CN108764030A - 一种老年人跌倒检测方法、设备及存储设备 - Google Patents
一种老年人跌倒检测方法、设备及存储设备 Download PDFInfo
- Publication number
- CN108764030A CN108764030A CN201810344105.7A CN201810344105A CN108764030A CN 108764030 A CN108764030 A CN 108764030A CN 201810344105 A CN201810344105 A CN 201810344105A CN 108764030 A CN108764030 A CN 108764030A
- Authority
- CN
- China
- Prior art keywords
- tumble
- risk
- sample
- falls
- indicate
- 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
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种老年人跌倒检测方法、设备及存储设备,基于风险分析,提出一种老年人跌倒检测方法,通过引入风险矩阵,定义单个样本的风险函数以及总体风险函数,将提高老年人跌倒识别率的问题转化为求解最小化风险函数的问题,采用基于贝叶斯和基于NP的方法,分别求解单个样本的风险函数和总体风险函数的最小化;一种老年人跌倒检测设备及存储设备,用于实现基于风险分析的老年人跌倒检测方法。本发明的有益效果是:本发明提供的技术方案,提高了对老年人跌倒的有效识别率,提高了老年人的人身安全,降低了老年人跌倒引起的安全隐患。
Description
技术领域
本发明涉及机器学习领域,尤其涉及一种老年人跌倒检测方法、设备及存储设备。
背景技术
跌倒是老年人群中一个非常普遍的现象,严重影响老年人的健康水平,因而国内外学者对老年人跌到检测做出了众多研究。跌到检测算法作为跌到检测系统的核心,目前研究的趋势是采用机器学习的方法,即根据给定的训练集训练得到分类预测模型来进行跌倒判断。然而,在评估一个算法模型时,大多数研究是基于整体准确度,忽略了跌到检测代价风险性问题,即一次跌倒事件的漏判产生的代价是远远大于一次非跌倒行为的误判,存在着跌倒有效识别率低的问题。因此,如何通过一种方法,对已经得到模型进行有效的改进,最大限度提高跌倒的有效识别率,降低代价风险,是一个重要的问题。
发明内容
为了解决上述问题,本发明提供了一种老年人跌倒检测方法、设备及存储设备,一种老年人跌倒检测方法,主要包括以下步骤:
S101:根据分类算法,采用样本训练的方法,得到一个初始分类模型;
S102:根据所述初始分类模型,得到每个样本的概率输出结果,所述每个样本的概率输出结果作为后验概率;
S103:根据训练样本,分别统计样本的跌倒正确识别率和非跌倒正确识别率;
S104:建立风险矩阵,所述风险矩阵中的每一项元素代表每一种识别情况下的风险因子,即所述风险矩阵中的每一项元素代表每一种分类预测结果带来的风险;
S105:根据所述后验概率和所述风险因子,建立单个样本风险函数;根据所述后验概率和跌倒正确识别率及非跌倒正确识别率,建立总体风险函数;
S106:通过最小化所述单个样本的风险函数和总体风险函数,得到最终的分类模型;
S107:根据所述最终的分类模型,对实际的数据进行分类,判断老人是否跌倒。
进一步地,在步骤S102中,所述后验概率包括跌倒概率和非跌倒概率。
进一步地,在步骤S104中,创建一个2x2的矩阵为所述风险矩阵,其中,所述风险矩阵的每一项元素λij代表风险因子,λij表示原本为第j类却被预测为第i类的风险。
进一步地,在步骤S105中,建立的所述单个样本的风险函数如公式(1)所示:
其中,i=1表示所述单个样本预测为跌倒的风险,i=2表示所述单个样本预测为非跌倒的风险,P(ωj|x)表示后验概率,λij表示原本为第j类却被预测为第i类的风险,j=1表示所述单个样本为预测跌倒的概率,j=2表示所述单个样本预测为非跌倒的概率;
建立的所述总体风险函数如公式(2)所示:
γ=P(ω1)[β1λ11+(1-β1)λ21]+P(ω2)[β2λ22+(1-β2)λ12] (2)
其中,P(ω1)与P(ω2)为先验概率,分别表示跌倒样本在整个训练样本中所占的比率和非跌倒样本在整个训练样本中所占的比率,β1与β2分别为样本的跌倒正确识别率与非跌倒的正确识别率,λ21表示跌倒样本预测为非跌倒的风险,λ12表示非跌倒样本预测为跌倒的风险,λ11表示跌倒样本预测为跌倒的风险,λ22表示非跌倒样本预测为非跌倒的风险,β1λ11表示跌倒样本被正确分类为跌倒时带来的总体风险,(1-β1)λ21表示跌倒样本被错误分类为非跌倒时带来的总体风险,β2λ22表示非跌倒样本被正确分类非跌倒时带来的总体风险,(1-β2)λ12表示非跌倒样本被错误分类为跌倒时带来的总体风险。
进一步地,在步骤S106中,采用最小风险的贝叶斯决策最小化单个样本的风险函数,采用基于NP的决策规则最小化总体风险函数,即设定跌倒的正确识别率不低于预设阈值ε0,然后引入高斯分布的类概率密度函数,根据拉格朗日乘子法和高斯分布的性质,得到在所述预设阈值ε0下的最小化总体风险函数。
一种存储设备,其特征在于:所述存储设备存储指令及数据用于实现一种老年人跌倒检测方法。
一种老年人跌倒检测设备,其特征在于:包括:处理器及所述存储设备;所述处理器加载并执行所述存储设备中的指令及数据用于实现一种老年人跌倒检测方法。
本发明提供的技术方案带来的有益效果是:本发明提供的技术方案,提高了对老年人跌倒的有效识别率,提高了老年人的人身安全,降低了老年人跌倒引起的安全隐患。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中一种老年人跌倒检测方法的流程图;
图2是本发明实施例中硬件设备工作的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种老年人跌倒检测方法、设备及存储设备。
请参考图1,图1是本发明实施例中一种老年人跌倒检测方法的流程图,具体包括以下步骤:
S101:根据分类算法,采用样本训练的方法,得到一个初始分类模型;所述分类算法可在现有分类算法中任意选择;
S102:根据所述分类模型,得到每个样本的概率输出结果,所述每个样本的概率输出结果作为后验概率;所述后验概率包括跌倒概率和非跌倒概率;
S103:根据训练样本,分别统计样本的跌倒正确识别率和非跌倒正确识别率;
S104:建立风险矩阵,所述风险矩阵中的每一项元素代表每一种识别情况下的风险因子,即所述风险矩阵中的每一项元素代表每一种分类预测结果带来的风险;创建一个2x2的矩阵为所述风险矩阵,如表1所示:
表1 2x2的风险矩阵
其中,所述风险矩阵的每一项元素λij代表风险因子,λij表示原本为第j类却被预测为第i类的风险;如表1中所示,λ21表示跌倒样本预测为非跌倒的风险,λ12表示非跌倒样本预测为跌倒的风险,λ11表示跌倒样本预测为跌倒的风险,λ22表示非跌倒样本预测为非跌倒的风险;在定义所述风险矩阵时,满足两个原则:1)λ11=λ22=0,代表样本被正确分类的风险为0,即所述样本完全被正确分类,也即表示跌倒的样本λ11被正确预测为跌倒,表示非跌倒的样本λ22被正确预测为非跌倒;2)跌倒被预测为非跌倒的风险因子远远大于非跌倒被预测为跌倒的风险因子;
S105:根据所述后验概率和所述风险因子,建立单个样本风险函数;根据所述后验概率和跌倒正确识别率及非跌倒正确识别率,建立总体风险函数;以量化的形式表述跌倒检测的风险问题;建立的所述单个样本的风险函数如公式(1)所示:
其中,i=1表示所述单个样本预测为跌倒的风险,i=2表示所述单个样本预测为非跌倒的风险,P(ωj|x)表示后验概率,λij表示原本为第j类却被预测为第i类的风险,j=1表示所述单个样本为预测跌倒的概率,j=2表示所述单个样本预测为非跌倒的概率;
建立的所述总体风险函数如公式(2)所示:
γ=P(ω1)[β1λ11+(1-β1)λ21]+P(ω2)[β2λ22+(1-β2)λ12] (2)
其中,P(ω1)与P(ω2)为先验概率,分别表示跌倒样本在整个训练样本中所占的比率和非跌倒样本在整个训练样本中所占的比率,β1与β2分别为样本的跌倒正确识别率与非跌倒的正确识别率,λ21表示跌倒样本预测为非跌倒的风险,λ12表示非跌倒样本预测为跌倒的风险,λ11表示跌倒样本预测为跌倒的风险,λ22表示非跌倒样本预测为非跌倒的风险,β1λ11表示跌倒样本被正确分类为跌倒时带来的总体风险,(1-β1)λ21表示跌倒样本被错误分类为非跌倒时带来的总体风险,β2λ22表示非跌倒样本被正确分类为非跌倒时带来的总体风险,(1-β2)λ12表示非跌倒样本被错误分类为跌倒时带来的总体风险;
S106:通过最小化所述单个样本的风险函数和总体风险函数,得到最终的分类模型;采用最小风险的贝叶斯决策最小化单个样本的风险函数,具体决策规则如公式(3)所示:
其中,i=1表示预测为跌倒时的决策风险,i=2表示预测为非跌倒时的决策风险;单个样本被预测为哪个类别的风险最小时,将其分到决策风险最小的类别,保证期望风险达到最小;
令i=1时的决策风险与i=2时的决策风险相等,则得到公式(4):
λ11P(ω1|x)+λ12P(ω2|x)=λ21P(ω1|x)+λ22P(ω2|x) (4)
其中,P(w1|x)和P(w2|x)分别表示i=1和i=2时的后验概率,λ21表示跌倒样本预测为非跌倒的风险,λ12表示非跌倒样本预测为跌倒的风险,λ11表示跌倒样本预测为跌倒的风险,λ22表示非跌倒样本预测为非跌倒的风险;
由于P(ω2|x)=1-P(ω1|x)且λ11=λ22=0,得到公式(5):
p(ω1|x)=λ12/(λ21+λ12) (5)
其中,后验概率p(ω1|x)为样本所需的最佳的分类判定阈值,在给定了所述风险矩阵的情况下,所述判定阈值可以通过风险因子计算出来;通过所述分类模型的概率输出结果与所述判定阈值进行比较,得到跌倒检测的结果,若所述概率输出结果小于所述阈值,则样本被预测为跌倒,否则,则样本被预测为非跌倒;
采用基于NP的决策规则最小化总体风险函数,即设定跌倒的正确识别率不低于预设阈值ε0,然后引入高斯分布的类概率密度函数,根据拉格朗日乘子法和高斯分布的性质,得到在所述预设阈值ε0下的最小化总体风险函数;所述NP决策规则为:在限定一类错误率为常数的情况下,要求另一类错误率最小的决策规则;由于λ11=λ22=0,所述总体风险函数γ可转化为下式:
γ=P(ω1)(1-β1)λ21+P(ω2)(1-β2)λ12 (6)
其中,γ为总体风险函数,P(ω1)与P(ω2)为先验概率,分别表示跌倒样本在整个样本中所占的比率和非跌倒样本在整个样本中所占的比率,而β1与β2则分别是总体的跌倒正确识别率与非跌倒的正确识别率;(1-β1)λ21表示跌倒样本被错误分类为非跌倒时带来的总体风险,(1-β2)λ12表示非跌倒样本被错误分类为跌倒时带来的总体风险;
引入输入的离散特征的类条件概率密度,得到公式(7):
其中,p(x|ω1)与p(x|ω2)分别为跌倒的类条件概率密度函数和非跌倒的类条件概率密度函数,R1与R2分别为跌倒的类决策域和非跌倒的类决策域;
将公式(6)代入公式(7),同时根据类条件概率密度函数的性质:和拉格朗日乘子法,将基于NP的决策规则最小化总体风险函数的问题变为限定跌倒有效识别率β1不小于ε0的问题,并求解最小化的总体风险γ,得到公式(8):
其中,λ是拉格朗日乘子,R1为跌倒的类决策域,ε0为所述预设阈值,p(x|ω1)与p(x|ω2)分别为跌倒的类条件概率密度函数和非跌倒的类条件概率密度函数,λ21表示跌倒样本预测为非跌倒的风险,λ12表示非跌倒样本预测为跌倒的风险,P(ω1)与P(ω2)为先验概率,分别表示跌倒样本在整个训练样本中所占的比率和非跌倒样本在整个训练样本中所占的比率;
将公式(8)对x和λ分别求导,令求导后的式子等于0,得到公式(9):
其中,λ是拉格朗日乘子,R1为跌倒的类决策域,ε0为所述预设阈值,p(x|ω1)与p(x|ω2)分别为跌倒的类条件概率密度函数和非跌倒的类条件概率密度函数,λ21表示跌倒样本预测为非跌倒的风险,λ12表示非跌倒样本预测为跌倒的风险,P(ω1)与P(ω2)为先验概率,分别表示跌倒样本在整个训练样本中所占的比率和非跌倒样本在整个训练样本中所占的比率;
求解公式(9),得到的解x*和λ*即为使得β1不小于ε0的边界条件;
令则公式(9)可以变为:Ω为l(x)=A的解。
跌倒样本和非跌倒样本在离散特征空间中属于正态分布,即使得β1不小于ε0的边界条件可以转化为如下公式:
由于p(x|ω1)服从高斯分布,由高斯分布的性质:φ(x)=ε0可知,在给点的所述预设阈值ε0下,可求得A的数值解,求解出最小化的总体风险γ;
S107:根据所述最终的分类模型,对实际的数据进行分类,判断老人是否跌倒;利用所述最终的分类模型提高了跌倒的正确识别率,从而达到降低风险,提高跌倒检测的有效识别率的目的。
请参见图2,图2是本发明实施例的硬件设备工作示意图,所述硬件设备具体包括:一种老年人跌倒检测设备201、处理器202及存储设备203。
一种老年人跌倒检测设备201:所述一种老年人跌倒检测设备201实现所述一种老年人跌倒检测方法。
处理器202:所述处理器202加载并执行所述存储设备203中的指令及数据用于实现所述一种老年人跌倒检测方法。
存储设备203:所述存储设备203存储指令及数据;所述存储设备203用于实现所述一种老年人跌倒检测方法。
本发明的有益效果是:本发明提供的技术方案,提高了对老年人跌倒的有效识别率,提高了老年人的人身安全,降低了老年人跌倒引起的安全隐患。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种老年人跌倒检测方法,其特征在于:包括以下步骤:
S101:根据分类算法,采用样本训练的方法,得到一个初始分类模型;
S102:根据所述初始分类模型,得到每个样本的概率输出结果,所述每个样本的概率输出结果作为后验概率;
S103:根据训练样本,分别统计所述训练样本的跌倒正确识别率和非跌倒正确识别率;
S104:建立风险矩阵,所述风险矩阵中的每一项元素代表每一种识别情况下的风险因子,即所述风险矩阵中的每一项元素代表每一种分类预测结果带来的风险;
S105:根据所述后验概率和所述风险因子,建立单个样本风险函数;根据所述后验概率和统计的跌倒正确识别率及非跌倒正确识别率,建立总体风险函数;
S106:通过最小化所述单个样本的风险函数和总体风险函数,得到最终的分类模型;
S107:根据所述最终的分类模型,对实际的数据进行分类,判断老人是否跌倒。
2.如权利要求1所述的一种老年人跌倒检测方法,其特征在于:在步骤S102中,所述后验概率包括跌倒概率和非跌倒概率。
3.如权利要求1所述的一种老年人跌倒检测方法,其特征在于:在步骤S104中,创建一个2x2的矩阵为所述风险矩阵,其中,所述风险矩阵的每一项元素λij代表风险因子,λij表示原本为第j类却被预测为第i类的风险。
4.如权利要求3所述的一种老年人跌倒检测方法,其特征在于:在步骤S105中,建立的所述单个样本的风险函数如公式(1)所示:
其中,i=1表示所述单个样本预测为跌倒的风险,i=2表示所述单个样本预测为非跌倒的风险,P(ωj|x)表示后验概率,λij表示原本为第j类却被预测为第i类的风险,j=1表示所述单个样本为预测跌倒的概率,j=2表示所述单个样本预测为非跌倒的概率;
建立的所述总体风险函数如公式(2)所示:
γ=P(ω1)[β1λ11+(1-β1)λ21]+P(ω2)[β2λ22+(1-β2)λ12] (2)
其中,P(ω1)与P(ω2)为先验概率,分别表示跌倒样本在整个训练样本中所占的比率和非跌倒样本在整个训练样本中所占的比率,β1与β2分别为所述训练样本的跌倒正确识别率与非跌倒的正确识别率,λ21表示跌倒样本预测为非跌倒的风险,λ12表示非跌倒样本预测为跌倒的风险,λ11表示跌倒样本预测为跌倒的风险,λ22表示非跌倒样本预测为非跌倒的风险,β1λ11表示跌倒样本被正确分类为跌倒时带来的总体风险,(1-β1)λ21表示跌倒样本被错误分类为非跌倒时带来的总体风险,β2λ22表示非跌倒样本被正确分类非跌倒时带来的总体风险,(1-β2)λ12表示非跌倒样本被错误分类为跌倒时带来的总体风险。
5.如权利要求4所述的一种老年人跌倒检测方法,其特征在于:在步骤S106中,采用最小风险的贝叶斯决策最小化单个样本的风险函数,采用基于NP的决策规则最小化总体风险函数,即设定跌倒的正确识别率不低于预设阈值ε0,然后引入高斯分布的类概率密度函数,根据拉格朗日乘子法和高斯分布的性质,得到在所述预设阈值ε0下的最小化总体风险函数。
6.一种存储设备,其特征在于:所述存储设备存储指令及数据用于实现权利要求1~5所述的任意一种老年人跌倒检测方法。
7.一种老年人跌倒检测设备,其特征在于:包括:处理器及所述存储设备;所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1~5所述的任意一种老年人跌倒检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810344105.7A CN108764030A (zh) | 2018-04-17 | 2018-04-17 | 一种老年人跌倒检测方法、设备及存储设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810344105.7A CN108764030A (zh) | 2018-04-17 | 2018-04-17 | 一种老年人跌倒检测方法、设备及存储设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764030A true CN108764030A (zh) | 2018-11-06 |
Family
ID=64010904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810344105.7A Pending CN108764030A (zh) | 2018-04-17 | 2018-04-17 | 一种老年人跌倒检测方法、设备及存储设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764030A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090210362A1 (en) * | 2008-02-14 | 2009-08-20 | Microsoft Corporation | Object detector trained using a working set of training data |
CN105426814A (zh) * | 2015-10-30 | 2016-03-23 | 苏州领泰数字医疗设备有限公司 | 一种基于手机的老人跌倒检测方法 |
CN106960541A (zh) * | 2017-03-10 | 2017-07-18 | 浙江大学城市学院 | 自适应多级跌倒检测方法 |
CN107220604A (zh) * | 2017-05-18 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于视频的跌倒检测方法 |
-
2018
- 2018-04-17 CN CN201810344105.7A patent/CN108764030A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090210362A1 (en) * | 2008-02-14 | 2009-08-20 | Microsoft Corporation | Object detector trained using a working set of training data |
CN105426814A (zh) * | 2015-10-30 | 2016-03-23 | 苏州领泰数字医疗设备有限公司 | 一种基于手机的老人跌倒检测方法 |
CN106960541A (zh) * | 2017-03-10 | 2017-07-18 | 浙江大学城市学院 | 自适应多级跌倒检测方法 |
CN107220604A (zh) * | 2017-05-18 | 2017-09-29 | 清华大学深圳研究生院 | 一种基于视频的跌倒检测方法 |
Non-Patent Citations (1)
Title |
---|
黄帅: "老年人跌倒检测系统中相关算法的研究及应用", 《中国优秀硕士学位论文全文数据库.信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | A probabilistic classifier for transformer dissolved gas analysis with a particle swarm optimizer | |
CN108540451A (zh) | 一种用机器学习技术对网络攻击行为进行分类检测的方法 | |
CN111898839B (zh) | 电力用户的重要程度分类方法及装置 | |
CN104299115B (zh) | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 | |
Draws et al. | Assessing viewpoint diversity in search results using ranking fairness metrics | |
Ganapathy et al. | A novel weighted fuzzy C–means clustering based on immune genetic algorithm for intrusion detection | |
Chandolikar et al. | Efficient algorithm for intrusion attack classification by analyzing KDD Cup 99 | |
CN110223193A (zh) | 基于模糊聚类和rs-knn模型用于电网运行状态的判别方法及系统 | |
CN114707571B (zh) | 基于增强隔离森林的信用数据异常检测方法 | |
EP4071641A1 (en) | Evaluation method, evaluation program, and information processing device | |
CN103440410A (zh) | 主变个体缺陷概率预测方法 | |
CN110502677A (zh) | 一种设备识别方法、装置及设备、存储介质 | |
CN113125903A (zh) | 线损异常检测方法、装置、设备及计算机可读存储介质 | |
CN115033591A (zh) | 一种电费数据异常智能检测方法、系统、存储介质及计算机设备 | |
CN108496185A (zh) | 用于对象检测的系统和方法 | |
CN108153899A (zh) | 一种智能化文本分类方法 | |
CN107067041A (zh) | 一种基于高频局放信号图的电缆绝缘缺陷状态评估方法 | |
Gong et al. | Intrusion detection system combining misuse detection and anomaly detection using genetic network programming | |
CN110334508A (zh) | 一种主机序列入侵检测方法 | |
CN109344848A (zh) | 基于Adaboost的移动智能终端安全等级分类方法 | |
CN108764030A (zh) | 一种老年人跌倒检测方法、设备及存储设备 | |
CN108446202A (zh) | 一种机房设备的安全状况的判断方法 | |
CN113722239B (zh) | 机载嵌入式软件质量检测方法、装置、介质及电子设备 | |
CN115964478A (zh) | 网络攻击检测方法、模型训练方法及装置、设备及介质 | |
CN114760124B (zh) | 一种基于大数据的计算机网络安全智能分析系统及方法 |
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 |