CN107669278B - 运动状态识别方法和系统、动物行为识别系统 - Google Patents

运动状态识别方法和系统、动物行为识别系统 Download PDF

Info

Publication number
CN107669278B
CN107669278B CN201710866208.5A CN201710866208A CN107669278B CN 107669278 B CN107669278 B CN 107669278B CN 201710866208 A CN201710866208 A CN 201710866208A CN 107669278 B CN107669278 B CN 107669278B
Authority
CN
China
Prior art keywords
acceleration
target
motion state
data
identifying
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
CN201710866208.5A
Other languages
English (en)
Other versions
CN107669278A (zh
Inventor
林凡
成杰
张秋镇
张振华
杨峰
李盛阳
彭杰
秦林勇
陈小浩
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.)
GCI Science and Technology Co Ltd
Original Assignee
GCI Science and 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 GCI Science and Technology Co Ltd filed Critical GCI Science and Technology Co Ltd
Priority to CN201710866208.5A priority Critical patent/CN107669278B/zh
Publication of CN107669278A publication Critical patent/CN107669278A/zh
Application granted granted Critical
Publication of CN107669278B publication Critical patent/CN107669278B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/1104—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb induced by stimuli or drugs
    • A61B5/1105—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb induced by stimuli or drugs of laboratory animals, e.g. activity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/40—Animals

Landscapes

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

Abstract

一种运动状态识别方法，包括步骤：通过加速度传感器采集目标的三维加速度数据并根据三维加速度数据计算合加速度，提取合加速度的特征信息；将该特征信息输入决策树模型，利用决策树模型的结点对该特征信息进行识别，确定目标的运动状态。上述方法通过配置在待识别目标上的加速度传感器采集目标的三维加速度数据，在计算目标运动的合加速度后，从合加速度中提取特征信息，将特征信息输入决策树模型进行判决从而识别所述目标的运动状态，克服了传统技术需要采集大量图像数据而导致识别效率低的问题，达到了高效识别目标运动状态的技术效果。还提供一种运动状态识别系统以及一种动物行为识别系统。

Description

运动状态识别方法和系统、动物行为识别系统
技术领域
本发明涉及识别技术领域，特别是涉及一种运动状态识别方法和系统、动物行为识别系统。
背景技术
目前针对运动状态模式的研究越来越多，随着便携式穿戴电子设备的数量种类日渐增多，通过穿戴设备自动识别行为的技术变得越来越重要。例如，对人的行为识别或对动物的行为识别，包括野生动物行为分析、宠物的监控等。由于研究目标的运动状态需要以识别目标的运动状态为基础。对于一些特定目标，例如稀有动物，由于难以获取该目标的运动状态信息，导致无法对该目标的运动状态进行识别。
在传统技术中，对目标的运动状态一般是通过基于图像的分析方法进行识别，例如通过获取目标的运动状态的视频图像数据，对该视频图像数据进行分析处理，从而识别目标的运动状态。这种技术需要采集大量的视频图像数据，对图像数据处理的过程过于复杂，导致对目标运动状态的识别效率低。
发明内容
基于此，有必要针对传统技术对目标的运动状态的识别效率低的问题，提供一种高效的运动状态识别方法。
一种运动状态识别方法，包括步骤：
通过加速度传感器采集目标的三维加速度数据；其中，所述加速度传感器放置在所述目标的指定位置上；
根据所述三维加速度数据计算所述目标进行运动的合加速度，提取所述合加速度的特征信息；
将所述合加速度的特征信息输入决策树模型，利用所述决策树模型的结点对所述特征信息进行识别，确定所述目标的运动状态；其中，所述决策树模型的结点记录与所述特征信息相对应的运动状态判据。
上述运动状态识别方法，通过配置在待识别目标上的加速度传感器采集目标的三维加速度数据，在计算目标运动的合加速度后，从合加速度中提取特征信息，将特征信息输入决策树模型进行判决从而识别所述目标的运动状态，克服了传统技术需要采集大量图像数据而导致识别效率低的问题，达到了高效识别目标运动状态的技术效果，为研究目标的运动状态的提供数据支持。
一种运动状态的识别系统，包括：
数据采集模块，用于通过加速度传感器采集目标的三维加速度数据；其中，所述加速度传感器放置在所述目标的指定位置上；
特征提取模块，用于根据所述三维加速度数据计算所述目标进行运动的合加速度，提取所述合加速度的特征信息；
状态识别模块，用于将所述合加速度的特征信息输入决策树模型，利用所述决策树模型的结点对所述特征信息进行识别，确定所述目标的运动状态；其中，所述决策树模型的结点记录与所述特征信息相对应的运动状态判据。
上述运动状态识别系统，通过数据采集模块对待识别目标的三维加速度数据进行采集，利用特征提取模块根据三维加速度数据计算所述目标的运动合加速度，并从合加速度中提取合加速度的特征信息，状态识别模块通过决策树模型对特征信息进行判决从而识别所述目标的运动状态，克服了传统技术需要采集大量图像数据而导致识别效率低的问题，达到了高效识别目标运动状态的技术效果，为研究目标的运动状态的提供数据支持。
另外，还有必要针对传统技术对动物行为识别效率低的问题，提供一种动物行为识别系统。
一种动物行为识别系统，包括：
所述传感器佩戴在目标动物的指定位置上，用于采集目标动物的三维加速度数据
所述信息采集模块用于接收所述传感器采集的三维加速度数据，并发送至数据处理模块；
所述数据处理模块被配置为执行如上所述的运动状态识别方法，识别所述目标动物的行为状态。
上述动物行为识别系统，利用信息采集模块通过传感器采集所述目标动物上的三维加速度数据，数据处理模块根据该数据能够得到目标动物运动状态的识别结果，达到对动物的运动状态的进行识别的效果。
一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述运动状态识别方法。
一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述运动状态识别方法。
附图说明
图1为本发明的一个实施例中的运动状态识别方法的流程图；
图2为本发明的一个实施例中的动物行为识别系统的模块结构示意图；
图3为本发明的一个实施例中的目标动物行为决策树模型示意图；
图4为本发明的一个实施例中的运动状态识别系统的结构示意图。
具体实施方式
本发明的技术方案，基于传感器节点对运动进行识别，需要说明的是，本发明对待识别目标的运动状态进行识别，待识别的目标可以包括但不限于动物或人等。
下面结合附图对本发明的运动状态识别方法的具体实施方式进行详细说明。
在一个实施例中，提供一种运动状态识别方法，参考图1所述，图1为本发明的一个实施例中的运动状态识别方法的流程图，包括如下步骤：
步骤S102，通过加速度传感器采集目标的三维加速度数据；其中，所述加速度传感器放置在所述目标的指定位置上。
在本步骤中，加速度传感器是一种可以对采集位置点的三维空间轴上的加速度数据进行采集的传感器。通过将加速度传感器放置在待识别的目标的位置上，可以采集目标的三维加速度数据；其中，所述待识别的目标的位置可以是指定位置。
作为一个实施例，可以在所述目标的不同位置上分别配置加速度传感器，对所述目标的不同位置的不同运动状态的加速度数据进行实时采集；其中，所述目标的指定位置可以包括目标的脖子和四肢。
一般情况下，加速度传感器可以为轻量级的加速度传感器。在所述目标上配置轻量级的加速度传感器可以使得在不影响待识别目标的运动状态的情况下，对所述目标的加速度数据进行采集，从而可以为准确高效地识别目标的运动状态提供数据支持。
步骤S104，根据所述三维加速度数据计算所述目标进行运动的合加速度，提取所述合加速度的特征信息。
在本步骤中，三维加速度数据可以包括第一加速度分量、第二加速度分量和第三加速度分量，通过对上述加速度分量的数据进行合成，可以得到所述目标运动的合加速度；其中，合加速度可以体现目标运动的剧烈程度，并且通过对三维加速度数据的合成可以避免由于加速度传感器受到方位的影响而导致数据的测量结果不准确的问题，可以从所述合加速度的数据中提取合加速度的特征信息。
在其中一个实施例中，可以通过如下公式计算合加速度：
Figure BDA0001416164580000041
其中，a为所述三维加速度数据的合加速度，ax为所述三维加速度数据的第一加速度分量，ay为所述三维加速度数据的第二加速度分量，az为所述三维加速度数据的第三加速度分量。
对于所述特征信息，可以包括时域特征信息，也可以包括频域特征信息，所述特征信息可以包括合加速度的均值、合加速度的标准差、合加速度的最小值、合加速度的变化值、合加速度的幅度或合加速度的频谱等。
在其中一个实施例中，可以以时间为单位对合加速度进行分组数据分析，例如，可以得到合加速度的时域特征数据，该时域特征数据可以包括合加速度的均值、合加速度的标准差、合加速度的最小值或合加速度的变化值等特征数据。
在另外一个实施例中，对所述合加速度进行傅里叶变换，可以获取合加速度的频谱特征，得到合加速度的频域特征数据，所述频域特征数据可以包括合加速度的频谱等特征数据。
步骤S106，将所述合加速度的特征信息输入决策树模型，利用所述决策树模型的结点对所述特征信息进行识别，确定所述目标的运动状态；其中，所述决策树模型的结点记录。
在本步骤中，决策树模型的结点可以记录与所述特征信息相对应的运动状态判据。在利用决策树模型对运动状态进行决策时，对所述目标进行至少一次决策；其中，每一次决策可以通过相应的结点所记录的判决属性对合加速度的特征信息进行判决，根据各个结点的判决结果可以得到所述目标的运动状态，以动物的运动状态为例，一般动物的运动状态可以包括静止或运动，运动还可以包括跑或跳等。
在一个实施例中，在步骤S106的将所述合加速度的特征信息输入决策树模型之前，还可以包括如下步骤：提取所述目标进行运动的合加速度的特征信息的样本数据集；根据该样本数据集，计算所述目标进行运动的合加速度的数据特征增益；构建决策树模型，根据所述合加速度的数据特征增益设置决策树模型的结点的判决属性，设置与所述特征信息相对应的目标的运动状态。
一般情况下，决策树模型的数据来源可以为对目标进行行为实验后得到的实验数据值所构建的目标行为数据库，所述行为数据库的数据可以包括目标的运动状态数据集以及与所述目标运动的合加速度的特征信息的样本数据集。
在一个实施例中，可以从所述目标的行为数据库中提取所述目标进行运动的合加速度的特征信息的样本数据集。
在另外一个实施例中，可以根据所述目标运动的合加速度的特征信息的样本数据集，计算所述目标运动的一种或多种合加速度的数据特征增益，对所述数据特征增益进行分析，根据所述目标运动的合加速度的数据特征增益，设置与合加速度的特征信息对应的判决属性，通过判决属性的设置，生成决策树的结点；根据所述目标的运动状态的运动状态数据集，设置与所述特征信息相对应的目标的运动状态。
在一个实施例中，基于计算所述目标的每种合加速度的数据特征增益，可以将增益最大的特征作为所述决策树的根结点的判决属性，以获得对所述目标运动状态的最大的识别率。
进一步的，所述决策树模型的根结点的判决属性可以设置为所述合加速度的均值。
在一个实施例中，步骤S106将所述合加速度的特征信息输入决策树模型后，可以通过所述决策树模型的根结点对所述合加速度的均值进行第一次决策的判决，根据判决的结果可以识别所述目标的运动状态为静止或运动。
具体的，若所述合加速度的均值小于所述根结点的预设阈值，可以识别所述目标的运动状态为静止；若所述合加速度的均值大于或等于所述根结点的预设阈值，可以识别所述目标的运动状态为运动。
进一步的，所述决策树模型第一次决策的第一子结点的判决属性可以设置为合加速度的标准差。
在一个实施例中，可以通过所述决策树模型的第一子结点对所述合加速度的标准差进行判决。具体的，当所述运动状态为运动时，若所述合加速度的标准差小于所述第一子结点的预设阈值，可以进一步识别所述目标的运动状态为跑；若所述合加速度的标准差大于或等于所述第一子结点的预设阈值，可以进一步识别所述目标的运动状态为跳。
在另外一个实施例中，所述决策树模型还可以进行第二次决策的判决；其中，第二次决策的子结点的判决属性可以设置为合加速度的最小值；其中，通过所述决策树模型的第二次决策的子结点对所述合加速度的最小值进行判决，可以识别所述加速度传感器的放置的指定位置。
具体的，当所述运动状态为静止时，若所述合加速度的最小值小于所述第二次决策的第一子结点的预设阈值，可以识别指定位置为第一位置，否则识别指定位置为第二位置；
当所述运动状态为跑时，若所述合加速度的最小值小于所述第二次决策的第二子结点的预设阈值，识别指定位置为第二位置，否则识别指定位置为第一位置；
当所述运动状态为跳时，若所述合加速度的最小值小于所述第二次决策的第三子结点的预设阈值，识别指定位置为第二位置，否则识别指定位置为第一位置。
对于指定位置，以犬类动物为例，可以是四肢或脖子，通过上述技术方案，能够识别出加速度传感器的佩戴位置。
在一个实施例中，在步骤S106对所述目标的运动状态进行识别后，可以保存所述目标的运动状态的信息。
具体的，在识别所述目标的运动状态后，得到所述目标运动状态的信息，该信息可以包括静止、跑或跳等，对该信息进行保存，可以构建所述目标的行为数据库，根据所述目标运动状态的信息，可以实现对目标的实时观察，为扩展运动信息传感网络提供基础。
上述方法通过配置在待识别目标上的加速度传感器采集目标的三维加速度数据，在计算目标运动的合加速度后，从合加速度中提取特征信息，将特征信息输入决策树模型进行判决从而识别所述目标的运动状态，克服了传统技术需要采集大量图像数据而导致识别效率低的问题，达到了高效识别目标运动状态的技术效果，为研究目标的运动状态的提供数据支持。
为了更加清晰本发明的技术方案，下面通过实施例阐述所述行为识别方法的应用实例。
在本应用实例中，将运动状态识别方法应用与动物的行为识别，以犬类动物为例，可以通过在犬类动物身上设置一个轻量级的数据采集器，实时采集加速度信息。在不同佩戴位置的情况下，对不同行为进行数据采集。
参考图2所示，图2为本发明的一个实施例中的动物行为识别系统的模块结构示意图。其中，动物行为识别系统至少可以包括信息采集模块和数据处理模块。
其中信息采集模块，其主要功能为对采集器如加速度传感器的位置点进行采集三维空间轴上的加速度数据。
数据处理模块的功能为根据信息采集模块所采集的三个加速度进行数据分析处理，并可以根据所采集的数据的特征信息进行进一步区分该目标的行为状态。为了消除系统设备方位的影响，可以将三维空间轴上的加速度合成，如下(1)式，合加速度a能体现目标动物运动的剧烈程度。
进一步对目标动物的合成加速度提取数据特征值，其中包括时域特征数据和频域特征数据。基于数据特征值的分析结果，最终可以实现判断出目标动物的行为状态，并记录保存。
Figure BDA0001416164580000081
在本实施例中的技术方案可以进行目标动物的数据采集节点位置无关的运动状态或行为的识别，可以对目标的所有位置和运动状态的组合进行识别分类。在本实施例中的技术方案基于行为和加速度传感器配置位置可以建立(运动状态，位置)矢量，共六种。采集的运动状态信息可以分为三种，包括静止、跑、跳，目标动物的采集节点位置可以细分为两种，包括脖子与四肢；根据加速度传感器采集的三维加速度数据，可以得到单位时间内的合加速度的均值、标准差和最小值等特征数据，可以将所有的特征数据输入决策树模型进行判决，其中决策树节点数据来源可以是对动物例如犬类的行为进行实验得到的经验数据值所构建的动物行为数据库。
以下结合图3对本实施例的技术方案作进一步描述，图3为本发明的一个实施例中的目标动物行为决策树模型示意图，动物行为识别方法具体如下：
s1：将加速度传感器配置到目标犬类动物身上并启动，信息采集模块进行三维加速度数据的采集，并实时反馈至数据处理模块，进入s2；其中所述信息采集模块的主要功能包括对采集点位置进行采集三维空间轴上的加速度数据；
s2：避免方向的影响，数据处理模块可以将三维加速度合成合加速度，并以时间为单位将合加速度分组进行数据分析，可以计算出每组合加速度的均值、标准差，最大值、最小值等数据，进入s3；其中，数据处理模块的功能为根据信息采集模块所采集的三维加速度数据进行数据分析处理，可以根据数据特征进行进一步区分该目标动物的行为状态。
s3：根据数据分析所获得的信息，进入决策树模型并可以判断相应时间点上目标动物的行为，还可以进行记录。
注：A＝9.82；B＝9.57；C＝3.68；D＝2.04；E＝5.30；可以采用所有的特征信息进行决策树建模，基于计算每种合加速度的数据特征增益，合加速度的数据特征增益最大的特征可以为均值。因此，第一步根据均值进行区分可以获得最大的识别率，将(静止，运动)分出，再结合最小值，则可识别出(静止，四肢)(静止，脖子)，经过公3级特性区分，6种类别都可以被分类。
在其中一个实施例中，本发明还提供一种动物行为识别系统。
在本实施例中，该系统包括传感器、信息采集模块和数据处理模块；传感器可以用于配置到目标动物的指定位置上；信息采集模块可以用于通过传感器在所述指定位置采集三维加速度数据；数据处理模块可以被配置为执行上述实施例所述的任一种运动状态识别方法；其中，传感器可以为加速度传感器，所述目标动物可以包括犬类动物，所述指定位置可以包括脖子位置或四肢位置。
上述动物行为识别系统利用信息采集模块通过传感器采集所述目标动物上的三维加速度数据，数据处理模块根据该数据能够得到目标动物运动状态的识别结果，达到对动物的运动状态的进行识别的效果。
在另外一个实施例中，本发明还提供一种运动状态识别系统，参考图4所述，图4为本发明的一个实施例中的运动状态识别系统的结构示意图，所述运动状态识别系统可以包括：
数据采集模块102，用于通过加速度传感器采集目标的三维加速度数据；其中，所述加速度传感器放置在所述目标的指定位置上；
特征提取模块104，用于根据所述三维加速度数据计算所述目标进行运动的合加速度，提取所述合加速度的特征信息；
状态识别模块106，用于将所述合加速度的特征信息输入决策树模型，利用所述决策树模型的结点对所述特征信息进行识别，确定所述目标的运动状态；其中，所述决策树模型的结点记录与所述特征信息相对应的运动状态判据。
上述系统通过数据采集模块对待识别目标的三维加速度数据进行采集，利用特征提取模块根据三维加速度数据计算所述目标的运动合加速度，并从合加速度中提取合加速度的特征信息，状态识别模块通过决策树模型对特征信息进行判决从而识别所述目标的运动状态，克服了传统技术需要采集大量图像数据而导致识别效率低的问题，达到了高效识别目标运动状态的技术效果，为研究目标的运动状态的提供数据支持。
本发明的运动状态识别系统与本发明的运动状态识别方法一一对应，在上述运动状态识别方法的实施例阐述的技术特征及其有益效果均适用于运动状态识别系统的实施例中，特此声明。
基于如上所述的示例，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现如上述各实施方式中的任意一种运动状态识别方法。
本领域普通技术人员可以理解实现上述各实施例中的任意一种运动状态识别方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性的计算机可读取存储介质中，如本发明实施例中，该程序可存储于计算机系统的存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述运动状态识别方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
据此，在一个实施例中还提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上述各实施方式中的任意一种运动状态识别方法。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种运动状态识别方法，其特征在于，包括步骤：
通过加速度传感器采集目标的三维加速度数据；其中，所述加速度传感器放置在所述目标的指定位置上；
根据所述三维加速度数据计算所述目标进行运动的合加速度，提取所述合加速度的特征信息；
将所述合加速度的特征信息输入决策树模型，利用所述决策树模型的结点对所述特征信息进行识别，确定所述目标的运动状态；其中，所述决策树模型的结点记录与所述特征信息相对应的运动状态判据；所述决策树模型的根结点的判决属性设置为合加速度的均值；所述决策树模型的第一次决策的第一子结点的判决属性设置为合加速度的标准差；
若所述合加速度的均值小于所述根结点的预设阈值，识别所述目标的运动状态为静止；
若所述合加速度的均值大于或等于所述根结点的预设阈值，识别所述目标的运动状态为运动；
以及
当所述运动状态为运动时，若所述合加速度的标准差小于所述第一子结点的预设阈值，进一步识别所述目标的运动状态为跑；若所述合加速度的标准差大于或等于所述第一子结点的预设阈值，进一步识别所述目标的运动状态为跳；
所述决策树模型的第二次决策的子结点的判决属性设置为合加速度的最小值；
当所述运动状态为静止时，若所述合加速度的最小值小于所述第二次决策的第一子结点的预设阈值，识别指定位置为第一位置，否则识别指定位置为第二位置；
当所述运动状态为跑时，若所述合加速度的最小值小于所述第二次决策的第二子结点的预设阈值，识别指定位置为第二位置，否则识别指定位置为第一位置；
当所述运动状态为跳时，若所述合加速度的最小值小于所述第二次决策的第三子结点的预设阈值，识别指定位置为第二位置，否则识别指定位置为第一位置；
还包括：
提取所述目标进行运动的合加速度的特征信息的样本数据集；
根据所述样本数据集计算所述目标进行运动的合加速度的数据特征增益；
构建决策树模型，根据所述合加速度的数据特征增益设置决策树模型的结点的判决属性，设置与所述特征信息相对应的目标的运动状态。
2.根据权利要求1所述的运动状态识别方法，其特征在于，所述提取所述合加速度的特征信息的步骤包括：
以时间为单位将合加速度分组进行数据分析，得到合加速度的时域特征数据；
和/或
对所述合加速度进行傅里叶变换，获取合加速度的频谱特征，得到合加速度的频域特征数据。
3.根据权利要求2所述的运动状态识别方法，其特征在于，所述时域特征数据包括合加速度的均值、标准差和最小值。
4.一种运动状态的识别系统，其特征在于，包括：
数据采集模块，用于通过加速度传感器采集目标的三维加速度数据；其中，所述加速度传感器放置在所述目标的指定位置上；
特征提取模块，用于根据所述三维加速度数据计算所述目标进行运动的合加速度，提取所述合加速度的特征信息；
状态识别模块，用于将所述合加速度的特征信息输入决策树模型，利用所述决策树模型的结点对所述特征信息进行识别，确定所述目标的运动状态；其中，所述决策树模型的结点记录与所述特征信息相对应的运动状态判据；所述决策树模型的根结点的判决属性设置为合加速度的均值；所述决策树模型的第一次决策的第一子结点的判决属性设置为合加速度的标准差；
若所述合加速度的均值小于所述根结点的预设阈值，识别所述目标的运动状态为静止；
若所述合加速度的均值大于或等于所述根结点的预设阈值，识别所述目标的运动状态为运动；
以及
当所述运动状态为运动时，若所述合加速度的标准差小于所述第一子结点的预设阈值，进一步识别所述目标的运动状态为跑；若所述合加速度的标准差大于或等于所述第一子结点的预设阈值，进一步识别所述目标的运动状态为跳；
所述决策树模型的第二次决策的子结点的判决属性设置为合加速度的最小值；
当所述运动状态为静止时，若所述合加速度的最小值小于所述第二次决策的第一子结点的预设阈值，识别指定位置为第一位置，否则识别指定位置为第二位置；
当所述运动状态为跑时，若所述合加速度的最小值小于所述第二次决策的第二子结点的预设阈值，识别指定位置为第二位置，否则识别指定位置为第一位置；
当所述运动状态为跳时，若所述合加速度的最小值小于所述第二次决策的第三子结点的预设阈值，识别指定位置为第二位置，否则识别指定位置为第一位置；
还包括：
提取所述目标进行运动的合加速度的特征信息的样本数据集；
根据所述样本数据集计算所述目标进行运动的合加速度的数据特征增益；
构建决策树模型，根据所述合加速度的数据特征增益设置决策树模型的结点的判决属性，设置与所述特征信息相对应的目标的运动状态。
5.一种动物行为识别系统，其特征在于，包括：传感器、信息采集模块、数据处理模块；
所述传感器佩戴在目标动物的指定位置上，用于采集目标动物的三维加速度数据；
所述信息采集模块用于接收所述传感器采集的三维加速度数据，并发送至数据处理模块；
所述数据处理模块被配置为执行所述权利要求1至3任一项所述的运动状态识别方法，识别所述目标动物的行为状态。
6.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任意一项所述的运动状态识别方法。
7.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至3任意一项所述的运动状态识别方法。
CN201710866208.5A 2017-09-22 2017-09-22 运动状态识别方法和系统、动物行为识别系统 Active CN107669278B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710866208.5A CN107669278B (zh) 2017-09-22 2017-09-22 运动状态识别方法和系统、动物行为识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710866208.5A CN107669278B (zh) 2017-09-22 2017-09-22 运动状态识别方法和系统、动物行为识别系统

Publications (2)

Publication Number Publication Date
CN107669278A CN107669278A (zh) 2018-02-09
CN107669278B true CN107669278B (zh) 2020-11-13

Family

ID=61135839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710866208.5A Active CN107669278B (zh) 2017-09-22 2017-09-22 运动状态识别方法和系统、动物行为识别系统

Country Status (1)

Country Link
CN (1) CN107669278B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108937914A (zh) * 2018-07-20 2018-12-07 广东乐心医疗电子股份有限公司 一种可穿戴设备以及生理信息监测的方法
CN110505501B (zh) * 2019-08-28 2021-12-07 咪咕视讯科技有限公司 信息处理方法、电子设备及计算机可读存储介质
CN110537499A (zh) * 2019-10-14 2019-12-06 西安塞班科技有限公司 反刍动物运动行为识别方法、系统及计算机可读存储介质
CN111339838B (zh) * 2020-02-10 2023-06-20 中国农业科学院农业信息研究所 一种基于信息融合的猪行为识别方法及系统
CN111772639B (zh) * 2020-07-09 2023-04-07 深圳市爱都科技有限公司 一种用于可穿戴设备的运动模式识别方法及装置
CN114831627A (zh) * 2022-03-17 2022-08-02 吉林大学 一种基于三棵决策树的下肢假肢运动识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5028751B2 (ja) * 2005-06-09 2012-09-19 ソニー株式会社 行動認識装置
US8055469B2 (en) * 2006-03-03 2011-11-08 Garmin Switzerland Gmbh Method and apparatus for determining the attachment position of a motion sensing apparatus

Also Published As

Publication number Publication date
CN107669278A (zh) 2018-02-09

Similar Documents

Publication Publication Date Title
CN107669278B (zh) 运动状态识别方法和系统、动物行为识别系统
Cejrowski et al. Detection of the bee queen presence using sound analysis
CN108108662B (zh) 深度神经网络识别模型及识别方法
Reddy et al. Analysis of classification algorithms for plant leaf disease detection
CN107077626B (zh) 动物用非侵入式多模态生物特征辨识系统
CN109766755B (zh) 人脸识别方法及相关产品
Arablouei et al. Animal behavior classification via deep learning on embedded systems
CN108563675B (zh) 基于目标体特征的电子档案自动生成方法及装置
CN111753594B (zh) 危险识别方法、装置及系统
CN111160275B (zh) 行人重识别模型训练方法、装置、计算机设备和存储介质
CN112580552B (zh) 一种鼠类行为分析方法及装置
CN109460792A (zh) 一种基于图像识别的人工智能模型训练方法及装置
KR20200059445A (ko) 가속도센서를 이용한 가축 행동패턴 검출 방법 및 장치
CN111914814A (zh) 小麦锈病检测方法、装置及计算机设备
Busch et al. Determination of standing-time of dairy cows using 3D-accelerometer data from collars
KR102316799B1 (ko) 객체 및 상황 인지 방법 및 시스템
CN113516139A (zh) 数据处理方法、装置、设备和存储介质
CN116311036A (zh) 行为识别方法、装置、计算机设备和存储介质
CN111259832B (zh) 一种犬只的识别方法，识别装置，机器可读介质以及系统
CN114255321A (zh) 采集宠物鼻纹的方法、装置、存储介质及电子设备
Mahajan et al. Neuralbee-a beehive health monitoring system
CN111544003A (zh) 一种基于传感器的武术动作识别系统、方法及存储介质
Yeşil et al. Recognition of Hereford and Simmental cattle breeds via computer vision.
KR20180133610A (ko) 특용 과수용 병해충 통합 예측 시스템을 위한 병해충 이미지 수집방법
Dineva et al. ANALYSIS OF DAIRY COW BEHAVIORAL PATTERNS USING A COMBINATION OF IOT DATA AND SIGNAL PROCESSING TECHNIQUES

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