到复杂活动类型。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种融合运动和生理传感数据的层次化复杂活动识别方法，具体包括以下步骤：
(1)采集运动传感数据和生理传感数据，并对两种数据进行异常值处理和特征提取，构建运动传感数据特征向量Fa和生理传感数据特征向量Fp；
(2)将运动传感数据特征向量Fa进行K-Means聚类和LDA主题提取，得到运动传感数据的主题分布；
(3)建立生理传感数据的分类器，将生理传感数据特征向量Fp作为该分类器的输入，计算得到生理传感数据在复杂活动上的概率向量Pp＝[Pp1,Pp2…,Ppm]，m为复杂活动类别的总数目；
(4)建立运动传感数据的分类器，将运动传感数据的主题分布作为该分类器的输入，计算得到运动传感数据在复杂活动上的概率向量Pa＝[Pa1,Pa2,…,Pam]；
(5)将概率向量Pa和概率向量Pp作为逻辑回归融合模型的输入数据，将复杂活动类型作为逻辑回归融合模型的真值标签，对逻辑回归融合模型进行训练，得到复杂活动分类模型；
(6)利用步骤(1)～步骤(4)的方法采集并处理测试运动传感数据和测试生理传感数据，得到测试生理传感数据的概率向量P’p和测试运动传感数据的概率向量P’a，然后，将概率向量P’p和概率向量P’a输入到复杂活动分类模型中，计算得到复杂活动类型。
2.根据权利要求1所述融合运动和生理传感数据的层次化复杂活动识别方法，其特征在于：所述的步骤(1)的具体步骤为：
(1-1)采用智能设备和穿戴式设备采集用户在复杂活动时的运动传感数据和生理传感数据；
(1-2)对运动传感数据和生理传感数据进行异常值消除处理，并将处理后的两种数据进行时间窗口划分；
(1-3)对每个时间窗口的运动传感数据提取常用统计特征，构建运动传感数据特征向量Fa；
(1-4)对每个时间窗口的生理传感数据提取结构特征和瞬态特征，构建生理传感数据特征向量Fp。
3.根据权利要求2所述融合运动和生理传感数据的层次化复杂活动识别方法，其特征在于：所述的步骤(1-2)的具体步骤为：
(1-2-1)对运动传感数据进行异常点检测，并对其中的值为零的数据进行插值处理；
(1-2-2)对生理传感数据进行异位检测与替换，并将其中超出正常值范围的数据消除或进行均值填充；
(1-2-3)对处理后的运动传感数据与生理传感数据进行时间窗口划分，生理传感数据的时间窗口大小是运动传感数据的时间窗口大小的整数倍N。
4.根据权利要求1所述融合运动和生理传感数据的层次化复杂活动识别方法，其特征在于：所述的步骤(2)的具体步骤为：
(2-1)将所有窗口的运动传感数据特征向量Fa通过K-Means聚类，得到K个簇，每个时间窗口的运动传感数据对应一个簇编号，K个簇为K个“词”；
(2-2)将N个窗口的运动传感数据视作一个复杂活动，为“文档”，统计每个文档在K个词上的分布，得到“文档”在“词”上的分布p(w|d)；
(2-3)将“文档”在“词”上的分布p(w|d)作为LDA主题模型的输入，经学习得出“文档”在“主题”上的分布p(z|d)，为运动传感数据的主题分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710029113.8A CN106886782B (zh) | 2017-01-16 | 2017-01-16 | 融合运动和生理传感数据的层次化复杂活动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710029113.8A CN106886782B (zh) | 2017-01-16 | 2017-01-16 | 融合运动和生理传感数据的层次化复杂活动识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106886782A true CN106886782A (zh) | 2017-06-23 |
| CN106886782B CN106886782B (zh) | 2019-05-31 |
Family
ID=59176321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710029113.8A Expired - Fee Related CN106886782B (zh) | 2017-01-16 | 2017-01-16 | 融合运动和生理传感数据的层次化复杂活动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106886782B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109032342A (zh) * | 2018-07-02 | 2018-12-18 | 浙江大学 | 一种融合运动、生理和位置传感数据的复杂活动识别方法 |
| CN109872011A (zh) * | 2019-03-18 | 2019-06-11 | 重庆邮电大学 | 基于多元逻辑回归模型的家畜类生理状态预测方法与系统 |
| CN111814523A (zh) * | 2019-04-12 | 2020-10-23 | 北京京东尚科信息技术有限公司 | 人体活动识别方法及装置 |
| CN116774597A (zh) * | 2023-05-05 | 2023-09-19 | 杭州手趣科技有限公司 | 一种基于可穿戴设备的智能家居设备控制方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103970271A (zh) * | 2014-04-04 | 2014-08-06 | 浙江大学 | 融合运动和生理传感数据的日常活动识别方法 |
| CN104636402A (zh) * | 2013-11-13 | 2015-05-20 | 阿里巴巴集团控股有限公司 | 一种业务对象的分类、搜索、推送方法和系统 |
| CN104850225A (zh) * | 2015-04-28 | 2015-08-19 | 浙江大学 | 一种基于多层次融合的活动识别方法 |
| CN104899253A (zh) * | 2015-05-13 | 2015-09-09 | 复旦大学 | 面向社会图像的跨模态图像-标签相关度学习方法 |
| CN104915446A (zh) * | 2015-06-29 | 2015-09-16 | 华南理工大学 | 基于新闻的事件演化关系自动提取方法及其系统 |
-
2017
- 2017-01-16 CN CN201710029113.8A patent/CN106886782B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104636402A (zh) * | 2013-11-13 | 2015-05-20 | 阿里巴巴集团控股有限公司 | 一种业务对象的分类、搜索、推送方法和系统 |
| CN103970271A (zh) * | 2014-04-04 | 2014-08-06 | 浙江大学 | 融合运动和生理传感数据的日常活动识别方法 |
| CN104850225A (zh) * | 2015-04-28 | 2015-08-19 | 浙江大学 | 一种基于多层次融合的活动识别方法 |
| CN104899253A (zh) * | 2015-05-13 | 2015-09-09 | 复旦大学 | 面向社会图像的跨模态图像-标签相关度学习方法 |
| CN104915446A (zh) * | 2015-06-29 | 2015-09-16 | 华南理工大学 | 基于新闻的事件演化关系自动提取方法及其系统 |
Non-Patent Citations (2)
| Title |
|---|
| HAODONG GUO ET AL: "《Wearable sensor based multimodal human activity recognition exploiting the diversity of classifier ensemble》", 《PROCEEDINGS OF THE 2016 ACM INTERNATIONAL JOINT CONFERENCE ON PERVASIVE AND UBIQUITOUS COMPUTING》 * |
| 黄鲜萍: "《人群运动主题语义特征提取和行为分析研究》", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109032342A (zh) * | 2018-07-02 | 2018-12-18 | 浙江大学 | 一种融合运动、生理和位置传感数据的复杂活动识别方法 |
| CN109032342B (zh) * | 2018-07-02 | 2020-06-30 | 浙江大学 | 一种融合运动、生理和位置传感数据的复杂活动识别方法 |
| CN109872011A (zh) * | 2019-03-18 | 2019-06-11 | 重庆邮电大学 | 基于多元逻辑回归模型的家畜类生理状态预测方法与系统 |
| CN111814523A (zh) * | 2019-04-12 | 2020-10-23 | 北京京东尚科信息技术有限公司 | 人体活动识别方法及装置 |
| CN116774597A (zh) * | 2023-05-05 | 2023-09-19 | 杭州手趣科技有限公司 | 一种基于可穿戴设备的智能家居设备控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106886782B (zh) | 2019-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106886782B (zh) | 融合运动和生理传感数据的层次化复杂活动识别方法 | |
| CN105678222B (zh) | 一种基于移动设备的人体行为识别方法 | |
| CN103970271B (zh) | 融合运动和生理传感数据的日常活动识别方法 | |
| Uddin et al. | Random forests based recognition of human activities and postural transitions on smartphone | |
| CN104598880A (zh) | 一种基于模糊支持向量机的行为识别方法 | |
| Rivera et al. | Recognition of human hand activities based on a single wrist imu using recurrent neural networks | |
| WO2023035093A1 (zh) | 基于惯性传感器的人体行为识别方法 | |
| Zhang et al. | Real-time activity recognition on smartphones using deep neural networks | |
| Liu et al. | A benchmark database and baseline evaluation for fall detection based on wearable sensors for the Internet of medical things platform | |
| WO2021004510A1 (zh) | 基于传感器的分离式部署的人体行为识别健康管理系统 | |
| CN205540653U (zh) | 一种智能交互的情感呵护抱枕机器人系统 | |
| Qian et al. | The smart insole: A pilot study of fall detection | |
| Kong et al. | Exploratory data analysis of human activity recognition based on smart phone | |
| Ahmad et al. | Human activity recognition using multi-head CNN followed by LSTM | |
| CN106503431A (zh) | 运动数据的处理方法 | |
| Mehmood et al. | Hardensenet: A 1d densenet inspired convolutional neural network for human activity recognition with inertial sensors | |
| CN106859617A (zh) | 一种穿戴式多生命体征参数采集设备及其参数提取方法 | |
| CN108717548B (zh) | 一种面向传感器动态增加的行为识别模型更新方法及系统 | |
| CN102855321A (zh) | 人体行为识别方法 | |
| Wu et al. | Intelligent clothing for automated recognition of human physical activities in free-living environment | |
| Mo et al. | Human daily activity recognition with wearable sensors based on incremental learning | |
| CN109740418A (zh) | 一种基于多加速度传感器的瑜伽动作识别方法 | |
| Rodríguez-Martín et al. | Posture transition analysis with barometers: contribution to accelerometer-based algorithms | |
| Eskaf et al. | Aggregated activity recognition using smart devices | |
| Reiss et al. | An integrated mobile system for long-term aerobic activity monitoring and support in daily life |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190531 |