CN109171748A - 一种草原放牧绵羊运动行为的检测识别方法及其装置 - Google Patents
一种草原放牧绵羊运动行为的检测识别方法及其装置 Download PDFInfo
- Publication number
- CN109171748A CN109171748A CN201811059215.5A CN201811059215A CN109171748A CN 109171748 A CN109171748 A CN 109171748A CN 201811059215 A CN201811059215 A CN 201811059215A CN 109171748 A CN109171748 A CN 109171748A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- signal
- motor behavior
- threshold
- function
- 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
-
- 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
- A61B5/1118—Determining activity level
-
- 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
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Theoretical Computer Science (AREA)
- Psychiatry (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种草原放牧绵羊运动行为的检测识别方法及其装置。所述检测识别方法包括:步骤一、首先对含噪的放牧绵羊运动行为的加速度数据进行小波分解,然后选取一种小波阈值,最后逆变换重构有效加速度数据信号;步骤二、对运动行为信号进行位置校准以及加窗处理;步骤三、选取K‑means聚类算法,将采集到的三轴加速度数据样本配到K个聚类中,重新计算每一次迭代训练出来的新聚类位置,使得每个数据到新聚类中心点的距离之和最小,并重复上述步骤至各样本点到聚类中心的距离满足误差平方和最小的终止条件,跳出循环。本发明通过对运动行为信号进行去噪、预处理、聚类处理,减少了噪声对放牧绵羊的运动行为信号的影响,提高识别数据的准确度。
Description
技术领域
本发明涉及检测技术领域的一种运动行为的检测识别方法及其装置,具体为一种草原放牧绵羊运动行为的检测识别方法及其装置。
背景技术
我国草地资源尤为丰富,全国草地总面积近60亿亩,约占我国总面积的41.7%,为维持区域性及生态系统平衡,草地资源起着极其重要的作用。草地资源是放牧的基础,放牧活动直接影响着草地生态系统,放牧家畜不仅采食草地植物,也通过行走践踏植物,这样就会严重影响草地植被,影响草地资源。
随着动物福利化养殖与智能畜牧业的发展,对动物运动行为进行检测识别成为热点。所采用的研究方法主要有直接观测法和间接获得法。人工直接观测,劳动强度大、且依赖于人的因素,准确度低;间接测量方法较单一,没有一种较为完善的放牧绵羊运动行为检测识别方法。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种草原放牧绵羊运动行为的检测识别方法及其装置,具备便捷、准确等优点,解决了现有的草原放牧绵羊运动行为的检测识别准确度低、劳动强度大的问题。
(二)技术方案
为实现上述便捷、准确的目的,本发明提供如下技术方案:一种草原放牧绵羊运动行为的检测识别方法,其用于对安装在放牧绵羊上的三轴加速度传感器所获取的运动行为信号进行数据处理;所述检测识别方法包括:
步骤一、对运动行为信号进行去噪;
步骤二、预处理去噪后的运动行为信号;
步骤三、选取聚类算法聚类处理预处理后的运动行为信号;
在步骤一中,首先对含噪的放牧绵羊运动行为的加速度数据进行小波分解,然后选取一种小波阈值,最后逆变换重构有效加速度数据信号;
在步骤二中,对运动行为信号进行位置校准以及加窗处理;位置校准公式为:
Ax=axsinθsinα-aysinθcosα+aycosθsinα
Ay=axsinθcosα+aysinθsinα-aycosθcosα
Az=azsinθ-axcosθ+aycosθ
其中,θ为三轴加速度传感器在静止时的竖直方向的轴与地心方向夹角,α为实际重力加速度值g在三维空间的X、Y水平面上的投影与绵羊运动方向的夹角,ax、ay、az分别为三轴加速度传感器在三个方向上的加速度的测量值,Ax、Ay、Az分别为三轴加速度传感器在三个方向上的加速度的校准值;
加窗处理方法包括:先选择64个样本点,后按半个窗的位移进行移动,并获取一系列加速度数据信号;
在步骤三中,选取K-means聚类算法,将采集到的三轴加速度数据样本配到K个聚类中,重新计算每一次迭代训练出来的新聚类位置,使得每个数据到新聚类中心点的距离之和最小,并重复上述步骤直至各样本点到聚类中心的距离满足误差平方和最小的终止条件,跳出循环。
作为上述方案的进一步改进,在步骤一中:
首先,选取一种小波基函数并设置分解层数N,对放牧绵羊运动行为含噪信号f(t)进行小波变换,计算出小波分解系数Wjk;
然后,设置小波阈值,对第1至N层小波分解的系数Wjk做相应的阈值处理,得到估计系数并使小于一个预设的极小量;
最后,根据不同层的小波分解系数和第N层的小波系数重构三轴加速度数据信号,获取去噪后的加速度数据预测信号
作为上述方案的进一步改进,所述小波基函数为Haar小波函数、Daubechies小波函数、Coiflet小波函数、Symlet(symN)小波函数、Mexican Hat(mexh)小波函数中的一种函数;所述小波阈值为VisuShrink阈值、SureShrink阈值、HeurSure阈值、Minimax阈值中的一种阈值。
作为上述方案的进一步改进,选取小波基函数以及分解层数N的方法包括:
获取无噪声时放牧绵羊的运动行为信号,并混入高斯白噪声,以构成模拟运动行为加速度信号;
设置小波基函数阈值,选择Haar小波函数、Daubechies小波函数、Coiflet小波函数、Symlet(symN)小波函数、Mexican Hat(mexh)小波函数中的任意三种函数作为三组实验小波函数,分别模拟运动行为加速度信号进行阈值去噪处理,对比去噪效果,选取去噪效果最佳的小波基函数;
在选定小波基函数后,将不同阈值选择算法进行比较分析,得到效果最佳的小波分解层数。
作为上述方案的进一步改进,对比去噪效果的方法为:计算去噪后的信噪比SNR,信噪比SNR越大,去噪效果越好;其中,信噪比SNR的计算公式为:
s(k)是无噪声时的运动行为信号,n(k)为噪声信号,N表示信号长度。
作为上述方案的进一步改进,在步骤一中,阈值处理方法为:将小波分解系数Wjk与小波阈值进行比较,并通过硬阈值函数或者软阈值函数,得到估计系数
硬阈值函数的表达式为:
软阈值函数的表达式为:
其中,λ为小波阈值。
作为上述方案的进一步改进,在步骤一中,阈值处理方法为:将小波分解系数Wjk与小波阈值进行比较,并通过小波阈值函数,得到估计系数小波阈值函数的表达式为:
其中,λ为小波阈值,α为调整因子,且0≤α≤1。
作为上述方案的进一步改进,所述检测识别方法还包括步骤四;在步骤四中,采用GPS速度信号校准运动行为信号。
本发明还提供了一种应用上述草原放牧绵羊运动行为的检测识别方法的检测识别装置,所述检测识别装置包括三轴加速度传感器、小波去噪模块、预处理模块、聚类处理模块;
三轴加速度传感器安装在放牧绵羊上,并获取放牧绵羊的运动行为信号;
小波去噪模块对含噪的放牧绵羊运动行为的加速度数据进行小波分解,选取一种小波阈值,并逆变换重构有效加速度数据信号;
预处理模块对运动行为信号进行位置校准以及加窗处理;位置校准公式为:
Ax=axsinθsinα-aysinθcosα+aycosθsinα
Ay=axsinθcosα+aysinθsinα-aycosθcosα
Az=azsinθ-axcosθ+aycosθ
其中,θ为三轴加速度传感器在静止时的竖直方向的轴与地心方向夹角,α为实际重力加速度值g在三维空间的X、Y水平面上的投影与绵羊运动方向的夹角,ax、ay、az分别为三轴加速度传感器在三个方向上的加速度的测量值,Ax、Ay、Az分别为三轴加速度传感器在三个方向上的加速度的校准值;
聚类处理模块将采集到的三轴加速度数据样本配到K个聚类中,重新计算每一次迭代训练出来的新聚类位置,使得每个数据到新聚类中心点的距离之和最小,并重复上述步骤直至各样本点到聚类中心的距离满足误差平方和最小的终止条件,跳出循环。
本发明还提供了一种计算机终端,其包括存储器、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程序时实现上述草原放牧绵羊运动行为的检测识别方法的步骤。
(三)有益效果
与现有技术相比,本发明提供了一种草原放牧绵羊运动行为的检测识别方法及其装置,具备以下有益效果:
1、本发明的草原放牧绵羊运动行为的检测识别方法及其装置,通过对运动行为信号进行去噪,减少噪声对放牧绵羊的运动行为信号的影响,提高检测识别数据的准确度。同时,采用小波去噪的方式,可以增强去噪能力,并且无需对噪声信号建立模型,只需应用小波分解方法对数据信号进行对尺度分解,提取不同尺度下的各小波系数,将噪声信号的小波系数滤除,保持初始信号的小波系数分量,再采用逆变换对分解后的小波系数分量进行重构,达到小波算法滤波去噪的目的。
2、本发明的草原放牧绵羊运动行为的检测识别方法及其装置,通过预处理去噪后的运动行为信号,并进行位置校准,消除不同时间进行数据获取时产生的偏差以取得准确的信号;同时,进行加窗处理,可以提高识别的效率,降低冗余无效的数据对试验带来的误差,保证数据的有效可靠。
3、本发明的草原放牧绵羊运动行为的检测识别方法及其装置,通过选取聚类算法聚类处理运动行为信号,并通过GPS速度信号校准运动行为信号,完成对放牧绵羊的运动行为的准确识别,方便研究放牧绵羊的运动行为,提高放牧绵羊的监测效率。
附图说明
图1为本发明实施例1的草原放牧绵羊运动行为的检测识别方法的步骤一的流程图;
图2为本发明实施例1中的硬阈值函数的曲线图;
图3为本发明实施例1中的软阈值函数的曲线图;
图4为本发明实施例1中的无噪声时运动加速度信号的波形图;
图5为本发明实施例1中的模拟运动行为加速度信号的波形图;
图6为本发明实施例1中不同小波基函数在去噪时的比较图;
图7为本发明实施例1中不同小波分解层、不同阈值法在去噪时的比较图;
图8为本发明实施例1中的加速度数据在校正前的曲线图;
图9为本发明实施例1中的加速度数据在校正后的曲线图;
图10为本发明实施例1中的加速度信号进行加窗处理的曲线图;
图11为本发明实施例1中K-means聚类前的原始数据分散图;
图12为本发明实施例1中K-means聚类后的原始数据分散图;
图13为本发明实施例1中的放牧绵羊运动行为的识别流程图;
图14为本发明实施例2中改进的阈值函数的曲线图;
图15为本发明实施例2中改进的阈值函数的去噪波形图。
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做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。
实施例1
在由三轴加速度传感器采集放牧绵羊运动行为数据的检测过程中,由于装置安装固定的位置、绵羊活动行为的多样性等特点会产生信号的扰动(噪声),归结来讲有如下几种噪声:(1)检测硬件电路中被干扰的白噪声;(2)放牧绵羊因惊吓等产生的情绪波动所导致的身体抖动所引起的噪声。噪声的存在直接影响到原始信号的质量,从而导致运动行为检测的不准确性,因此对放牧绵羊运动行为数据进行去噪处理是势在必行的。
在去噪声研究领域中,研究人员多数采用傅里叶变换的方式对数据进行去噪。傅里叶变换将时域信号转换为频域信号,使低频信号或高频信号通过该算法,从而实现对数据的平均分析,可以对稳定性好、线性的数据信号进行有效处理。三轴加速度传感器产生的加速度数据信号属于非平稳数据信号,应用傅里叶变换无法获取数据的局部信息,因此该方法无法完成对三轴加速度信号的数据去噪。
小波去噪方法适合对非平稳性数据信号的处理,具有宽口径的分辨分析能力,通过平移可变窗方式对不同频率范围的信号进行时间域特征信号处理,在高频信号部分选用较窄的窗函数,在低频信号部分选用较宽的窗函数,增强了自身的去噪能力。小波去噪过程中无需对噪声信号建立模型,只需应用小波分解方法对数据信号进行对尺度分解,提取不同尺度下的各小波系数,将噪声信号的小波系数滤除,保持初始信号的小波系数分量,再采用逆变换对分解后的小波系数分量进行重构,达到小波算法滤波去噪的目的。
小波去噪方法主要包括小波极大值去噪法、空域相关性去噪法和小波阈值去噪法。本实施例选用小波阈值去噪法,以实现对加速度数据信号的去噪。小波阈值去噪方法的原理为:对含有噪声的信号经小波变换后,原始信号的小波系数分量较大,噪声信号小波系数的分量较小,通过设置合适的阈值,将小波系数小于阈值的信号看作噪声信号,并设置其为零,而高于阈值的小波系数则认为是原始信号并进行保留,对保留后的小波系数进行重构以恢复有效数据信号。如图1所示,其中f(t)表示包含噪声的放牧绵羊运动行为信号。
小波基函数的确定、小波变换的分解层数、阈值函数与阈值等参数的使用均会对放牧绵羊运动行为加速度信号的去噪效果产生影响,因而选择合适、合理的参数,可以实现对运动行为信号的有效去噪。
因此,对运动行为信号进行去噪的过程为:首先,对含噪的放牧绵羊运动行为的加速度数据进行小波分解,选取一种小波基函数并设置分解层数N,对放牧绵羊运动行为含噪信号f(t)进行小波变换,计算出小波分解系数Wjk;然后,选取一种小波阈值,设置小波阈值,对第1至N层小波分解的系数Wjk做相应的阈值处理,得到估计系数并使小于一个预设的极小量;最后,逆变换重构有效加速度数据信号,根据不同层的小波分解系数和第N层的小波系数重构三轴加速度数据信号,获取去噪后的加速度数据预测信号
对于同样的放牧绵羊运动行为数据信号,选用不同的小波基函数可以产生不同的分解去噪效果。在本实施例中,小波基函数为Haar小波函数、Daubechies小波函数、Coiflet小波函数、Symlet(symN)小波函数、Mexican Hat(mexh)小波函数中的一种函数。其中:
Haar小波函数具有运算简单、数据离散的特点,其表达式如下:
Daubechies小波函数没有确定的函数表达式,用DbN表示,当N=1时Daubechies小波函数即同Haar小波函数。
Coiflet小波函数包括CoifN(N=1,2,3,4,5)一系列小波函数。
Symlet(symN)小波函数是一种对称的,紧支集的正交型小波函数,表达式为symN(N=2,3,...,8)。
Mexican Hat(mexh)小波函数的表达式为:
小波阈值的确定是加速度信号去噪过程中的核心。由同一小波基函数对含噪信号去噪处理时,阈值的确定决定了去噪的效果。如阈值选取偏大,加速度信号的去噪将出现失真,有效的加速度数据信息被误判为噪声信号而去除掉;如果阈值选择偏小,无用的噪声信号将被误认为有效的加速度信号,降低去噪的效果。在本实施例中,小波阈值为VisuShrink阈值、SureShrink阈值、HeurSure阈值、Minimax阈值中的一种阈值。其中:
VisuShrink阈值的表达式为:
σ为噪声标准差,N为含噪声信号的长度,由上式可知,阈值与信号长度几乎成正比的关系,信号越长则阈值越大。但是,当阈值选取较大时,一些边缘小波系数视为噪声信号而被滤除,导致正常小波系数丢失的现象。另外,VisuShrink阈值的确定方法需要提前获取噪声的标准差,事实上该噪声的方差很难得知,后来应用估算噪声的方差方法弥补了上述不足,方差预估算表达式如下:
式中,med()表示取中位数运算,d1(k)为第一层小波系数(小波信号分解后)。
SureShrink阈值的估计原理为:根据预先选择好的阈值计算该数据的似然估计,然后最小化处理非似然估计值,以取得合适的阈值。设x(k)为|d1(k)|的升序序列,d1(k)为小波分解后的第一层小波系数序列,令y(k)=x(k)2,σ值计算方法同VisuShrink阈值法,则该阈值λ为:
HeurSure阈值综合VisuShrink阈值和SureShrink阈值,一种最优预测变量阈值。HeurSure阈值的计算方法如下:
1.计算通用阈值和SureShrink阈值
2.令则HeurSure阈值为:
在信噪比的值较小时,按照SureShrink阈值规则选取阈值;在信噪比的值较大时,按照VisuShrink阈值规则选取阈值。
Minimax阈值法为求最大阈值、最小阈值的方法,是一种通过生成最小均方误差值,从而选取一个固定阈值的选取方法,Minimax阈值的计算公式为:
式中σ计算方法同VisuShrink阈值法,N为加速度信号长度。
在本实施例中,阈值处理方法为:将小波分解系数Wjk与小波阈值进行比较,并通过硬阈值函数或者软阈值函数,得到估计系数
请参阅图2,硬阈值函数在阈值处是不连续的,会导致重构函数的震荡,但硬阈值函数能够较好地保存大于阈值的小波系数信号。其中,硬阈值函数的表达式为:
请参阅图3,软阈值函数应用噪声的统计特征和光滑特点来解决硬阈值函数的问题,具有较好的效果。其中,软阈值函数的表达式为:
其中,λ为小波阈值。
在本实施例中,选取小波基函数以及分解层数N的方法如下:
(a)获取无噪声时放牧绵羊的运动行为信号,并混入高斯白噪声,以构成模拟运动行为加速度信号;其中:
在获取无噪声时放牧绵羊的运动行为信号时,可以将放牧绵羊放在天气候条件好、无风、温湿度适宜的草地,在采集数据时,尽量屏蔽附近的电磁干扰与其它干扰信号。这里,采样点数设置为1024,采样频率设置为20Hz,加速度信号的波形图如图4所示。
为了说明噪声的混入以及去除噪声算法的研究,需要选择噪声信号作为模拟值。在本实施例中,使用高斯白噪声进行模拟,将纯净的放牧绵羊加速度信号与高斯白噪声叠加构成含噪信号(模拟运动行为加速度信号),含噪声合信号的波形图如图5所示。
(b)设置小波基函数阈值,选择Haar小波函数、Daubechies小波函数、Coiflet小波函数、Symlet(symN)小波函数、Mexican Hat(mexh)小波函数中的任意三种函数作为三组实验小波函数,分别模拟运动行为加速度信号进行阈值去噪处理,对比去噪效果,选取去噪效果最佳的小波基函数。
上述对比去噪效果的方法为:计算去噪后的信噪比SNR,信噪比SNR越大,去噪效果越好;其中,信噪比SNR的计算公式为:
式中,s(k)是无噪声时的运动行为信号,n(k)为噪声信号,N表示信号长度。
请参阅图6,选取不同小波基对含噪加速度数据信号进行去噪试验,图中sym小波系、db小波系、coif小波系分别对应从上至下的三根曲线。结果表明:Coiflet小波基函数去噪效果较差,最高去噪后信噪比为10.887;Daubechies和Symlet小波基函数去噪效果较好,信噪比分别高达11.023、11.098。在Symlet小波基函数中,sym8小波基函数去噪的信噪比最高为11.098。同一种小波基中低阶小波去噪效果不如高阶的去噪效果好,因此,在本实施例中,在放牧绵羊运动行为检测识别过程中选用sym8小波基函数作为数据信号去噪的小波基函数。
选用不同的阈值方法对去噪效果最好的sym8小波基函数进行小波分解层数的去噪试验,把含噪加速度数据信号分解为10层,小波阈值去噪后输出的信噪比的比较图如图7所示,其中,末端自下而上的四根曲线分别对应通用阈值、最大最小准则阈值、启发式阈值、Stein无偏风险阈值。因此可以得出两点结论:(1)四种阈值选择方法呈现出相同的规律,随着小波分解层的增多,去噪的信噪比在拐点出现之前几乎线性关系变化,拐点后出现略有下降的现象;(2)VisuShrink阈值、HeurSure阈值和Minimax阈值的最优分解层均为5层,而SureShrink阈值自适应阈值的最优分解层数为7层。
因此,本实施例选择去噪信噪比最高的sym8小波基函数,并选择5阶小波分解层数作为基本参数,分别用硬、软阈值函数进行去噪。
预处理去噪后的运动行为信号包括以下步骤:(1)对运动行为信号进行位置校准;(2)对运动行为信号进行加窗处理。
在放牧绵羊运动行为监测过程中,由于三轴加速度传感器多次佩戴,以及在放牧运动中由于震动等外界因素,这导致三轴加速度传感器的垂直轴偏离竖直向下时,将产生检测数据的误差,因而需要对加速度信号进行位置校正。
为了准确地监测放牧绵羊的运动行为,需要进行位置校正,因为不同羊、或同一只羊在不同时间安装数据采集装置时会与重力加速度方向上存在一定程度的倾角,从而导致采集到的加速度数据与实际数据存在偏差。为了消除此倾角对采集数据产生的偏差,需要对实际采集数据进行位置校准使数据回归到正常重力加速度数值上。在理想情况下,当放牧绵羊静止站立不动时,X、Y轴的数据等于零,Z轴的值应为重力加速度g的大小,三轴数据的平方和等于9.8m/s2。而在实际情况下,由于安装位置难以使三轴加速度传感器垂直向下,在放牧绵羊的运动过程中更会有各类干扰,因此三个轴上均有数值。
位置校准方法如下:当放牧绵羊处于静止站立状态时,假设此时三轴加速度传感器的竖直方向的轴与g的方向夹角为θ,α为实际重力加速度值g在三维空间X、Y水平面上的投影与羊只运动方向的夹角(重力加速度g选取9.8m/s2)。
根据空间几何知识推算出α、θ的三角函数值sinα、sinθ、cosα、cosθ,设静止时加速度传感器的三个轴测量值为a1x,a1y,a1z,则有:
用Ax、Ay、Az表示实际三轴加速度值,其中Ax表示水平前进方向加速度值,Ay表示左右方向加速度值,Az表示垂直方向加速度值,而加速度传感器三个方向的测量值分别为ax,ay,az,可得到位置校准公式为:
Ax=axsinθsinα-aysinθcosα+aycosθsinα
Ay=axsinθcosα+aysinθsinα-aycosθcosα
Az=azsinθ-axcosθ+aycosθ
分别计算出水平方向、前后方向和竖直方向的加速度值,即得到校正后三个方向上的加速度数据。
放牧绵羊卧息后为静止状态,理论上x及y轴上的数值应该为0,而z轴上的数据应该接近于g。但在对放牧绵羊卧息时实际测量中发现各类加速度数据发生了微小的位置偏移。如图8所示,自下而上的三根曲线分别对应x轴、y轴、z轴,可以看出在数据校正前,x轴向数据接近-2,y轴向数据接近3,z轴向数据接近8。如图9所示,自下而上的三根曲线分别对应x轴、y轴、z轴,校正后的数据x轴向数据接近-1,y轴向数据接近0,z轴向数据接近g。由此可见,该校正方法能够对试验数据进行较好的校正,可以为后续识别工作提供了可靠的数据保障。
在本实施例中,三轴加速度的采样频率为20Hz,即0.05s,采集的是一组离散的数据信号,而绵羊的运动或静止行为是连续的,持续发生的,同时为了完成一次放牧绵羊运动行为的检测需要一定的时间间隔,以保证绵羊顺利完成该动作,基于上述原因本实施例采用加窗法实现运动行为的检测。
加窗是指从原始信号中截取一段固定长度的信号作为一次信号的采集,之后通过滑动窗来实现下一次数据的采集。本实施例根据上述需求,选择64个样本点,也即3.2s的长度为一个窗,之后按半个窗的位移进行移动,获取一系列加速度数据信号。如果选择窗的时间太短,将不足以完整描述一次放牧绵羊的运动行为,如果选择窗的时间太长,将出现多种运动行为的交叠信息,很难实现后续的识别研究,加窗的效果图如图10所示。
本实施例所研究的放牧绵羊运动行为包括行走、站立、卧息三种行为,应用K-means聚类算法实现运动行为的检测识别研究。
K-means聚类算法是一种理想的动态无监督算法,误差平方和达到最小是该算法实现的目标。K-means聚类算法的基本思想为:随机选取K个初始距离中心,计算所有样本到这K个中心的距离,按照距离最小的原则,将样本划分到该聚类中心,通过多次迭代计算,逐渐更新各聚类中心的值,直至聚类结果最完美。因此,K-means聚类算法聚类处理预处理后的运动行为信号包括以下步骤:
(I)将采集到的三轴加速度数据样本配到K个聚类中,聚类原则表达式如下:
Dj=min||X-Cj||
(II)重新计算每一次迭代训练出来的新聚类位置,使得每个数据到新聚类中心点的距离之和最小。其中,nj为该聚类中所包含的数据量,并有以下以下表达式:
(III)重复步骤(I)、步骤(II),直至各样本点到聚类中心的距离满足误差平方和最小的终止条件,跳出循环,表达式如下:
其中,Cj是聚类Sj中稳定的聚类中心。
请参与图11以及图12,两张图显示了在采用上述K-means聚类算法前后数据的分散的情况。其中,图12中颜色最浅的离散点区域表示第一类数据集合,颜色较浅的离散点区域表示第二类数据集合,颜色最深的离散点区域表示第三类数据集合。在与标定设备同步摄像机视频分析对照后,第一类数据集合代表放牧绵羊的游走行为,第二类数据集合代表放牧绵羊的站立行为,第三类数据集合代表放牧绵羊的卧息行为。
为了说明K-means聚类算法将放牧绵羊的运动行为聚为三类的效果,本实施例将实测数据中具有代表性的试验数据整理后总结为混淆矩阵,如下表5所示。其它行为指上述站立、行走、卧息之外的行为,如刨地、蹭网栏、用脚挠耳朵等。
表5聚为三类行为的混淆矩阵表
由上表可以看出,K-means聚类算法可以准确地将放牧绵羊的卧息行为识别出来,且识别率高达95.6%,但其它几种行为的识别率都不高,约为60%。原因为卧息行为与站立、行走行为特征具有较大的差异。K-means聚类算法对大样本输入数据具有很好的适应性即鲁棒特性,在本实施例中也准确地识别出放牧绵羊的卧息行为。对于其它两种行为识别度不高的情况,我们采用GPS速度信息对上述两种行为进行二次校正配准,以提高识别的精度。
由以上分析可知,基于K-means聚类算法能够把运动行为中的卧息行为准确的识别出来,但识别运动行为与站立行为时,准确率较低。当K-means聚类算法不能识别动物的全部行为时,可以采用BP神经网络法、递阶遗传算法(HGA)、支持向量机法等方法进一步实现,但本实施例由于使用了GPS实时监测系统,GPS数据与三轴加速度数据同步由GPRS上传服务器数据库,因此采用GPS数据校正法完成运动行为与站立行为的分类识别研究。
GPS采集到的数据除了可以精准的监测经纬度、海拔高度外,还可以监测运动行为的速度,且速度行为采集精度较高。为了与加速度数据进行匹配,设置GPS的采样点时间间隔为1.6s,正好和加速度加窗后的数据一一对应,以方便后续的数据匹配,识别运动行为与站立行为。
为了实现站立行为与运动行为的分类区别,需要人工对运动与静止设置速度阈值,经过草原放牧绵羊实测数据,本实施例将0.1m/s,即0.36km/h的速度作为阈值,小于该数值则认为是站立行为,大于该数值则认为是运动行为,这样便捷地实现运动行为与站立行为的分类与匹配工作,识别精度达到90%以上。其中,整体放牧绵羊运动行为识别流程如图13所示。
综合K-means聚类算法与GPS数据匹配,可以统计出放牧绵羊运动行为的状态,但由于聚类算法的误差及GPS或三轴加速度数据的丢包率,实测数据整体识别率:运动行为约为89.2%、站立行为约为85.7%,均为理想的较高的运动行为识别率。
综上所述,相较于现有的草原放牧绵羊运动行为的检测识别方法,本实施例的草原放牧绵羊运动行为的检测识别方法具备以下优点:
1、本实施例的草原放牧绵羊运动行为的检测识别方法及其装置,通过对运动行为信号进行去噪,减少噪声对放牧绵羊的运动行为信号的影响,提高检测识别数据的准确度。同时,采用小波去噪的方式,可以增强去噪能力,并且无需对噪声信号建立模型,只需应用小波分解方法对数据信号进行对尺度分解,提取不同尺度下的各小波系数,将噪声信号的小波系数滤除,保持初始信号的小波系数分量,再采用逆变换对分解后的小波系数分量进行重构,达到小波算法滤波去噪的目的。
2、本实施例的草原放牧绵羊运动行为的检测识别方法及其装置,通过预处理去噪后的运动行为信号,并进行位置校准,消除不同时间进行数据获取时产生的偏差以取得准确的信号;同时,进行加窗处理,可以提高识别的效率,降低冗余无效的数据对试验带来的误差,保证数据的有效可靠。
3、本实施例的草原放牧绵羊运动行为的检测识别方法及其装置,通过选取聚类算法聚类处理运动行为信号,并通过GPS速度信号校准运动行为信号,完成对放牧绵羊的运动行为的准确识别,方便研究放牧绵羊的运动行为,提高放牧绵羊的监测效率。
实施例2
在实施例1中,硬阈值函数由于存在不连续的情况,对加速度数据信号进行去噪时会出现某个点较大的振荡,导致去噪效果不能满足需求;而软阈值函数在λ和-λ处是连续的,具有较好的去噪效果。但由于在操作过程中,实施了减去阈值的处理,使得部分信号失真,重构后的加速度数据信号会有一定的衰减。
不同阈值函数的去噪效果具有较大的差异,硬阈值函数去噪过程中总会出现一些振荡现象,而软阈值函数去噪方法具有连续的特点,且表现出较好的平滑性,但也会出现滤波后数据失真的现象。通过计算各小波去噪的信噪比,得出如下结论:最高的为通用阈值函数法,去噪信噪比为11.2306db,但通用阈值函数方法的使用,因滤除掉部分原始信号,结果偏差较大;通用软阈值函数具有较高的去噪信噪比,但同样存在问题;其他方法则表现出较低的信噪比。
因此,本实施例的草原放牧绵羊运动行为的检测识别方法通过改进的小波阈值函数进行滤波去噪,并得到估计系数其中,小波阈值函数的表达式为:
式中,λ为小波阈值,α为调整因子,且0≤α≤1,当W jk<λ时,可以调节α的值来调整其幅值,实现对Wjk的压缩处理。
改进的小波阈值函数高阶可导,这样可以最大程度的保留原始信号,去噪效果得到了显著的改善,其中,改进的阈值函数的如图14中的实线所示。
请参阅图15,采用改进后的阈值函数法去噪,效果最为理想,信噪比达到了11.3934,能够满足对放牧绵羊运动行为加速度数据信号的去噪要求。
实施例3
本实施例公开了一种草原放牧绵羊运动行为的检测识别装置,其采用实施例1中的草原放牧绵羊运动行为的检测识别方法,检测识别装置包括三轴加速度传感器、小波去噪模块、预处理模块、聚类处理模块。
三轴加速度传感器安装在放牧绵羊上,并获取放牧绵羊的运动行为信号;
小波去噪模块对含噪的放牧绵羊运动行为的加速度数据进行小波分解,选取一种小波阈值,并逆变换重构有效加速度数据信号;
预处理模块对运动行为信号进行位置校准以及加窗处理;位置校准公式为:
Ax=axsinθsinα-aysinθcosα+aycosθsinα
Ay=axsinθcosα+aysinθsinα-aycosθcosα
Az=azsinθ-axcosθ+aycosθ
其中,θ为三轴加速度传感器在静止时的竖直方向的轴与地心方向夹角,α为实际重力加速度值g在三维空间的X、Y水平面上的投影与绵羊运动方向的夹角,ax、ay、az分别为三轴加速度传感器在三个方向上的加速度的测量值,Ax、Ay、Az分别为三轴加速度传感器在三个方向上的加速度的校准值;
聚类处理模块将采集到的三轴加速度数据样本配到K个聚类中,重新计算每一次迭代训练出来的新聚类位置,使得每个数据到新聚类中心点的距离之和最小,并重复上述步骤直至各样本点到聚类中心的距离满足误差平方和最小的终止条件,跳出循环。
实施例4
本实施例公开了一种计算机终端,计算机终端包括存储器、处理器、计算机程序。计算机程序存储在存储器上,处理器执行程序时实现实施例1中的草原放牧绵羊运动行为的检测识别方法的步骤。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种草原放牧绵羊运动行为的检测识别方法,其用于对安装在放牧绵羊上的三轴加速度传感器所获取的运动行为信号进行数据处理;所述检测识别方法包括:
步骤一、对运动行为信号进行去噪;
步骤二、预处理去噪后的运动行为信号;
步骤三、选取聚类算法聚类处理预处理后的运动行为信号;
其特征在于:在步骤一中,首先对含噪的放牧绵羊运动行为的加速度数据进行小波分解,然后选取一种小波阈值,最后逆变换重构有效加速度数据信号;
在步骤二中,对运动行为信号进行位置校准以及加窗处理;位置校准公式为:
Ax=axsinθsinα-aysinθcosα+aycosθsinα
Ay=axsinθcosα+aysinθsinα-aycosθcosα
Az=azsinθ-axcosθ+aycosθ
其中,θ为三轴加速度传感器在静止时的竖直方向的轴与地心方向夹角,α为实际重力加速度值g在三维空间的X、Y水平面上的投影与绵羊运动方向的夹角,ax、ay、az分别为三轴加速度传感器在三个方向上的加速度的测量值,Ax、Ay、Az分别为三轴加速度传感器在三个方向上的加速度的校准值;
加窗处理方法包括:先选择64个样本点,后按半个窗的位移进行移动,并获取一系列加速度数据信号;
在步骤三中,选取K-means聚类算法,将采集到的三轴加速度数据样本配到K个聚类中,重新计算每一次迭代训练出来的新聚类位置,使得每个数据到新聚类中心点的距离之和最小,并重复上述步骤直至各样本点到聚类中心的距离满足误差平方和最小的终止条件,跳出循环。
2.根据权利要求1所述的一种草原放牧绵羊运动行为的检测识别方法,其特征在于:在步骤一中:
首先,选取一种小波基函数并设置分解层数N,对放牧绵羊运动行为含噪信号f(t)进行小波变换,计算出小波分解系数Wjk;
然后,设置小波阈值,对第1至N层小波分解的系数Wjk做相应的阈值处理,得到估计系数并使小于一个预设的极小量;
最后,根据不同层的小波分解系数和第N层的小波系数重构三轴加速度数据信号,获取去噪后的加速度数据预测信号
3.根据权利要求2所述的一种草原放牧绵羊运动行为的检测识别方法,其特征在于:所述小波基函数为Haar小波函数、Daubechies小波函数、Coiflet小波函数、Symlet(symN)小波函数、Mexican Hat(mexh)小波函数中的一种函数;所述小波阈值为VisuShrink阈值、SureShrink阈值、HeurSure阈值、Minimax阈值中的一种阈值。
4.根据权利要求2所述的一种草原放牧绵羊运动行为的检测识别方法,其特征在于:选取小波基函数以及分解层数N的方法包括:
获取无噪声时放牧绵羊的运动行为信号,并混入高斯白噪声,以构成模拟运动行为加速度信号;
设置小波基函数阈值,选择Haar小波函数、Daubechies小波函数、Coiflet小波函数、Symlet(symN)小波函数、Mexican Hat(mexh)小波函数中的任意三种函数作为三组实验小波函数,分别模拟运动行为加速度信号进行阈值去噪处理,对比去噪效果,选取去噪效果最佳的小波基函数;
在选定小波基函数后,将不同阈值选择算法进行比较分析,得到效果最佳的小波分解层数。
5.根据权利要求4所述的一种草原放牧绵羊运动行为的检测识别方法,其特征在于:对比去噪效果的方法为:计算去噪后的信噪比SNR,信噪比SNR越大,去噪效果越好;其中,信噪比SNR的计算公式为:
s(k)是无噪声时的运动行为信号,n(k)为噪声信号,N表示信号长度。
6.根据权利要求2所述的一种草原放牧绵羊运动行为的检测识别方法,其特征在于:在步骤一中,阈值处理方法为:将小波分解系数Wjk与小波阈值进行比较,并通过硬阈值函数或者软阈值函数,得到估计系数
硬阈值函数的表达式为:
软阈值函数的表达式为:
其中,λ为小波阈值。
7.根据权利要求2所述的一种草原放牧绵羊运动行为的检测识别方法,其特征在于:在步骤一中,阈值处理方法为:将小波分解系数Wjk与小波阈值进行比较,并通过小波阈值函数,得到估计系数小波阈值函数的表达式为:
其中,λ为小波阈值,α为调整因子,且0≤α≤1。
8.根据权利要求1所述的一种草原放牧绵羊运动行为的检测识别方法,其特征在于:所述检测识别方法还包括步骤四;在步骤四中,采用GPS速度信号校准运动行为信号。
9.一种应用如权利要求1至8中任意一项所述的草原放牧绵羊运动行为的检测识别方法的检测识别装置,所述检测识别装置包括三轴加速度传感器、小波去噪模块、预处理模块、聚类处理模块;其特征在于:
三轴加速度传感器安装在放牧绵羊上,并获取放牧绵羊的运动行为信号;
小波去噪模块对含噪的放牧绵羊运动行为的加速度数据进行小波分解,选取一种小波阈值,并逆变换重构有效加速度数据信号;
预处理模块对运动行为信号进行位置校准以及加窗处理;位置校准公式为:
Ax=axsinθsinα-aysinθcosα+aycosθsinα
Ay=axsinθcosα+aysinθsinα-aycosθcosα
Az=azsinθ-axcosθ+aycosθ
其中,θ为三轴加速度传感器在静止时的竖直方向的轴与地心方向夹角,α为实际重力加速度值g在三维空间的X、Y水平面上的投影与绵羊运动方向的夹角,ax、ay、az分别为三轴加速度传感器在三个方向上的加速度的测量值,Ax、Ay、Az分别为三轴加速度传感器在三个方向上的加速度的校准值;
聚类处理模块将采集到的三轴加速度数据样本配到K个聚类中,重新计算每一次迭代训练出来的新聚类位置,使得每个数据到新聚类中心点的距离之和最小,并重复上述步骤直至各样本点到聚类中心的距离满足误差平方和最小的终止条件,跳出循环。
10.一种计算机终端,其包括存储器、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程序时实现如权利要求1至8中任意一项所述的草原放牧绵羊运动行为的检测识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811059215.5A CN109171748A (zh) | 2018-09-12 | 2018-09-12 | 一种草原放牧绵羊运动行为的检测识别方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811059215.5A CN109171748A (zh) | 2018-09-12 | 2018-09-12 | 一种草原放牧绵羊运动行为的检测识别方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109171748A true CN109171748A (zh) | 2019-01-11 |
Family
ID=64910142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811059215.5A Pending CN109171748A (zh) | 2018-09-12 | 2018-09-12 | 一种草原放牧绵羊运动行为的检测识别方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109171748A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008881A (zh) * | 2019-03-28 | 2019-07-12 | 北京农业信息技术研究中心 | 多运动目标的奶牛行为的识别方法及装置 |
CN110866559A (zh) * | 2019-11-14 | 2020-03-06 | 上海中信信息发展股份有限公司 | 一种家禽的行为分析方法及装置 |
CN114681736A (zh) * | 2022-03-30 | 2022-07-01 | 广东省医疗器械质量监督检验所 | 呼吸机的异常检测方法及呼吸机 |
CN115879649A (zh) * | 2023-02-21 | 2023-03-31 | 成都工业学院 | 一种基于放牧模型的牧群行为预测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056106A (zh) * | 2016-07-22 | 2016-10-26 | 内蒙古农业大学 | 一种草原放牧绵羊牧食行为检测系统及其检测方法 |
-
2018
- 2018-09-12 CN CN201811059215.5A patent/CN109171748A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056106A (zh) * | 2016-07-22 | 2016-10-26 | 内蒙古农业大学 | 一种草原放牧绵羊牧食行为检测系统及其检测方法 |
Non-Patent Citations (1)
Title |
---|
刘艳秋: "舍饲环境下母羊产前典型行为识别方法研究", 《中国博士学位论文全文数据库(信息科技辑)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008881A (zh) * | 2019-03-28 | 2019-07-12 | 北京农业信息技术研究中心 | 多运动目标的奶牛行为的识别方法及装置 |
CN110008881B (zh) * | 2019-03-28 | 2021-03-12 | 北京农业信息技术研究中心 | 多运动目标的奶牛行为的识别方法及装置 |
CN110866559A (zh) * | 2019-11-14 | 2020-03-06 | 上海中信信息发展股份有限公司 | 一种家禽的行为分析方法及装置 |
CN114681736A (zh) * | 2022-03-30 | 2022-07-01 | 广东省医疗器械质量监督检验所 | 呼吸机的异常检测方法及呼吸机 |
CN115879649A (zh) * | 2023-02-21 | 2023-03-31 | 成都工业学院 | 一种基于放牧模型的牧群行为预测方法及系统 |
CN115879649B (zh) * | 2023-02-21 | 2023-05-09 | 成都工业学院 | 一种基于放牧模型的牧群行为预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109171748A (zh) | 一种草原放牧绵羊运动行为的检测识别方法及其装置 | |
CN110927706B (zh) | 基于卷积神经网络的雷达干扰检测识别方法 | |
CN109247923B (zh) | 基于视频的非接触式脉搏实时估计方法及设备 | |
CN110837768B (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
CN107811649B (zh) | 一种基于深度卷积神经网络的心音多分类方法 | |
CN108919247A (zh) | 一种基于恒虚警率检测的多目标体检测及定位方法 | |
EP3190967B1 (de) | Verfahren und vorrichtung zur bestimmung des zeitlichen verlaufs der atemtiefe | |
CN109645989B (zh) | 一种麻醉深度估计系统 | |
CN110840445B (zh) | 一种动态心电信号的自动降噪方法 | |
CN110363763B (zh) | 图像质量评价方法、装置、电子设备及可读存储介质 | |
CN100548207C (zh) | 一种眼震位移矢量的统计分析方法 | |
CN107822617A (zh) | 一种基于WiFi信号的心率异常检测方法 | |
CN112348833B (zh) | 基于动态连接的脑功能网络变异识别方法及系统 | |
Liu et al. | EMG burst presence probability: a joint time–frequency representation of muscle activity and its application to onset detection | |
WO2019144455A1 (zh) | 基于小波分析的脑电信号去噪方法、存储介质以及装置 | |
CN114190944A (zh) | 基于脑电信号的鲁棒情绪识别方法 | |
CN109085547B (zh) | 一种表层穿透雷达回波信号的去噪方法和相关装置 | |
CN114999643A (zh) | 一种基于WiFi的老人智能监护方法 | |
Phinyomark et al. | Applications of variance fractal dimension: A survey | |
Tomasevic et al. | Artificial neural network based approach to EEG signal simulation | |
CN106419884B (zh) | 一种基于小波分析的心率计算方法与系统 | |
CN111310711B (zh) | 基于二维奇异谱分析融合emd的人脸图像识别方法及系统 | |
CN110008881B (zh) | 多运动目标的奶牛行为的识别方法及装置 | |
CN110136086A (zh) | 基于bemd的区间阈值图像去噪方法 | |
Dorofeev et al. | Extraction of individual gait features in mobile phone accelerometer |
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: 20190111 |