CN107330352A - 基于hog特征和机器学习的睡姿压力图像识别方法 - Google Patents
基于hog特征和机器学习的睡姿压力图像识别方法 Download PDFInfo
- Publication number
- CN107330352A CN107330352A CN201610692042.5A CN201610692042A CN107330352A CN 107330352 A CN107330352 A CN 107330352A CN 201610692042 A CN201610692042 A CN 201610692042A CN 107330352 A CN107330352 A CN 107330352A
- Authority
- CN
- China
- Prior art keywords
- image
- sleeping position
- pressure
- hog
- machine learning
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于HOG特征和机器学习的睡姿压力图像识别方法,其特征在于所述方法包括以下步骤:数据采集,采用时序压力数据的方法采集使用者作用于大面积柔性压力传感器阵列床垫检测得到的实时压力数据;图像转换,将第一步采集到的实时压力数据转化为压力图像,具体为:建立图像坐标与传感器阵列分布一致的图像,将每个传感器上采集到的压力数值转化为对应的图像坐标上像素的灰度值,从而得到反映传感器阵列上压力分布的压力图像;图像预处理;图像HOG特征提取,对经过第三步图像预处理的压力图像进行HOG特征提取,得到睡姿压力图像的HOG特征集合;基于机器学习的睡姿识别。
Description
技术领域
本发明涉及一种图像识别方法,具体是一种自动识别睡姿的方法,特别是一种基于HOG特征和机器学习的睡姿压力图像识别方法。
背景技术
随着数字图像技术的不断发展,而目标检测是智能系统中最重要也是最基本的一步。针对当前研究睡眠睡姿的热度,人的健康问题也越来越备受关注,人的一生的时间在睡眠中度过有三分之一,睡眠质量关系到人的心理及生理健康,睡眠质量差的人容易产生紧张,疲劳,注意力不集中,或饮食失调。确定睡眠质量的指标,如睡眠阶段、睡眠困难、睡眠姿势,对用于医疗诊断是非常关键的。据研究表明睡眠呼吸暂停中良好的睡眠姿势有利于减轻呼吸暂停患者的呼吸障碍程度。
现阶段,针对睡姿检测研究人员提出了不同的方法来监测。传统研究睡眠姿势模式是使用摄像机和麦克风。中岛淑贵等人(Nakajima K,Matsumoto Y,Tamura T.A monitorfor posture changes and respiration in bed using real time image sequenceanalysis[C]//Engineering in Medicine and Biology Society,2000.Proceedings ofthe 22nd Annual International Conference of the IEEE.IEEE,2000,1:51-54.)提出基于视觉信号分析睡眠呼吸和姿势变化的系统,但夜间光线比较低对成像带来很大的噪声,并且可见光视频成像会带来严重的隐私问题,非常不利于医院患者的健康治疗。这样的工作集中在检测之前姿势改变,而不是认识的身体姿势。
因此,提出使用大面积柔性压力传感器阵列床垫实时监测睡姿变化状态,提供一种睡姿识别的算法及系统。提高了睡眠过程中位姿识别的准确率,且更为保护使用者的隐私安全。为医疗中的呼吸暂停减缓、床褥预防与治疗和智能居家中睡眠质量提高等领域研究人员提供睡姿变化的可靠性支持。
发明内容
本发明针对现有技术存在的关键问题,提供一种基于HOG特征和机器学习的睡姿压力图像识别方法,该系统具有检测精度高,实时性好,识别速度快,可适用于不同场合的睡姿检测。根据目前智能居家和医疗市场对睡眠姿态的需求和发展,对中老年身体健康状态监测和对睡眠阶段的识别,不同群体对睡眠质量方面的产品的需求,前景可观。
本发明的技术方案是:
一种基于HOG特征和机器学习的睡姿压力图像识别方法,其特征在于所述方法包括以下步骤:
第一步数据采集
采用时序压力数据的方法采集使用者作用于大面积柔性压力传感器阵列床垫检测得到的实时压力数据;
第二步图像转换
将第一步采集到的实时压力数据转化为压力图像,具体为:建立图像坐标与传感器阵列分布一致的图像,将每个传感器上采集到的压力数值转化为对应的图像坐标上像素的灰度值,从而得到反映传感器阵列上压力分布的压力图像;
第三步图像预处理
对第二步得到的压力图像进行图像预处理;
第四步图像HOG特征提取
对经过第三步图像预处理的压力图像进行HOG特征提取,得到睡姿压力图像的HOG特征集合;
第五步基于机器学习的睡姿识别
采用机器学习对的第四步得到图像特征集合进行分类处理实现睡姿识别,具体是:
1)SVM分类器训练
将第四步得到的睡姿压力图像的HOG特征集合和压力图像的类别组成训练样本集合,并对训练样本图像进行类别标记;使用提取的HOG特征向量作为支持向量机的输入数据,进行分类器训练,得到分类器后,将分类器转化为能直接用于图像检测的检测算子,可直接用于图像识别;
2)睡姿压力图像识别
经大量样本的训练,分类器可以对输入目标图像的特征向量与样本库内容进行对比识别,从而实现睡姿压力图像的识别。
上述基于HOG特征和机器学习的睡姿压力图像识别方法,其特征在于所述第三步包括1)图像校正,包括1.1)几何校正,1.2)阈值分割;2)块划分;
所述块划分,沿X和Y轴方向将经过图像校正的压力图像划分为n*n像素的细胞单元(cell),n必须能被图像的长和宽整除。
上述基于HOG特征和机器学习的睡姿压力图像识别方法,其特征在于所述第四步的HOG特征提取包括:1)标准化gamma空间和颜色灰度化;2)计算压力图像梯度;3)单元格梯度投影;4)块内归一化梯度直方图;5)HOG特征收集。
与现有技术相比,本发明的有益效果是:
(1)本发明方法通过使用者作用于大面积柔性压力传感器阵列床垫实时检测压力数据,克服了现有技术中可见光视频成像(使用摄像头)对睡眠监测中的相机夜间亮度影响睡眠质量的问题,同时实现了对隐私的保护,进而使得被监测者在睡姿监测过程中没有心理障碍,更加自然、无束缚地睡眠,极大消除了被检测者的心理负担。
(2)图像HOG特征提取最大限度地保证了压力图像轮廓的完整性,使得在分类过程中更加准确。
(3)图像的采集采用基于时序压力数据的方法,相比较传统的图像采集更加快速,尤其是在后续处理过程中单幅图像的大小为64X64像素,大大减小了图像处理速度和减小了存储占用空间,可在半秒内完成图像处理。
(4)由于身体形状的自我遮挡,压力图像分析相比视频图像分析更加困难,通过压力获取的图像相对较小,单幅图像的大小为64x64像素;获取的是人体作用于压力传感器序列上的形状,而传统视频图像分析获取的是整个图像,包含人体和外在环境;压力图像分析获取的图像可能存在不完整性,即获得的人体形状存在缺陷;在使用不完整图像和像素较少的图像表达真实的睡姿时,在图像识别中相对比较困难,本申请将HOG特征与机器学习相结合,对未知信息进行自我学习和推测,保证训练样本足够大,能够克服压力图像分析的缺点,同时显著提高图像识别速度,保证了最终图像识别的准确性。
本发明基于HOG特征和机器学习的睡姿压力图像识别方法相较于现有可见光视频检测技术,由于图像占有空间更小,图像预处理速度相对较快、从而加快了图像的实时识别速度,为医疗中的呼吸暂停减缓、床褥预防与治疗和智能居家中睡眠质量提高等领域研究人员提供了准确数据支持。
具体实施方式
为了使本发明的目的更加明了,以下进一步对本发明进行详细说明。
实施例
一种基于HOG特征和机器学习的睡姿压力图像识别方法,包括以下步骤
第一步数据采集
采用时序压力数据的方法采集使用者作用于大面积柔性压力传感器阵列床垫检测得到的实时压力数据;
所述大面积柔性压力传感器阵列床垫(以下简称压力床垫或传感器阵列)为64×64的矩形阵列,数据的采集频率为10Hz,每个柔性压力传感器(简称传感器)的取值范围为0-255。
柔性压力传感器阵列分布能够覆盖使用者身体作用于床垫的最大投影面积,最大限度地保障了整个身体压力数据的完整性。采集的实时压力数据包含了实时身体作用于床垫压力的大小。
第二步图像转换
将第一步采集到的实时压力数据转化为压力图像,具体为:建立图像坐标与传感器阵列分布一致的图像,将每个传感器上采集到的压力数值转化为对应的图像坐标上像素的灰度值,从而得到反映传感器阵列上压力分布的压力图像。
本实施例中,所述压力图像的每个像素与压力床垫的传感器一一对应,所述压力图像为8位灰度图像,将每个传感器测得的压力数据作为相应像素的灰度值。所述压力图像的图像坐标的Y轴和X轴分别对应于传感器阵列的纵轴方向和横轴方向。
被检测者的脊柱方向与传感器阵列的纵轴方向大致平行。
第三步图像预处理
对第二步得到的压力图像进行图像预处理,包括
1)图像校正,所述图像校正包括
1.1)几何校正,
所述几何变换校正具体包括对图像进行平移、旋转、缩放以校正原始压力图像的几何畸变;由于人体躺在压力床垫上,出现体动、翻身等动作时,人体压力图像相对于床垫的几何形状出现偏移,导致压力图像在床垫上旋转和位移。而通过几何变换校正可使得采集到的压力图像的几何畸变得到很好的校正;
1.2)阈值分割,
先对压力图像的像素进行阈值设定,按照设定值过滤除压力区域外的其他像素,进而使压力区域更加明显;然后反转图像像素的灰度值,得到经过图像校正的压力图像。所述经过图像校正的压力区域以外为白色,压力区域中,压力越大的区域,图像颜色越趋近于黑色,压力区域外为白色。(现有的灰度值表示方法中,灰度值范围一般从0到255,白色为255,黑色为0)
2)块划分,沿X和Y轴方向将经过图像校正的压力图像划分为n*n像素的细胞单元(cell),n必须能被图像的长和宽整除,完成图像预处理。
第四步图像HOG特征提取
对经过第三步图像预处理的压力图像进行HOG特征提取,得到睡姿压力图像的HOG特征集合;具体包括以下提取方法:
1)标准化gamma空间和颜色灰度化
为了减少体重因素的影响,首先需要将整个图像进行规范化(归一化)处理,在图像的纹理强度中,局部的表层曝光贡献的比重较大,所以,这种压缩处理能够有效地降低图像局部的阴影变化。由于图像的颜色对HOG特征的提取影响不大,故继续保持上述灰度图像。
Gamma压缩公式:I(x,y)=I(x,y)gamma,此处取gamma=0.5。
2)计算压力图像梯度
计算睡姿压力图像的横坐标和纵坐标方向的梯度,根据梯度值计算压力图像中每个像素位置的梯度方向值;求导操作不仅能够捕获人体作用于床垫的轮廓、人影和一些压力分布信息,还能进一步弱化边缘压力阵列噪声的影响。
图像中像素点(x,y)的梯度计算为:
Gx(x,y)=H(x+1,y)-H(x-1,y)
Gy(x,y)=H(x,y+1)-H(x,y-1)
式中Gx(x,y),Gy(x,y),H(x,y)分别为输入图像中像素点(x,y)处的水平方向和垂直方向梯度和像素值。则像素点(x,y)处的梯度幅度和梯度方向为:
3)单元格梯度投影
为了为局部图像提供有效的编码,保持压力图像的姿势和外观形状,将图像分成n*n像素的细胞单元(cell),即单元格,每个单元格为4*4像素。将每个单元格中所有像素的一维梯度直方图或边缘方向累加到其中,即360度方向分为k个方向块,然后对基本方向直方图加权映射到固定角度上形成最终的特征。
4)块内归一化梯度直方图
每个单元格由多个块组成,一个块内所有cell的HOG特征串联起来便组成这个块的HOG特征,这些区间是互有重叠的,每一个单元格的特征会以不同的结果多次出现在最后的特征向量中。经归一化处理后的块描述符(向量)就称之为HOG特征。
5)HOG特征收集
将图像内的所有块的HOG特征收集起来,即为该图像用来训练和分类的HOG特征。
第五步基于机器学习的睡姿识别
采用机器学习对第四步得到图像特征集合进行分类处理实现睡姿识别。支持向量机(SVM)作为机器学习中较热门的研究方法,在解决小样本非线性及高维模式识别问题中具有许多特有的优势,结合HOG的特征和检测速度的要求选用线性的SVM训练分类器。
1)SVM分类器训练
将第四步得到的睡姿压力图像的HOG特征集合和压力图像的类别组成训练样本集合,并对训练样本图像进行类别标记;使用提取的HOG特征向量作为支持向量机的输入数据,进行分类器训练,得到分类器后,将分类器转化为能直接用于图像检测的检测算子,可直接用于图像识别;
具体是:按照仰卧型、俯卧型、左侧胎儿型、左侧树干型、右侧胎儿型、右侧树干型6大类动作为训练样本的睡姿压力图像进行人工分类,所述仰卧型、俯卧型、左侧胎儿型、左侧树干型、右侧胎儿型、右侧树干型,分别简称为S、P、LF、LL、RF、RL;
样本的选取对于训练的结果具有决定性的作用,有效样本的数量越大,结果越接近真实情况。对经过人工分类的睡姿压力图像,按照第四步进行图像特征提取,并将提取到的图像特征集合和压力图像的类别组成训练样本集合,并对训练样本图像进行类别标记。选择六类中一类的图像转换为正图像,然后选择一定数量五类中的睡姿压力图像作为负图像。使用提取的HOG特征向量作为支持向量机的输入数据,进行分类器训练,得到分类器后,将分类器转化为能直接用于图像检测的检测算子,可直接用于图像识别。
2)睡姿压力图像识别
经大量样本的训练,分类器可以对输入目标图像的特征向量与样本库内容进行对比识别,从而实现睡姿压力图像的识别。
训练好的SVM分类器保存为XML文件,用一个扫描子窗口在待检测的图像中不断地滑动移位,当子窗口到达一个位置时,就会自动计算出该位置区域的特征,训练好的分类器则对该计算特征进行类比,判定该位置区域是否为潜在目标。目标在图像中的大小不一致,而滑动窗口根据目标进行自动缩放以满足对该位置区域的查找。提取的特征向量送入SVM分类器,通过SVM的分类函数f(x)进行投票,选取得票数最大的类别作为识别结果。
误差的优化,加入了学习或者自适应,睡姿压力图像分类错误时,可以把该图提取出来标记其正确的类别,再放到样本库中去训练分类器,让分类器更新。
以上结合具体实施例描述了本发明中基于HOG特征和机器学习的睡姿压力图像识别方法的基本原理,本发明的睡姿识别技术方案与传统的基于视频内容的底层语义图像分类技术方案在图像分类性能上表现出该方法具有很好的精确性和有效性,能较好地实现图像自动分类。
本发明未述及之处适用于公知技术。
以上对本发明的实施进行了详细说明,但所述内容为本发明的较佳实施过程,不能被认为用于限定本申请权利要求的保护范围。凡以本发明申请权利要求范围所做的均等变化与改进,均应归属于本申请权利要求的保护范围之内。
Claims (3)
1.一种基于HOG特征和机器学习的睡姿压力图像识别方法,其特征在于所述方法包括以下步骤:
第一步数据采集
采用时序压力数据的方法采集使用者作用于大面积柔性压力传感器阵列床垫检测得到的实时压力数据;
第二步图像转换
将第一步采集到的实时压力数据转化为压力图像,具体为:建立图像坐标与传感器阵列分布一致的图像,将每个传感器上采集到的压力数值转化为对应的图像坐标上像素的灰度值,从而得到反映传感器阵列上压力分布的压力图像;
第三步图像预处理
对第二步得到的压力图像进行图像预处理;
第四步图像HOG特征提取
对经过第三步图像预处理的压力图像进行HOG特征提取,得到睡姿压力图像的HOG特征集合;
第五步基于机器学习的睡姿识别
采用机器学习对的第四步得到图像特征集合进行分类处理实现睡姿识别,具体是:
1)SVM分类器训练
将第四步得到的睡姿压力图像的HOG特征集合和压力图像的类别组成训练样本集合,并对训练样本图像进行类别标记;使用提取的HOG特征向量作为支持向量机的输入数据,进行分类器训练,得到分类器后,将分类器转化为能直接用于图像检测的检测算子,可直接用于图像识别;
2)睡姿压力图像识别
经大量样本的训练,分类器可以对输入目标图像的特征向量与样本库内容进行对比识别,从而实现睡姿压力图像的识别。
2.根据权利要求1所述的基于HOG特征和机器学习的睡姿压力图像识别方法,其特征在于所述第三步包括1)图像校正,包括1.1)几何校正,1.2)阈值分割;2)块划分;
所述块划分,沿X和Y轴方向将经过图像校正的压力图像划分为n*n像素的细胞单元,n必须能被图像的长和宽整除。
3.根据权利要求1所述的基于HOG特征和机器学习的睡姿压力图像识别方法,其特征在于所述第四步的HOG特征提取包括:1)标准化gamma空间和颜色灰度化;2)计算压力图像梯度;3)单元格梯度投影;4)块内归一化梯度直方图;5)HOG特征收集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610692042.5A CN107330352A (zh) | 2016-08-18 | 2016-08-18 | 基于hog特征和机器学习的睡姿压力图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610692042.5A CN107330352A (zh) | 2016-08-18 | 2016-08-18 | 基于hog特征和机器学习的睡姿压力图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107330352A true CN107330352A (zh) | 2017-11-07 |
Family
ID=60192900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610692042.5A Pending CN107330352A (zh) | 2016-08-18 | 2016-08-18 | 基于hog特征和机器学习的睡姿压力图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330352A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633304A (zh) * | 2017-07-28 | 2018-01-26 | 中国电子科技集团公司第四十八研究所 | 一种睡姿监测的学习方法 |
CN110301889A (zh) * | 2019-05-13 | 2019-10-08 | 安徽建筑大学 | 一种可监测睡眠质量的智能型床垫 |
CN111353425A (zh) * | 2020-02-28 | 2020-06-30 | 河北工业大学 | 一种基于特征融合与人工神经网络的睡姿监测方法 |
CN112287783A (zh) * | 2020-10-19 | 2021-01-29 | 燕山大学 | 基于视觉与压力传感的病房智能看护识别方法及识别系统 |
CN113017337A (zh) * | 2021-03-30 | 2021-06-25 | 复旦大学 | 一种智能婴儿床车 |
CN113273998A (zh) * | 2021-07-08 | 2021-08-20 | 南京大学 | 一种基于rfid标签矩阵的人体睡眠信息获取方法及装置 |
US11210608B2 (en) | 2018-05-29 | 2021-12-28 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating model, method and apparatus for recognizing information |
CN116563887A (zh) * | 2023-04-21 | 2023-08-08 | 华北理工大学 | 一种基于轻量化卷积神经网络的睡姿监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100738510B1 (ko) * | 2006-02-14 | 2007-07-11 | 원광대학교산학협력단 | 수면제어장치 및 그 제어방법 |
CN102789672A (zh) * | 2012-07-03 | 2012-11-21 | 北京大学深圳研究生院 | 一种婴儿睡姿智能识别方法及装置 |
-
2016
- 2016-08-18 CN CN201610692042.5A patent/CN107330352A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100738510B1 (ko) * | 2006-02-14 | 2007-07-11 | 원광대학교산학협력단 | 수면제어장치 및 그 제어방법 |
CN102789672A (zh) * | 2012-07-03 | 2012-11-21 | 北京大学深圳研究生院 | 一种婴儿睡姿智能识别方法及装置 |
Non-Patent Citations (2)
Title |
---|
JASON J. LIU 等: ""Sleep posture analysis using a dense pressure sensitive bedsheet"", 《PERVASIVE AND MOBILE COMPUTING》 * |
王娜 等: ""基于SVM的离线图像目标分类算法"", 《计算机系统应用》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633304A (zh) * | 2017-07-28 | 2018-01-26 | 中国电子科技集团公司第四十八研究所 | 一种睡姿监测的学习方法 |
CN107633304B (zh) * | 2017-07-28 | 2020-12-11 | 中国电子科技集团公司第四十八研究所 | 一种睡姿监测的学习方法 |
US11210608B2 (en) | 2018-05-29 | 2021-12-28 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating model, method and apparatus for recognizing information |
CN110301889A (zh) * | 2019-05-13 | 2019-10-08 | 安徽建筑大学 | 一种可监测睡眠质量的智能型床垫 |
CN110301889B (zh) * | 2019-05-13 | 2021-11-02 | 安徽建筑大学 | 一种可监测睡眠质量的智能型床垫 |
CN111353425A (zh) * | 2020-02-28 | 2020-06-30 | 河北工业大学 | 一种基于特征融合与人工神经网络的睡姿监测方法 |
CN112287783A (zh) * | 2020-10-19 | 2021-01-29 | 燕山大学 | 基于视觉与压力传感的病房智能看护识别方法及识别系统 |
CN113017337A (zh) * | 2021-03-30 | 2021-06-25 | 复旦大学 | 一种智能婴儿床车 |
CN113273998A (zh) * | 2021-07-08 | 2021-08-20 | 南京大学 | 一种基于rfid标签矩阵的人体睡眠信息获取方法及装置 |
CN113273998B (zh) * | 2021-07-08 | 2022-07-05 | 南京大学 | 一种基于rfid标签矩阵的人体睡眠信息获取方法及装置 |
CN116563887A (zh) * | 2023-04-21 | 2023-08-08 | 华北理工大学 | 一种基于轻量化卷积神经网络的睡姿监测方法 |
CN116563887B (zh) * | 2023-04-21 | 2024-03-12 | 华北理工大学 | 一种基于轻量化卷积神经网络的睡姿监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330352A (zh) | 基于hog特征和机器学习的睡姿压力图像识别方法 | |
CN110706826B (zh) | 一种基于视频图像的非接触式的实时多人心率和血压测量方法 | |
CN108986073A (zh) | 一种基于改进的Faster R-CNN框架的CT图像肺结节检测方法 | |
CN110110629A (zh) | 面向室内环境控制的人员信息检测方法与系统 | |
CN108618465A (zh) | 一种实现智能学习的软硬可调床垫及其硬度调节系统与方法 | |
CN106096608B (zh) | 胸部温度异常区定位方法及装置 | |
CN106056116A (zh) | 一种基于模糊粗糙集的睡姿压力图像识别方法 | |
CN105188521A (zh) | 用于获得对象的生命体征信息的设备和方法 | |
CN110532850B (zh) | 一种基于视频关节点和混合分类器的跌倒检测方法 | |
CN108108757A (zh) | 一种基于卷积神经网络的糖尿病足部溃疡分类方法 | |
CN108937905B (zh) | 一种基于信号拟合的非接触式心率检测方法 | |
CN107292228A (zh) | 一种加快人脸识别搜索速度的方法 | |
CN103020933A (zh) | 一种基于仿生视觉机理的多源图像融合方法 | |
CN108446642A (zh) | 一种快速人脸识别系统 | |
Fan et al. | A deep learning based 2-dimensional hip pressure signals analysis method for sitting posture recognition | |
CN114601454A (zh) | 一种病人卧床姿势的监控方法 | |
Niu et al. | Automatic localization of optic disc based on deep learning in fundus images | |
WO2021117013A1 (en) | Determination of medical condition risk using thermographic images | |
Cheng et al. | Evaluation of facial paralysis degree based on regions | |
CN113657319A (zh) | 一种基于图像识别技术的无干扰睡眠动作行为的识别方法 | |
CN108446639A (zh) | 低功耗增强现实设备 | |
CN115602320B (zh) | 一种困难气道评估方法和系统 | |
CN113469942B (zh) | 一种ct图像病变检测方法 | |
Su et al. | Sleep comfort analysis using a part-based mixture model with nighttime infrared video | |
CN114240893A (zh) | 一种外像图像中脊柱Cobb角的测算方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171107 |
|
RJ01 | Rejection of invention patent application after publication |