CN109978001B - 基于多层混合聚类算法的空手道运动状态识别装置 - Google Patents

基于多层混合聚类算法的空手道运动状态识别装置 Download PDF

Info

Publication number
CN109978001B
CN109978001B CN201910130243.XA CN201910130243A CN109978001B CN 109978001 B CN109978001 B CN 109978001B CN 201910130243 A CN201910130243 A CN 201910130243A CN 109978001 B CN109978001 B CN 109978001B
Authority
CN
China
Prior art keywords
data
clustering algorithm
characteristic
layer
human body
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
Application number
CN201910130243.XA
Other languages
English (en)
Other versions
CN109978001A (zh
Inventor
夏鲲
黄剑光
毛峥
石占魁
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201910130243.XA priority Critical patent/CN109978001B/zh
Publication of CN109978001A publication Critical patent/CN109978001A/zh
Application granted granted Critical
Publication of CN109978001B publication Critical patent/CN109978001B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于多层混合聚类算法的空手道运动状态识别装置，本装置采用MPU6050模块采集人体运动时四肢的加速度和角速度数据，然后通过STM32处理器将加速度和角速度数据转换成合力、速度、距离、转动角度特征数据，通过无线数据传输模块将这些特征数据发送给ARM平台，ARM平台通过预先训练好的运动状态识别模型对接收到的特征数据进行运动状态识别，最后储存识别结果并在OLED屏上显示。本装置填补了体育项目运动状态识别的不足，所运用的多层混合聚类算法实现动作特征的半监督提取，无需标定数据找出特征中心，对于无标签和含有大量噪声的数据仍可以有效运行，对空手道等复杂运动的状态进行识别，具有广泛的应用价值。

Description

基于多层混合聚类算法的空手道运动状态识别装置
技术领域
本发明涉及数据挖掘技术领域，尤其涉及一种基于多层混合聚类算法的空手道运动状态识别装置。
背景技术
近年来，穿戴式电子设备由于其易于携带、方便快捷等特点逐渐成为现代社会必不可缺的重要角色。运用穿戴式技术对日常生活进行智能化的设计，成为如今工业革命浪潮的核心，其典型产品如谷歌眼镜、小米手环、苹果手表等。目前市场上的可穿戴电子产品主要能检测运动量、心率、睡眠时间等参数，一般不具备对各类体育项目运动状态的识别功能，无法根据人体的运动情况分辨出当前的运动类型和该运动类型下的动作。如今，空手道已经成为一种适合全民参与的健身运动，将作为2020年东京奥运会上的正式项目，是一项有着严格国际标准的体育运动，运动员的训练成果很大程度反映在客观评判上。然而，目前缺少一种能够对空手道运动中复杂动作识别的装置。
因此，针对空手道领域的产品和相关技术空白，本发明提供一种基于多层混合聚类的空手道运动状态识别装置，以实现对空手道等复杂运动的识别，解决现有技术中存在的缺陷。
发明内容
本发明所要解决的技术问题是提供一种基于多层混合聚类算法的空手道运动状态识别装置，本装置填补了体育项目运动状态识别的不足，实现动作特征的半监督提取，无需标定数据找出特征中心，对于无标签和含有大量噪声的数据仍可以有效运行，对空手道等复杂运动的状态进行识别，具有广泛的应用价值。
为解决上述技术问题，本发明基于多层混合聚类算法的空手道运动状态识别装置，包括：
第一从装置，嵌装于左护腿上，所述第一从装置包括MPU6050模块、STM32微处理器和无线数据传输模块，所述MPU6050模块用于采集人体运动时左腿上的加速度和角速度数据，所述STM32微处理器用于将加速度和角速度数据转换成合力、速度、距离、转动角度特征数据，所述无线数据传输模块工作在发射模式下，用于将转换后的人体运动特征数据发送给主装置；
第二从装置，嵌装于右护腿上，所述第二从装置包括MPU6050模块、STM32微处理器和无线数据传输模块，所述MPU6050模块用于采集人体运动时右腿上的加速度和角速度数据，所述STM32微处理器用于将加速度和角速度数据转换成合力、速度、距离、转动角度特征数据，所述无线数据传输模块工作在发射模式下，用于将转换后的人体运动特征数据发送给主装置；
第三从装置，嵌装于右拳套上，所述第三从装置包括MPU6050模块、STM32微处理器和无线数据传输模块，所述MPU6050模块用于采集人体运动时右手上的加速度和角速度数据，所述STM32微处理器用于将加速度和角速度数据转换成合力、速度、距离、转动角度特征数据，所述无线数据传输模块工作在发射模式下，用于将转换后的人体运动特征数据发送给主装置；
主装置，嵌装于左拳套上，所述主装置包括MPU6050模块、ARM平台、OLED模块和无线数据传输模块，所述MPU6050模块用于采集人体运动时左手上的加速度和角速度数据并传输至所述ARM平台转换成合力、速度、距离、转动角度特征数据，所述无线数据传输模块工作在接收模式下，用于接收所述三个从装置传输的人体运动特征数据，所述ARM平台用于通过预先训练好的运动状态识别模型对人体运动特征数据进行运动状态识别，所述OLED模块用于显示识别结果。
进一步，所述人体运动时的加速度和角速度数据经过截止频率为20Hz的三阶巴特沃斯低通滤波器滤除高频噪声。
进一步，所述特征数据中的合力经过截止频率为0.3Hz的三阶巴特沃斯低通滤波器滤除重力对其的影响。
进一步，所述运动状态识别模型采用多层混合聚类算法进行构建，所述多层混合聚类算法分为四层，前三层聚类算法采用K-Means算法对动作数据进行预处理，第四层聚类算法采用基于密度的DBSCAN算法确定不同动作的特征中心和过程子动作中心，从而对运动状态进行识别判断。
进一步，所述多层混合聚类算法中第一层聚类算法的输入数据为滑动采样最大值特征，其中每个采样点的特征为合力，速度，距离和转动角度的三轴绝对值之和，数据的采样周期为20ms，滑动窗口长度为10，步长为5，采用K-mean算法通过聚类中心点的不同特征对输出无意义的标签进行排序处理，赋予标签的大小实际意义；
所述多层混合聚类算法中第二层聚类算法对第一层聚类算法的输出进行滑动采样，滑动窗口长度为5，步长为5，提取最大值特征作为输入，采用K-mean算法得到不同动作中分解的过程子动作特征，依据不同子动作特征出现的频率进行排序，以区分不同动作之间的过程特征和不同动作对应的单独特征；
所述多层混合聚类算法中第三层聚类算法将第二层聚类算法输出的滑动采样数据的最大值、最小值和平均值特征作为输入，滑动窗口长度为4，步长为2，以不同动作的数据集为单位，采用K-mean算法得到相应动作的过程特征的特征中心，对单个数据集中的动作进行特征划分；
所述多层混合聚类算法中第四层聚类算法将第三层聚类算法输出的特征中心作为输入，采用DBSCAN算法进行聚类，提取出其中的类中心作为多个主动作共有的子动作，其中离群点单独作为动作特征，并根据不同数据集中的离群点确定不同主动作的特征中心，通过第三层聚类算法输出的数据点到特征中心的欧氏距离的归一化值来判断该动作出现的概率。
由于本发明基于多层混合聚类算法的空手道运动状态识别装置采用了上述技术方案，即本装置采用MPU6050模块采集人体运动时四肢在X、Y、Z三轴上的加速度和角速度数据，然后通过STM32处理器将加速度和角速度数据转换成合力、速度、距离、转动角度特征数据，通过无线数据传输模块将这些特征数据发送给ARM平台，ARM平台通过预先训练好的运动状态识别模型对接收到的特征数据进行运动状态识别，最后储存识别结果并在OLED屏上显示。本装置填补了体育项目运动状态识别的不足，所运用的多层混合聚类算法实现动作特征的半监督提取，无需标定数据找出特征中心，对于无标签和含有大量噪声的数据仍可以有效运行，对空手道等复杂运动的状态进行识别，具有广泛的应用价值。
附图说明
下面结合附图和实施方式对本发明作进一步的详细说明：
图1为本识别装置中的左拳套示意图；
图2为本识别装置中的右拳套示意图；
图3为本识别装置中的左护腿示意图；
图4为本识别装置中的右护腿示意图；
图5为本识别装置的模块框图；
图6为本识别装置中运动状态识别模型的算法流程框图。
具体实施方式
下面结合附图对本发明基于多层混合聚类算法的空手道运动状态识别装置进行详细描述。
如图1、图2、图3、图4和图5所示，本发明基于多层混合聚类算法的空手道运动状态识别装置包括主装置、第一从装置、第二从装置和第三从装置。其中主装置嵌装于左拳套上，其包括MPU6050模块1、ARM平台2、无线数据传输模块3、OLED模块4，MPU6050模块1用于采集人体运动时左手上的加速度和角速度数据，无线数据传输模块3用于接收所述三个从装置传过来的人体运动特征数据，ARM平台2用于通过预先训练好的运动状态识别模型对人体运动特征数据进行运动状态识别，OLED模块4用于显示识别结果；第一从装置嵌装于左护腿上，其包括MPU6050模块5、STM32微处理器6、无线数据传输模块7，MPU6050模块5用于采集人体运动时左腿上的加速度和角速度数据，STM32微处理器6用于将加速度和角速度数据转换成合力、速度、距离、转动角度等特征数据，无线数据传输模块7用于将转换后的人体运动特征数据发送给主装置；第二从装置嵌装于右护腿上，其包括MPU6050模块8、STM32微处理器9、无线数据传输模块10，MPU6050模块8用于采集人体运动时右腿上的加速度和角速度数据，STM32微处理器9用于将加速度和角速度数据转换成合力、速度、距离、转动角度等特征数据，无线数据传输模块10用于将转换后的人体运动特征数据发送给主装置；第三从装置嵌装于右拳套上，其包括MPU6050模块11、STM32微处理器12、无线数据传输模块13，MPU6050模块11用于采集人体运动时右手上的加速度和角速度数据，STM32微处理器12用于将加速度和角速度数据转换成合力、速度、距离、转动角度等特征数据，无线数据传输模块13用于将转换后的人体运动特征数据发送给主装置。
优选的，所述人体运动时的加速度和角速度数据经过截止频率为20Hz的三阶巴特沃斯低通滤波器滤除高频噪声。
优选的，所述特征数据中的合力经过截止频率为0.3Hz的三阶巴特沃斯低通滤波器滤除重力对其的影响。
如图6所示，本识别装置中ARM平台通过运动状态识别模型对运动状态进行识别。
本装置采用MPU6050模块采集人体运动时四肢在X、Y、Z三轴上的加速度和角速度数据，然后通过STM32处理器将加速度和角速度数据转换成合力、速度、距离、转动角度特征数据，通过无线数据传输模块将这些特征数据发送给ARM平台，ARM平台通过预先训练好的运动状态识别模型对接收到的特征数据进行运动状态识别，最后储存识别结果并在OLED屏上显示。
优选的，所述运动状态识别模型采用多层混合聚类算法进行构建，所述多层混合聚类算法可分为四层，前三层聚类算法采用K-Means算法对动作数据进行预处理，第四层聚类算法采用基于密度的DBSCAN算法确定不同动作的特征中心和过程子动作中心，从而对运动状态进行识别判断。
优选的，所述第一层聚类算法的输入数据为滑动采样最大值特征，其中每个采样点的特征为合力，速度，距离和转动角度的三轴绝对值之和，数据的采样周期为20ms，滑动窗口长度为10，步长为5，通过聚类中心点的不同特征对输出无意义的标签进行排序处理，赋予标签的大小实际意义；
由于聚类算法的输出通常是无意义的标签量，第一层聚类算法通过对中心点的不同特征对标签进行排序处理，赋予标签的大小实际意义，方便后续继续分类，第一层聚类算法的输出主要依据不同特征的幅值进行排序重新编码，相当于对数据进行了最大值特征提取和滤波处理，然后对第一层聚类算法的输出进行滑动采样，并提取最大值特征作为第二层聚类算法的输入；
所述第二层聚类算法对第一层聚类算法的输出进行滑动采样，滑动窗口长度为5，步长为5，提取最大值特征作为输入，得到不同动作中分解的过程子动作特征，依据不同子动作特征出现的频率进行排序，以区分不同动作之间的过程特征和不同动作对应的单独特征；
第二层聚类算法主要是为了得到不同动作中分解的过程子动作特征，然后依据不同子动作特征出现的频率进行排序，用于区分不同动作之间出现的过程特征和不同动作对应的单独特征；
所述第三层聚类算法将第二层聚类算法输出的滑动采样数据的最大值、最小值和平均值特征作为输入，滑动窗口长度为4，步长为2，以不同动作的数据集为单位，采用K-mean算法得到相应动作的过程特征的特征中心，对单个数据集中的动作进行特征划分；
所述第四层聚类算法将第三层聚类算法输出的特征中心作为输入，采用DBSCAN算法进行聚类，提取出其中的类中心作为多个主动作共有的子动作，其中离群点单独作为动作特征，并根据不同数据集中的离群点确定不同主动作的特征中心，通过第三层聚类算法输出的数据点到特征中心的欧氏距离的归一化值来判断该动作出现的概率。
第三层聚类算法用于对单个数据集中的动作进行特征的划分，对不同动作的数据集均以第二层输出的滑动采样数据的最大值、最小值和平均值特征作为输入，以不同动作的数据集为单位，采用K-mean算法得到相应动作的过程特征的特征中心，由于不同动作的部分过程子动作可能相同，如摆拳和直拳，所以对得到的特征中心依据第四层聚类算法的DBSCAN算法作聚类分析，提取出其中的离群点和类中心，并确定不同主动作的特征中心，通过第三层聚类算法输出的数据点到特征中心的欧氏距离的归一化值来判断该动作出现的概率。
本装置中MPU6050模块为运动姿态传感器，无线数据传输模块可采用蓝牙通讯模块。本装置采用姿态传感器采集空手道运动中各个动作的运动数据，并转换成相应的合力、速度、距离、转动角度的动作特征数据；然后在ARM平台上通过多层聚类算法寻找每个动作最佳的聚类中心，以此将各个动作区分开来；最后在ARM平台上使用得到的最佳聚类中心对实时采集到的运动数据加以判断，识别当前的运动状态，最后将识别结果储存并在显示屏上显示。

Claims (3)

1.一种基于多层混合聚类算法的空手道运动状态识别装置，其特征在于，包括：
第一从装置，嵌装于左护腿上，所述第一从装置包括MPU6050模块、STM32微处理器和无线数据传输模块，所述MPU6050模块用于采集人体运动时左腿上的加速度和角速度数据，所述STM32微处理器用于将加速度和角速度数据转换成合力、速度、距离、转动角度特征数据，所述无线数据传输模块工作在发射模式下，用于将转换后的人体运动特征数据发送给主装置；
第二从装置，嵌装于右护腿上，所述第二从装置包括MPU6050模块、STM32微处理器和无线数据传输模块，所述MPU6050模块用于采集人体运动时右腿上的加速度和角速度数据，所述STM32微处理器用于将加速度和角速度数据转换成合力、速度、距离、转动角度特征数据，所述无线数据传输模块工作在发射模式下，用于将转换后的人体运动特征数据发送给主装置；
第三从装置，嵌装于右拳套上，所述第三从装置包括MPU6050模块、STM32微处理器和无线数据传输模块，所述MPU6050模块用于采集人体运动时右手上的加速度和角速度数据，所述STM32微处理器用于将加速度和角速度数据转换成合力、速度、距离、转动角度特征数据，所述无线数据传输模块工作在发射模式下，用于将转换后的人体运动特征数据发送给主装置；
主装置，嵌装于左拳套上，所述主装置包括MPU6050模块、ARM平台、OLED模块和无线数据传输模块，所述MPU6050模块用于采集人体运动时左手上的加速度和角速度数据并传输至所述ARM平台转换成合力、速度、距离、转动角度特征数据，所述无线数据传输模块工作在接收模式下，用于接收所述三个从装置传输的人体运动特征数据，所述ARM平台用于通过预先训练好的运动状态识别模型对人体运动特征数据进行运动状态识别，所述OLED模块用于显示识别结果；
其中，所述运动状态识别模型采用多层混合聚类算法进行构建，所述多层混合聚类算法分为四层，前三层聚类算法采用K-Means算法对动作数据进行预处理，第四层聚类算法采用基于密度的DBSCAN算法确定不同动作的特征中心和过程子动作中心，从而对运动状态进行识别判断；
所述多层混合聚类算法中第一层聚类算法的输入数据为滑动采样最大值特征，其中每个采样点的特征为合力，速度，距离和转动角度的三轴绝对值之和，数据的采样周期为20ms，滑动窗口长度为10，步长为5，采用K-mean算法通过聚类中心点的不同特征对输出无意义的标签进行排序处理，赋予标签的大小实际意义；
所述多层混合聚类算法中第二层聚类算法对第一层聚类算法的输出进行滑动采样，滑动窗口长度为5，步长为5，提取最大值特征作为输入，采用K-mean算法得到不同动作中分解的过程子动作特征，依据不同子动作特征出现的频率进行排序，以区分不同动作之间的过程特征和不同动作对应的单独特征；
所述多层混合聚类算法中第三层聚类算法将第二层聚类算法输出的滑动采样数据的最大值、最小值和平均值特征作为输入，滑动窗口长度为4，步长为2，以不同动作的数据集为单位，采用K-mean算法得到相应动作的过程特征的特征中心，对单个数据集中的动作进行特征划分；
所述多层混合聚类算法中第四层聚类算法将第三层聚类算法输出的特征中心作为输入，采用DBSCAN算法进行聚类，提取出其中的类中心作为多个主动作共有的子动作，其中离群点单独作为动作特征，并根据不同数据集中的离群点确定不同主动作的特征中心，通过第三层聚类算法输出的数据点到特征中心的欧氏距离的归一化值来判断该动作出现的概率。
2.根据权利要求1所述的基于多层混合聚类算法的空手道运动状态识别装置，其特征在于：所述人体运动时的加速度和角速度数据经过截止频率为20Hz的三阶巴特沃斯低通滤波器滤除高频噪声。
3.根据权利要求1所述的基于多层混合聚类算法的空手道运动状态识别装置，其特征在于：所述特征数据中的合力经过截止频率为0.3Hz的三阶巴特沃斯低通滤波器滤除重力对其的影响。
CN201910130243.XA 2019-02-21 2019-02-21 基于多层混合聚类算法的空手道运动状态识别装置 Active CN109978001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910130243.XA CN109978001B (zh) 2019-02-21 2019-02-21 基于多层混合聚类算法的空手道运动状态识别装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910130243.XA CN109978001B (zh) 2019-02-21 2019-02-21 基于多层混合聚类算法的空手道运动状态识别装置

Publications (2)

Publication Number Publication Date
CN109978001A CN109978001A (zh) 2019-07-05
CN109978001B true CN109978001B (zh) 2023-07-14

Family

ID=67077157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910130243.XA Active CN109978001B (zh) 2019-02-21 2019-02-21 基于多层混合聚类算法的空手道运动状态识别装置

Country Status (1)

Country Link
CN (1) CN109978001B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021573A (zh) * 2014-06-13 2014-09-03 哈尔滨工程大学 一种基于关节姿态角的人体动作分类识别方法
CN106096662A (zh) * 2016-06-24 2016-11-09 深圳市颐通科技有限公司 基于加速度传感器的人体运动状态识别
CN109165576A (zh) * 2018-08-07 2019-01-08 南京邮电大学 一种运动状态识别方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105877757A (zh) * 2016-03-30 2016-08-24 哈尔滨理工大学 多传感器集成的人体运动姿态捕获与识别装置
CN107657277B (zh) * 2017-09-22 2022-02-01 金言 一种基于大数据的人体异常行为检测与判定方法及系统
CN108596074A (zh) * 2018-04-19 2018-09-28 上海理工大学 一种基于惯性传感器的人体下肢动作识别方法
CN109087482A (zh) * 2018-09-18 2018-12-25 西安交通大学 一种跌倒检测装置与方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021573A (zh) * 2014-06-13 2014-09-03 哈尔滨工程大学 一种基于关节姿态角的人体动作分类识别方法
CN106096662A (zh) * 2016-06-24 2016-11-09 深圳市颐通科技有限公司 基于加速度传感器的人体运动状态识别
CN109165576A (zh) * 2018-08-07 2019-01-08 南京邮电大学 一种运动状态识别方法及装置

Also Published As

Publication number Publication date
CN109978001A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
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
JP6064280B2 (ja) ジェスチャを認識するためのシステムおよび方法
Ghasemzadeh et al. Physical movement monitoring using body sensor networks: A phonological approach to construct spatial decision trees
US10061389B2 (en) Gesture recognition system and gesture recognition method
CN108171278B (zh) 一种基于运动训练数据的运动模式识别方法和系统
CN106228200B (zh) 一种不依赖于动作信息采集设备的动作识别方法
CN106096662A (zh) 基于加速度传感器的人体运动状态识别
CN112464738A (zh) 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法
Zinnen et al. An analysis of sensor-oriented vs. model-based activity recognition
CN108958482A (zh) 一种基于卷积神经网络的相似性动作识别装置及方法
CN113856132B (zh) 一种跳绳动作识别系统、方法及跳绳
CN110807471A (zh) 一种多模态传感器的行为识别系统及识别方法
CN109740418B (zh) 一种基于多加速度传感器的瑜伽动作识别方法
CN109978001B (zh) 基于多层混合聚类算法的空手道运动状态识别装置
Xu et al. A two-step fall detection algorithm combining threshold-based method and convolutional neural network
CN111772639B (zh) 一种用于可穿戴设备的运动模式识别方法及装置
CN111626273B (zh) 基于原子性动作时序特性的摔倒行为识别系统及方法
CN114341947A (zh) 用于使用可穿戴设备的锻炼类型辨识的系统和方法
CN105879301B (zh) 一种面向智能哑铃的上肢运动识别方法
Tao et al. Research on communication APP for deaf and mute people based on face emotion recognition technology
CN111597881B (zh) 基于数据分离多尺度特征结合的人体复杂行为识别方法
CN114913547A (zh) 基于改进的Transformer网络的跌倒检测方法
CN110926467B (zh) 一种基于均值聚类算法的自适应行人手机姿态识别方法
US20190310103A1 (en) System, method and article for counting steps using an accelerometer
Liu et al. Research on Badminton Motion Recognition Based on Hidden Markov Model

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