CN109670527A - 加速度识别方法、装置、计算机设备及存储介质 - Google Patents
加速度识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109670527A CN109670527A CN201811347740.7A CN201811347740A CN109670527A CN 109670527 A CN109670527 A CN 109670527A CN 201811347740 A CN201811347740 A CN 201811347740A CN 109670527 A CN109670527 A CN 109670527A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- information
- array
- user
- target user
- 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
- 230000001133 acceleration Effects 0.000 title claims abstract description 290
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000003062 neural network model Methods 0.000 claims abstract description 56
- 239000011159 matrix material Substances 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 47
- 230000033001 locomotion Effects 0.000 claims description 39
- 230000006854 communication Effects 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 25
- 238000011282 treatment Methods 0.000 claims description 22
- 238000012512 characterization method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 210000004218 nerve net Anatomy 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 231100001261 hazardous Toxicity 0.000 description 3
- 230000002218 hypoglycaemic effect Effects 0.000 description 3
- 208000013016 Hypoglycemia Diseases 0.000 description 2
- 238000007630 basic procedure Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 229920002527 Glycogen Polymers 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 229940096919 glycogen Drugs 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明实施例公开了一种加速度识别方法、装置、计算机设备及存储介质，包括下述步骤：获取目标用户的多个加速度信息；根据预设的数组生成规则和所述多个加速度信息生成加速度数组矩阵；将所述加速度数据矩阵输入到预设的加速度判断模型中；获取所述加速度判断模型输出的分类结果。通过可穿戴设备收集目标用户的加速度信息，由于可穿戴设备能够实时的对用户的加速度信息进行采集，且不占用用户空间且价格低廉，因此更适合对用户的行为进行检测判断。将收集的加速度信息转化生成加速度数组矩阵，然后将该加速度数组矩阵输入到训练至收敛的神经网络模型，通过神经网络模型的分类结果识别用户的用户行为。
Description
技术领域
本发明实施例涉及模型算法领域，尤其是一种加速度识别方法、装置、计算机设备及存储介质。
背景技术
图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。一般工业使用中，采用工业相机拍摄图片，然后再利用软件根据图片灰阶差做进一步识别处理。
目前许多通过图像识别分析用户行为的方法。它们大多应用在摄像头固定的场景下，并主要采用前景提取方法来获取人体轮廓，然后，根据图像分类的方法判断人们的行为。但是，采用固定摄像头意味着需要在用户每个可能出现的活动空间，都安装监控设备才能保证对于人们的行为进行全面监控，而在家或者在人们可能前往的室外环境均安装摄像头进行实时拍摄成本过高，也无法保证用户的隐私权。而采用移动式摄像头，例如机器人，实时对用户进行跟踪拍摄，同样也存在续航和成本高昂的问题。
发明内容
本发明实施例提供一种便捷的通过检测用户加速度而判断用户行为的加速度识别方法、装置、计算机设备及存储介质。
为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种加速度识别方法，包括下述步骤：
获取目标用户的多个加速度信息；
根据预设的数组生成规则和所述多个加速度信息生成加速度数组矩阵；
将所述加速度数据矩阵输入到预设的加速度判断模型中，其中，所述加速度判断模型为预先训练至收敛用于判断加速度表征的用户行为的神经网络模型；
获取所述加速度判断模型输出的分类结果，其中，所述分类结果为所述目标用户的用户行为。
可选地，所述分类结果为目标用户是否跌倒，所述加速度判断模型为预先训练至收敛，用于根据所述多个加速度信息判断目标用户是否跌倒的神经网络模型。
可选地，所述获取目标用户的多个加速度信息的步骤，包括下述步骤：
检测目标用户的运动加速度是否发生变化；
当所述运动加速度发生变化时，根据预设的时间间隔依次获取多个运动加速度。
可选地，所述数组生成规则为根据获取时间的先后顺序，将所述多个运动加速度依次写入预设的矩阵模板，所述根据预设的数组生成规则和所述多个加速度信息生成加速度数组矩阵的步骤，包括下述步骤：
获取预设的矩阵模板；
将所述多个运动加速度按获取时间的先后次序依次写入所述矩阵模板生成所述加速度数组矩阵。
可选地，当所述分类结果为目标用户跌倒时，所述获取所述加速度判断模型输出的分类结果的步骤之后，还包括下述步骤：
获取预设的关联终端的通讯信息；
根据所述通讯信息向所述关联终端发送预设的警示信息，以提醒所述关联终端的用户目标用户发生跌倒。
可选地，当所述分类结果为目标用户跌倒时，所述获取所述加速度判断模型输出的分类结果的步骤之后，还包括下述步骤：
获取所述目标用户的病例信息；
根据所述病例信息获取对应的紧急救治方法；
通过所述语音播放所述紧急救治方法，以使目标用户周围环境中的其他人员获知救助知识。
可选地，所述加速度判断模型的训练方法为：
获取标记有分类参照信息的训练样本数据，其中，所述训练样本数据包括多组加速度数组矩阵；
将所述训练样本数据输入神经网络模型获取所述训练样本数据的分类判断信息；
比对所述训练样本数据的分类参照信息与所述分类判断信息是否一致；
当所述分类参照信息与所述分类判断信息不一致时，反复循环迭代的更新所述神经网络模型中的权重，至所述比对结果一致时结束。
为解决上述技术问题，本发明创造的实施例还提供一种加速度识别装置，包括：
获取模块，用于获取目标用户的多个加速度信息；
生成模块，用于根据预设的数组生成规则和所述多个加速度信息生成加速度数组矩阵；
处理模块，用于将所述加速度数据矩阵输入到预设的加速度判断模型中，其中，所述加速度判断模型为预先训练至收敛用于判断加速度表征的用户行为的神经网络模型；
执行模块，用于获取所述加速度判断模型输出的分类结果，其中，所述分类结果为所述目标用户的用户行为。
可选地，所述分类结果为目标用户是否跌倒，所述加速度判断模型为预先训练至收敛，用于根据所述多个加速度信息判断目标用户是否跌倒的神经网络模型。
可选地，所述加速度识别装置还包括：
第一检测子模块，用于检测目标用户的运动加速度是否发生变化；
第一执行子模块，用于当所述运动加速度发生变化时，根据预设的时间间隔依次获取多个运动加速度。
可选地，所述数组生成规则为根据获取时间的先后顺序，将所述多个运动加速度依次写入预设的矩阵模板，所述加速度识别装置还包括：
第一获取子模块，用于获取预设的矩阵模板；
第二执行子模块，用于将所述多个运动加速度按获取时间的先后次序依次写入所述矩阵模板生成所述加速度数组矩阵。
可选地，当所述分类结果为目标用户跌倒时，所述加速度识别装置还包括：
第二获取子模块，用于获取预设的关联终端的通讯信息；
第三执行子模块，用于根据所述通讯信息向所述关联终端发送预设的警示信息，以提醒所述关联终端的用户目标用户发生跌倒。
可选地，当所述分类结果为目标用户跌倒时，所述加速度识别装置还包括：
第三获取子模块，用于获取所述目标用户的病例信息；
第一处理子模块，用于根据所述病例信息获取对应的紧急救治方法；
第四执行子模块，用于通过所述语音播放所述紧急救治方法，以使目标用户周围环境中的其他人员获知救助知识。
可选地，所述加速度识别装置还包括：
第四获取子模块，用于获取标记有分类参照信息的训练样本数据，其中，所述训练样本数据包括多组加速度数组矩阵；
第二处理子模块，用于将所述训练样本数据输入神经网络模型获取所述训练样本数据的分类判断信息；
第一比对子模块，用于比对所述训练样本数据的分类参照信息与所述分类判断信息是否一致；
第五执行子模块，用于当所述分类参照信息与所述分类判断信息不一致时，反复循环迭代的更新所述神经网络模型中的权重，至所述比对结果一致时结束。
为解决上述技术问题，本发明创造的实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述所述加速度识别方法的步骤。
为解决上述技术问题，本发明创造的实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述所述加速度识别方法的步骤。
本发明实施例的有益效果是：通过可穿戴设备收集目标用户的加速度信息，由于可穿戴设备能够实时的对用户的加速度信息进行采集，且不占用用户空间且价格低廉，因此更适合对用户的行为进行检测判断。将收集的加速度信息转化生成加速度数组矩阵，然后将该加速度数组矩阵输入到训练至收敛的神经网络模型，通过神经网络模型的分类结果识别用户的用户行为。由于，目标用户的加速度信息收集快捷方便，而神经网络模型能够快速准确的对加速度数组矩阵表征的用户行为进行分类。降低了用户行为识别的成本，且能够实时对用户行为进行判断。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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他的附图。
图1为本发明实施例加速度识别方法的基本流程示意图；
图2为本发明实施例获取多个加速度信息的流程示意图；
图3为本发明实施例生成加速度数组矩阵的流程示意图；
图4为本发明实施例发送警示信息的流程示意图；
图5为本发明实施例语音救助的流程示意图；
图6为本发明实施例训练加速度判断模型的流程示意图；
图7为本发明实施例加速度识别装置的基本结构示意图；
图8为本发明实施例计算机设备基本结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
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。
本技术领域技术人员可以理解，这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；PCS(Personal Communications Service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；PDA(Personal Digital Assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是PDA、MID(Mobile Internet Device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
具体请参阅图1，图1为本实施例加速度识别方法的基本流程示意图。
如图1所示，一种加速度识别方法，包括下述步骤：
S1100、获取目标用户的多个加速度信息；
获取目标用户的多个加速度信息。其中目标用户的加速度信息获取方式为通过用户佩戴的可穿戴设备中的加速度传感器。可穿戴设备能够是(不限于)：watch类(包括手表和腕带等产品)，以脚为支撑的shoes类(包括鞋、袜子或者将来的其他腿上佩戴产品)，以头部为支撑的Glass类(包括眼镜、头盔、头带等)，以及智能服装、书包、拐杖、配饰等各类非主流产品形态。可穿戴设备中均集成设置有加速度传感器，在一些实施方式中，可穿戴设备能够通过外设的加速度传感器获取目标用户的加速度。外设加速度传感器与可穿戴设备能够通过有线连接或者无线连接的方式进行通讯。本实施方式中，目标用户即为佩戴可穿戴设备的人。
在一些选择性实施例中，加速度信息的获取能够通过用户携带的移动终端进行，例如通过智能手机或PAD等设备。
需要指出的是获取的加速度信息为多个，多个加速度信息之间采集时间具有时间间隔。加速度信息的数量能够是：2条、3条、4条、5条或者更多条。
S1200、根据预设的数组生成规则和所述多个加速度信息生成加速度数组矩阵；
获取多个加速度信息后，根据加速度信息生成加速度数组矩阵。加速度数组矩阵的行和例的数量与加速度信息的数量有关。例如，加速度信息为4条时，则采用一个2行*2列的数组矩阵；加速度信息的条数为9条时，则采用一个3行*3列的数组矩阵。在一些选择性实施例中，加速度数组矩阵的行和例的数量之积大于加速度信息的条数。例如，加速度信息的条数为7条时，采用一个2行*4列的数组矩阵，此时，空余的一个矩阵元素需要通过生成一个随机数或者采用数字0进行填充。
本实施方式中，将加速度信息生成加速度数组矩阵需要遵循一定的规律，即遵循数组生成规则。数组生成规则能够是(不限于)：根据获取时间的先后依次将加速度信息填入加速度数组矩阵、通过随机抽取的方式将加速度信息填入加速度数组矩阵或者有中间数据开始沿两侧扩散的方式将加速度信息填入加速度数组矩阵等。
S1300、将所述加速度数据矩阵输入到预设的加速度判断模型中，其中，所述加速度判断模型为预先训练至收敛用于判断加速度表征的用户行为的神经网络模型；
将构建完成的加速度数组矩阵输入到预设的加速度判断模型。其中，加速度判断模型为预先训练至收敛用于判断加速度表征的用户行为的神经网络模型。本实施方式中，加速度判断模型为是卷积神经网络模型(CNN)，但是加速度判断模型还能够是：深度神经网络模型(DNN)、循环神经网络模型(RNN)或者上述三种网络模型的变形模型。
神经网络模型对于大型的图像识别具有很大的优势，但是，神经网络模型模型在处理图像时，也是提取图像像素值这个标量并将图像转化为数组矩阵，然后通过提取数组矩阵数字表征的图像特征，最终生成图像分类结果。因此，只要能够将用户可穿戴设备在一个时间段内产生的多个加速度值，对应的写入一个数组矩阵中，然后将加速度数据矩阵输入到神经网络模型中，就能够使神经网络模型对加速度特征进行卷积，最终通过分类的方式判断用户行为。
人作为一种生物，其相对具有的运动状态为两种，相对静止状态和相对运动状态。其中，相对静止状态的加速度值为0，而相对运动状态中，由于人做的任何运动均不能够保持匀速，因此，无论用户在进行任何运动时，其运动均会产生加速度变化，而通过对用户加速度的深度学习，能够使神经网络模型识别不同的用户行为。用户行为能够是(不限于)：相对静止、跑步、乘坐交通工具、跌倒或者游泳等等各种形态的运动行为。
S1400、获取所述加速度判断模型输出的分类结果，其中，所述分类结果为所述目标用户的用户行为。
本实施方式中，神经网络模型的分类结果被设置为用户的不同行为，将加速度数据矩阵输入加速度判断模型后，加速度判断模型通过对加速度数据矩阵进行卷积和分类后输出分类结果。该分类结果即神经网络模型判定的加速度数据矩阵表征的用户行为。
上述实施方式通过可穿戴设备收集目标用户的加速度信息，由于可穿戴设备能够实时的对用户的加速度信息进行采集，且不占用用户空间且价格低廉，因此更适合对用户的行为进行检测判断。将收集的加速度信息转化生成加速度数组矩阵，然后将该加速度数组矩阵输入到训练至收敛的神经网络模型，通过神经网络模型的分类结果识别用户的用户行为。由于，目标用户的加速度信息收集快捷方便，而神经网络模型能够快速准确的对加速度数组矩阵表征的用户行为进行分类。降低了用户行为识别的成本，且能够实时对用户行为进行判断。
在一些实施方式中，人在上了年纪后，往往会疾病缠身，而发病时很多老人会失去意识(如低血糖、心脏病或者脑溢血等)，目前许多关于老人跌倒检测的算法,它们大多应用在摄像头固定的场景下,并主要采用前景提取方法来获取人体轮廓，然后，根据图像分类的方法判断老人是否跌倒。但是，采用固定摄像头意味着需要为家中每一处独立的空间都安装监控设备才能保证对于老人的全面监控，而在家或者在老人可能前往的室外环境均安装摄像头进行实时拍摄成本过高，也无法保证用户的隐私权。而采用移动式摄像头，例如机器人，实时对老人进行跟踪拍摄，同样也存在续航和成本高昂的问题。为解决上述技术问题，通过上述实施方式中的加速度数组矩阵和加速度判断性对用户是否跌倒进行判断。
在一些实施方式中，对用户是否跌倒的判断采用的可穿戴设备为腕表。但是不限于此，根据具体应用场景的不同，使用的可穿戴设备能够为其他类型。本实施方式中，在检测到用户加速度发生变化时，连续获取4个加速度信息，加速度信息获取的条数不局限于此，能够根据具体应用场景的不同进行不同条数的获取。将获取到的4个加速度信息写入一个2行*2列的加速度数组矩阵，并将该加速度数组矩阵输入到加速度判断模型中。其中，加速度判断模型的分类结果有两个，其一，为用户未跌倒；其二，为用户跌倒。
通过对用户的加速度进行采集，然后将加速度信息输入到加速度判断模型中，判断用户是否发生跌倒。由于加速度传感器体积小，且检测不受方向的限制，因此，通过集成在腕表中的加速度传感器，能够实时的获取用户的加速度信息，并通过存储的加速度判断模型完成对用户是否跌倒的快速判断，且投入成本极少，判断准确率较高，真真做到随时监测，实时判断的技术要求。
在一些实施方式中，获取用户加速度的行为并非实时的，在一些应用场景中，首先检测到用户的加速度发生变化后，然后通过连续获取的的方式获取多个加速度信息。请参阅图2，图2为本实施方式获取多个加速度信息的流程示意图。
如图2所示，步骤1100还包括下述步骤：
S1101、检测目标用户的运动加速度是否发生变化；
目标用户佩戴可穿戴设备，实时的检测用户的运动加速度，当目标用户处于相对静止的状态时，目标用户的加速度为0，可穿戴设备的处理器不对该加速度进行处理。当检测得到的加速度大于0时，即可穿戴设备检测到目标用户的加速度发生了变化。
S1102、当所述运动加速度发生变化时，根据预设的时间间隔依次获取多个运动加速度。
当检测到目标用户的加速度由0变化为其他数值时，根据设定的获取规则，连续的获取多个运动加速度，且各个运动加速度之间的具有设定的时间间隔。例如，当检测到加速度出现变化时，以每个0.5s(不限于，能够为任何时长的时间间隔)的时间间隔，获取2s内的四条运动加速度值。需要指出的是，运动加速度获取之间的时间间隔以及获取运动加速度的条数均能够根据具体应用场景的不同而设置，其中，时间间隔能够是大于0小于10s的任意值，获取运动加速度的条数能够为大于2的任意值。
通过在检测到加速度值发生变化时，才获取判断用户行为的运动加速度，能够有效的排除非必要的用户行为被频繁出发，有利于提高模型的运算效率，减少可穿戴设备的能耗。
在一些实施方式中，为了能够使神经网络模型更加快速的学习并判断加速度数组矩阵表征的用户行为。需要在将多个加速度信息生成加速度数组矩阵时，将多个加速度信息进行顺序排列，以便于神经网络模型能够更快的进行学习和判断。请参阅图3，图3为本实施例生成加速度数组矩阵的流程示意图。
如图3所示，步骤S1200还包括：
S1201、获取预设的矩阵模板；
在生成加速度数组矩阵之前，首先要获取矩阵模板。矩阵模板为元素均为0的数组矩阵。矩阵模板是由行与列组成的，组成矩阵模板的行与列的数量与加速度信息的数量有关。例如，加速度信息为4条时，则采用一个2行*2列的数组矩阵；加速度信息的条数为9条时，则采用一个3行*3列的数组矩阵。在一些选择性实施例中，加速度数组矩阵的行和例的数量之积大于加速度信息的条数。例如，加速度信息的条数为7条时，采用一个2行*4列的数组矩阵，此时，空余的一个矩阵元素需要通过生成一个随机数或者采用数字0进行填充。
S1202、将所述多个运动加速度按获取时间的先后次序依次写入所述矩阵模板生成所述加速度数组矩阵。
获取矩阵模板后，将多个个运动加速度按获取时间的先后次序依次写入矩阵模板。写入的顺序能够是一行一行写入，也能够是一列一列写入。将多个加速度依次写入完成后，即生成加速度数组矩阵。由于加速度的变化是依据时间轴获取的，其先后顺序之间保持有必然的联系，该联系经过神经网络深度学习后转化为权重参数，以放大数据矩阵中重要数据的权重，减少数组矩阵中非必要数据的权重，达到提取数据的目的。因此，深度学习的过程及神经网络学习数组矩阵中数与数之间的逻辑关系，这种逻辑关系最终通过权重进行表达。而规则排列的数据能够使神经网络模型能够更快的学习至收敛状态，同时对于该类数据的判断准确率也会大大的提高。
在一些实施方式中，当判断出用户在进行某些危险行为，例如，用户跌倒时。需要向其关联终端进行报警。以制止用户的危险行为或者对用户进行救助。请参阅图4，图4为本实施例发送警示信息的流程示意图。
如图4所示，步骤S1400之后还包括下述步骤：
S1411、获取预设的关联终端的通讯信息；
用户携带的可穿戴设备具有对外通讯的功能，通讯方式能够通过蜂窝通讯网络或WiFi网络等通讯方式与外界终端进行联系。可穿戴设备在首次使用时或者配置过程中需要写入关联终端。即可穿戴设备能够直接联系的关联终端的通讯信息。通讯信息能够是(不限于)：电话号码、电子邮箱或即时通讯账户的账号信息等。
S1412、根据所述通讯信息向所述关联终端发送预设的警示信息，以提醒所述关联终端的用户目标用户发生跌倒。
获取到关联终端的通讯信息后，可穿戴设备通过该通讯信息向关联终端发送警示信息。其中，警示信息的内容为“XX用户发生跌倒，请进行紧急救助”。
但是，警示信息的内容不局限于此，根据不同的应用环境，警示信息的内容能够进行适应性的调整。例如，当可穿戴设备用于检测孩童是否在进行高空跳落时，警示内容被调整为：“XX用户正在进行危险行为，请前往制止”。
在一些是实施方式中，当判断出用户在发生跌倒时，为避免关联终端的用户前往过程中耽误最佳的治疗时间，在向关联终端发送信息的同时，向最近的医院或者医护中心发送紧急救治的求助信息。为更近一步地，保证目标用户的健康，可穿戴设备会通过获取用户的病例信息，获取用户的身患疾病名称和紧急治疗方法进行实时播报，以引起周围人群的注意，同时，教会周围人群救济救治的方法，保证目标用户在救护人员到来之前，能够得到有效的治疗。请参阅图5，图5为本实施例语音救助的流程示意图。
如图5所示，步骤S1400之后还包括下述步骤：
S1421、获取所述目标用户的病例信息；
当检测到用户跌倒后，可穿戴设备获取存储在本地的用户病例信息。用户病例的获取方式不局限于从本地获取。根据具体应用场景的不同，在一些实施方式中，病例信息的获取能够通过访问对应的服务器获取。例如通过用户身份信息访问医院的病例信息数据库获取。病例信息中包括用户所患疾病的名称。
S1422、根据所述病例信息获取对应的紧急救治方法；
根据病例信息获取目标用户所患疾病的紧急救治方法。例如，当用户具有严重的低血糖征兆时，获取低血糖症状的紧急治疗方法为喂食“糖原”，以快速补充目标用户的血糖。每一种疾病均具有与其对应的紧急救治方法，通过疾病名称在对应的数据库中就能够获取对应的紧急救治方法。
S1423、通过所述语音播放所述紧急救治方法，以使目标用户周围环境中的其他人员获知救助知识。
获取到目标用户所患疾病的紧急救治方法后，通过语音播放该紧急救治方法。通过播放用户的紧急治疗方法，以引起周围人群的注意，同时，教会周围人群救济救治的方法，保证目标用户在救护人员到来之前，能够得到有效的治疗。
在一些实施方式中，加速度判断模型在训练至收敛状态时，才能够对用户行为作出准确的判断。请参阅图6，图6为本实施例训练加速度判断模型的流程示意图。
如图6所示，加速度判断模型的训练方法包括下述步骤：
S2100、获取标记有分类参照信息的训练样本数据，其中，所述训练样本数据包括多组加速度数组矩阵；
训练样本数据是由加速度数组矩阵以及对加速度数组矩阵进行标记的分类参照信息组成的。
分类参照信息是指人们根据输入神经网络模型的训练方向，通过普适性的判断标准和事实状态对训练样本数据做出的人为的判断，也就是人们对神经网络模型输出数值的期望目标。如，在一个训练样本数据中，人工标定训练样本中的加速度数组矩阵，是通过用户跌倒时收集的加速度生成的，该加速度数组矩阵表征的分类参照信息为“跌倒”。同样的原理，对每一个训练样本数据，均根据收集时用户的行为标记分类参照信息。
S2200、将所述训练样本数据输入神经网络模型获取所述训练样本数据的分类判断信息；
将训练样本集依次输入到神经网络模型中，训练样本输入后模型首先对加速度数组矩阵中的特征进行提取，然后根据权重计算该加速度数组矩阵的分类结果，即输出加速度数组矩阵的分类判断信息。
在训练过程中，随着反向算法不断地调整模型内部的权值，使模型提取的特征向能够区分跌倒时加速度的变化趋势靠拢，即随着训练的不断继续，加重不能能够表征跌倒时的加速度获知其他表征其他行为的加速度在卷积层中的权重，以使在进行卷积提取时，提取的聚类中心点集中在上述加速度特征所在的地方，在提高了的辨识度的同时，提高了分类的准确性。
模型判断参照信息是神经网络模型根据输入的加速度数组矩阵而输出的激励数据，在神经网络模型未被训练至收敛之前，分类判断信息为离散性较大的数值。
S2300、比对所述训练样本数据的分类参照信息与所述分类判断信息是否一致；
通过损失函数计算期望输出与激励输出是否一致，损失函数是用于检测神经网络模型中模型分类参照信息，与期望的分类判断信息是否具有一致性的检测函数。当神经网络模型的输出结果与分类判断信息的期望结果不一致时，需要对神经网络模型中的权重进行校正，以使神经网络模型的输出结果与分类判断信息的期望结果相同。
S2400、当所述分类参照信息与所述分类判断信息不一致时，反复循环迭代的更新所述神经网络模型中的权重，至所述比对结果一致时结束。
当神经网络模型的分类输出结果与分类参照信息的期望结果不一致时，需要根据反向传播算法对神经网络模型中的权重进行校正，以使神经网络模型的输出结果与分类参照信息的期望结果相同。
训练时采用多个训练样本进行训练(例如10万条加速度数组矩阵)，通过反复的训练与校正，当神经网络模型输出分类数据与各训练样本的分类参照信息比对正确率达到(不限于)99％时，训练结束。训练至收敛状态的神经网络模型就是加速度判断模型。
为解决上述技术问题，本发明实施例还提供一种加速度识别装置。
请参阅图7，图7为本实施例加速度识别装置的基本结构示意图。
如图7所示，一种加速度识别装置，包括：获取模块2100、生成模块2200、处理模块2300和执行模块2400。其中，获取模块2100用于获取目标用户的多个加速度信息；生成模块2200用于根据预设的数组生成规则和多个加速度信息生成加速度数组矩阵；处理模块2300用于将加速度数据矩阵输入到预设的加速度判断模型中，其中，加速度判断模型为预先训练至收敛用于判断加速度表征的用户行为的神经网络模型；执行模块2400用于获取加速度判断模型输出的分类结果，其中，分类结果为目标用户的用户行为。
加速度识别装置通过可穿戴设备收集目标用户的加速度信息，由于可穿戴设备能够实时的对用户的加速度信息进行采集，且不占用用户空间且价格低廉，因此更适合对用户的行为进行检测判断。将收集的加速度信息转化生成加速度数组矩阵，然后将该加速度数组矩阵输入到训练至收敛的神经网络模型，通过神经网络模型的分类结果识别用户的用户行为。由于，目标用户的加速度信息收集快捷方便，而神经网络模型能够快速准确的对加速度数组矩阵表征的用户行为进行分类。降低了用户行为识别的成本，且能够实时对用户行为进行判断。
在一些选择性实施例中，分类结果为目标用户是否跌倒，加速度判断模型为预先训练至收敛，用于根据多个加速度信息判断目标用户是否跌倒的神经网络模型。
在一些选择性实施例中，加速度识别装置还包括：第一检测子模块和第一执行子模块。其中，第一检测子模块用于检测目标用户的运动加速度是否发生变化；第一执行子模块用于当运动加速度发生变化时，根据预设的时间间隔依次获取多个运动加速度。
在一些选择性实施例中，数组生成规则为根据获取时间的先后顺序，将多个运动加速度依次写入预设的矩阵模板，加速度识别装置还包括：第一获取子模块和第二执行子模块。其中，第一获取子模块用于获取预设的矩阵模板；第二执行子模块用于将多个运动加速度按获取时间的先后次序依次写入矩阵模板生成加速度数组矩阵。
在一些选择性实施例中，当分类结果为目标用户跌倒时，加速度识别装置还包括：第二获取子模块和第三执行子模块。其中，第二获取子模块用于获取预设的关联终端的通讯信息；第三执行子模块用于根据通讯信息向关联终端发送预设的警示信息，以提醒关联终端的用户目标用户发生跌倒。
在一些选择性实施例中，当分类结果为目标用户跌倒时，加速度识别装置还包括：第三获取子模块、第一处理子模块和第四执行子模块。其中，第三获取子模块用于获取目标用户的病例信息；第一处理子模块用于根据病例信息获取对应的紧急救治方法；第四执行子模块用于通过语音播放紧急救治方法，以使目标用户周围环境中的其他人员获知救助知识。
在一些选择性实施例中，加速度识别装置还包括：第四获取子模块、第二处理子模块、第一比对子模块和第五执行子模块。其中，第四获取子模块用于获取标记有分类参照信息的训练样本数据，其中，训练样本数据包括多组加速度数组矩阵；第二处理子模块用于将训练样本数据输入神经网络模型获取训练样本数据的分类判断信息；第一比对子模块用于比对训练样本数据的分类参照信息与分类判断信息是否一致；第五执行子模块用于当分类参照信息与分类判断信息不一致时，反复循环迭代的更新神经网络模型中的权重，至比对结果一致时结束。
为解决上述技术问题，本发明实施例还提供计算机设备。具体请参阅图8，图8为本实施例计算机设备基本结构框图。
如图8所示，计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种加速度识别方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种加速度识别方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本实施方式中处理器用于执行图7中获取模块2100、生成模块2200、处理模块2300和执行模块2400的具体功能，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有人脸图像关键点检测装置中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
计算机设备通过可穿戴设备收集目标用户的加速度信息，由于可穿戴设备能够实时的对用户的加速度信息进行采集，且不占用用户空间且价格低廉，因此更适合对用户的行为进行检测判断。将收集的加速度信息转化生成加速度数组矩阵，然后将该加速度数组矩阵输入到训练至收敛的神经网络模型，通过神经网络模型的分类结果识别用户的用户行为。由于，目标用户的加速度信息收集快捷方便，而神经网络模型能够快速准确的对加速度数组矩阵表征的用户行为进行分类。降低了用户行为识别的成本，且能够实时对用户行为进行判断。
本发明还提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例加速度识别方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
Claims (10)
1.一种加速度识别方法，其特征在于，包括下述步骤：
获取目标用户的多个加速度信息；
根据预设的数组生成规则和所述多个加速度信息生成加速度数组矩阵；
将所述加速度数据矩阵输入到预设的加速度判断模型中，其中，所述加速度判断模型为预先训练至收敛用于判断加速度表征的用户行为的神经网络模型；
获取所述加速度判断模型输出的分类结果，其中，所述分类结果为所述目标用户的用户行为。
2.根据权利要求1所述的加速度识别方法，其特征在于，所述分类结果为目标用户是否跌倒，所述加速度判断模型为预先训练至收敛，用于根据所述多个加速度信息判断目标用户是否跌倒的神经网络模型。
3.根据权利要求1所述的加速度识别方法，其特征在于，所述获取目标用户的多个加速度信息的步骤，包括下述步骤：
检测目标用户的运动加速度是否发生变化；
当所述运动加速度发生变化时，根据预设的时间间隔依次获取多个运动加速度。
4.根据权利要求3所述的加速度识别方法，其特征在于，所述数组生成规则为根据获取时间的先后顺序，将所述多个运动加速度依次写入预设的矩阵模板，所述根据预设的数组生成规则和所述多个加速度信息生成加速度数组矩阵的步骤，包括下述步骤：
获取预设的矩阵模板；
将所述多个运动加速度按获取时间的先后次序依次写入所述矩阵模板生成所述加速度数组矩阵。
5.根据权利要求2所述的加速度识别方法，其特征在于，当所述分类结果为目标用户跌倒时，所述获取所述加速度判断模型输出的分类结果的步骤之后，还包括下述步骤：
获取预设的关联终端的通讯信息；
根据所述通讯信息向所述关联终端发送预设的警示信息，以提醒所述关联终端的用户目标用户发生跌倒。
6.根据权利要求2所述的加速度识别方法，其特征在于，当所述分类结果为目标用户跌倒时，所述获取所述加速度判断模型输出的分类结果的步骤之后，还包括下述步骤：
获取所述目标用户的病例信息；
根据所述病例信息获取对应的紧急救治方法；
通过所述语音播放所述紧急救治方法，以使目标用户周围环境中的其他人员获知救助知识。
7.根据权利要求1-6任意一项所述的加速度识别方法，其特征在于，所述加速度判断模型的训练方法为：
获取标记有分类参照信息的训练样本数据，其中，所述训练样本数据包括多组加速度数组矩阵；
将所述训练样本数据输入神经网络模型获取所述训练样本数据的分类判断信息；
比对所述训练样本数据的分类参照信息与所述分类判断信息是否一致；
当所述分类参照信息与所述分类判断信息不一致时，反复循环迭代的更新所述神经网络模型中的权重，至所述比对结果一致时结束。
8.一种加速度识别装置，其特征在于，包括：
获取模块，用于获取目标用户的多个加速度信息；
生成模块，用于根据预设的数组生成规则和所述多个加速度信息生成加速度数组矩阵；
处理模块，用于将所述加速度数据矩阵输入到预设的加速度判断模型中，其中，所述加速度判断模型为预先训练至收敛用于判断加速度表征的用户行为的神经网络模型；
执行模块，用于获取所述加速度判断模型输出的分类结果，其中，所述分类结果为所述目标用户的用户行为。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述加速度识别方法的步骤。
10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述加速度识别方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811347740.7A CN109670527A (zh) | 2018-11-13 | 2018-11-13 | 加速度识别方法、装置、计算机设备及存储介质 |
| PCT/CN2018/125572 WO2020098119A1 (zh) | 2018-11-13 | 2018-12-29 | 加速度识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811347740.7A CN109670527A (zh) | 2018-11-13 | 2018-11-13 | 加速度识别方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109670527A true CN109670527A (zh) | 2019-04-23 |
Family
ID=66142438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811347740.7A Pending CN109670527A (zh) | 2018-11-13 | 2018-11-13 | 加速度识别方法、装置、计算机设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109670527A (zh) |
| WO (1) | WO2020098119A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112241896A (zh) * | 2019-07-18 | 2021-01-19 | 百度在线网络技术（北京）有限公司 | 信息推送方法、装置、设备及计算机可读介质 |
| CN113065780A (zh) * | 2021-04-09 | 2021-07-02 | 平安国际智慧城市科技股份有限公司 | 任务分配方法、装置、存储介质和计算机设备 |
| CN114387565A (zh) * | 2022-01-17 | 2022-04-22 | 北京林业大学 | 智能滑雪监测系统和滑雪数据监测方法 |
| CN115530774A (zh) * | 2021-06-30 | 2022-12-30 | 荣耀终端有限公司 | 癫痫检测方法和装置 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221621B (zh) * | 2021-02-04 | 2023-10-31 | 宁波卫生职业技术学院 | 一种基于深度学习的重心监测与识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN204557733U (zh) * | 2015-04-29 | 2015-08-12 | 深圳市易特科信息技术有限公司 | 用于人体摔倒救助的可穿戴设备以及基于网络医院的摔倒救助系统 |
| CN106056849A (zh) * | 2016-07-15 | 2016-10-26 | 西安电子科技大学 | 老人跌倒智能检测与定位的主被动告警系统及方法 |
| 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 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103500342B (zh) * | 2013-09-18 | 2017-01-04 | 华南理工大学 | 一种基于加速度计的人体行为识别方法 |
| US11429854B2 (en) * | 2016-12-04 | 2022-08-30 | Technion Research & Development Foundation Limited | Method and device for a computerized mechanical device |
| CN107153871B (zh) * | 2017-05-09 | 2021-07-13 | 浙江农林大学 | 基于卷积神经网络和手机传感器数据的跌倒检测方法 |
-
2018
- 2018-11-13 CN CN201811347740.7A patent/CN109670527A/zh active Pending
- 2018-12-29 WO PCT/CN2018/125572 patent/WO2020098119A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN204557733U (zh) * | 2015-04-29 | 2015-08-12 | 深圳市易特科信息技术有限公司 | 用于人体摔倒救助的可穿戴设备以及基于网络医院的摔倒救助系统 |
| CN106056849A (zh) * | 2016-07-15 | 2016-10-26 | 西安电子科技大学 | 老人跌倒智能检测与定位的主被动告警系统及方法 |
| 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 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112241896A (zh) * | 2019-07-18 | 2021-01-19 | 百度在线网络技术（北京）有限公司 | 信息推送方法、装置、设备及计算机可读介质 |
| CN113065780A (zh) * | 2021-04-09 | 2021-07-02 | 平安国际智慧城市科技股份有限公司 | 任务分配方法、装置、存储介质和计算机设备 |
| CN113065780B (zh) * | 2021-04-09 | 2023-06-30 | 平安国际智慧城市科技股份有限公司 | 任务分配方法、装置、存储介质和计算机设备 |
| CN115530774A (zh) * | 2021-06-30 | 2022-12-30 | 荣耀终端有限公司 | 癫痫检测方法和装置 |
| WO2023273640A1 (zh) * | 2021-06-30 | 2023-01-05 | 荣耀终端有限公司 | 癫痫检测方法和装置 |
| CN115530774B (zh) * | 2021-06-30 | 2024-03-26 | 荣耀终端有限公司 | 癫痫检测方法和装置 |
| CN114387565A (zh) * | 2022-01-17 | 2022-04-22 | 北京林业大学 | 智能滑雪监测系统和滑雪数据监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020098119A1 (zh) | 2020-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109670527A (zh) | 加速度识别方法、装置、计算机设备及存储介质 | |
| US20230140011A1 (en) | Learning mode for context identification | |
| KR101775932B1 (ko) | 반려동물 케어를 위한 멀티모달 시스템 | |
| CN106029325B (zh) | 智能可穿戴设备以及自动利用生物和环境捕获传感器来配置能力的方法 | |
| CN107153871B (zh) | 基于卷积神经网络和手机传感器数据的跌倒检测方法 | |
| Thomaz et al. | A practical approach for recognizing eating moments with wrist-mounted inertial sensing | |
| US9594807B2 (en) | Emotion-related query processing | |
| CN108345846A (zh) | 一种基于卷积神经网络的人体行为识别方法及识别系统 | |
| CN110100246A (zh) | 基于遗传信息提供引导信息的电子设备和方法 | |
| CN108683724A (zh) | 一种智能儿童安全及步态健康监护系统 | |
| CN113111767A (zh) | 一种基于深度学习3d姿态评估的跌倒检测方法 | |
| CN109670174A (zh) | 一种事件识别模型的训练方法和装置 | |
| CN106779614A (zh) | 用于可穿戴设备的学习监测方法、装置及可穿戴设备 | |
| CN108024763A (zh) | 活动信息提供方法及支持其的电子设备 | |
| CN110163066A (zh) | 多媒体数据推荐方法、装置及存储介质 | |
| Zheng et al. | Lightweight Fall Detection Algorithm Based on AlphaPose Optimization Model and ST‐GCN | |
| CN112307855A (zh) | 一种用户状态检测方法、装置、电子设备及存储介质 | |
| Zhou et al. | Applying deep learning and wearable devices for educational data analytics | |
| CN111652192A (zh) | 一种基于kinect传感器的跌倒检测系统 | |
| CN113505256A (zh) | 特征提取网络训练方法、图像处理方法及装置 | |
| Mekruksavanich et al. | Deep Learning Approaches for HAR of Daily Living Activities Using IMU Sensors in Smart Glasses | |
| CN105303039A (zh) | 一种基于加速度传感器的行为分析系统 | |
| US20230363668A1 (en) | Device for detecting challenging behaviors in people with autism | |
| Mimouna et al. | A survey of human action recognition using accelerometer data | |
| KR102328182B1 (ko) | 복수의 사용자들 사이의 신체 접촉을 카운트하는 웨어러블 디바이스 및 이를 사용한 사용자들 사이의 인간 관계를 개선하는 시스템 |
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 |