CN109243562A - 一种基于Elman神经网络和遗传算法的形象气质提升方法 - Google Patents

一种基于Elman神经网络和遗传算法的形象气质提升方法 Download PDF

Info

Publication number
CN109243562A
CN109243562A CN201811018159.0A CN201811018159A CN109243562A CN 109243562 A CN109243562 A CN 109243562A CN 201811018159 A CN201811018159 A CN 201811018159A CN 109243562 A CN109243562 A CN 109243562A
Authority
CN
China
Prior art keywords
behavior
neural network
posture
elman
attitude data
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
Application number
CN201811018159.0A
Other languages
English (en)
Inventor
陈怡�
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201811018159.0A priority Critical patent/CN109243562A/zh
Publication of CN109243562A publication Critical patent/CN109243562A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Abstract

本发明公开了一种基于Elman神经网络和遗传算法的形象气质提升方法，使人们的行为姿态优美，提升形象气质。包括如下步骤：S1：采集用户的身体模型参数以及对应的行为姿态数据，并上传至云服务器，身体模型参数A、行为姿态数据X构成模型输入矩阵Z；S2：用户终端通过姿态评分系统对用户的每一次行为姿态进行评分，并将评分作为模型输出变量Y上传至云服务器；S3：云服务器利用Elman神经网络建立输入矩阵Z到输出变量Y的Elman神经网络模型；S4：云服务器利用遗传算法对S3中建立的Elman神经网络模型进行优化，得到姿态评分系统最佳评分对应的行为姿态数据，即推荐决策变量X0，用户根据推荐决策变量X0对自己的行为姿态进行矫正，提高自身形象气质。

Description

一种基于Elman神经网络和遗传算法的形象气质提升方法
技术领域
本发明属于神经网络大数据领域，具体设计一种基于Elman神经网络和遗传算法的形象气质提升方法。
背景技术
形象气质训练不仅能使人获得健康美，还能使人获得体形美、姿态美、动作美和气质美，也正因为这样，形象气质训练越来越受到人们的重视，行为姿态矫正系统作为一种提高人们形象气质成为人们乐意选择的方式。在人们平时的生活中随时随地都可以实现对行为姿态的训练。但是通常人们缺乏合理的指导方案，而错误的方法可能会使用户的日常训练达不到理想的效果，造成不可弥补的时间损失和大量的精力损失。
目前，亟需解决的问题是建立一套全面的行为姿态模型，并将使用者的行为姿态数据反馈给使用者，让使用者能及时对自己的姿势矫正。影响行为姿态评分的各个因素之间往往体现出高度的复杂性和非线性，采用常规预测、分析方法存在一定难度，Elman神经网络对于非线性系统的建模精度高，非常适合行为姿态模型的建立。使用者利用下发的最优行为姿态矫正方案进行日常训练提升自身形象气质，为大数据时代的智能行为姿态矫正提供了一种新的思路。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于Elman神经网络和遗传算法的形象气质提升方法，使人们的行为姿态优美，提升形象气质。
本发明的目的是这样实现的：
一种基于Elman神经网络和遗传算法的形象气质提升方法，包括如下步骤：
S1：采集用户的身体模型参数以及对应的行为姿态数据，并上传至云服务器，身体模型参数A、行为姿态数据X构成模型输入矩阵Z，其中，身体模型参数A为环境变量，行为姿态数据X为决策变量；
S2：用户终端通过姿态评分系统对用户的每一次行为姿态进行评分，并将评分作为模型输出变量Y上传至云服务器；
S3：云服务器利用Elman神经网络建立输入矩阵Z到输出变量Y的Elman神经网络模型；
S4：云服务器利用遗传算法对S3中建立的Elman神经网络模型进行优化，得到姿态评分系统最佳评分对应的行为姿态数据，即推荐决策变量X0，用户根据推荐决策变量X0对自己的行为姿态进行矫正，提高自身形象气质。
优选地，步骤S1中，通过传感器模块采集用户的行为姿态数据；通过采样电路与传感器模块进行连接，将传感器模块采集到的行为姿态数据转换成数字信号，并上传至云服务器。
优选地，步骤S1中，身体模型参数包括身高、体重、臂长、腿长、三围，并人工录入云服务器。
优选地，步骤S1中，行为姿态数据包括站立、坐、走行为的姿态数据。
优选地，所述站立、坐、走的姿态数据分别包括行为时背部、左右手腕、左右大腿、胸部、臀部的加速度、角度、速度、三维坐标、高度。
优选地，步骤S3中，建立的Elman神经网络模型中：Xk＝[xk1,xk2,…,xkM](k＝1,2,…,S)为输入矢量，S为训练样本个数，WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量，WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量，Yk(g)＝[yk1(g),yk2(g),…,ykP(g)](k＝1,2,…,S)为第g次迭代时网络的实际输出，dk＝[dk1,dk2,…,dkP](k＝1,2,…,S)为期望输出。
优选地，步骤S3中，建立Elman神经网络模型的方法包括以下步骤：
S31：初始化，设迭代次数g初值为0，分别赋给WMI(0)、WJP(0)WJC(0)一个(0,1)区间的随机值；
S32：随机输入样本Xk；
S33：对输入样本Xk，前向计算神经网络每层神经元的输入信号和输出信号；
S34：根据期望输出dk和实际输出Yk(g)，计算误差E(g)；
S35：判断误差E(g)是否满足要求，如不满足，则进入步骤S36，如满足，则进入步骤S39；
S36：判断迭代次数g+1是否大于最大迭代次数，如大于，则进入步骤S39，否则，进入步骤S37；
S37：对输入样本Xk反向计算每层神经元的局部梯度δ；
S38：计算权值修正量ΔW，并修正权值；令g＝g+1，跳转至步骤S33；
S39：判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至步骤S32。
优选地，用户终端具有行为姿态评分系统，行为姿态评分系统根据用户实时的行为姿态数据与推荐行为姿态数据的接近程度打分，所述姿态评分系统分别对用户的站立、坐、走三种行为姿态进行评分，再进行综合评分。
优选地，步骤S4中，利用遗传算法对Elman神经网络模型进行优化，包括以下步骤：
S41根据姿态评分系统设定的各行为姿态的评分权重和所获取的个体适应度值，获取综合性指标E；
S42预设决策参数的变化区间，以及遗传算法的种群数量Nint＝100以及迭代次数Mite＝100；
S43确定优化计算的趋势方向；其中，所确定的优化计算的趋势方向使得行为姿态最佳；
S44初始化种群，并将初始化后的种群作为父代种群，对所述父代种群中所有个体的适应度函数值进行计算，获取父代种群的最优个体；
S45采用轮盘赌法或者锦标赛法对所述父代种群中所有个体进行第一次遗传迭代操作，获取子群，将所获取的子群作为新一代父代种群；
S46根据实际的迭代次数和预设的迭代次数判断迭代是否结束，若结束，将最后一次迭代所获取的父代种群的最优个体作为决策参数，否则继续迭代。
优选地，用户终端具有姿态数据界面，所述姿态数据界面显示用户实时的行为姿态数据以及由云服务器下发的推荐行为姿态数据。
由于采用了上述技术方案，本发明确定了行为姿态数据的最优值，让使用者能够在日常训练中通过推荐方案进行姿势矫正，实现提升形象气质评分的目的。
附图说明
图1为本发明的方法框架图。
具体实施方式
参见图1，一种基于Elman神经网络和遗传算法的形象气质提升方法，包括如下步骤：
S1：采集用户的身体模型参数以及对应的行为姿态数据，并上传至云服务器，身体模型参数A、行为姿态数据X构成模型输入矩阵Z，其中，身体模型参数A为环境变量，行为姿态数据X为决策变量；
本实施例中，通过传感器模块采集用户的行为姿态数据；所述传感器模块为十轴加速度蓝牙版传感器；通过采样电路与传感器模块进行连接，将传感器模块采集到的行为姿态数据转换成数字信号，并上传至云服务器。
身体模型参数包括身高A(cm)、体重B(kg)、臂长C(cm)、腿长D(cm)、三围E，并人工录入云服务器。
行为姿态数据包括站立、坐、走行为的姿态数据。所述站立、坐、走的姿态数据分别包括行为时背部、左右手腕、左右大腿、胸部、臀部的加速度、角度、速度、三维坐标、高度。本实施例中，包括背部的传感器测得的加速度(a1)、角度(θ1)、速度(v1)、三维坐标(x1、y1、z1)、高度(H1)，左右手腕的传感器测得的加速度(a左2、a右2)、角度(θ左2、θ右2)、速度(v左2、v右2)、三维坐标(x左2、y左2、z左2、x右2、y右2、z右2)、高度(H左2、H右2)、左右大腿的传感器测得的加速度(a左3、a右3)、角度(θ左3、θ右3)、速度(v左3、v右3)、三维坐标(x左3、y左3、z左3、x右3、y右3、z右3)、高度(H左3、H右3)，胸部的传感器测得的加速度(a4)、角度(θ4)、速度(v4)、三维坐标(x4、y4、z4)、高度(H4)，臀部的传感器测得的加速度(a5)、角度(θ5)、速度(v5)、三维坐标(x5、y5、z5)、高度(H5)。
S2：用户终端通过姿态评分系统对用户的每一次行为姿态进行评分，并将评分作为模型输出变量Y上传至云服务器；具体地，用户终端具有行为姿态评分系统，姿态评分系统的每种评分标准具有对应的行为姿势数据，行为姿态评分系统根据用户实时的行为姿态数据与推荐行为姿态数据的接近程度打分，所述姿态评分系统分别对用户的站立、坐、走三种行为姿态进行评分，再进行综合评分。具体评分标准如表1：
表1评分标准
用户终端具有姿态数据界面，所述姿态数据界面显示用户实时的行为姿态数据以及由云服务器下发的推荐行为姿态数据。用户终端可以为pc端、手机终端等。用户实时的行为姿态数据通过佩戴对应的传感器获取，姿态数据界面同时显示三维运动感知画面。
S3：云服务器利用Elman神经网络建立输入矩阵Z到输出变量Y的Elman神经网络模型；
建立的Elman神经网络模型中：Xk＝[xk1,xk2,…,xkM](k＝1,2,…,S)为输入矢量，S为训练样本个数，WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量，WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量，Yk(g)＝[yk1(g),yk2(g),…,ykP(g)](k＝1,2,…,S)为第g次迭代时网络的实际输出，dk＝[dk1,dk2,…,dkP](k＝1,2,…,S)为期望输出。
优选地，步骤S3中，建立Elman神经网络模型的方法包括以下步骤：
S31：初始化，设迭代次数g初值为0，分别赋给WMI(0)、WJP(0)WJC(0)一个(0,1)区间的随机值；
S32：随机输入样本Xk；
S33：对输入样本Xk，前向计算神经网络每层神经元的输入信号和输出信号；
S34：根据期望输出dk和实际输出Yk(g)，计算误差E(g)；
S35：判断误差E(g)是否满足要求，如不满足，则进入步骤S36，如满足，则进入步骤S39；
S36：判断迭代次数g+1是否大于最大迭代次数，如大于，则进入步骤S39，否则，进入步骤S37；
S37：对输入样本Xk反向计算每层神经元的局部梯度δ；
S38：计算权值修正量ΔW，并修正权值；令g＝g+1，跳转至步骤S33；
S39：判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至步骤S32。
S4：云服务器利用遗传算法对S3中建立的Elman神经网络模型进行优化，得到姿态评分系统最佳评分对应的行为姿态数据，即推荐决策变量X0，用户根据推荐决策变量X0对自己的行为姿态进行矫正，提高自身形象气质。
利用遗传算法对Elman神经网络模型进行优化，包括以下步骤：
S41根据姿态评分系统设定的各行为姿态的评分权重和所获取的个体适应度值，获取综合性指标E；
S42预设决策参数的变化区间，以及遗传算法的种群数量Nint＝100以及迭代次数Mite＝100；
S43确定优化计算的趋势方向；其中，所确定的优化计算的趋势方向使得行为姿态最佳；
S44初始化种群，并将初始化后的种群作为父代种群，对所述父代种群中所有个体的适应度函数值进行计算，获取父代种群的最优个体；
S45采用轮盘赌法或者锦标赛法对所述父代种群中所有个体进行第一次遗传迭代操作，获取子群，将所获取的子群作为新一代父代种群；
S46根据实际的迭代次数和预设的迭代次数判断迭代是否结束，若结束，将最后一次迭代所获取的父代种群的最优个体作为决策参数，否则继续迭代。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (10)

1.一种基于Elman神经网络和遗传算法的形象气质提升方法，其特征在于，包括如下步骤：
S1：采集用户的身体模型参数以及对应的行为姿态数据，并上传至云服务器，身体模型参数A、行为姿态数据X构成模型输入矩阵Z，其中，身体模型参数A为环境变量，行为姿态数据X为决策变量；
S2：用户终端通过姿态评分系统对用户的每一次行为姿态进行评分，并将评分作为模型输出变量Y上传至云服务器；
S3：云服务器利用Elman神经网络建立输入矩阵Z到输出变量Y的Elman神经网络模型；
S4：云服务器利用遗传算法对S3中建立的Elman神经网络模型进行优化，得到姿态评分系统最佳评分对应的行为姿态数据，即推荐决策变量X0，用户根据推荐决策变量X0对自己的行为姿态进行矫正，提高自身形象气质。
2.根据权利要求1所述的一种基于Elman神经网络和遗传算法的形象气质提升方法，其特征在于，步骤S1中，通过传感器模块采集用户的行为姿态数据；通过采样电路与传感器模块进行连接，将传感器模块采集到的行为姿态数据转换成数字信号，并上传至云服务器。
3.根据权利要求1所述的一种基于Elman神经网络和遗传算法的形象气质提升方法，其特征在于，步骤S1中，身体模型参数包括身高、体重、臂长、腿长、三围，并人工录入云服务器。
4.根据权利要求1所述的一种基于Elman神经网络和遗传算法的形象气质提升方法，其特征在于，步骤S1中，行为姿态数据包括站立、坐、走行为的姿态数据。
5.根据权利要求4所述的一种基于Elman神经网络和遗传算法的形象气质提升方法，其特征在于，所述站立、坐、走的姿态数据分别包括行为时背部、左右手腕、左右大腿、胸部、臀部的加速度、角度、速度、三维坐标、高度。
6.根据权利要求1所述的一种基于Elman神经网络和遗传算法的形象气质提升方法，其特征在于，步骤S3中，建立的Elman神经网络模型中：Xk＝[xk1,xk2,…,xkM] (k＝1,2,…,S)为输入矢量，S为训练样本个数，WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量，WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量，Yk(g)＝[yk1(g),yk2(g),…,ykP(g)] (k＝1,2,…,S)为第g次迭代时网络的实际输出，dk＝[dk1,dk2,…,dkP] (k＝1,2,…,S)为期望输出。
7.根据权利要求6所述的一种基于Elman神经网络和遗传算法的形象气质提升方法，其特征在于，步骤S3中，建立Elman神经网络模型的方法包括以下步骤：
S31：初始化，设迭代次数g初值为0，分别赋给WMI(0)、WJP(0)WJC(0)一个(0,1)区间的随机值；
S32：随机输入样本Xk；
S33：对输入样本Xk，前向计算神经网络每层神经元的输入信号和输出信号；
S34：根据期望输出dk和实际输出Yk(g)，计算误差E(g)；
S35：判断误差E(g)是否满足要求，如不满足，则进入步骤S36，如满足，则进入步骤S39；
S36：判断迭代次数g+1是否大于最大迭代次数，如大于，则进入步骤S39，否则，进入步骤S37；
S37：对输入样本Xk反向计算每层神经元的局部梯度δ；
S38：计算权值修正量ΔW，并修正权值；令g＝g+1，跳转至步骤S33；
S39：判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至步骤S32。
8.根据权利要求1所述的一种基于Elman神经网络和遗传算法的形象气质提升方法，其特征在于，用户终端具有行为姿态评分系统，行为姿态评分系统根据用户实时的行为姿态数据与推荐行为姿态数据的接近程度打分，所述姿态评分系统分别对用户的站立、坐、走三种行为姿态进行评分，再进行综合评分。
9.根据权利要求1所述的一种基于Elman神经网络和遗传算法的形象气质提升方法，其特征在于，步骤S4中，利用遗传算法对Elman神经网络模型进行优化，包括以下步骤：
S41根据姿态评分系统设定的各行为姿态的评分权重和所获取的个体适应度值，获取综合性指标E；
S42预设决策参数的变化区间，以及遗传算法的种群数量Nint＝100以及迭代次数Mite＝100；
S43确定优化计算的趋势方向；其中，所确定的优化计算的趋势方向使得行为姿态最佳；
S44初始化种群，并将初始化后的种群作为父代种群，对所述父代种群中所有个体的适应度函数值进行计算，获取父代种群的最优个体；
S45采用轮盘赌法或者锦标赛法对所述父代种群中所有个体进行第一次遗传迭代操作，获取子群，将所获取的子群作为新一代父代种群；
S46根据实际的迭代次数和预设的迭代次数判断迭代是否结束，若结束，将最后一次迭代所获取的父代种群的最优个体作为决策参数，否则继续迭代。
10.根据权利要求1所述的一种基于Elman神经网络和遗传算法的形象气质提升方法，其特征在于，用户终端具有姿态数据界面，所述姿态数据界面显示用户实时的行为姿态数据以及由云服务器下发的推荐行为姿态数据。
CN201811018159.0A 2018-09-03 2018-09-03 一种基于Elman神经网络和遗传算法的形象气质提升方法 Pending CN109243562A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811018159.0A CN109243562A (zh) 2018-09-03 2018-09-03 一种基于Elman神经网络和遗传算法的形象气质提升方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811018159.0A CN109243562A (zh) 2018-09-03 2018-09-03 一种基于Elman神经网络和遗传算法的形象气质提升方法

Publications (1)

Publication Number Publication Date
CN109243562A true CN109243562A (zh) 2019-01-18

Family

ID=65060054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811018159.0A Pending CN109243562A (zh) 2018-09-03 2018-09-03 一种基于Elman神经网络和遗传算法的形象气质提升方法

Country Status (1)

Country Link
CN (1) CN109243562A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886249A (zh) * 2019-03-11 2019-06-14 重庆科技学院 一种基于elman神经网络的蹦蹦袋体验评价方法及系统
CN109934156A (zh) * 2019-03-11 2019-06-25 重庆科技学院 一种基于elman神经网络的用户体验评价方法及系统
CN110632636A (zh) * 2019-09-11 2019-12-31 桂林电子科技大学 一种基于Elman神经网络的载体姿态估计方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011250915A (ja) * 2010-06-01 2011-12-15 Sharp Corp 姿勢認識装置
CN106030427A (zh) * 2014-02-20 2016-10-12 M·奥利尼克 用于在机器人烹饪厨房中制备食物的方法和系统
CN106020440A (zh) * 2016-05-05 2016-10-12 西安电子科技大学 一种基于体感交互的京剧教学系统
CN106373022A (zh) * 2016-09-13 2017-02-01 重庆科技学院 基于bp‑ga的温室农作物种植效率条件优化方法及系统
CN106482502A (zh) * 2016-10-10 2017-03-08 重庆科技学院 基于云平台大数据推荐的智能烘干远程控制方法及系统
CN108198601A (zh) * 2017-12-27 2018-06-22 广东欧珀移动通信有限公司 运动评分方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011250915A (ja) * 2010-06-01 2011-12-15 Sharp Corp 姿勢認識装置
CN106030427A (zh) * 2014-02-20 2016-10-12 M·奥利尼克 用于在机器人烹饪厨房中制备食物的方法和系统
CN106020440A (zh) * 2016-05-05 2016-10-12 西安电子科技大学 一种基于体感交互的京剧教学系统
CN106373022A (zh) * 2016-09-13 2017-02-01 重庆科技学院 基于bp‑ga的温室农作物种植效率条件优化方法及系统
CN106482502A (zh) * 2016-10-10 2017-03-08 重庆科技学院 基于云平台大数据推荐的智能烘干远程控制方法及系统
CN108198601A (zh) * 2017-12-27 2018-06-22 广东欧珀移动通信有限公司 运动评分方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王光旭: "基于表面肌电信号的下肢运动模式识别的研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886249A (zh) * 2019-03-11 2019-06-14 重庆科技学院 一种基于elman神经网络的蹦蹦袋体验评价方法及系统
CN109934156A (zh) * 2019-03-11 2019-06-25 重庆科技学院 一种基于elman神经网络的用户体验评价方法及系统
CN110632636A (zh) * 2019-09-11 2019-12-31 桂林电子科技大学 一种基于Elman神经网络的载体姿态估计方法

Similar Documents

Publication Publication Date Title
CN103678859B (zh) 动作比对方法与动作比对系统
CN103100193A (zh) 图像处理装置、图像处理方法和程序
CN109243562A (zh) 一种基于Elman神经网络和遗传算法的形象气质提升方法
CN112069933A (zh) 基于体态识别和人体生物力学的骨骼肌肉受力估计方法
CN110600125B (zh) 一种基于人工智能的体态分析助手系统及传输方法
CN106472412B (zh) 基于物联网的宠物喂养方法及系统
CN109145739A (zh) 一种人体姿态预测方法、装置及系统
CN109248413A (zh) 一种基于bp神经网络和遗传算法的掷实心球姿势矫正方法
CN109635820A (zh) 基于深度神经网络的帕金森病运动迟缓视频检测模型的构建方法
CN110893100A (zh) 基于足底压力传感器监测体态变化的装置和方法
CN108846903A (zh) 女性内衣虚拟设计设备与系统
CN112288766A (zh) 运动评估方法、装置、系统及存储介质
CN108962349A (zh) 一种基于云数据的睡眠按摩方法及系统
CN110404243A (zh) 一种基于体态测量的康复方法及康复系统
WO2020166554A1 (ja) 体形データ取得システム、体形データ取得プログラム、及びコンピュータ読み取り可能な非一時的記憶媒体
CN106846372A (zh) 人体运动质量视觉分析与评价系统及其方法
CN114742952A (zh) 三维服装仿真方法、装置、终端设备以及存储介质
CN108371806A (zh) 体操训练装置及其训练方法
CN109147891A (zh) 一种基于bp神经网络和遗传算法的形象气质提升方法
KR102425481B1 (ko) 재활치료를 위한 가상현실 커뮤니케이션 시스템
KR102429627B1 (ko) 가상현실에서 아바타를 생성하고 복수의 콘텐츠를 제공하는 시스템
CN115006822A (zh) 一种智能健身镜控制系统
CN115147768A (zh) 一种跌倒风险评估方法及系统
CN109284696A (zh) 一种基于智能数据采集与云服务技术的形象气质提升方法
KR20230091961A (ko) 운동감시방법 및 운동감시장치

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