CN110008847A - 一种基于卷积神经网络的泳姿识别方法 - Google Patents
一种基于卷积神经网络的泳姿识别方法 Download PDFInfo
- Publication number
- CN110008847A CN110008847A CN201910187104.0A CN201910187104A CN110008847A CN 110008847 A CN110008847 A CN 110008847A CN 201910187104 A CN201910187104 A CN 201910187104A CN 110008847 A CN110008847 A CN 110008847A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural networks
- output
- convolutional
- convolutional neural
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 20
- 210000000707 wrist Anatomy 0.000 claims abstract description 14
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000013461 design Methods 0.000 claims abstract description 6
- 230000001133 acceleration Effects 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims description 16
- 230000009182 swimming Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 19
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明公开了一种基于卷积神经网络的泳姿识别方法,包括：将九轴传感器安装在手腕处，记录人体游泳时手腕部的加速度和角速度信号；取出一个单位长度的待测信号进行识别分割；对分割得到的信号进行预处理，设计卷积神经网络模型结构；对卷积神经网络模型参数进行训练，将预处理后的信号输入到训练后的卷积神经网络模型中进行分类，确定信号分类结果；根据信号分类结果，确定待测信号中所要取出的单位长度的信号片段的区间，重复上述步骤。本发明通过对卷积神经网络结构进行修改，降低了其对计算资源的需求，使其能在智能可穿戴设备上对泳姿进行高效、准确的识别。
Description
技术领域
本发明涉及人体动作识别领域，尤其涉及一种基于卷积神经网络的泳姿识别方法。
背景技术
随着腕戴式智能设备的流行，基于九轴传感器的人体动作识别在人类生活中发挥着越来越重要的作用。作为模式识别领域中一个极具挑战的研究方向，其在健康监测、老年人安全监测和智能家庭等方面均有着重要的应用。但由于设备的限制，大多数的基于腕戴式的智能设备主要采用模式匹配等算法实现功能。但近年来在模式识别领域，卷积神经网络凭借其强大的学习能力，已经成功地在计算机视觉以及自然语言处理等方向得到了应用。而在传感器信号的识别方面，卷积神经网络同样具有巨大的优势。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于卷积神经网络的泳姿识别方法。本发明通过对卷积神经网络进行一定的修改和删减，能够在腕戴式智能设备上进行准确率高的泳姿识别。
本发明的目的能够通过以下技术方案实现：
一种基于卷积神经网络的泳姿识别方法，具体步骤包括：
(1)获取九轴传感器采集的人体游泳时手腕部的加速度和角速度作为待测信号，设计卷积神经网络模型结构；
(2)取出一个单位长度的待测信号进行识别分割；
(3)对分割得到的信号进行预处理；
(4)将预处理后的信号输入到卷积神经网络模型中进行分类，确定信号分类结果；所述卷积神经网络模型为参数经过训练后的模型；
(5)根据信号分类结果，确定待测信号中所要取出的单位长度的信号片段的区间，重复步骤(2)～(5)。
具体地，所述步骤(2)中，识别并分割出待测信号片段中第一个具有完整运动周期的信号；若不能分割出待测信号片段中一个具有完整运动周期的信号，则分割出一个固定窗长的信号。
具体地，所述步骤(3)中，对分割得到的信号进行预处理为：对每一维信号进行双线性插值处理，使所有信号的长度一致。
具体地，所述步骤(1)中的卷积神经网络结构设计为：
第一层为卷积层，卷积核大小为13*2，输出的特征图通道数为36，输出经过LeakRELU函数；
第二层为卷积层，卷积核大小为13*2，输出的特征图通道数为36，输出经过LeakRELU函数，并且有Batch Normalization层；
第三层为非卷积层，将第一层卷积层和第二层卷积层的输出的特征图相加；
第四层为卷积层，卷积核大小为13*2，输出的特征图通道数为36，输出经过LeakRELU函数，并且有Batch Normalization层；
第五层为非卷积层，将第三层卷积层和第四层卷积层的输出的特征图相加；
第六层为卷积层，卷积核大小为13*1，输出的特征图通道数为36，输出经过LeakRELU函数，并且有Batch Normalization层；
第七层为非卷积层，将第五层卷积层和第六层卷积层的输出的特征图相加；
第八层为卷积层，卷积核大小为13*1，输出的特征图通道数为36，输出经过LeakRELU函数，并且有Batch Normalization层；
第九层为非卷积层，将第七层卷积层和第八层卷积层的输出的特征图相加；
第十层为卷积层，卷积核大小为13*1，输出的特征图通道数为36，输出经过LeakRELU函数，并且有Batch Normalization层；
第十一层为非卷积层，将第九层卷积层和第十层卷积层的输出的特征图相加；
第十二层为全连接层，输出的通道数为5，输出经过Sigmoid函数，输出分别对应四种泳姿：蛙泳、仰泳、自由泳和蝶泳及非目标泳姿五类的概率。
具体地，所述步骤(4)中，卷积神经网络的参数经过训练得到，训练过程包括：
(4-1)搭建基于手腕处九轴传感器的待测信号的泳姿识别样本集；
(4-2)对卷积神经网络模型进行初始化；
(4-3)采用搭建的训练集对初始化后的卷积神经网络模型进行训练，训练采用反向梯度下降算法优化损失函数值的方式进行。
更进一步地，所述步骤(4-1)中样本集的搭建步骤包括：
(4-1-1)测试人员在手腕处佩戴九轴传感器，依次进行蛙泳、仰泳、自由泳和蝶泳，同时录制同步视频；
(4-1-2)根据同步视频对测试人员佩戴的九轴传感器采集的信号进行分割，分割出具有完整运动周期的信号片段，标上对应泳姿标签；
(4-1-3)采用留一法将带有标记标签的信号片段分为训练集和测试集，来自同一测试人员的所用信号片段应归到同一集合中。
更进一步地，所述步骤(4-3)中损失函数值的计算公式为：
其中，yi表示第i类别为真的概率，其赋值根据样本集中样本的标签，如若标签为第k类类别，则yk＝1，其他为0。而y′i为神经网络推测第i类为真的概率。
所述分类结果为卷积神经网络模型得到了五类概率值中的最大值所表示的结果。
本发明相较于现有技术，具有以下的有益效果：
1、本发明在设计卷积神经网络时考虑到智能设备计算能力及资源的限制，删除了计算开销大的全连接层，并且将卷积核设计为长条形，保证了在时域上有足够大感受野的同时，卷积层数能够不受信号维度的限制，充分考虑了多维时序信号的特点。
2、本发明以一个完整周期的游泳信号作为卷积神经网络的基本处理单元，通过双线性插值的方式使其满足卷积神经网络输入大小固定的特点，实现对泳姿的精确分类。
附图说明
图1是一种基于卷积神经网络的泳姿识别方法的流程图。
图2是本发明实施例中卷积神经网络的结构示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例
如图1所示为一种基于卷积神经网络的泳姿识别方法的流程图，具体步骤包括：
(1)获取九轴传感器采集的人体游泳时手腕部的加速度和角速度作为待测信号，设计卷积神经网络模型结构；
(2)取出一个单位长度的待测信号进行识别分割；
(3)对分割得到的信号进行预处理；
(4)将预处理后的信号输入到卷积神经网络模型中进行分类，确定信号分类结果；所述卷积神经网络模型为参数经过训练后的模型；
(5)根据信号分类结果，确定待测信号中所要取出的单位长度的信号片段的区间，重复步骤(2)～(5)。
具体地，所述步骤(3)中，对分割得到的信号进行预处理为：对每一维信号进行双线性插值处理，使所有信号的长度一致。
在本实施例中，所述步骤(1)中的卷积神经网络结构如图2所示，具体为：
第一层为卷积层，卷积核大小为13*2，输出的特征图通道数为36，输出经过LeakRELU函数；
第二层为卷积层，卷积核大小为13*2，输出的特征图通道数为36，输出经过LeakRELU函数，并且有Batch Normalization层；
第三层为非卷积层，将第一层卷积层和第二层卷积层的输出的特征图相加；
第四层为卷积层，卷积核大小为13*2，输出的特征图通道数为36，输出经过LeakRELU函数，并且有Batch Normalization层；
第五层为非卷积层，将第三层卷积层和第四层卷积层的输出的特征图相加；
第六层为卷积层，卷积核大小为13*1，输出的特征图通道数为36，输出经过LeakRELU函数，并且有Batch Normalization层；
第七层为非卷积层，将第五层卷积层和第六层卷积层的输出的特征图相加；
第八层为卷积层，卷积核大小为13*1，输出的特征图通道数为36，输出经过LeakRELU函数，并且有Batch Normalization层；
第九层为非卷积层，将第七层卷积层和第八层卷积层的输出的特征图相加；
第十层为卷积层，卷积核大小为13*1，输出的特征图通道数为36，输出经过LeakRELU函数，并且有Batch Normalization层；
第十一层为非卷积层，将第九层卷积层和第十层卷积层的输出的特征图相加；
第十二层为全连接层，输出的通道数为5，输出经过Sigmoid函数，输出分别对应四种泳姿：蛙泳、仰泳、自由泳和蝶泳及非目标泳姿五类的概率。
具体地，所述步骤(4)中，卷积神经网络的参数经过训练得到，训练过程包括：
(4-1)搭建基于手腕处九轴传感器的待测信号的泳姿识别样本集；
(4-2)对卷积神经网络模型进行初始化；
(4-3)采用搭建的训练集对初始化后的卷积神经网络模型进行训练，训练采用反向梯度下降算法优化损失函数值的方式进行。
更进一步地，所述步骤(4-1)中样本集的搭建步骤包括：
(4-1-1)测试人员在手腕处佩戴九轴传感器，依次进行蛙泳、仰泳、自由泳和蝶泳，同时录制同步视频；
(4-1-2)根据同步视频对测试人员佩戴的九轴传感器采集的信号进行分割，分割出具有完整运动周期的信号片段，标上对应泳姿标签；
(4-1-3)采用留一法将带有标记标签的信号片段分为训练集和测试集，来自同一测试人员的所用信号片段应归到同一集合中。
更进一步地，所述步骤(4-3)中损失函数值的计算公式为：
其中，yi表示第i类别为真的概率，其赋值根据样本集中样本的标签，如若标签为第k类类别，则yk＝1，其他为0。而y′i为神经网络推测第i类为真的概率。
具体地，所述步骤(4-2)中，卷积神经网络的初始化步骤包括：
(4-2-1)令卷积层的权重初始化均值为0，标准差为0.001的高斯分布噪声，所有偏置初始化常量0；
(4-2-2)Batch Normalization层初始化伸缩系数为1，偏置为0；
(4-2-3)训练的batch size大小设置为64，学习率为0.01，每50000次衰减至原来的0.96。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (7)
1.一种基于卷积神经网络的泳姿识别方法，其特征在于，具体步骤包括：
(1)获取九轴传感器采集的人体游泳时手腕部的加速度和角速度作为待测信号，设计卷积神经网络模型结构；
(2)取出一个单位长度的待测信号进行识别分割；
(3)对分割得到的信号进行预处理；
(4)将预处理后的信号输入到卷积神经网络模型中进行分类，确定信号分类结果；所述卷积神经网络模型为参数经过训练后的模型；
(5)根据信号分类结果，确定待测信号中所要取出的单位长度的信号片段的区间，重复步骤(2)～(5)。
2.根据权利要求1所述的一种基于卷积神经网络的泳姿识别方法，其特征在于，所述步骤(2)中，识别并分割出待测信号片段中第一个具有完整运动周期的信号；若不能分割出待测信号片段中一个具有完整运动周期的信号，则分割出一个固定窗长的信号。
3.根据权利要求1所述的一种基于卷积神经网络的泳姿识别方法，其特征在于，所述步骤(3)中，对分割得到的信号进行预处理为：对每一维信号进行双线性插值处理，使所有信号的长度一致。
4.根据权利要求1所述的一种基于卷积神经网络的泳姿识别方法，其特征在于，所述步骤(1)中的卷积神经网络结构设计为：
第一层为卷积层，卷积核大小为13*2，输出的特征图通道数为36，输出经过Leak RELU函数；
第二层为卷积层，卷积核大小为13*2，输出的特征图通道数为36，输出经过Leak RELU函数，并且有Batch Normalization层；
第三层为非卷积层，将第一层卷积层和第二层卷积层的输出的特征图相加；
第四层为卷积层，卷积核大小为13*2，输出的特征图通道数为36，输出经过Leak RELU函数，并且有Batch Normalization层；
第五层为非卷积层，将第三层卷积层和第四层卷积层的输出的特征图相加；
第六层为卷积层，卷积核大小为13*1，输出的特征图通道数为36，输出经过Leak RELU函数，并且有Batch Normalization层；
第七层为非卷积层，将第五层卷积层和第六层卷积层的输出的特征图相加；
第八层为卷积层，卷积核大小为13*1，输出的特征图通道数为36，输出经过Leak RELU函数，并且有Batch Normalization层；
第九层为非卷积层，将第七层卷积层和第八层卷积层的输出的特征图相加；
第十层为卷积层，卷积核大小为13*1，输出的特征图通道数为36，输出经过Leak RELU函数，并且有Batch Normalization层；
第十一层为非卷积层，将第九层卷积层和第十层卷积层的输出的特征图相加；
第十二层为全连接层，输出的通道数为5，输出经过Sigmoid函数，输出分别对应四种泳姿：蛙泳、仰泳、自由泳和蝶泳及非目标泳姿五类的概率。
5.根据权利要求1所述的一种基于卷积神经网络的泳姿识别方法，其特征在于，所述步骤(4)中，卷积神经网络的参数经过训练得到，训练过程包括：
(4-1)搭建基于手腕处九轴传感器的待测信号的泳姿识别样本集；
(4-2)对卷积神经网络模型进行初始化；
(4-3)采用搭建的训练集对初始化后的卷积神经网络模型进行训练，训练采用反向梯度下降算法优化损失函数值的方式进行。
6.根据权利要求5所述的一种基于卷积神经网络的泳姿识别方法，其特征在于，所述步骤(4-1)中样本集的搭建步骤包括：
(4-1-1)测试人员在手腕处佩戴九轴传感器，依次进行蛙泳、仰泳、自由泳和蝶泳，同时录制同步视频；
(4-1-2)根据同步视频对测试人员佩戴的九轴传感器采集的信号进行分割，分割出具有完整运动周期的信号片段，标上对应泳姿标签；
(4-1-3)采用留一法将带有标记标签的信号片段分为训练集和测试集，来自同一测试人员的所用信号片段应归到同一集合中。
7.根据权利要求5所述的一种基于卷积神经网络的泳姿识别方法，其特征在于，所述步骤(4-3)中损失函数值的计算公式为：
其中，yi表示第i类别为真的概率，其赋值根据样本集中样本的标签，如若标签为第k类类别，则yk＝1，其他为0；而y′i为神经网络推测第i类为真的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910187104.0A CN110008847B (zh) | 2019-03-13 | 2019-03-13 | 一种基于卷积神经网络的泳姿识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910187104.0A CN110008847B (zh) | 2019-03-13 | 2019-03-13 | 一种基于卷积神经网络的泳姿识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110008847A true CN110008847A (zh) | 2019-07-12 |
| CN110008847B CN110008847B (zh) | 2021-07-20 |
Family
ID=67166881
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910187104.0A Expired - Fee Related CN110008847B (zh) | 2019-03-13 | 2019-03-13 | 一种基于卷积神经网络的泳姿识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110008847B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110705496A (zh) * | 2019-10-11 | 2020-01-17 | 成都乐动信息技术有限公司 | 一种基于九轴传感器的游泳姿势识别方法 |
| CN114863237A (zh) * | 2022-03-25 | 2022-08-05 | 中国人民解放军国防科技大学 | 一种用于游泳姿态识别的方法和系统 |
| US11948401B2 (en) | 2019-08-17 | 2024-04-02 | Nightingale.ai Corp. | AI-based physical function assessment system |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106237604A (zh) * | 2016-08-31 | 2016-12-21 | 歌尔股份有限公司 | 可穿戴设备及利用其监测运动状态的方法 |
| US20170017835A1 (en) * | 2013-06-09 | 2017-01-19 | Apple Inc. | Multi-script handwriting recognition using a universal recognizer |
| CN107270934A (zh) * | 2017-06-08 | 2017-10-20 | 海能电子(深圳)有限公司 | 一种基于穿戴式智能设备的游泳信息监测识别方法 |
| CN107376247A (zh) * | 2017-08-16 | 2017-11-24 | 广东远峰电子科技股份有限公司 | 一种基于智能手表的游泳运动分析方法和该智能手表 |
| CN108133160A (zh) * | 2017-12-21 | 2018-06-08 | 儒安科技有限公司 | 基于rfid的游泳安全监控系统 |
| US10007863B1 (en) * | 2015-06-05 | 2018-06-26 | Gracenote, Inc. | Logo recognition in images and videos |
| CN108229355A (zh) * | 2017-12-22 | 2018-06-29 | 北京市商汤科技开发有限公司 | 行为识别方法和装置、电子设备、计算机存储介质、程序 |
| CN108345846A (zh) * | 2018-01-29 | 2018-07-31 | 华东师范大学 | 一种基于卷积神经网络的人体行为识别方法及识别系统 |
| CN108460322A (zh) * | 2017-12-28 | 2018-08-28 | 惠州市德赛工业研究院有限公司 | 一种泳姿识别方法及应用 |
| CN108921210A (zh) * | 2018-06-26 | 2018-11-30 | 南京信息工程大学 | 一种基于卷积神经网络的云分类方法 |
-
2019
- 2019-03-13 CN CN201910187104.0A patent/CN110008847B/zh not_active Expired - Fee Related
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170017835A1 (en) * | 2013-06-09 | 2017-01-19 | Apple Inc. | Multi-script handwriting recognition using a universal recognizer |
| US10007863B1 (en) * | 2015-06-05 | 2018-06-26 | Gracenote, Inc. | Logo recognition in images and videos |
| CN106237604A (zh) * | 2016-08-31 | 2016-12-21 | 歌尔股份有限公司 | 可穿戴设备及利用其监测运动状态的方法 |
| CN107270934A (zh) * | 2017-06-08 | 2017-10-20 | 海能电子(深圳)有限公司 | 一种基于穿戴式智能设备的游泳信息监测识别方法 |
| CN107376247A (zh) * | 2017-08-16 | 2017-11-24 | 广东远峰电子科技股份有限公司 | 一种基于智能手表的游泳运动分析方法和该智能手表 |
| CN108133160A (zh) * | 2017-12-21 | 2018-06-08 | 儒安科技有限公司 | 基于rfid的游泳安全监控系统 |
| CN108229355A (zh) * | 2017-12-22 | 2018-06-29 | 北京市商汤科技开发有限公司 | 行为识别方法和装置、电子设备、计算机存储介质、程序 |
| CN108460322A (zh) * | 2017-12-28 | 2018-08-28 | 惠州市德赛工业研究院有限公司 | 一种泳姿识别方法及应用 |
| CN108345846A (zh) * | 2018-01-29 | 2018-07-31 | 华东师范大学 | 一种基于卷积神经网络的人体行为识别方法及识别系统 |
| CN108921210A (zh) * | 2018-06-26 | 2018-11-30 | 南京信息工程大学 | 一种基于卷积神经网络的云分类方法 |
Non-Patent Citations (7)
| Title |
|---|
| KAIMING HE 等: "Deep Residual Learning for Image Recognition", 《HTTPS://ARXIV.ORG/ABS/1512.03385》 * |
| KOHEI HAKOZAKI 等: "Swimmer"s Stroke Estimation Using CNN and MultiLSTM", 《JOURNAL OF SIGNAL PROCESSING》 * |
| YUJI OHGI 等: "Sensor data mining on the kinematical characteristics of the competitive swimming", 《PROCEDIA ENGINEERING》 * |
| ZHENDONG ZHUANG 等: "TS-ICNN: Time Sequence-Based Interval Convolutional Neural Networks for Human Action Detection and Recognition", 《IEICE TRANSACTIONS ON INFORMATION AND SYSTEMS》 * |
| 吴海龙: "基于加速度传感器的游泳监测系统分析与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 薛洋 等: "一种基于加速度传感器的虚拟手写数字特征提取及识别方法", 《模式识别与人工智能》 * |
| 郑增威 等: "基于可穿戴传感器的人体活动识别研究综述", 《计算机应用》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11948401B2 (en) | 2019-08-17 | 2024-04-02 | Nightingale.ai Corp. | AI-based physical function assessment system |
| CN110705496A (zh) * | 2019-10-11 | 2020-01-17 | 成都乐动信息技术有限公司 | 一种基于九轴传感器的游泳姿势识别方法 |
| CN110705496B (zh) * | 2019-10-11 | 2023-04-18 | 成都乐动信息技术有限公司 | 一种基于九轴传感器的游泳姿势识别方法 |
| CN114863237A (zh) * | 2022-03-25 | 2022-08-05 | 中国人民解放军国防科技大学 | 一种用于游泳姿态识别的方法和系统 |
| CN114863237B (zh) * | 2022-03-25 | 2023-07-14 | 中国人民解放军国防科技大学 | 一种用于游泳姿态识别的方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110008847B (zh) | 2021-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103679151B (zh) | 一种融合LBP、Gabor特征的人脸聚类方法 | |
| CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
| CN106127108B (zh) | 一种基于卷积神经网络的人手图像区域检测方法 | |
| CN111832546B (zh) | 一种轻量级自然场景文本识别方法 | |
| CN110008847A (zh) | 一种基于卷积神经网络的泳姿识别方法 | |
| CN110399821A (zh) | 基于人脸表情识别的顾客满意度获取方法 | |
| CN105956570B (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
| CN107590478A (zh) | 一种基于深度学习的年龄估计方法 | |
| CN108171318A (zh) | 一种基于模拟退火—高斯函数的卷积神经网络集成方法 | |
| Bu | Human motion gesture recognition algorithm in video based on convolutional neural features of training images | |
| CN108985223A (zh) | 一种人体动作识别方法 | |
| CN104679967B (zh) | 一种判断心理测试可靠性的方法 | |
| CN109145971A (zh) | 基于改进匹配网络模型的单样本学习方法 | |
| CN109325513A (zh) | 一种基于海量单类单幅图像的图像分类网络训练方法 | |
| Xu et al. | Intelligent emotion detection method based on deep learning in medical and health data | |
| 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 | |
| CN105930793B (zh) | 一种基于sae特征可视化学习的人体检测方法 | |
| CN111723666A (zh) | 一种基于半监督学习的信号识别方法和装置 | |
| CN106529377A (zh) | 一种基于图像的年龄估计方法、装置及系统 | |
| CN116343284A (zh) | 基于注意力机制的多特征户外环境情绪识别方法 | |
| CN107066964A (zh) | 一种快速协同表示人脸分类方法 | |
| CN111053552B (zh) | 一种基于深度学习的qrs波检测方法 | |
| CN109766559A (zh) | 一种手语识别翻译系统及其识别方法 | |
| CN106407975A (zh) | 基于空间‑光谱结构约束的多尺度分层目标检测方法 | |
| CN107292340A (zh) | 基于卷积神经网络的侧线鳞识别方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210720 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |