CN108231156A - 一种基于可穿戴设备进行行为识别的患者活动情况分析系统及其方法 - Google Patents
一种基于可穿戴设备进行行为识别的患者活动情况分析系统及其方法 Download PDFInfo
- Publication number
- CN108231156A CN108231156A CN201711377527.6A CN201711377527A CN108231156A CN 108231156 A CN108231156 A CN 108231156A CN 201711377527 A CN201711377527 A CN 201711377527A CN 108231156 A CN108231156 A CN 108231156A
- Authority
- CN
- China
- Prior art keywords
- patient
- data
- activity
- information data
- carried out
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000004458 analytical method Methods 0.000 title claims description 24
- 230000001133 acceleration Effects 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000013480 data collection Methods 0.000 claims abstract description 10
- 230000003542 behavioural effect Effects 0.000 claims description 69
- 230000015572 biosynthetic process Effects 0.000 claims description 15
- 238000003786 synthesis reaction Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 4
- 230000003362 replicative effect Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 46
- 238000010586 diagram Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002980 postoperative effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013481 data capture Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明实施例公开了一种基于可穿戴设备进行行为识别患者活动情况的系统及其方法，其中，该系统包括：加速度传感器，用于采集患者行为信息数据；患者客户端，用于采集患者个人信息，对获取的患者行为信息进行特征选择；数据收集单元，用于收集采集到患者行为信息及个人信息，对患者行为信息进行提取、计算处理；数据库服务器，用于存储患者基个人信息及日常行为信息记录；计算服务器，用于对患者行为信息数据进行计算识别处理；医生客户端，用于根据患者就诊号查询到患者行为记录。在本发明实施例中，可以解决医生难以了解病人每天活动情况的问题，并可根据病人的每日活动情况进行评价；病人可以方便查看自己个人历史活动数据并可得到医生的建议。
Description
技术领域
本发明涉及互联网和模式识别、移动医疗、智能判断技术领域，尤其涉及一种基于可穿戴设备进行行为识别的患者活动情况分析系统及其方法。
背景技术
医院一直存在一个问题，医生、护士往往不能准确了解每个病人术前术后的活动情况，只能通过询问病人的方式来大致了解病人每天活动时长，缺乏一种量化的方式展现病人每天具体行为及时长。另一方面，病人住院时在未得到医生首肯前不敢私自加大运动量，这对术后恢复而言并不是很有利。因此，需要一款能够准确展示病人每天各行为运动时长的软件来解决这一问题。
可穿戴设备目前被广泛运用于个人健康和生理指标检测。可穿戴设备主要包括续航能力强、佩戴方便、受环境限制小等优点，在医院场景下使用可穿戴设备对病人进行行为监测是比较合乎实际的。但当前市面上基于手环的应用虽然也比较大多只能做到识别行走步数，而且对识别精度也比较低，比如摇晃手臂的动作经常会被误判为在行走。因为计算能力有限，现有基于手环的应用对数据基本不做预处理，所以受噪声和异常数据干扰很明显。
现有机器学习方法虽然在实验环境下能够做到较高识别准确率，但在实际应用中还存在一些问题。尤其是在医院环境下，现有的训练的通用模型识别每个病人行为的方法会遇到两个问题。一是不同疾病的病人日常行为特征差异十分巨大，很难通过一个通用模型来准确识别。二是对病人而言，训练集采集难度会比较大，往往很难有充足的训练数据，这会导致模型泛化能力较差。
在上述提到的几点问题中，任何一点都会导致对病人行为识别准确率不高。为了给病人和医生提供准确的运动时长信息，并根据病人每日运动时长给出准确评价以帮助他们调整每日活动时间，需要我们针对每个病人训练个性化的行为识别模型，但目前还没有一种能够解决该问题的完整方案。
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可穿戴设备进行行为识别的患者活动情况分析系统及其方法，可解决无论病人行为差异多大都能进行准确识别、清晰展示个人健康和生理指标情况。
为了解决上述问题，本发明提出了一种基于可穿戴设备进行行为识别的患者活动情况分析系统，所述系统包括：
加速度传感器，用于采集患者行为信息数据；
患者客户端，用于采集患者个人信息，对获取的患者行为信息进行特征选择；
数据收集模块，用于收集采集到患者行为信息及个人信息，对患者行为信息进行提取、计算处理；
数据库服务器，用于存储患者基个人信息及日常行为信息记录；
计算服务器，用于对患者行为信息数据进行计算识别处理；
医生客户端，用于根据患者就诊号查询到患者行为记录。
优选地，患者客户端在采集患者行为信息数据前需用户注册账户，注册时填入患者个人信息，则患者客户端将其存储到数据库服务器中。其中，用户注册信息包括就诊号、病床号、所属科室、入住时间等。每个患者的个人信息在数据库服务器中通过用户名和就诊号相关联。
优选地，患者客户端包括：
数据选择单元，用于采集患者个人信息、行为信息数据和特征子集选择；
统计单元，用于向数据库服务器发送请求患者行为信息数据的统计情况；
展示单元，用于获取展示数据库服务器将统计情况计算好的患者行为信息数据；
反馈单元，用于获取医生针对患者每日行为评价的反馈信息。
优选地，数据收集模块通过先和加速度传感器进行配对以采集行为信息数据后，对相应的行为进行标记并存储为csv文件，该文件被用于数据分析、特征计算。所采集的数据格式为第一列是采样者编号，第二列为x轴加速度，第三列为y轴加速度，第四列为z轴加速度。
优选地，数据收集模块包括：
预处理单元，用于对获取的行为信息数据提取空值，进行分离、过滤噪声、计算合成处理；
数据分段单元，用于对采样行为信息数据按照2秒大小进行分段；
特征值提取单元，用于对通过预处理单元的合成行为信息数据值进行计算、提取处理。
优选地，数据库服务器还用于对每个患者每日行为信息数据进行分类获得活动报告。
优选地，计算服务器可同时设置多个计算服务器，以防止同时又多个请求发生延时。
优选地，医生客户端包括：
检索单元，用于搜索患者就诊号，获取相应的住院期间活动情况统计；
评价单元，用于针对患者的行为信息统计数据对其活动情况进行评价。
优选地，医生可以通过医生客户端请求患者每日活动报告，结合患者恢复情况给予反馈建议信息。
相应地，本发明还公开了一种基于可穿戴设备进行行为识别的患者活动情况分析方法，该方法包括：
采集患者行为信息数据；
采集患者个人信息，对获取的患者行为信息数据进行特征选择；
收集采集到的行为信息数据，对其行为信息数据进行提取、计算处理；
存储患者个人信息及日常活动记录；
对患者行为信息数据进行计算识别处理；
获取展示数据库服务器将统计情况计算好的患者行为信息数据；
获取医生针对患者每日行为评价的反馈信息。
优选地，所述采集患者行为信息数据是按照1分钟的时间段来采集患者的行为信息数据。
优选地，所述进行特征选择的步骤包括：
将采集到的行为信息数据转为35维特征向量进行分析过滤处理，获得特征子集；
获取特征子集，通过判断准确率评价所述特征子集的优劣进行选择。
优选地，所述对其行为信息数据进行提取、计算处理包括：
对获取的行为信息数据提取空值，进行分离、过滤噪声、计算合成处理；
对采样行为信息数据按照2秒大小进行分段；
对合成的行为信息数据值进行计算、提取处理。
优选地，所述进行分离、过滤噪声、计算合成处理包括：
获取采集的行为信息数据，当采集到行为信息数据值为空时，则复制该值前一个采样加速度数据值；
当检测到连续五个空值时不再进行复制操作接下来的连续空，改为丢弃该采样数据。
采用滤波系数为0.5的一阶低通滤波器分离采集的行为信息数据中重力加速度分量和运动产生的线性加速度分量；
获取重力加速度分量及线性加速度分量，进行过滤处理；
将处理后的数据进行计算合成，合成行为信息数据和x轴、y轴和z轴加速度数据值一一对应；
对采样加速度数据值按段进行分割，每段采样加速度数据值大小为40个采样点，采样加速度数据段之间保持50％的数据重叠率；
分别对每个x轴数据段、y轴数据段、z轴数据段及合成加速度数据段计算均值、方差、标准差、均方根、偏度、峰度、最大值、最小值，同时，并计算x轴和y轴、y轴和z轴、z轴和x轴之间的相关度，共35个特征。
优选地，所述对患者行为信息数据进行计算识别处理包括：
对患者采集1分钟行为信息数据，进行去除开头10秒和结尾10秒的行为信息数据处理，获得实际只有时长40秒的行为信息数据；
结合患者的行为信息数据值进行计算处理，通过随机森林模型生成具有较高相关度的行为信息数据。
在本发明实施例中，可以解决医生难以了解病人每天活动情况的问题，并可根据病人的每日活动情况进行评价；病人可以方便查看自己个人历史活动数据并可得到医生的建议。
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是本发明实施例的一种基于可穿戴设备进行行为识别的患者活动期间情况分析系统的结构组成示意图；
图2是本发明实施例的一种基于可穿戴设备进行行为识别的患者活动期间情况分析方法的流程示意图。
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是本发明实施例的一种基于可穿戴设备进行行为识别的患者活动期间情况分析系统的结构组成示意图，如图1所示，该系统包括：
加速度传感器，用于采集患者行为信息数据；
患者客户端，用于采集患者个人信息，对获取的患者行为信息进行特征选择；
数据收集模块，用于收集采集到患者行为信息及个人信息，对患者行为信息进行提取、计算处理；
数据库服务器，用于存储患者基个人信息及日常行为信息记录；
计算服务器，用于对患者行为信息数据进行计算识别处理；
医生客户端，用于根据患者就诊号查询到患者行为记录。
在具体实施中，加速度传感器的佩戴位置统一为右手手腕，其采集行为信息数据的采样频率为20Hz到40Hz之间。采集所述行为信息数据后通过蓝牙装置发送到数据收集单元中，且该蓝牙装置至少能保证覆盖范围是整个病房。
具体地，患者客户端在采集患者行为信息数据前需用户注册账户，注册时填入患者个人信息，则患者客户端将其存储到数据库服务器中。其中，用户注册信息包括就诊号、病床号、所属科室、入住时间等。每个患者的个人信息在数据库服务器中通过用户名和就诊号相关联。
进一步地，患者客户端包括：
数据选择单元，用于采集患者个人信息、行为信息数据和特征子集选择；
统计单元，用于向数据库服务器发送请求患者行为信息数据的统计情况；
展示单元，用于获取展示数据库服务器将统计情况计算好的患者行为信息数据；
反馈单元，用于获取医生针对患者每日行为评价的反馈信息。
其中，所述采集患者行为信息数据和特征子集选择前，需要患者按下患者行为信息数据采集按键，各采集1分钟行为信息数据，包括静坐、站立、上楼、下楼、步行、慢跑六种，随后将去除开头10秒和结尾10秒的行为信息数据上传到数据库服务器中。
具体地，数据收集模块通过先和加速度传感器进行配对以采集行为信息数据后，对相应的行为进行标记并存储为csv文件，该文件被用于数据分析、特征计算。所采集的数据格式为第一列是采样者编号，第二列为x轴加速度，第三列为y轴加速度，第四列为z轴加速度。
进一步地，数据收集模块包括：
预处理单元，用于对获取的行为信息数据提取空值，进行分离、过滤噪声、计算合成处理；
数据分段单元，用于对采样行为信息数据按照2秒大小进行分段；
特征值提取单元，用于对通过预处理单元的合成行为信息数据值进行计算、提取处理。
在具体实施例中，数据库服务器还用于对每个患者每日行为信息数据进行分类获得活动报告。
进一步地，计算服务器可同时设置多个计算服务器，以防止同时又多个请求发生延时。
具体地，医生客户端包括：
检索单元，用于搜索患者就诊号，获取相应的住院期间活动情况统计；
评价单元，用于针对患者的行为信息统计数据对其活动情况进行评价。
进一步地，医生可以通过医生客户端请求患者每日活动报告，结合患者恢复情况给予反馈建议信息。
相应地，本发明实施例公开了一种基于可穿戴设备进行行为识别的患者活动情况分析方法，如图2所示，该方法包括：
S1，采集患者行为信息数据；
S2，采集患者个人信息，对获取的患者行为信息数据进行特征选择；
S3，收集采集到的行为信息数据，对其行为信息数据进行提取、计算处理；
S4，存储患者个人信息及日常活动记录；
S5，对患者行为信息数据进行计算识别处理；
S6，获取展示数据库服务器将统计情况计算好的患者行为信息数据；
S7，获取医生针对患者每日行为评价的反馈信息。
具体地，S1中所述采集患者行为信息数据是按照1分钟的时间段来采集患者的行为信息数据。
S2中所述进行特征选择的步骤包括：
S21，将采集到的行为信息数据转为35维特征向量进行分析过滤处理，获得特征子集；
S22，获取特征子集，通过判断准确率评价所述特征子集的优劣进行选择。
具体地，S3所述对其行为信息数据进行提取、计算处理包括：
S31，对获取的行为信息数据提取空值，进行分离、过滤噪声、计算合成处理；
S32，对采样行为信息数据按照2秒大小进行分段；
S33，对合成的行为信息数据值进行计算、提取处理。
其中，S31进一步包括：
S311，获取采集的行为信息数据，当采集到行为信息数据值为空时，则复制该值前一个采样加速度数据值；
当检测到连续五个空值时不再进行复制操作接下来的连续空，改为丢弃该采样数据。
S312，采用滤波系数为0.5的一阶低通滤波器分离采集的行为信息数据中重力加速度分量和运动产生的线性加速度分量；
S313，获取重力加速度分量及线性加速度分量，进行过滤处理；
S314，将经S313处理后的数据进行计算合成，合成行为信息数据和x轴、y轴和z轴加速度数据值一一对应；
S315，对采样加速度数据值按段进行分割，每段采样加速度数据值大小为40个采样点，采样加速度数据段之间保持50％的数据重叠率；
S316，分别对每个x轴数据段、y轴数据段、z轴数据段及合成加速度数据段计算均值、方差、标准差、均方根、偏度、峰度、最大值、最小值，同时，并计算x轴和y轴、y轴和z轴、z轴和x轴之间的相关度，共35个特征。
其中，S313中所述进行过滤处理是使用窗口大小为10的活动均值滤波器，目的是为了降低噪音对实验结果的干扰。
在具体实施例中，S4还包括对每个患者每日行为信息数据进行分类获得活动报告。
S5进一步包括：
S51，对患者采集1分钟行为信息数据，进行去除开头10秒和结尾10秒的行为信息数据处理，获得实际只有时长40秒的行为信息数据；
S52，结合患者的行为信息数据值进行计算处理，通过随机森林模型生成具有较高相关度的行为信息数据。
在本发明实施例中，可以解决医生难以了解病人每天活动情况的问题，并可根据病人的每日活动情况进行评价；病人可以方便查看自己个人历史活动数据并可得到医生的建议。
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一种基于可穿戴设备进行行为识别的患者活动情况分析系统及其方法进行了详细介绍，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 (10)
1.一种基于可穿戴设备进行行为识别的患者活动情况分析系统，其特征在于，所述系统包括：
加速度传感器，用于采集患者行为信息数据；
患者客户端，用于采集患者个人信息，对获取的患者行为信息进行特征选择；
数据收集模块，用于收集患者行为信息及个人信息，对患者行为信息进行提取、计算处理；
数据库服务器，用于存储患者个人信息及日常行为信息记录；
计算服务器，用于对患者行为信息数据进行计算识别处理；
医生客户端，用于根据患者就诊号查询到患者行为记录。
2.根据权利要求1所述的一种基于可穿戴设备进行行为识别的患者活动情况分析系统，其特征在于，所述患者客户端包括：
数据选择单元，用于采集患者个人信息、行为信息数据和特征子集选择；
统计单元，用于向数据库服务器发送请求患者行为信息数据的统计情况；
展示单元，用于获取展示数据库服务器将统计情况计算好的患者行为信息数据；
反馈单元，用于获取医生针对患者每日行为评价的反馈信息。
3.根据权利要求1所述的一种基于可穿戴设备进行行为识别的患者活动情况分析系统，其特征在于，所述数据收集模块包括：
预处理单元，用于对获取的行为信息数据提取空值，进行分离、过滤噪声、计算合成处理；
数据分段单元，用于对采样行为信息数据按照2秒大小进行分段；
特征值提取单元，用于对通过预处理单元的合成行为信息数据值进行计算、提取处理。
4.根据权利要求1所述的一种基于可穿戴设备进行行为识别的患者活动情况分析系统，其特征在于，所述数据库服务器还用于对每个患者每日行为信息数据进行分类获得活动报告。
5.根据权利要求1所述的一种基于可穿戴设备进行行为识别的患者活动情况分析系统，其特征在于，所述医生客户端包括：
检索单元，用于搜索患者就诊号，获取相应的住院期间活动情况统计；
评价单元，用于针对患者的行为信息统计数据对其活动情况进行评价。
6.根据权利要求1所述的一种基于可穿戴设备进行行为识别的患者活动情况分析系统，其特征在于，还可以通过医生客户端请求患者每日活动报告，结合患者恢复情况给予反馈建议信息。
7.一种基于可穿戴设备进行行为识别的患者活动情况分析方法，其特征在于，该方法包括：
采集患者行为信息数据；
采集患者个人信息，对获取的患者行为信息数据进行特征选择；
收集采集到的行为信息数据，对其行为信息数据进行提取、计算处理；
存储患者个人信息及日常活动记录；
对患者行为信息数据进行计算识别处理；
获取展示数据库服务器将统计情况计算好的患者行为信息数据；
获取医生针对患者每日行为评价的反馈信息。
8.根据权利要求7所述的一种基于可穿戴设备进行行为识别的患者活动情况分析方法，其特征在于，所述进行特征选择的步骤包括：
将采集到的行为信息数据转为35维特征向量进行分析过滤处理，获得特征子集；
获取特征子集，通过判断准确率评价所述特征子集的优劣进行选择。
9.根据权利要求7所述的一种基于可穿戴设备进行行为识别的患者活动情况分析方法，其特征在于，所述对其行为信息数据进行提取、计算处理包括：
对获取的行为信息数据提取空值，进行分离、过滤噪声、计算合成处理；
对采样行为信息数据按照2秒大小进行分段；
对合成的行为信息数据值进行计算、提取处理。
10.根据权利要求7所述的一种基于可穿戴设备进行行为识别的患者活动情况分析方法，其特征在于，所述进行分离、过滤噪声、计算合成处理包括：
获取采集的行为信息数据，当采集到行为信息数据值为空时，则复制该值前一个采样加速度数据值；
当检测到连续五个空值时不再进行复制操作接下来的连续空，改为丢弃该采样数据。
采用滤波系数为0.5的一阶低通滤波器分离采集的行为信息数据中重力加速度分量和运动产生的线性加速度分量；
获取重力加速度分量及线性加速度分量，进行过滤处理；
将处理后的数据进行计算合成，合成行为信息数据和x轴、y轴和z轴加速度数据值一一对应；
对采样加速度数据值按段进行分割，每段采样加速度数据值大小为40个采样点，采样加速度数据段之间保持50％的数据重叠率；
分别对每个x轴数据段、y轴数据段、z轴数据段及合成加速度数据段计算均值、方差、标准差、均方根、偏度、峰度、最大值、最小值，同时，并计算x轴和y轴、y轴和z轴、z轴和x轴之间的相关度，共35个特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711377527.6A CN108231156A (zh) | 2017-12-19 | 2017-12-19 | 一种基于可穿戴设备进行行为识别的患者活动情况分析系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711377527.6A CN108231156A (zh) | 2017-12-19 | 2017-12-19 | 一种基于可穿戴设备进行行为识别的患者活动情况分析系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108231156A true CN108231156A (zh) | 2018-06-29 |
Family
ID=62651943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711377527.6A Pending CN108231156A (zh) | 2017-12-19 | 2017-12-19 | 一种基于可穿戴设备进行行为识别的患者活动情况分析系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108231156A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109192296A (zh) * | 2018-08-28 | 2019-01-11 | 广东省半导体产业技术研究院 | 一种可穿戴设备管理方法与系统 |
| CN109816203A (zh) * | 2018-12-24 | 2019-05-28 | 北京智慧云行科技有限责任公司 | 一种环卫作业实时行为分析系统 |
| CN109961090A (zh) * | 2019-02-28 | 2019-07-02 | 广州杰赛科技股份有限公司 | 一种基于智能穿戴设备的行为分类方法及系统 |
| CN110689041A (zh) * | 2019-08-20 | 2020-01-14 | 陈羽旻 | 一种多目标行为动作识别预测方法、电子设备及存储介质 |
| CN111006683A (zh) * | 2019-11-27 | 2020-04-14 | 青岛歌尔智能传感器有限公司 | 计步装置及其计步方法、控制器和可读存储介质 |
| WO2021008073A1 (zh) * | 2019-07-15 | 2021-01-21 | 南京医科大学 | 一种实验小鼠饮水监测方法、系统及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011066252A2 (en) * | 2009-11-25 | 2011-06-03 | The Board Of Governors For Higher Education, State Of Rhode Island And Providence Plantations | Systems and methods for providing an activity monitor and analyzer with voice direction for exercise |
| CN105943065A (zh) * | 2016-06-29 | 2016-09-21 | 北京工业大学 | 一种基于脑信息学系统化方法学的人体可穿戴生理-心理-行为数据采集与分析系统 |
| CN106843395A (zh) * | 2017-01-20 | 2017-06-13 | 刘园 | 一种可穿戴健康管理设备及其使用方法 |
-
2017
- 2017-12-19 CN CN201711377527.6A patent/CN108231156A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011066252A2 (en) * | 2009-11-25 | 2011-06-03 | The Board Of Governors For Higher Education, State Of Rhode Island And Providence Plantations | Systems and methods for providing an activity monitor and analyzer with voice direction for exercise |
| CN105943065A (zh) * | 2016-06-29 | 2016-09-21 | 北京工业大学 | 一种基于脑信息学系统化方法学的人体可穿戴生理-心理-行为数据采集与分析系统 |
| CN106843395A (zh) * | 2017-01-20 | 2017-06-13 | 刘园 | 一种可穿戴健康管理设备及其使用方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109192296A (zh) * | 2018-08-28 | 2019-01-11 | 广东省半导体产业技术研究院 | 一种可穿戴设备管理方法与系统 |
| CN109192296B (zh) * | 2018-08-28 | 2021-09-24 | 广东省半导体产业技术研究院 | 一种可穿戴设备管理方法与系统 |
| CN109816203A (zh) * | 2018-12-24 | 2019-05-28 | 北京智慧云行科技有限责任公司 | 一种环卫作业实时行为分析系统 |
| CN109961090A (zh) * | 2019-02-28 | 2019-07-02 | 广州杰赛科技股份有限公司 | 一种基于智能穿戴设备的行为分类方法及系统 |
| WO2021008073A1 (zh) * | 2019-07-15 | 2021-01-21 | 南京医科大学 | 一种实验小鼠饮水监测方法、系统及装置 |
| CN110689041A (zh) * | 2019-08-20 | 2020-01-14 | 陈羽旻 | 一种多目标行为动作识别预测方法、电子设备及存储介质 |
| CN111006683A (zh) * | 2019-11-27 | 2020-04-14 | 青岛歌尔智能传感器有限公司 | 计步装置及其计步方法、控制器和可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108231156A (zh) | 一种基于可穿戴设备进行行为识别的患者活动情况分析系统及其方法 | |
| Mekruksavanich et al. | Exercise activity recognition with surface electromyography sensor using machine learning approach | |
| CN112580552B (zh) | 一种鼠类行为分析方法及装置 | |
| CN110706786B (zh) | 非接触式心理参数智能分析与评测系统 | |
| CN103514302A (zh) | 人体步态数据库及其建立方法 | |
| Kang et al. | Real-time elderly activity monitoring system based on a tri-axial accelerometer | |
| CN106580282A (zh) | 一种人体健康监测装置、系统及方法 | |
| Guenterberg et al. | An automatic segmentation technique in body sensor networks based on signal energy | |
| 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 | |
| CN104490401A (zh) | 基于加速度数据的智能终端进行人体行为自动识别的方法 | |
| Al-Ghannam et al. | Prayer activity monitoring and recognition using acceleration features with mobile phone | |
| Lee et al. | A single tri-axial accelerometer-based real-time personal life log system capable of activity classification and exercise information generation | |
| CN106503431B (zh) | 运动数据的处理方法 | |
| CN114343574B (zh) | 一种睡眠质量评估方法及客户端、服务器、存储介质 | |
| Sheng et al. | An adaptive time window method for human activity recognition | |
| CN105877730B (zh) | 一种心率检测方法、装置及电子设备 | |
| CN117690583B (zh) | 基于物联网的康复护理交互式管理系统及方法 | |
| Bagui et al. | An improved step counting algorithm using classification and double autocorrelation | |
| CN109480852A (zh) | 体征监测方法、系统、可穿戴式的信号采集设备 | |
| CN110598599A (zh) | 基于Gabor原子分解的人体异常步态检测方法和装置 | |
| CN103984857A (zh) | 一种帕金森病情监控系统和方法 | |
| Patil et al. | An Adaptive parameter free data mining approach for healthcare application | |
| Saleh et al. | An efficient machine learning-based fall detection algorithm using local binary features | |
| KR101483218B1 (ko) | 활동 진단 장치 | |
| Kumar et al. | Fall detection and activity recognition using hybrid convolution neural network and extreme gradient boosting classifier |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180629 |