CN109685111B - 动作识别方法、计算系统、智能设备及存储介质 - Google Patents
动作识别方法、计算系统、智能设备及存储介质 Download PDFInfo
- Publication number
- CN109685111B CN109685111B CN201811437981.0A CN201811437981A CN109685111B CN 109685111 B CN109685111 B CN 109685111B CN 201811437981 A CN201811437981 A CN 201811437981A CN 109685111 B CN109685111 B CN 109685111B
- Authority
- CN
- China
- Prior art keywords
- real
- data
- acceleration data
- time axial
- time
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 208
- 230000033001 locomotion Effects 0.000 title claims description 58
- 230000001133 acceleration Effects 0.000 claims abstract description 227
- 230000008569 process Effects 0.000 claims abstract description 170
- 230000009471 action Effects 0.000 claims abstract description 98
- 230000000875 corresponding effect Effects 0.000 claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000006698 induction Effects 0.000 claims abstract description 4
- 238000003066 decision tree Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000002829 reductive effect Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 238000003491 array Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 206010043417 Therapeutic response unexpected Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
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)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明适用计算机技术领域，提供了一种动作识别方法、计算系统、智能设备及存储介质，该方法包括：获得感应所得实时轴向加速度数据及实时轴向倾角数据后，建立至少两个进程，每个进程对实时轴向加速度数据及实时轴向倾角数据进行处理，得到对应动作的分类识别结果。这样，针对不同的、特定动作分类识别，采用不同的进程和不同的算法，一定程度上减少了计算量而使得摔倒或其他动作的预警及相应保护满足及时性要求；并且通过多种数据的结合处理，提高了动作判断的准确率，提高了摔倒或其他动作预警及相应保护的有效性。
Description
技术领域
本发明属于计算机技术领域，尤其涉及一种动作识别方法、计算系统、智能设备及存储介质。
背景技术
随着年龄的增长和机体的衰老，跌倒在老年人群中非常普遍，其往往会对老年人的身体带来巨大的损害，有时造成的后果对老年人来说甚至是致命的，不仅严重影响了老年人的身体健康和独立生活能力，并造成了老年人心理上的压力和恐惧。
目前，人们开始将计算机技术应用于老年人跌倒的识别与保护，主要依靠可穿戴智能设备的三轴加速度传感器来获得轴向加速度数据，并根据该轴向加速度数据判断是否发生摔倒事件。
而当需要对包含摔倒动作在内的多种动作进行识别时，为了利用同一类型原始轴向加速度数据进行多种动作的识别，通常的做法是在同一进程中在不同数据处理阶段，得到不同的、在相应阶段所对应的动作识别结果，那么，在同一进程中实现的数据处理相对而言较为复杂，导致可能无法在倒地之前判断出该摔倒事件，使所配备的紧急保护装置无法被触发，起不到保护效果；并且由于人体运动情况相对而言较为复杂，仅依靠轴向加速度数据来判断是否发生摔倒事件的可靠性不高，如发生误判时，仍会使所配备的紧急保护装置无法被触发，起不到保护效果。
发明内容
本发明的目的在于提供一种动作识别方法、计算系统、智能设备及存储介质，旨在解决现有技术所存在的、仅依靠轴向加速度数据无法及时、有效进行摔倒事件预警及保护的问题。
一方面，本发明提供了一种动作识别方法，所述方法包括下述步骤：
获得感应所得实时轴向加速度数据及实时轴向倾角数据；
建立至少两个进程；
每个所述进程对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到对应动作的分类识别结果。
进一步的，每个所述进程对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到对应动作的分类识别结果，具体为：
每个所述进程利用对应设定的深度学习算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到对应动作的分类识别结果。
进一步的，建立至少两个进程，具体为：
建立第一进程、第二进程及第三进程，
每个所述进程利用对应设定的深度学习算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到对应动作的分类识别结果，具体包括下述步骤：
所述第一进程利用线性规划LP算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为人体危险倾斜动作；
所述第二进程利用K最临近KNN算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为起立或坐下动作；
所述第三进程利用迭代二叉树三代ID3决策树算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为走路或跑步动作。
进一步的，所述第一进程为父进程，所述第二进程为在所述父进程中开通的子进程，所述第三进程为在所述子进程中开通的孙进程。
进一步的，所述第一进程利用线性规划LP算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为人体危险倾斜动作，具体包括下述步骤：
计算与所述人体危险倾斜动作相关的所述实时轴向加速度数据与人体状态校准所得的初始轴向加速度数据之间的第一差值绝对值，以及所述实时轴向倾角数据与人体状态校准所得的初始轴向倾角数据之间的第二差值；
判断所述第二差值是否达到第一预设阈值；
若是，则判断为发生倾斜过大的危险动作，
当判断为发生倾斜过大的危险动作时，建立以所述第一差值绝对值及所述第二差值作为变量的线性表达式；
判断所述线性表达式的输出是否达到第二预设阈值；
若是，则判断为即将发生摔倒。
进一步的，所述第二进程利用K最临近KNN算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为起立或坐下动作，具体包括下述步骤：
判断与起立或坐下动作相关的所述实时轴向倾角数据是否大于第三预设阈值且在时序上不断增大；
若是，则对该判断结果进行计数，并存储与起立或坐下动作相关的所述实时轴向加速度数据及与所述实时轴向倾角数据，所述实时轴向加速度数据包括：实时合加速度数据，所述实时合加速度数据通过各所述实时轴向加速度数据计算得到；
判断该计数结果是否达到第四预设阈值；
若是，则计算与起立或坐下动作相关的所述实时轴向加速度数据的平均值及与所述实时轴向倾角数据的平均值；
分别计算计数首位的、与所述起立或坐下动作相关的所述实时轴向加速度数据及所述实时轴向倾角数据，和对应所述实时轴向加速度数据的平均值及所述实时轴向倾角数据的平均值的第三差值绝对值；
判断所述第三差值绝对值是否达到第五预设阈值；
若是，则将所述第三差值绝对值作为所述KNN算法的输入，得到所述对应动作是否为起立或坐下动作。
进一步的，所述第三进程利用迭代二叉树三代ID3决策树算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为走路或跑步动作，具体包括下述步骤：
统计与走路或跑步动作相关的所述实时轴向加速度数据及所述实时轴向倾角数据，并对该统计结果进行计数，所述实时轴向加速度数据包括：实时合加速度数据，所述实时合加速度数据通过各所述实时轴向加速度数据计算得到；
判断该计数结果是否达到第六预设阈值；
若是，则从所述统计结果中，获得与走路或跑步动作相关的实时轴向加速度数据临时最大值及实时轴向倾角数据临时最大值，并对与走路或跑步动作相关的实时轴向加速度数据临时最大值及实时轴向倾角数据临时最大值累计存储的统计结果进行计数；
判断该计数结果是否达到第七预设阈值；
若是，计算与走路或跑步动作相关的所述实时轴向加速度数据临时最大值中的最大值、所述实时轴向倾角数据临时最大值中的最大值、所述实时轴向加速度数据临时最大值的平均值及所述实时轴向倾角数据临时最大值的平均值，分别与对应的、人体状态校准所得的初始轴向加速度数据及初始轴向倾角数据的第四差值绝对值，所述实时轴向加速度数据包括：实时合加速度数据，所述实时合加速度数据通过各所述实时轴向加速度数据计算得到，所述初始轴向加速度数据包括：初始合加速度数据，所述初始合加速度数据通过人体状态校准所得的各初始轴向加速度数据计算得到；
判断所述第四差值绝对值是否达到第八预设阈值；
若是，则将所述第四差值绝对值作为所述ID3决策树算法的输入，得到所述对应动作是否为走路或跑步动作。
另一方面，本发明提供了一种计算系统，所述装置包括：
获取单元，用于获得可穿戴设备感应所得实时轴向加速度数据及实时轴向倾角数据；
建立单元，用于建立至少两个进程；以及，
处理单元，用于每个所述进程对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到对应动作的分类识别结果。
另一方面，本发明还提供了一种智能设备，包括存储器及处理器，所述处理器执行所述存储器中存储的计算机程序时实现如上述方法中的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法中的步骤。
本发明在获得感应所得实时轴向加速度数据及实时轴向倾角数据后，建立至少两个进程，每个进程对实时轴向加速度数据及实时轴向倾角数据进行处理，得到对应动作的分类识别结果。这样，针对不同的、特定动作分类识别，采用不同的进程和不同的算法，一定程度上减少了计算量而使得摔倒或其他动作的预警及相应保护满足及时性要求；并且通过多种数据的结合处理，提高了动作判断的准确率，提高了摔倒或其他动作预警及相应保护的有效性。
附图说明
图1是本发明实施例一提供的动作识别方法的实现流程图；
图2是本发明实施例五中第一进程的实现流程图；
图3是本发明实施例五中第二进程的实现流程图；
图4是本发明实施例五中第三进程的实现流程图；
图5是本发明实施例六中训练样本的实现流程图；
图6是本发明实施例六中动作识别的实现流程图；
图7是本发明实施例七提供的计算系统的结构示意图；
图8是本发明实施例八提供的智能设备的结构示意图；
图9是本发明实施例中的人体运动模型示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的动作识别方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S101中，获得感应所得实时轴向加速度数据及实时轴向倾角数据。
本实施例中，为进行用户静止状态、危险动作、摔倒、起立、坐下、走路、跑步等多种动作的识别，可利用用户佩戴的智能设备的传感器、处理器、存储器等，相应进行相应轴向加速度数据、轴向倾角数据的感应获得、处理等。
轴向加速度数据可通过三轴加速度传感器或者九轴传感器来感应、处理获得。轴向加速度数据可包括：在一已建立的坐标系下的X轴向加速度、Y轴向加速度及Z轴向加速度，还可以包括由X轴向加速度、Y轴向加速度及Z轴向加速度融合所得合加速度数据，该已建立的坐标系可以是与用户相关的坐标系，也可以是与智能设备相关的坐标系等，如是与用户相关的坐标系，可能需要将在与智能设备相关坐标系下的初始轴向加速度数据，通过转换，得到在与用户相关坐标系下的上述X轴向加速度、Y轴向加速度及Z轴向加速度，并可进一步得到合加速度数据。如图9所示，X轴向加速度ax、Y轴向加速度ay、Z轴向加速度az，及合加速度af。其中，一些(部分或全部)轴向加速度数据可与人体危险倾斜动作相关，一些轴向加速度数据可与起立或坐下动作相关，而一些轴向加速度数据可与走路或跑步动作相关，利用相关的轴向加速度数据，结合或不结合其他数据进行处理，即可进行相应动作的分类识别。
轴向倾角数据可通过陀螺仪或九轴传感器来感应、处理获得。轴向倾角数据可包括：在一如上已建立的坐标系下的俯仰角、航向角及横滚角，同样，其中一些(部分或全部)轴向倾角数据可与人体危险倾斜动作相关，一些轴向倾角数据可与起立或坐下动作相关，而一些轴向倾角数据可与走路或跑步动作相关，利用相关的轴向倾角数据，结合或不结合其他数据进行处理，即可进行相应动作的分类识别。
在步骤S102中，建立至少两个进程。
本实施例中，分成两个或更多进程，可分别执行对不同种类动作的分类识别处理，也可以执行对不同批次待处理数据的处理等。进程之间可以相互嵌套，例如：在父进程中开通子进程，两个进程之间也可以是平行非嵌套关系。
在步骤S103中，每个进程对实时轴向加速度数据及实时轴向倾角数据进行处理，得到对应动作的分类识别结果。
本实施例中，每个进程可分别进行相应数据的处理，以实现对应动作的分类识别。每个进程处理所采用的算法，可以为单一或组合的深度学习算法或普通算法。
实施本实施例，针对不同的、特定动作分类识别，采用不同的进程和不同的算法，一定程度上减少了计算量而使得摔倒或其他动作的预警及相应保护满足及时性要求；并且通过多种数据的结合处理，提高了动作判断的准确率，提高了摔倒或其他动作预警及相应保护的有效性。
实施例二：
本实施例在实施例一基础上，进一步提供了如下内容：
本实施例中，步骤S103具体为：
每个进程利用对应设定的深度学习算法，对实时轴向加速度数据及实时轴向倾角数据进行处理，得到对应动作的分类识别结果。
本实施例中，每个进程处理所采用的算法可以相同或不同。深度学习算法可采用逻辑回归算法、朴素贝叶斯算法、K均值算法、随机森林算法、线性规划(LinearProgramming，LP)算法、K最临近(K Nearest Neighbor，KNN)算法或迭代二叉树三代(Iterative Dichotomiser 3，ID3)决策树算法等。每种深度学习算法都因为其特性，会匹配进行相应动作分类识别的数据处理，因而具有相应的处理优势。
实施例三：
本实施例在实施例二基础上，进一步提供了如下内容：
本实施例中，步骤S102具体为：
建立第一进程、第二进程及第三进程。
而步骤S103相应具体包括下述步骤：
第一进程利用LP算法，对实时轴向加速度数据及实时轴向倾角数据进行处理，得到对应动作是否为相应的人体危险倾斜动作。
第二进程利用KNN算法，对实时轴向加速度数据及实时轴向倾角数据进行处理，得到对应动作是否为起立或坐下动作。
所述第三进程利用ID3决策树算法，对实时轴向加速度数据及实时轴向倾角数据进行处理，得到对应动作是否为走路或跑步动作。
本实施例中，第一进程、第二进程与第三进程中部分或全部进程之间可相互嵌套，也可以相互独立。
通常情况下，人体倾斜(含摔倒)动作是需要即时识别的事件，尤其对于老年人或其他可能因倾斜而产生危险的人群而言；起立或坐下动作是需要较短时间识别的事件，例如在从发生时刻起1-2秒内需要对其进行识别；走路或跑步动作是需要相对较长时间识别的时间，例如在从发生时刻起2-5秒内需要对其进行识别。
实施本实施例，因为每种算法的特性，LP算法是研究线性约束条件下，线性目标函数的极值问题的数学理论和方法，适合数据满足线性变化的问题，即时性及准确度高且对数据没有假设，采用LP算法可实现人体倾斜(含摔倒)动作的有效、即时识别；KNN算法适合当前样本容量比较大的分类问题，准确度高且对数据没有假设，采用KNN算法可实现起立或坐下动作能在较短时间内的有效识别；ID3决策树算法能够同时处理数据型和常规型属性，通过给定一个观察的样本，所产生的决策树很容易推出相应的逻辑表达式，易于通过静态测试来对模型进行评测，在相对短的时间内能够对当前数据源作出可行且效果良好的结果，采用ID3决策树算法可实现走路或跑步动作的有效识别，而多进程之间相对独立、互不干扰，一进程不会影响其他进程的稳定性。
实施例四：
本实施例在实施例三基础上，进一步提供了如下内容：
步骤S102中所建立的第一进程、第二进程及第三进程，相互之间的关系为：第一进程为父进程，第二进程为在父进程中开通的子进程，第三进程为在子进程中开通的孙进程。
实施本实施例，利用父进程进行人体危险倾斜动作(含摔倒)的分类识别、子进程进行起立或坐下动作的分类识别、孙进程进行走路或跑步动作的分类识别，孙进程的问题乃至崩溃不会影响子进程、父进程的稳定性，子进程的问题乃至崩溃不会影响父进程的稳定性，从而可保障人体危险倾斜动作(含摔倒)识别的稳定性，并且由于在三个进程中存在一定程度的数据使用的共通性，因此实现数据处理合理的合与分，优化了整个数据处理系统的处理架构，进一步实现了数据处理的准确、及时、高效。
实施例五：
本实施例在实施例三或四基础上，进一步提供了第一进程、第二进程和/或第三进程处理的具体内容，其中：
上述第一进程的处理具体可包括如图2所示的流程：
在步骤S201中，计算与人体危险倾斜动作相关的实时轴向加速度数据与人体状态校准所得的初始轴向加速度数据之间的第一差值绝对值，以及实时轴向倾角数据与人体状态校准所得的初始轴向倾角数据之间的第二差值。
在步骤S202中，判断第二差值是否达到第一预设阈值，若是，则判断发生倾斜过大的危险动作，执行步骤S203，否则结束当前流程。
在步骤S203中，当判断为发生倾斜过大的危险动作时，建立以第一差值绝对值及第二差值作为变量的线性表达式。
在步骤S204中，判断线性表达式的输出是否达到第二预设阈值，若是，则判断为即将发生摔倒，否则输出发生倾斜过大危险动作的判断结果。
上述第二进程的处理具体可包括如图3所示的流程：
在步骤S301中，判断与起立或坐下动作相关的实时轴向倾角数据是否大于第三预设阈值且在时序上不断增大，若是，则执行步骤S302，否则重新执行本步骤，相关步骤S302的计数结果清零；
在步骤S302中，对步骤S301为“是”的判断结果进行计数，并存储与起立或坐下动作相关的实时轴向加速度数据及实时轴向倾角数据，其中，实时轴向加速度数据包括：实时合加速度数据，实时合加速度数据通过各实时轴向加速度数据计算得到。
在步骤S303中，判断步骤S302的计数结果是否达到第四预设阈值，若是，则执行步骤S304，否则返回执行步骤S301。
在步骤S304中，计算与起立或坐下动作相关的实时轴向加速度数据的平均值及实时轴向倾角数据的平均值。
在步骤S305中，分别计算计数首位的、与起立或坐下动作相关的实时轴向加速度数据及实时轴向倾角数据，和对应实时轴向加速度数据的平均值及实时轴向倾角数据的平均值的第三差值绝对值。
在步骤S306中，判断第三差值绝对值是否达到第五预设阈值，若是，则执行步骤S307，否则返回执行步骤S301。
在步骤S307中，将第三差值绝对值作为KNN算法的输入，得到对应动作是否为起立或坐下动作。
上述第三进程的处理具体可包括如图4所示的流程：
在步骤S401中，统计与走路或跑步动作相关的实时轴向加速度数据及实时轴向倾角数据，并对该统计结果进行计数，实时轴向加速度数据包括：实时合加速度数据，实时合加速度数据通过各实时轴向加速度数据计算得到。
在步骤S402中，判断步骤S401的计数结果是否达到第六预设阈值，若是，则执行步骤S403，否则返回执行步骤S401。
在步骤S403中，从步骤S401的统计结果中，获得与走路或跑步动作相关的实时轴向加速度数据临时最大值及实时轴向倾角数据临时最大值，并对与走路或跑步动作相关的实时轴向加速度数据临时最大值及实时轴向倾角数据临时最大值累计存储的统计结果进行计数；
在步骤S404中，判断步骤S403的计数结果是否达到第七预设阈值，若是，则执行步骤S405，否则返回执行步骤S401。
在步骤S405中，计算与走路或跑步动作相关的实时轴向加速度数据临时最大值中的最大值、实时轴向倾角数据临时最大值中的最大值、实时轴向加速度数据临时最大值的平均值及实时轴向倾角数据临时最大值的平均值，分别与对应的、人体状态校准所得的初始轴向加速度数据、初始轴向倾角数据的第四差值绝对值，实时轴向加速度数据包括：实时合加速度数据，实时合加速度数据通过各实时轴向加速度数据计算得到，初始轴向加速度数据包括：初始合加速度数据，初始合加速度数据通过人体状态校准所得的各初始轴向加速度数据计算得到。
在步骤S406中，判断第四差值绝对值是否达到第八预设阈值，若是，则执行步骤S407，否则返回执行步骤S401。
在步骤S407中，将第四差值绝对值作为ID3决策树算法的输入，得到对应动作是否为走路或跑步动作。
下面通过一个具体实施例(即实施例六)对上述各实施例的动作识别方法进行具体说明。
实施例六：
在具体应用中，本实施例的动作识别方法可包括两个部分，第一部分如图5所示，为训练样本的流程，第二部分如图6所示，为动作识别的流程。
如图5所示，训练样本的流程包括：
在步骤S501中，将九轴传感器(可选择INVENSENSE公司的九轴传感器，型号：MPU9250)监测到的三个轴向加速度数据、三个轴向角速度数据与三个轴向磁力计数据进行融合，导出姿态角信号，得到三个轴向倾角数据，将上述数据送到型号为STM32F407的开发板进行后续处理。其中，三个轴向加速度数据包括：在一已建立的坐标系下的X轴向加速度、Y轴向加速度及Z轴向加速度，还可以包括由X轴向加速度、Y轴向加速度及Z轴向加速度融合所得合加速度数据，三个轴向倾角数据包括：在一已建立的坐标系下的俯仰角、航向角及横滚角。
在步骤S502中，将三个轴向加速度数据与三个轴向倾角数据传入识别函数，分别实验100组，并分别标记为人体危险倾斜动作(前倾过大、后倾过大、左倾过大、右倾过大)、摔倒、起立、坐下、走路及跑步动作，记录保存，制作训练样本集。
本实施例中，对于人体危险倾斜动作，实验步骤中记录：与人体危险倾斜动作相关的轴向加速度数据与人体状态校准所得的初始轴向加速度数据之间的第一差值绝对值，以及轴向倾角数据与人体状态校准所得的初始轴向倾角数据之间的第二差值。
对于起立、坐下动作，建立训练集A，实验步骤中记录：与起立或坐下动作相关的轴向加速度数据(含合加速度数据)及与轴向倾角数据，分别对应和对应轴向加速度数据的平均值(含合加速度数据的平均值)及轴向倾角数据的平均值的第三差值绝对值，第三差值绝对值即包括：与起立或坐下动作相关的、轴向加速度数据与统计所得的该些轴向加速度数据的平均值之间的差值绝对值(含合加速度数据与统计所得的该些合加速度数据的平均值之间的差值绝对值)及轴向倾角数据与统计所得的该些轴向倾角数据的平均值之间的差值绝对值。起立动作类标号记为1，坐下动作类标号记为2。其中，合加速度数据通过各轴向加速度数据计算得到。
对于走路、跑步动作，建立训练集B，实验步骤中记录：与走路或跑步动作相关的、所录得的轴向加速度数据临时最大值中的最大值(含合加速度数据临时最大值中的最大值)、轴向倾角数据临时最大值中的最大值、轴向加速度数据临时最大值的平均值(含合加速度数据临时最大值的平均值)及与轴向倾角数据临时最大值的平均值，分别与对应的、人体状态校准所得的初始轴向加速度数据(含初始合加速度数据)及初始轴向倾角数据的第四差值绝对值，第四差值绝对值即包括：轴向加速度数据临时最大值中的最大值与初始轴向加速度数据之间的差值绝对值(含合加速度数据临时最大值中的最大值与初始合加速度数据之间的差值绝对值)、轴向倾角数据临时最大值中的最大值与初始轴向倾角数据之间的差值绝对值、轴向加速度数据临时最大值的平均值与初始轴向加速度数据之间的差值绝对值(含合加速度数据临时最大值的平均值与初始合加速度数据之间的差值绝对值)，以及，轴向倾角数据临时最大值的平均值与初始轴向倾角数据之间的差值绝对值。合加速度数据通过各轴向加速度数据计算得到，初始合加速度数据通过人体状态校准所得的各初始轴向加速度数据计算得到。走路动作类标号记为3，跑步动作类标号记为4。
在步骤S503中，利用LP算法，对人体危险倾斜动作(含摔倒)进行区分判断，具体涉及：
(1)确定约束条件，即轴向倾角数据与人体状态校准所得的初始轴向倾角数据之间的第二差值大于相应门限，例如：俯仰角与其初始数据之间的差值Δpitch大于5、航向角与其初始数据之间的差值Δyaw大于5、横滚角与其初始数据之间的差值Δroll大于5、合加速度与其初始数据之间的差值Δaf大于0.2。
(2)确定线性表达式中的相关系数120。表征在综合计算中，轴向倾角数据变化与轴向加速度数据变化的比例为120。
(3)确定阈值90。
(4)建立线性表达式与阈值90之间的关系：
在步骤S504中，利用KNN算法，对起立或坐下动作进行区分判断，具体涉及：
(1)获得待测对象，即待测样本的第三差值绝对值。
(2)将训练集A作为训练样本。
(3)计算待测对象与训练样本的欧拉距离，并将欧拉距离存储在一个长度为200的数组中，其中，起立动作、坐下动作分别为长度100的数组。
(4)对(3)中数组进行排序，选定参数K＝11个最临近样本，即对任意一个未知实例(待测对象)选取最近的K个已知实例(训练样本)进行归类，通常K值低于训练样本数的平方根，即
K择优选取1、3、5、7、11等容易分辨胜负的奇数，以容易进行分类。
(5)比较11个最临近样本，根据少数服从多数的投票法则(Majority-voting)，判定待测对象的类标号。
(6)根据类标号判定动作类别：类标号1是起立动作，类标号2是坐下动作。
在步骤S505中，利用ID3决策树算法，对走路或跑步动作进行区分判断，具体涉及：
(1)将训练集B作为训练样本。
(2)根据训练集B中的训练样本总数N、走路样本总数n1及跑步样本总数n2，计算当前信息的熵Entrony(B)，即：
(3)遍历若干个属性(即第四差值绝对值)，计算每个分支的信息熵。以其中一个差值绝对值(Y轴向加速度数据临时最大值中的最大值与初始Y轴向加速度数据之间的差值绝对值)是否达到第八预设阈值进行划分为例(其他分支类似计算)，划分后达到第八预设阈值的样本数量为N1，其中达到第八预设阈值的走路样本数量为
达到第八预设阈值的跑步样本数量为
未达到第八预设阈值的样本数量为N2，其中未达到第八预设阈值的走路样本数量为
达到第八预设阈值的跑步样本数量为
(4)分别计算划分后的信息熵：
(5)计算信息增益：
其中，ay_max为Y轴向加速度数据临时最大值中的最大值与初始Y轴向加速度数据之间的差值绝对值。
(6)依次选择最大信息增益的属性来建立迭代二叉树(Iterative Dichotomiser，ID)。
(7)获得待测对象，即待测样本的第四差值绝对值。
(8)根据ID判断待测对象的类标号。
(9)根据类标号判定动作类别：类标号3是走路动作，类标号4是跑步动作。
如图6所示，动作识别的流程包括：
在步骤S601中，通过STM32F407开发板中设置的定时器，在中断函数中实时更替三个实时轴向加速度数据和三个实时轴向倾角数据，例如：MPU9250九轴传感器以频率为100Hz采集，中断函数每10ms更替一次。其中，三个实时轴向加速度数据包括：在一已建立的坐标系下的X轴向加速度ax、Y轴向加速度ay及Z轴向加速度az，还包括由X轴向加速度、Y轴向加速度及Z轴向加速度融合所得合加速度数据af；三个实时轴向倾角数据包括：在一如上已建立的坐标系下的俯仰角φpitch、航向角φyaw及横滚角φroll。同时设定三个计数器i、j及k，初始赋值为0。
对三个实时轴向加速度数据进行融合处理，即得到上述实时合加速度数据af：
在步骤S602中，校准人体状态，分别存储当前实时的ax、ay、az、af、φpitch、φyaw及φroll的数据以分别作为初始轴向加速度数据(含初始合加速度数据)及初始轴向倾角数据。
利用fork()函数在父进程中开通子进程。
利用fork()函数在子进程中开通孙进程。
在父进程中，对人体危险倾斜动作(含摔倒)进行区分判断，具体涉及：
在步骤S603中，计算与人体危险倾斜动作相关的实时轴向加速度数据与人体状态校准所得的初始轴向加速度数据之间的第一差值绝对值Δaf，以及实时轴向倾角数据与人体状态校准所得的初始轴向倾角数据之间的第二差值Δpitch、Δyaw及Δroll。
在步骤S604中，判断第二差值Δpitch、Δyaw和/或Δroll是否达到第一预设阈值，若是，则判断为发生倾斜过大的危险动作，执行步骤S605，否则结束当前流程。具体可涉及：
若Δpitch大于30°，则判断为前倾过大；
若Δpitch小于-45°，则判断为后倾过大；
若Δroll小于-35°，则判断为左倾过大；
若Δroll大于35°，则判断为右倾过大。
在步骤S605中，当判断为发生倾斜过大的危险动作时，建立以第一差值绝对值Δaf及第二差值Δpitch、Δyaw和/或Δroll作为变量的线性表达式：
并判断上述线性表达式的输出是否达到第二预设阈值90，若是，则判断为即将发生摔倒，否则输出发生倾斜过大危险动作的判断结果，如上述步骤S604中所示。
在子进程中，对起立或坐下动作进行区分判断，具体涉及：
在步骤S606中，判断与起立或坐下动作相关的实时轴向倾角数据φpitch是否大于第三预设阈值且φpitch在时序上不断增大，若是，则执行步骤S607，否则重新执行本步骤S606，相关步骤S607中计数器i的计数结果清零，并清空步骤S607中的3个数组。具体的，可在时序上，先判断一φpitch是否大于一比较值，该比较值初始为预设的第三预设阈值，若是，则将大于第三预设阈值的φpitch赋值给比较值，在后的φpitch再与该比较值比较，判断在后的φpitch是否大于该比较值，若是，则再赋值更新比较值，以此类推。
在步骤S607中，对步骤S606为“是”的判断结果进行计数，并利用3个数组存储与起立或坐下动作相关的实时轴向加速度数据ay及af，以及实时轴向倾角数据φpitch。同时，用计数器i进行存储动作的计数。
在步骤S608中，判断步骤S607中计数器i的计数结果是否达到第四预设阈值15，若是，则执行步骤S609，否则返回执行步骤S606。
在步骤S609中，计算与起立或坐下动作相关的实时轴向加速度数据ay及af的平均值，以及，实时轴向倾角数据φpitch的平均值。
在步骤S610中，分别计算计数首位(i＝1)的、与起立或坐下动作相关的实时轴向加速度数据ay及af，以及实时轴向倾角数据φpitch，和对应实时轴向加速度数据的平均值及实时轴向倾角数据的平均值的第三差值绝对值，也即：ay与其平均值之间的差值绝对值、af与其平均值之间的差值绝对值，以及φpitch与其平均值之间的差值绝对值。在所需的数据处理完成后，计数器i归零，清空步骤S607中的3个数组。
在步骤S611中，判断第三差值绝对值是否达到第五预设阈值，若是，则执行步骤S612，并且计数器j、k归零(此时已经能确定人体处于起立或坐下动作之一，对于走路或跑步动作的识别中，此时依据判断为起立或坐下动作的相关数据是无效的，避免干扰到走路跑步识别判断的有效数据，所以将j、k计数器清空)，否则返回执行步骤S606。
在步骤S612中，将第三差值绝对值进行整理后，作为KNN算法的输入，得到对应起立或坐下动作的分类识别结果。
在孙进程中，对走路或跑步动作进行区分判断，具体涉及：
在步骤S613中，统计与走路或跑步动作相关的实时轴向加速度数据ay及af，以及实时轴向倾角数据φyaw，并利用计数器j对该统计结果进行计数。具体的，利用3个长度为50的数组，分别存储ay、af以及φyaw的瞬时值。
在步骤S614中，判断步骤S613的计数结果是否达到第六预设阈值，即j是否达到50，若是，则执行步骤S615，否则返回执行步骤S613。
在步骤S615中，从步骤S613的统计结果中，即从3个长度为50的数组中，获得与走路或跑步动作相关的实时轴向加速度数据ay及af临时最大值及实时轴向倾角数据φyaw临时最大值，利用3个长度为10的数组分别存储该些临时最大值，并对与走路或跑步动作相关的实时轴向加速度数据ay及af临时最大值及实时轴向倾角数据φyaw临时最大值累计存储的统计结果，采用计数器k进行计数，计数器j归零，清空步骤S613中3个长度为50的数组。
在步骤S616中，判断步骤S615中k的计数结果是否达到第七预设阈值10，若是，则执行步骤S617，否则返回执行步骤S613。
在步骤S617中，计算与走路或跑步动作相关的实时轴向加速度数据ay及af临时最大值中的最大值、实时轴向倾角数据φyaw临时最大值中的最大值、实时轴向加速度数据ay及af临时最大值的平均值，以及，实时轴向倾角数据φyaw临时最大值的平均值，计数器k归零，清空步骤S615中3个长度为10的数组。
在步骤S618中，计算与走路或跑步动作相关的实时轴向加速度数据ay及af临时最大值中的最大值、实时轴向倾角数据φyaw临时最大值中的最大值、实时轴向加速度数据ay及af临时最大值的平均值，以及，实时轴向倾角数据φyaw临时最大值的平均值，分别与对应的、人体状态校准所得的初始轴向加速度数据、初始轴向倾角数据的第四差值绝对值，即包括：计算实时轴向加速度数据ay临时最大值中的最大值与初始轴向加速度数据(初始Y轴向加速度)之间的差值绝对值、实时轴向加速度数据ay临时最大值的平均值与初始轴向加速度数据(初始Y轴向加速度)之间的差值绝对值、实时轴向倾角数据φyaw临时最大值中的最大值与初始轴向倾角数据(初始航向角)之间的差值绝对值等。
在步骤S619中，判断第四差值绝对值是否达到第八预设阈值，若是，则执行步骤S620，计数器i零，否则返回执行步骤S613。
在步骤S620中，将第四差值绝对值进行整理后，作为ID3决策树算法的输入，得到对应走路或跑步动作的分类识别结果。
实施例七：
图7示出了本发明实施例七提供的计算系统的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
获取单元701，用于获得可穿戴设备感应所得实时轴向加速度数据及实时轴向倾角数据。
建立单元702，用于建立至少两个进程。以及，
处理单元703，用于每个进程对实时轴向加速度数据及实时轴向倾角数据进行处理，得到对应动作的分类识别结果。
在本发明实施例中，计算系统的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
在具体应用时，上述各单元可位于一个智能设备中，也可以位于一个服务器中，或者分别位于智能设备、服务器中。
实施例八：
图8示出了本发明实施例四八提供的智能设备的结构，为了便于说明，仅示出了与本发明实施例相关的部分。
本发明实施例的智能设备包括处理器801及存储器802，处理器801执行存储器802中存储的计算机程序803时实现上述各个方法实施例中的部分或全部步骤，例如图1所示的步骤S101至S103。或者，处理器801执行计算机程序803时实现上述系统中各单元的部分或全部功能，例如图7所示单元701至703的功能。
本发明实施例的智能设备可以为可穿戴智能设备、智能手机、平板电脑等，可穿戴智能设备可以为智能手表、智能手环等。该智能设备中处理器801执行计算机程序803时实现上述方法时实现的步骤可参考前述方法实施例的描述，在此不再赘述。
在具体应用时，智能设备上还可根据需要配备相应其他功能模组，例如：网络模组、摄像头等其他传感器等。
实施例九：
在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例中的部分或全部步骤，例如，图1所示的步骤S101至S103。或者，该计算机程序被处理器执行时实现上述系统实施例中各单元的功能，例如图7所示单元701至703的功能。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，ROM/RAM、磁盘、光盘、闪存等存储器。
以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种动作识别方法，其特征在于，所述方法包括下述步骤：获得感应所得实时轴向加速度数据及实时轴向倾角数据；建立至少两个进程；每个所述进程对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到对应动作的分类识别结果；
每个所述进程对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到对应动作的分类识别结果，具体为：每个所述进程利用对应设定的深度学习算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到对应动作的分类识别结果；
建立至少两个进程，具体为：建立第一进程、第二进程及第三进程，每个所述进程利用对应设定的深度学习算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到对应动作的分类识别结果，具体包括下述步骤：所述第一进程利用线性规划LP算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为人体危险倾斜动作；所述第二进程利用K最临近KNN算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为起立或坐下动作；所述第三进程利用迭代二叉树三代ID3决策树算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为走路或跑步动作；
所述第一进程利用线性规划LP算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为人体危险倾斜动作，具体包括下述步骤：计算与所述人体危险倾斜动作相关的所述实时轴向加速度数据与人体状态校准所得的初始轴向加速度数据之间的第一差值绝对值，以及所述实时轴向倾角数据与人体状态校准所得的初始轴向倾角数据之间的第二差值；判断所述第二差值是否达到第一预设阈值；若是，则判断为发生倾斜过大的危险动作，当判断为发生倾斜过大的危险动作时，建立以所述第一差值绝对值及所述第二差值作为变量的线性表达式；判断所述线性表达式的输出是否达到第二预设阈值；若是，则判断为即将发生摔倒；所述线性表达式为：
其中，所述第一差值绝对值设为Δaf，所述第二差值包括俯仰角与其初始数据之间的差值设为Δpitch、航向角与其初始数据之间的差值设为Δyaw、横滚角与其初始数据之间的差值设为Δroll。
2.如权利要求1所述的方法，其特征在于，所述第一进程为父进程，所述第二进程为在所述父进程中开通的子进程，所述第三进程为在所述子进程中开通的孙进程。
3.如权利要求1所述的方法，其特征在于，所述第二进程利用K最临近KNN算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为起立或坐下动作，具体包括下述步骤：判断与起立或坐下动作相关的所述实时轴向倾角数据是否大于第三预设阈值且在时序上不断增大；若是，则对该判断结果进行计数，并存储与起立或坐下动作相关的所述实时轴向加速度数据及与所述实时轴向倾角数据，所述实时轴向加速度数据包括：实时合加速度数据，所述实时合加速度数据通过各所述实时轴向加速度数据计算得到；判断该计数结果是否达到第四预设阈值；若是，则计算与起立或坐下动作相关的所述实时轴向加速度数据的平均值及与所述实时轴向倾角数据的平均值；分别计算计数首位的、与所述起立或坐下动作相关的所述实时轴向加速度数据及所述实时轴向倾角数据，和对应所述实时轴向加速度数据的平均值及所述实时轴向倾角数据的平均值的第三差值绝对值；判断所述第三差值绝对值是否达到第五预设阈值；若是，则将所述第三差值绝对值作为所述KNN算法的输入，得到所述对应动作是否为起立或坐下动作。
4.如权利要求1所述的方法，其特征在于，所述第三进程利用迭代二叉树三代ID3决策树算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为走路或跑步动作，具体包括下述步骤：统计与走路或跑步动作相关的所述实时轴向加速度数据及所述实时轴向倾角数据，并对该统计结果进行计数，所述实时轴向加速度数据包括：实时合加速度数据，所述实时合加速度数据通过各所述实时轴向加速度数据计算得到；判断该计数结果是否达到第六预设阈值；若是，则从所述统计结果中，获得与走路或跑步动作相关的实时轴向加速度数据临时最大值及实时轴向倾角数据临时最大值，并对与走路或跑步动作相关的实时轴向加速度数据临时最大值及实时轴向倾角数据临时最大值累计存储的统计结果进行计数；判断该计数结果是否达到第七预设阈值；若是，计算与走路或跑步动作相关的所述实时轴向加速度数据临时最大值中的最大值、所述实时轴向倾角数据临时最大值中的最大值、所述实时轴向加速度数据临时最大值的平均值及所述实时轴向倾角数据临时最大值的平均值，分别与对应的、人体状态校准所得的初始轴向加速度数据及初始轴向倾角数据的第四差值绝对值，所述实时轴向加速度数据包括：实时合加速度数据，所述实时合加速度数据通过各所述实时轴向加速度数据计算得到，所述初始轴向加速度数据包括：初始合加速度数据，所述初始合加速度数据通过人体状态校准所得的各初始轴向加速度数据计算得到；判断所述第四差值绝对值是否达到第八预设阈值；若是，则将所述第四差值绝对值作为所述ID3决策树算法的输入，得到所述对应动作是否为走路或跑步动作；
其中，所述第四差值绝对值包括：所述实时轴向加速度数据临时最大值中的最大值与所述初始轴向加速度数据之间的差值绝对值、所述实时轴向倾角数据临时最大值中的最大值与所述初始轴向倾角数据之间的差值绝对值、所述实时轴向加速度数据临时最大值的平均值与所述初始轴向加速度数据之间的差值绝对值，以及，所述实时轴向倾角数据临时最大值的平均值与所述初始轴向倾角数据之间的差值绝对值。
5.一种计算系统，其特征在于，所述计算系统包括：获取单元，用于获得可穿戴设备感应所得实时轴向加速度数据及实时轴向倾角数据；建立单元，用于建立至少两个进程；以及，处理单元，用于每个所述进程对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到对应动作的分类识别结果；
每个所述进程对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到对应动作的分类识别结果，具体为：每个所述进程利用对应设定的深度学习算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到对应动作的分类识别结果；
建立至少两个进程，具体为：建立第一进程、第二进程及第三进程，每个所述进程利用对应设定的深度学习算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到对应动作的分类识别结果，具体包括下述步骤：所述第一进程利用线性规划LP算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为人体危险倾斜动作；所述第二进程利用K最临近KNN算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为起立或坐下动作；所述第三进程利用迭代二叉树三代ID3决策树算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为走路或跑步动作；
所述第一进程利用线性规划LP算法，对所述实时轴向加速度数据及所述实时轴向倾角数据进行处理，得到所述对应动作是否为人体危险倾斜动作，具体包括下述步骤：计算与所述人体危险倾斜动作相关的所述实时轴向加速度数据与人体状态校准所得的初始轴向加速度数据之间的第一差值绝对值，以及所述实时轴向倾角数据与人体状态校准所得的初始轴向倾角数据之间的第二差值；判断所述第二差值是否达到第一预设阈值；若是，则判断为发生倾斜过大的危险动作，当判断为发生倾斜过大的危险动作时，建立以所述第一差值绝对值及所述第二差值作为变量的线性表达式；判断所述线性表达式的输出是否达到第二预设阈值；若是，则判断为即将发生摔倒；所述线性表达式为：
其中，所述第一差值绝对值设为Δaf，所述第二差值包括俯仰角与其初始数据之间的差值设为Δpitch、航向角与其初始数据之间的差值设为Δyaw、横滚角与其初始数据之间的差值设为Δroll。
6.一种智能设备，包括存储器及处理器，其特征在于，所述处理器执行所述存储器中存储的计算机程序时实现如权利要求1至4任一项所述方法中的步骤。
7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811437981.0A CN109685111B (zh) | 2018-11-26 | 2018-11-26 | 动作识别方法、计算系统、智能设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811437981.0A CN109685111B (zh) | 2018-11-26 | 2018-11-26 | 动作识别方法、计算系统、智能设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109685111A CN109685111A (zh) | 2019-04-26 |
| CN109685111B true CN109685111B (zh) | 2023-04-07 |
Family
ID=66185024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811437981.0A Active CN109685111B (zh) | 2018-11-26 | 2018-11-26 | 动作识别方法、计算系统、智能设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109685111B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443315B (zh) * | 2019-08-08 | 2022-12-02 | 吉林大学 | 室内环境下基于加权融合的老人跌倒检测方法 |
| CN111401507B (zh) * | 2020-03-12 | 2021-01-26 | 大同公元三九八智慧养老服务有限公司 | 一种自适应决策树跌倒检测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102302370A (zh) * | 2011-06-30 | 2012-01-04 | 中国科学院计算技术研究所 | 一种跌倒检测方法和装置 |
| CN104173057A (zh) * | 2014-08-18 | 2014-12-03 | 复旦大学 | 基于移动通信的可穿戴式跌倒检测系统 |
| CN105741491A (zh) * | 2016-03-17 | 2016-07-06 | 北京工业大学 | 基于卡尔曼滤波与knn算法的跌倒检测报警系统及方法 |
| CN106095099A (zh) * | 2016-06-12 | 2016-11-09 | 南京邮电大学 | 一种用户行为动作检测识别方法 |
| JP2016207199A (ja) * | 2015-04-24 | 2016-12-08 | 公立大学法人広島市立大学 | 転倒検知装置及び転倒判定方法 |
| CN108320456A (zh) * | 2018-01-27 | 2018-07-24 | 西安交通大学 | 一种融合多传感器的老年人摔倒预测方法和系统 |
| CN108426573A (zh) * | 2017-02-14 | 2018-08-21 | 中兴通讯股份有限公司 | 一种终端设备的行人步态检测方法及终端设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140204013A1 (en) * | 2013-01-18 | 2014-07-24 | Microsoft Corporation | Part and state detection for gesture recognition |
| TWI506461B (zh) * | 2013-07-16 | 2015-11-01 | Univ Nat Taiwan Science Tech | 人體動作的辨識方法與裝置 |
| US20170188895A1 (en) * | 2014-03-12 | 2017-07-06 | Smart Monitor Corp | System and method of body motion analytics recognition and alerting |
-
2018
- 2018-11-26 CN CN201811437981.0A patent/CN109685111B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102302370A (zh) * | 2011-06-30 | 2012-01-04 | 中国科学院计算技术研究所 | 一种跌倒检测方法和装置 |
| CN104173057A (zh) * | 2014-08-18 | 2014-12-03 | 复旦大学 | 基于移动通信的可穿戴式跌倒检测系统 |
| JP2016207199A (ja) * | 2015-04-24 | 2016-12-08 | 公立大学法人広島市立大学 | 転倒検知装置及び転倒判定方法 |
| CN105741491A (zh) * | 2016-03-17 | 2016-07-06 | 北京工业大学 | 基于卡尔曼滤波与knn算法的跌倒检测报警系统及方法 |
| CN106095099A (zh) * | 2016-06-12 | 2016-11-09 | 南京邮电大学 | 一种用户行为动作检测识别方法 |
| CN108426573A (zh) * | 2017-02-14 | 2018-08-21 | 中兴通讯股份有限公司 | 一种终端设备的行人步态检测方法及终端设备 |
| CN108320456A (zh) * | 2018-01-27 | 2018-07-24 | 西安交通大学 | 一种融合多传感器的老年人摔倒预测方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 一种防跌倒预警系统的研究与实现;李慧奇等;《集成技术》;20140131;第3卷(第1期);47-54 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109685111A (zh) | 2019-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI434229B (zh) | Cluster system and defect type determination device | |
| JP2016091108A (ja) | 人体部位検出システムおよび人体部位検出方法 | |
| CN107657277B (zh) | 一种基于大数据的人体异常行为检测与判定方法及系统 | |
| CN107368820B (zh) | 一种精细化手势识别方法、装置及设备 | |
| CN111291865B (zh) | 一种基于卷积神经网络和孤立森林的步态识别方法 | |
| CN109685111B (zh) | 动作识别方法、计算系统、智能设备及存储介质 | |
| EP3376433A1 (en) | Image processing apparatus, image processing method, and image processing program | |
| EP3067804A1 (en) | Data arrangement program, data arrangement method, and data arrangement apparatus | |
| CN106062819A (zh) | 图像处理装置、图像传感器、图像处理方法 | |
| JP2008086479A (ja) | 活動量計測システム | |
| Imran et al. | Hharnet: Taking inspiration from inception and dense networks for human activity recognition using inertial sensors | |
| CN108764348B (zh) | 基于多个数据源的数据采集方法及系统 | |
| CN109991896B (zh) | 机器人跌倒预判的方法、装置及存储装置 | |
| US9026477B2 (en) | Method for identifying a person's posture | |
| JP2016103245A (ja) | 情報処理装置、情報処理方法、プログラム | |
| CN114239738B (zh) | 小样本的医疗数据分类方法及相关设备 | |
| KR101870542B1 (ko) | 모션 인식 방법 및 장치 | |
| CN111079560A (zh) | 一种摔倒监测方法、装置及终端设备 | |
| Shrivastava et al. | Adaptive window based fall detection using anomaly identification in fog computing scenario | |
| CN107403199B (zh) | 数据处理方法和装置 | |
| CN115265531A (zh) | 利用惯性测量装置识别运动状态的系统 | |
| KR102504319B1 (ko) | 영상 객체 속성 분류 장치 및 방법 | |
| CN113392086A (zh) | 基于物联网的医疗数据库构建方法、装置及设备 | |
| Junior et al. | Computational solutions for human falls classification | |
| Xia et al. | Real-time recognition of human daily motion with smartphone sensor |
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 |