CN109190762A - 基于遗传算法编码的上肢姿态识别算法 - Google Patents
基于遗传算法编码的上肢姿态识别算法 Download PDFInfo
- Publication number
- CN109190762A CN109190762A CN201810834835.5A CN201810834835A CN109190762A CN 109190762 A CN109190762 A CN 109190762A CN 201810834835 A CN201810834835 A CN 201810834835A CN 109190762 A CN109190762 A CN 109190762A
- Authority
- CN
- China
- Prior art keywords
- population
- data
- result
- information
- populations
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明涉及基于遗传算法进行超参数优化的上肢姿态识别算法。移动端对上肢姿态动作进行数据采集,通过对采集到的数据进行分析,识别出6种动作信息,上肢姿态数据是时间序列,时间窗长度,数据重叠率以及隐层神经元个数将会影响识别的准确率,因此采用遗传算法对超参数进行寻优,找到最合适的一组解。传统的遗传算法寻优速度慢并且容易陷入局部解,本发明将种群根据适应度函数进行排序,将排序后的种群分为4部分,分别为Top,best,normal以及worse,选择所有的好种群以及对best,normal和worse种群按照比例进行选择,选择完后,不足的部分,随机生成,确保每一轮种群个数保持不变。本发明加快参数寻优的速度,同时找到全局最优解。
Description
技术领域
本发明提出了一种基于遗传算法对采集到的上肢运动姿态数据进行超参数优化的算法,同时开发出一款基于移动端便携的对上肢运动姿态进行采集的信息采集系统,移动端信息采集包括姿态传感器参数的设置,数据的实时显示,3D模型的旋转,数据的保存以及姿态的实时识别。通过遗传算法同时对3个超参数进行优化,优化的参数分别为,时间序列时间窗的长度,每一次取得数据的重复率以及隐层神经元的个数,同时提出了一种新的种群选择机制。本专利涉及移动端开发,遗传算法优化。
背景技术
当前对于姿态识别主要有以下三种方式:1.基于图像方式的姿态识别;2.基于生物传感器方式的姿态识别;3.基于姿态传感器方式的姿态识别。基于图像方式的姿态识别方法对采集图像的质量有着很高的要求,光线,图像像素等客观因素都会对最终的识别结果产生很大的影响,同时由于人体关节自由度大以及着装,体型等差异,结果也会有很大的影响。针对普通单一摄像头不能够采集深度信息的缺点,有学者使用多个摄像头进行信息的采集,使用复杂度提高,随着kinect的兴起,使用kinect进行图像的采集,可以同时采集图像的深度信息,但是加大了使用成本。基于生物传感器方式的姿态识别,如肌电传感器,需要购买专业的设备获取到信号,高质量的信号对传感器的精度要求很高,加大了成本,同时不同的人在不同的状态下,将会采集到不同的生理信息信号,造成了信号稳定性下降。
近年来硬件设备制作工艺的上升使得信号采集精度提高,同时硬件传感器体积缩小,集成度提高,因此可以将多个传感器进行集成,制作成可穿戴设备,可穿戴设备可以实时准确的采集到人体的信息,同时将姿态传感器集成于可穿戴设备中,可以准确的采集到人体的姿态信息。为了能够便捷的对传感器的信息进行采集,开发出了一套基于姿态传感器的移动端产品,在该移动端,可以对传感器的参数进行设定,实时显示采集到的信息,友好的人机交互界面,数据保存以及实时结果识别。
在将数据进行采集后,利用有效的算法进行分析将会得到准确的结果,对于大量的数据,如何进行移动端的分析也是一个具有挑战性的课题,因此如何提出简单有效的特征至关重要。对于时间序列分析,涉及以下的三个重要参数:时间序列的时间窗长度,每次读取数据的覆盖率,神经网络隐藏层神经元个数。
当前遗传算法存在收敛速度慢,容易陷入局部极小点的问题,因此针对遗传算法的缺点,对遗传算法进行了改进,改进后的算法收敛速度加快,可以找到全局最优点。
因此,通过优化遗传算法基因选择策略,寻找到最优的超参数,能够有效的对上肢动作进行实时识别是一个新颖的、可行的、有价值的项目发明。
发明内容
针对遗传算法寻优过程中收敛速度慢,容易陷入局部极小点的问题,提出了一种新的种群选择机制。
利用改进后的遗传算法,对采集到的上肢姿态原始数据进行超参数寻优,找到最优的超参数从而对6种动作进行分类,提高识别的准确率。
开发一套基于移动端的上肢姿态采集系统,该系统包括姿态传感器参数的设置,数据的实时显示,人机交互界面,数据保存界面,数据分享,实时识别。
发明的具体内容如下:
一、遗传算法种群选择机制:
本发明提出了一种新的种群选择机制,实现流程如下所示:
1.对所有的种群进行分类,包括四类,分别为最好的(Top),好的(best),一般的(normal) 以及较差的种群(worse),选择所有的好种群以及对best,normal和worse种群按照比例进行选择,选择完后,不足的部分,随机生成,每一轮种群个数保持不变。
2.重叠范围可以为0,时间窗口不能为0,神经元个数不可以为0,实验数据长度为89,因此,重叠范围可以为0-88,时间窗口的范围为1-89,即每一次取一个数据,两个数据,最多可以一次取得89个数据(即全部数据),隐层神经元的个数取值最小为6,即6个类别,没有上限,但是基于实际考虑,过多的神经元个数,不会对结果的提升带来更多的帮助。
3.
以上的公式计算的是交叉熵,交叉熵描述了两个概率分布之间的距离,当交叉熵越小时,可以说明二者之间越接近,因此
yi’:代表期望输出的结果
y:代表实际输出的结果(即预测值)
i:代表的是类别,即yi代表第i个类别被预测输出的结果,yi’代表的是第i个类别真实的类别结果。
思想是,最小化交叉熵。使用第i类真实的结果乘以对预测结果取对数,之后将结果进行相加后取反。
4.传统的遗传算法,根据适应度函数仅仅选择适应度函数分值高的种群,舍弃掉适应度分值较低的种群,此时就会出现陷入局部极小点的问题,因此本文在对种群进行选择时,每一次计算完适应度后,对所有的种群根据适应度大小进行排列,令前5%的结果为Top,5%-35%的为best,35%-80%的为normal,剩下的为worse种群,在这些种群中,按照比例进行种群的选择,如有100个种群,按照适应度得分进行排序,前5个为最好的种群,第6-35为best 种群,36-80为normal,81-100为最差的种群,选择5个最好的种群,60%的best种群,50%的normal种群以及50%的worse种群,此时,种群数量将不能保证和初始种群数量相一致,对于剩下的种群,随机进行生成,进行下一代的种群选择,直到得到最终的结果,通过该种方式,可以解决工程中陷入局部极值点以及算法慢的问题。
随机初始化种群,采用二进制编码对初始化种群进行编码。
1 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 1 | 0 |
根据随机初始化的种群,利用适应度函数计算每一个种群的适应度,表格的第一行代表计算出来的适应度大小,第二行为初始种群的编号。
在计算完适应度后,根据适应度的大小,从大到小进行排列。
在对适应度进行排列后,划分为四组,其中第一组为适应度最高的种群,第二组为适应度大小为第2-第4的种群,第三组为适应度大小为第5-第8的种群,第四组为剩下的种群。分组后的种群如下所示。
将适应度最好的种群添加到新的种群中,对于第二组种群,采用轮盘赌法,选择出两个种群添加到新的种群中,对于第三组种群,同样采用轮盘赌法,选择出两个种群添加到新的种群中,对于最后一组种群,同样采用轮盘赌法,选择出两个种群添加到新的种群中。此时一共添加了7个种群,设定每一代有12个种群,因此采用随机初始化的方法重新初始化5个种群,一共12个种群,进行下一代的计算。
通过新的种群选择方法,可以解决遗传算法收敛速度慢以及容易陷入局部最优解的问题,提高了参数优化速度的同时保存了物种的多样性。
二、上肢姿态识别时间序列超参数优化:
上肢姿态数据是时间序列,对于时间序列的分析经常需要对时间序列进行分段处理,同时对于时间序列来说,相邻两次数据取值的重复值个数也将对最后的识别结果产生影响。当前研究者常用RNN对时间序列进行分类,对于RNN来说,隐藏层神经元的个数将会对结果产生不同的影响。当前对于时间序列来说,通常是通过实验或者利用经验来确定时间窗的长度,数据的重叠率以及隐藏层神经元的个数。通过人工方式进行超参数的选择,需要花费很多的时间,并且不能够十分准确的确认超参数。通过利用遗传算法并行计算的能力,利用本文提出的种群选择机制,可以快速的收敛到全局最优解。
本文利用二进制编码的方式,对数据的重叠量,窗长度和隐藏层神经元个数进行编码:
其中第一位到第四位基因代表数据的重叠个数,第五位基因到第十位基因代表窗函数的大小,第十一位基因到第十八位基因代表神经网络隐藏层节点的个数。即数据重叠量取值范围为0-15,时间窗长度的取值范围为0-63,隐藏层神经元个数取值范围为0-255。通过遗传算法,最终找到满足适应度函数的最优数值组合。适应度函数使用
三、移动端上肢姿态采集系统:
开发移动端信息采集系统,可以方便的对信号进行采集,移动端信息采集系统包括硬件扫描,硬件连接,参数设置,滤波模式,传感器数据传输格式,实时信号采集与显示,3D模型显示,显示信号的旋转信息,原始信息的保存以及实时处理结果显示功能。
硬件扫描包括单一设备连接以及多个设备连接,本文使用蓝牙连接方式,最多的连接数量为7,检测到蓝牙设备后,进行蓝牙设备的连接。
设备连接后,显示连接设备的状态信息,状态信息包括连接状态,设备ID,设备版本,电池电量以及数据的传输速率。可以设置姿态传感器的取值精度,当设置完姿态传感器的精度后,为了获得到纯净的信号,设置了滤波方式,对于不同的数据采用不同的滤波方式,最后选择数据的传输方式。传感器可以传输的参数包括原始加速度信息,原始陀螺仪信息,原始磁力计信息,欧拉角,四元数,线性加速度,压力值,海拔值,温度以及角速度,一共10个数据。
数据的实时显示,可以分别显示每一个轴的数据,以及同时显示相同数据类型的所有数据。
3D模型显示,3D模型显示可以实时显示传感器的旋转角度以及旋转的方位信息。
功能模块,功能模块包括数据的保存,数据的重置以及传感器参数的重置。
实时显示模块,实时显示所做的动作,输出识别结果。
附图说明
图1为软件启动界面;
图2为软件主界面;
图3为设备搜索界面;
图4为选择要连接的设备;
图5为设备连接界面;
图6为连接设备状态信息显示、传感器参数、数据传输类型设置界面;
图7为设置传感器的采样频率,包括陀螺仪,加速度计和磁力计;
图8为设置传感器的滤波模式、噪声频率以及磁力计参数;
图9为设置传感器的数据传输格式和选择传输的数据;
图10为功能选择页面;
图11为数据实时显示界面;
图12为实时显示加速度数据;
图13为实时显示角速度数据;
图14为实时显示陀螺仪数据界面;
图15为实时显示磁力计数据界面;
图16为实时显示欧拉角界面;
图17为实时显示线性加速度界面;
图18为停止接收数据界面;
图19为3D模型显示界面;
图20为设置系统功能界面;
图21为特征处理及结果显示界面;
图22为超参数说明
图23本发明算法示意图。
具体实施方式
在项目中使用了12个种群,如果进行泛化的话,思想是,对所有的种群进行分类,包括四类,分别为最好的(Top),好的(best),一般的(normal)以及较差的种群(worse),选择所有的好种群以及对best,normal和worse种群按照比例进行选择,选择完后,不足的部分,随机生成,每一轮种群个数保持不变。
重叠范围可以为0,时间窗口不能为0,神经元个数不可以为0,实验数据长度为89,因此,重叠范围可以为0-88,时间窗口的范围为1-89,即每一次取一个数据,两个数据,最多可以一次取得89个数据(即全部数据),隐层神经元的个数取值最小为6,即6个类别,没有上限,但是基于实际考虑,过多的神经元个数,不会对结果的提升带来更多的帮助。
以上的公式计算的是交叉熵,交叉熵描述了两个概率分布之间的距离,当交叉熵越小时,可以说明二者之间越接近,因此
yi’:代表期望输出的结果
y:代表实际输出的结果(即预测值)
i:代表的是类别,即yi代表第i个类别被预测输出的结果,yi’代表的是第i个类别真实的类别结果。
思想是,最小化交叉熵。使用第i类真实的结果乘以对预测结果取对数,之后将结果进行相加后取反。
传统的遗传算法,根据适应度函数仅仅选择适应度函数分值高的种群,舍弃掉适应度分值较低的种群,此时就会出现陷入局部极小点的问题,因此本文在对种群进行选择时,每一次计算完适应度后,对所有的种群根据适应度大小进行排列,令前5%的结果为Top,5%-35%的为best,35%-80%的为normal,剩下的为worse种群,在这些种群中,按照比例进行种群的选择,如有100个种群,按照适应度得分进行排序,前5个为最好的种群,第6-35为best 种群,36-80为normal,81-100为最差的种群,选择5个最好的种群,60%的best种群,50%的normal种群以及50%的worse种群,此时,种群数量将不能保证和初始种群数量相一致,对于剩下的种群,随机进行生成,进行下一代的种群选择,直到得到最终的结果,通过该种方式,可以解决工程中陷入局部极值点以及算法慢的问题。
下面结合附图对本发明做进一步说明。
软件logo如图1所示。软件logo带有实验室名称NNIR(Neural Network and ImageRecognition Research Group),对软件图标进行保护。
进入软件后,如图2所示。按钮从左向右的功能分别为:低功耗蓝牙连接,普通蓝牙连接,低功耗蓝牙扫描,普通蓝牙扫描。点击蓝牙扫描按钮,将会搜索可以被连接的蓝牙设备。
当点击了蓝牙搜索按钮后,将会把扫描到的蓝牙设备显示在列表中,如图3所示。
此时点击将要被连接的蓝牙设备,如图4所示。进行连接,如图5所示。
传感器连接完毕后,跳转到蓝牙设备参数设置及状态显示界面,如图6所示。显示传感器的状态信息,状态信息包括蓝牙设备的连接状态,设备的ID号,设备的型号,电池电量以及数据的传输速率。在进行数据传输之前,首先需要设置传感器的采样精度,包括加速度传感器,陀螺仪以及磁力计的采样精度,采集不同的数据,会带来不同的噪声影响,因此,需要选择出合适的滤波方式以及对噪声的频率进行设置,最后设置传输数据的格式。传感器可以采集10种类型的数据,分别是原始加速度信息,原始陀螺仪信息,原始磁力计信息,线性加速度信息,角速度信息,四元数信息,压力信息,欧拉角信息,温度信息以及海拔信息。
传感器有7种传输速率可供选择,如图7所示,分别为 5Hz,10Hz,25Hz,50Hz,100Hz,200Hz,400Hz。陀螺仪精度可以有5种方式进行选择,分别是125dps, 245dps,500dps,1000dps以及2000dps。加速度计可以有4种精度进行选择分别是: 2Gauss,8Gauss,12Gauss以及16Gauss。如图7所示。
采集到数据后,为了减少噪声的影响,需要对采集到的原始数据进行滤波操作,滤波方式有以下的5种,对于采集陀螺仪以及加速度数据可以使用卡尔曼滤波以及DMC滤波,对于同时采集加速度数据,陀螺仪数据以及磁力计数据,可以采用卡尔曼滤波以及DCM滤波,对于仅仅有陀螺仪数据,采用对陀螺仪数据进行滤波。对于不同频率的噪声设置滤波器的滤波参数,有不设定滤波参数,0.1,0.05,0.01,0.005以及0.001六种。如图8所示。
设置完成数据传输的类别以及采用的滤波方式后,设置接收数据的类型,接收数据的类型包括32位浮点型数据以及16位整形数据两种,由于传感器可以同时采集10种原始信息,因此可以选择将要接收的信息类型,如图9所示。
本程序包括5个功能模块,分别是传感器参数设置,数据实时显示设置,3D模型显示,功能设置以及结果显示。如图10所示。
开始进行数据传输后,选择实时显示界面,将会实时显示数据传输的波形,数据的实时显示包括所有数据的同时显示以及每一轴数据的分别显示,图11-17分别是数据的实时显示界面,加速度值的实时显示界面(同时显示以及显示单一轴数据),角速度值实时显示界面(同时显示以及显示单一轴数据),陀螺仪数据实时显示界面(同时显示以及显示单一轴数据),磁力计数据实时显示界面(同时显示以及显示单一轴数据),欧拉角实时显示界面(同时显示以及显示单一轴数据),线性加速度实时显示界面(同时显示以及显示单一轴数据),当停止数据的传输后,此时点击Stop,如图18所示。
为了能够观测到传感器的运动角度信息,设置了传感器的模型显示界面,如图19所示,实时显示传感器的旋转角度和方位。
对采集到的数据进行保存,以及对传感器参数设置进行还原,如图20所示。
最后通过分析采集到的数据,提取出特征参数,进行实时的动作识别,如图21所示。
本算法对时间序列采用遗传算法对超参数进行自动寻优,超参数解释如图22所示。
Claims (6)
1.开发移动端信息采集系统,其特征在于,移动端信息采集系统包括硬件扫描,硬件连接,参数设置,滤波模式,传感器数据传输格式,实时信号采集与显示,3D模型显示,显示信号的旋转信息,原始信息的保存以及实时处理结果显示功能;
硬件扫描包括单一设备连接以及多个设备连接,使用蓝牙连接方式,检测到蓝牙设备后,进行蓝牙设备的连接;
设备连接后,显示连接设备的状态信息,状态信息包括连接状态,设备ID,设备版本,电池电量以及数据的传输速率;设置姿态传感器的取值精度,当设置完姿态传感器的精度后,设置滤波方式,最后选择数据的传输方式;传感器传输的参数包括原始加速度信息,原始陀螺仪信息,原始磁力计信息,欧拉角,四元数,线性加速度,压力值,海拔值,温度以及角速度,一共10个数据;
数据的实时显示,包括分别显示每一个轴的数据,以及同时显示相同数据类型的所有数据;
3D模型显示,3D模型显示实时显示传感器的旋转角度以及旋转的方位信息。
2.应用如权利要求1所述系统进行基于遗传算法进行超参数优化的上肢姿态识别算法,其特征在于:
随机初始化种群,采用二进制编码对初始化种群进行编码;
根据随机初始化的种群,利用适应度函数计算每一个种群的适应度,在计算完适应度后,根据适应度的大小,从大到小进行排列;
在对适应度进行排列后,划分为四组,
对所有的种群进行分类,包括四类,分别为最好的即Top,好的即best,一般的即normal以及较差的种群即worse选择所有的最好种群以及对best,normal和worse种群按照比例进行选择,选择完后,不足的部分,随机生成,每一轮种群个数保持不变。
3.根据权利要求2所述的算法,其特征在于:令前5%的结果为Top,选择所有的最好种群;5%-35%的为best,35%-80%的为normal,剩下的为worse种群,在这三个种群中,按照比例进行种群的选择,对于剩下的种群,随机进行生成,进行下一代的种群选择,直到得到最终的结果。
4.根据权利要求2所述的算法,其特征在于:
对于第二组种群,采用轮盘赌法,选择出两个种群添加到新的种群中,对于第三组种群,同样采用轮盘赌法,选择出两个种群添加到新的种群中,对于最后一组种群,同样采用轮盘赌法,选择出两个种群添加到新的种群中。
5.根据权利要求2所述的算法,其特征在于:利用二进制编码的方式,对数据的重叠量,窗长度和隐藏层神经元个数进行编码:
第一位到第四位基因代表数据的重叠个数,第五位基因到第十位基因代表窗函数的大小,第十一位基因到第十八位基因代表神经网络隐藏层节点的个数;即数据重叠量取值范围为0-15,时间窗长度的取值范围为0-63,隐藏层神经元个数取值范围为0-255;
通过遗传算法,最终找到满足适应度函数的最优数值组合;适应度函数使用
以上的公式计算的是交叉熵,交叉熵描述了两个概率分布之间的距离,当交叉熵越小时,说明二者之间越接近,因此
yi’:代表期望输出的结果
y:代表实际输出的结果
i:代表的是类别,即yi代表第i个类别被预测输出的结果,yi’代表的是第i个类别真实的类别结果;
最小化交叉熵;即使用第i类真实的结果乘以对预测结果取对数,之后将结果进行相加后取反;
6.根据权利要求5所述的算法,其特征在于:
实验数据长度为89,因此,重叠范围为0-88,时间窗口的范围为1-89,即每一次取一个数据,两个数据,或最多可以一次取得89个数据,隐层神经元的个数取值最小为6,即6个类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810834835.5A CN109190762B (zh) | 2018-07-26 | 2018-07-26 | 一种移动端信息采集系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810834835.5A CN109190762B (zh) | 2018-07-26 | 2018-07-26 | 一种移动端信息采集系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109190762A true CN109190762A (zh) | 2019-01-11 |
CN109190762B CN109190762B (zh) | 2022-06-07 |
Family
ID=64937603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810834835.5A Active CN109190762B (zh) | 2018-07-26 | 2018-07-26 | 一种移动端信息采集系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190762B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163020A (zh) * | 2020-09-30 | 2021-01-01 | 上海交通大学 | 一种多维时间序列异常检测方法及检测系统 |
CN113033861A (zh) * | 2019-12-25 | 2021-06-25 | 广东奥博信息产业股份有限公司 | 一种基于时间序列模型的水质预测方法及系统 |
CN117349599A (zh) * | 2023-12-05 | 2024-01-05 | 中国人民解放军国防科技大学 | 基于遗传算法的无人机姿态估计方法、装置、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080065267A1 (en) * | 2006-09-13 | 2008-03-13 | Samsung Electronics Co., Ltd. | Method, medium, and system estimating pose of mobile robots |
CN103699873A (zh) * | 2013-09-22 | 2014-04-02 | 杭州电子科技大学 | 基于ga-bp神经网络下肢平地行走步态识别方法 |
CN104537382A (zh) * | 2015-01-12 | 2015-04-22 | 杭州电子科技大学 | 基于遗传算法优化支持向量机的肌电信号步态识别方法 |
CN106228200A (zh) * | 2016-10-17 | 2016-12-14 | 中北大学 | 一种不依赖于动作信息采集设备的动作识别方法 |
CN106325527A (zh) * | 2016-10-18 | 2017-01-11 | 深圳市华海技术有限公司 | 人体动作识别系统 |
CN106846729A (zh) * | 2017-01-12 | 2017-06-13 | 山东大学 | 一种基于卷积神经网络的跌倒检测方法和系统 |
-
2018
- 2018-07-26 CN CN201810834835.5A patent/CN109190762B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080065267A1 (en) * | 2006-09-13 | 2008-03-13 | Samsung Electronics Co., Ltd. | Method, medium, and system estimating pose of mobile robots |
CN103699873A (zh) * | 2013-09-22 | 2014-04-02 | 杭州电子科技大学 | 基于ga-bp神经网络下肢平地行走步态识别方法 |
CN104537382A (zh) * | 2015-01-12 | 2015-04-22 | 杭州电子科技大学 | 基于遗传算法优化支持向量机的肌电信号步态识别方法 |
CN106228200A (zh) * | 2016-10-17 | 2016-12-14 | 中北大学 | 一种不依赖于动作信息采集设备的动作识别方法 |
CN106325527A (zh) * | 2016-10-18 | 2017-01-11 | 深圳市华海技术有限公司 | 人体动作识别系统 |
CN106846729A (zh) * | 2017-01-12 | 2017-06-13 | 山东大学 | 一种基于卷积神经网络的跌倒检测方法和系统 |
Non-Patent Citations (1)
Title |
---|
张俊杰 等: "基于加速度传感器的上肢运动信息采集与姿态识别", 《北京工业大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033861A (zh) * | 2019-12-25 | 2021-06-25 | 广东奥博信息产业股份有限公司 | 一种基于时间序列模型的水质预测方法及系统 |
CN112163020A (zh) * | 2020-09-30 | 2021-01-01 | 上海交通大学 | 一种多维时间序列异常检测方法及检测系统 |
CN117349599A (zh) * | 2023-12-05 | 2024-01-05 | 中国人民解放军国防科技大学 | 基于遗传算法的无人机姿态估计方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109190762B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309861B (zh) | 一种基于生成对抗网络的多模态人类活动识别方法 | |
CN105184325A (zh) | 一种人体动作识别方法和移动智能终端 | |
CN109190762A (zh) | 基于遗传算法编码的上肢姿态识别算法 | |
CN112153736A (zh) | 一种基于信道状态信息的人员动作识别和位置估计方法 | |
CN108171278B (zh) | 一种基于运动训练数据的运动模式识别方法和系统 | |
Hou | A study on IMU-based human activity recognition using deep learning and traditional machine learning | |
CN110674875A (zh) | 一种基于深度混合模型的行人运动模式识别方法 | |
CN111597990B (zh) | 一种基于rsvp范式的脑-机结合目标检测方法及系统 | |
CN111274998A (zh) | 帕金森病手指敲击动作识别方法及系统、存储介质及终端 | |
WO2021043126A1 (en) | System and method for event recognition | |
CN106874874A (zh) | 一种运动状态的识别方法及装置 | |
CN108960430A (zh) | 为人体运动活动生成个性化分类器的方法和设备 | |
CN108717548B (zh) | 一种面向传感器动态增加的行为识别模型更新方法及系统 | |
CN107019501B (zh) | 基于遗传算法和概率神经网络的远程摔倒检测方法及系统 | |
CN107454970A (zh) | 一种基于球类运动的运动轨迹采集和分析的系统与方法 | |
Chen et al. | Detection of falls with smartphone using machine learning technique | |
US9026477B2 (en) | Method for identifying a person's posture | |
CN116226727A (zh) | 一种基于ai的运动识别系统 | |
Zeng et al. | Deep learning approach to automated data collection and processing of video surveillance in sports activity prediction | |
Kumari et al. | Effect of reduced dimensionality on deep learning for human activity recognition | |
CN107992193A (zh) | 手势确认方法、装置及电子设备 | |
Sangisetti et al. | Review on personal activity analysis using machine learning algorithms | |
Xia et al. | Real-time recognition of human daily motion with smartphone sensor | |
CN111797878A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
Cui et al. | Mobile Big Data Analytics for Human Behavior Recognition in Wireless Sensor Network Based on Transfer Learning |
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 |