CN110123280A - 一种基于智能移动终端操作行为识别的手指灵活度检测方法 - Google Patents
一种基于智能移动终端操作行为识别的手指灵活度检测方法 Download PDFInfo
- Publication number
- CN110123280A CN110123280A CN201910435960.3A CN201910435960A CN110123280A CN 110123280 A CN110123280 A CN 110123280A CN 201910435960 A CN201910435960 A CN 201910435960A CN 110123280 A CN110123280 A CN 110123280A
- Authority
- CN
- China
- Prior art keywords
- screen
- finger tip
- finger
- mobile terminal
- pressure
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1101—Detecting tremor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6897—Computer input devices, e.g. mice or keyboards
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Neurology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Neurosurgery (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Developmental Disabilities (AREA)
- User Interface Of Digital Computer (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智能移动终端操作行为识别的手指灵活度检测方法,该方法通过收集用户与智能移动终端之间的交互行为数据,提取手掌几何特征、手指灵巧度特征等,从而检测判定当前智能移动终端用户的手指灵活度。本发明基于智能移动终端平台,能够在不给用户添加任何负担的情况下实现便捷、准确的检测用户的手指灵活度,本发明的方法可以应用于帕金森病的早期症状检测,也可以应用于其他运动障碍疾病的初步检测,具有极高的适用性与推广前景。
Description
技术领域
本发明属于智能医疗健康领域,涉及一种基于智能移动终端操作行为识别的手指灵活度检测方法。
背景技术
在医疗健康领域中,手指灵活度检测被广泛应用于帕金森病检测等领域。但在临床诊断过程中,医疗工作者往往使用肉眼观察患者的手指灵活度。这一过程需要丰富的诊断经验,且不可避免地会出现主观上的误差与误判。利用智能移动终端进行更为精准的检测,有着定量分析的优势与实用价值。
帕金森病(PD)是临床上第二常见的神经退行性疾病,随着全球老龄化的加速,PD的患病率也逐年提高,流行病学研究发现65岁人群中,PD的患病率约为1.7%,全球范围内其影响超过700万人,据统计,到2050年,全球PD病人中,将有50%的在中国,给整个中国社会造成巨大的压力。
帕金森病的主要运动症状是震颤、运动迟缓、肌强直和姿势平衡障碍,主要病理改变是中脑黑质多巴胺神经元的变性、丧失。当PD病人出现临床症状的时候,脑内多巴胺的水平只存10-20%,给后续的治疗带来了很大的困难,也很容易产生运动并发症。因此,研究者们一直在寻找早期诊断帕金森病的生物标记物,但是还没有找到一种可靠、特异的检测手段。当前检测帕金森病的方法主要分为临床诊断与人工神经网络模型预测法。临床诊断存在费时、费力、延迟诊断等问题,不能提供便捷实时的检测,不能作为筛查的手段;人工神经网络模型预测算法虽解决了以上的问题,但其普及难度较大,仍停留在医院计算机辅助检测阶段。
本发明根据PD患者的临床症状,设计了一种通过收集用户与移动终端之间的交互行为数据,提取手掌几何特征、手指灵巧度特征的方式,判定当前移动终端用户的手指灵活度,可以应用与帕金森等疾病的早期检测。基于智能移动终端平台,本方法能够在不给用户添加任何负担的情况下实现便捷、准确的检测用户手指灵活度。
发明内容
本发明提供一种基于智能移动终端操作行为识别的手指灵活度检测方法,通过收集用户与智能移动终端之间的交互行为,提取手掌几何特征及手指灵巧度特征的方式,判断当前智能移动终端用户的手指灵活度进而提醒用户是否有患病风险。
本发明的基于智能移动终端操作行为识别的手指灵活度检测方法,包括以下步骤:
1)交互行为数据的采集与行为特征的提取,用户与智能移动终端的触敏屏进行交互操作,用户交互手势包括滑动动作,与此同时,智能移动终端的压力传感器采集相应的交互数据,获得行为特征;
2)使用机器学习算法(KNN、SVM、CNN等)建立单分类训练器,其中以正常人行为特征数据作为负样本,以帕金森病患者行为特征数据作为正样本;针对滑动手势,采用三种角度的分类算法进行模型融合,具体模型架构如下:
①空间角度:通过提取整个滑动过程的坐标数据,并将每个坐标点处的压力大小与灰度值进行线性映射,形成整个滑动过程的灰度特征轨迹图,将问题转换为图像分类问题,再利用卷积神经网络(CNN)对灰度特征轨迹图进行处理;
②时间角度:将整个滑动过程中传感器信号转换为时间序列格式,并利用长短期记忆网络(LSTM)进行时序分类,获得判断结果。
③综合角度:根据前述的19个特征,采用经典的分类机器学习算法进行分类,所述的经典的分类机器学习算法包括KNN、SVM、Random Forest;
将以上三种方法的分类结果进行加权平均,得到最终判定结果,并采取如下性能指标判定分类结果的可信度:ROC曲线下的面积AUC和等错误率EER。其中:ROC曲线表示接收机的工作特性曲线,当阈值变化时,通过绘制真接受率(TAR)和假接受率(FAR)来创建。TAR是正确识别子节点的概率,而FAR是分类器错误接受子节点的概率。AUC是介于0和1之间的值,较大的值通常更好。EER是接受和拒绝错误相等时的速率,该值越低,分类器越好。
使用本发明构建的分类器对移动终端用户进行识别,若分类器判定当前用户属于正样本,则认为当前移动终端用户为健康状态。反之,则认为当前用户手指灵活度欠佳。
本发明方法可以应用于帕金森病早期症状的检测,当用户手指灵活度欠佳时,可建议其赴医院问诊。
上述技术方案中,进一步的,步骤1)中所述的行为特征采用滑动行为特征,具体为提取如下数据信息:
(1)x轴相对起始位置,
(2)x轴相对终止位置,
(3)y轴相对起始位置,
(4)y轴相对终止位置,
(5)整个滑动轨迹的长度,
(6)在起始时刻指尖与屏幕的接触面积,
(7)在滑动中间时刻指尖与屏幕的接触面积,
(8)整个滑动过程中接触面积的均值,
(9)整个滑动过程中接触面积的方差,
(10)在起始时刻指尖对屏幕的压力,
(11)在滑动中间时刻指尖对屏幕的压力,
(12)整个滑动过程中指尖对屏幕压力的均值,
(13)整个滑动过程中指尖对屏幕压力的方差,
(14)滑动的平均速度,
(15)最大紧邻两点的速度,
(16)最大紧邻两点的速度的相对发生时间,
(17)所有紧邻两点的速度的方差,
(18)滑动或点击的持续时间,
(19)两次滑动或点击的时间间隔;
共计19个特征,其中前13个特征为手掌几何特征,后6个特征为手指灵巧度特征;其中针对滑动手势提取全部19个特征。
19个特征的计算方式依次对应S1-S19,分别如下:
其中xstart,xstop,ystart,ystop分别表示开始和结束接触屏幕时的x轴、y轴位置;Wph和Hph分别代表屏幕的宽度和高度。
其中n代表一次滑动中采集的接触点总个数,xi和yi表示第i个接触点的x轴、y轴位置;
S6=sstart
其中sstart,si分别表示开始与屏幕接触时指尖与屏幕的接触面积,在接触中间时刻指尖与屏幕的接触面积,第i个接触点时指尖与屏幕的接触面积,n代表一次滑动中采集的接触点总个数;
S10=Pstart
其中Pstart,pi分别表示开始与屏幕接触时指尖对屏幕的压力,在接触中间时刻指尖对屏幕的压力,第i个接触点时指尖对屏幕的压力,n代表一次滑动中采集的接触点总个数;
其中tstart,tstop分别表示一次滑动中手指与屏幕开始、结束接触的时间;
其中ti表示第i个接触点的时间,n代表一次滑动中采集的接触点总个数;
S16=ti+1-ti
。
本发明的有益效果
通过提取滑动速度、压力方差等手指灵活度的特征,对其进行分类,获得手指灵活度结果。该方法可以用于帕金森病、手指震颤症等方面,相比于现有方法,该方法准确度高、成本低,有着非常高的普适性与实用价值。尤其是当应用于帕金森等疾病的检测时,可极大的提高用户的便利性、安全性、及时性、并降低成本。此外,本发明方法采用了多种算法融合的模型进行分类,相比单一算法,本方法可以获得更高的准确度(见说明书附图2,图2使用EOC曲线体现模型性能),大幅提升了实际应用价值。
附图说明
图1是本发明方法的一种具体流程示意图;
图2是本发明实施例的ROC指标与传统方法的对比图。
具体实施方式
下面结合实施例和说明书附图对本发明做进一步说明。
本发明实施例的方法流程,如图1所示。
1)用户与智能移动终端上安装的APP进行交互。。同时智能移动终端压力传感器采集交互数据;
需要选择有意义的特征输入机器学习的算法和模型进行训练。通常来说,从两个方面考虑来选择特征:
特征是否发散:如果一个特征不发散,例如方差接近于0,也就是说样本在这个特征上基本上没有差异,这个特征对于样本的区分并没有什么用。
特征与目标的相关性:这点比较显见,与目标相关性高的特征,应当优选选择。除移除低方差法外,本文介绍的其他方法均是从相关性考虑。
根据特征选择的形式又可以将特征选择方法分为3种:
Filter:过滤法,按照发散性或者相关性对各个特征进行评分,设定阈值或者待选择阈值的个数,选择特征。
Wrapper:包装法,根据目标函数(通常是预测效果评分),每次选择若干特征,或者排除若干特征。
Embedded:嵌入法,先使用某些机器学习的算法和模型进行训练,得到各个特征的权值系数,根据系数从大到小选择特征。类似于Filter方法,但是是通过训练来确定特征的优劣。
本实例综合了以上几种方式,选取以下特征:对采集到的压力传感器数据提取:
(1)x轴相对起始位置,
(2)x轴相对终止位置,
(3)y轴相对起始位置,
(4)y轴相对终止位置,
(5)整个滑动轨迹的长度,
(6)在起始时刻指尖与屏幕的接触面积,
(7)在滑动中间时刻指尖与屏幕的接触面积,
(8)整个滑动过程中接触面积的均值,
(9)整个滑动过程中接触面积的方差,
(10)在起始时刻指尖对屏幕的压力,
(11)在滑动中间时刻指尖对屏幕的压力,
(12)整个滑动过程中指尖对屏幕压力的均值,
(13)整个滑动过程中指尖对屏幕压力的方差,
(14)滑动的平均速度,
(15)最大紧邻两点的速度,
(16)最大紧邻两点的速度的相对发生时间,
(17)所有紧邻两点的速度的方差,
(18)滑动或点击的持续时间,
(19)两次滑动或点击的时间间隔。
共计19个特征,其中前13个特征为手掌几何特征,后6个特征为手指灵巧度特征;其中针对滑动手势提取全部19个特征。
3)这些特征值需要基于智能移动终端采集的数据计算获得,本发明实例中,手机端数据采集采用Android中Hook技术的Xposed框架进行采集。
在分类器算法部分,使用机器学习算法(KNN、SVM、CNN等)建立单分类训练器,其中正常人行为特征数据作为负样本,帕金森病患者行为特征数据作为正样本。针对滑动手势,采用三种角度设计不同分类算法,并进行模型融合,具体模型架构如下:
①空间角度:通过提取整个滑动过程的坐标数据,并将每个坐标点处的压力大小与灰度值进行线性映射,形成整个滑动过程的灰度特征轨迹图,将问题转换为图像分类问题,再利用卷积神经网络(CNN)对轨迹图进行处理。
②时间角度:将整个滑动过程中传感器信号转换为时间序列格式,并利用长短期记忆网络(LSTM)进行时序分类,获得判断结果。
③综合角度:根据前述的19个特征,采用KNN、SVM、Random Forest等经典的分类机器学习算法,进行分类。
最后,将以上三种方法的分类结果进行加权平均,得到最终判定结果,并采取常用的性能指标判定分类结果可信度:ROC曲线下的面积(AUC)和等错误率(EER)。ROC曲线表示接收机的工作特性曲线,当阈值变化时,通过绘制真接受率(TAR)和假接受率(FAR)来创建。TAR是正确识别子节点的概率,而FAR是分类器错误接受子节点的概率。AUC是介于0和1之间的值,较大的值通常更好。EER是接受和拒绝错误相等时的速率,该值越低,分类器越好。
关于分类算法对应的样本集,使用上述分类器对移动终端用户样本集进行识别,若分类器判定当前用户属于正样本,则认为当前移动终端用户为健康状态。反之,则认为当前用户具有手指灵活度不足的问题,,建议其赴医院问诊。
采用本发明实施例方法的ROC指标与传统方法的对比如图2所示,可以看出本发明方法(即图中merged mode)明显优于其他方法。
Claims (2)
1.一种基于智能移动终端操作行为识别的手指灵活度检测方法,其特征在于,该方法包括以下步骤:
1)交互行为数据的采集与行为特征的提取,用户与智能移动终端的触敏屏进行交互操作,用户交互手势包括滑动动作,与此同时,智能移动终端的压力传感器采集相应的交互数据,获得行为特征;
2)使用机器学习算法建立单分类训练器,其中以正常人行为特征数据作为负样本,以帕金森病患者行为特征数据作为正样本;针对滑动手势,采用三种角度的分类算法进行模型融合,具体模型架构如下:
①空间角度:通过提取整个滑动过程的坐标数据,并将每个坐标点处的压力大小与灰度值进行线性映射,形成整个滑动过程的灰度特征轨迹图,将问题转换为图像分类问题,再利用卷积神经网络(CNN)对灰度特征轨迹图进行处理;
②时间角度:将整个滑动过程中传感器信号转换为时间序列格式,并利用长短期记忆网络(LSTM)进行时序分类,获得判断结果;
③综合角度:根据前述的19个特征,采用经典的分类机器学习算法进行分类,所述的经典的分类机器学习算法包括KNN、SVM、Random Forest;
将以上三种方法的分类结果进行加权平均,得到最终判定结果,并采取如下性能指标判定分类结果的可信度:ROC曲线下的面积AUC和等错误率EER。
2.根据权利要求1所述的基于智能移动终端操作行为识别的手指灵活度检测方法,其特征在于,步骤1)中所述的行为特征采用滑动行为特征,具体为提取如下数据信息:
(1)x轴相对起始位置,
(2)x轴相对终止位置,
(3)y轴相对起始位置,
(4)y轴相对终止位置,
(5)整个滑动轨迹的长度,
(6)在起始时刻指尖与屏幕的接触面积,
(7)在滑动中间时刻指尖与屏幕的接触面积,
(8)整个滑动过程中接触面积的均值,
(9)整个滑动过程中接触面积的方差,
(10)在起始时刻指尖对屏幕的压力,
(11)在滑动中间时刻指尖对屏幕的压力,
(12)整个滑动过程中指尖对屏幕压力的均值,
(13)整个滑动过程中指尖对屏幕压力的方差,
(14)滑动的平均速度,
(15)最大紧邻两点的速度,
(16)最大紧邻两点的速度的相对发生时间,
(17)所有紧邻两点的速度的方差,
(18)滑动或点击的持续时间,
(19)两次滑动或点击的时间间隔;
共计19个特征,其中前13个特征为手掌几何特征,后6个特征为手指灵巧度特征;其中针对滑动手势提取全部19个特征;
所述的19个特征的计算方式依次对应S1-S19,分别如下:
其中xstart,xstop,ystart,ystop分别表示手指接触屏幕开始和结束时的x轴、y轴位置;Wph和Hph分别代表屏幕的宽度和高度;
其中n代表一次滑动中采集的接触点总个数,xi和yi表示第i个接触点的x轴、y轴位置;
S6=sstart
其中sstart,si分别表示开始与屏幕接触时指尖与屏幕的接触面积,在接触中间时刻指尖与屏幕的接触面积,第i个接触点时指尖与屏幕的接触面积;
S10=Pstart
其中Pstart,pi分别表示开始与屏幕接触时指尖对屏幕的压力,在接触中间时刻指尖对屏幕的压力,第i个接触点时指尖对屏幕的压力;
其中tstart,tstop分别表示一次滑动中手指与屏幕开始、结束接触的时间;
其中ti表示第i个接触点的时间;
S16=ti+1-ti
S18=tstop-tstart
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910435960.3A CN110123280B (zh) | 2019-05-23 | 2019-05-23 | 一种基于智能移动终端操作行为识别的手指灵活度检测模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910435960.3A CN110123280B (zh) | 2019-05-23 | 2019-05-23 | 一种基于智能移动终端操作行为识别的手指灵活度检测模型的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110123280A true CN110123280A (zh) | 2019-08-16 |
CN110123280B CN110123280B (zh) | 2021-04-30 |
Family
ID=67572893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910435960.3A Active CN110123280B (zh) | 2019-05-23 | 2019-05-23 | 一种基于智能移动终端操作行为识别的手指灵活度检测模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110123280B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210912A (zh) * | 2020-01-14 | 2020-05-29 | 上海恩睦信息科技有限公司 | 一种帕金森预测方法及装置 |
CN113693561A (zh) * | 2021-08-26 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 基于神经网络的帕金森病预测设备、装置和存储介质 |
CN113729715A (zh) * | 2021-10-11 | 2021-12-03 | 山东大学 | 一种基于手指压力的帕金森病症智能诊断系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007282823A (ja) * | 2006-04-17 | 2007-11-01 | Ne:Kk | 適性検査キット |
CN103083026A (zh) * | 2012-12-25 | 2013-05-08 | 北京航空航天大学 | 低压防护手套的手指灵活性测量装置 |
CN106909216A (zh) * | 2017-01-05 | 2017-06-30 | 华南理工大学 | 一种基于Kinect传感器的仿人机械手控制方法 |
CN107224289A (zh) * | 2016-03-23 | 2017-10-03 | 富泰华工业(深圳)有限公司 | 一种手指灵活度测试设备及方法 |
CN108430329A (zh) * | 2015-05-19 | 2018-08-21 | 巴黎笛卡尔大学 | 用于评估手灵活性的方法 |
CN108700991A (zh) * | 2015-12-01 | 2018-10-23 | 量子界面有限责任公司 | 用于为移动设备建立3轴坐标系并且利用虚拟键盘进行写入的基于运动的系统、装置和方法 |
CN208709896U (zh) * | 2017-12-20 | 2019-04-09 | 湖南工学院 | 一种测定手指灵活度的装置 |
-
2019
- 2019-05-23 CN CN201910435960.3A patent/CN110123280B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007282823A (ja) * | 2006-04-17 | 2007-11-01 | Ne:Kk | 適性検査キット |
CN103083026A (zh) * | 2012-12-25 | 2013-05-08 | 北京航空航天大学 | 低压防护手套的手指灵活性测量装置 |
CN108430329A (zh) * | 2015-05-19 | 2018-08-21 | 巴黎笛卡尔大学 | 用于评估手灵活性的方法 |
CN108700991A (zh) * | 2015-12-01 | 2018-10-23 | 量子界面有限责任公司 | 用于为移动设备建立3轴坐标系并且利用虚拟键盘进行写入的基于运动的系统、装置和方法 |
CN107224289A (zh) * | 2016-03-23 | 2017-10-03 | 富泰华工业(深圳)有限公司 | 一种手指灵活度测试设备及方法 |
CN106909216A (zh) * | 2017-01-05 | 2017-06-30 | 华南理工大学 | 一种基于Kinect传感器的仿人机械手控制方法 |
CN208709896U (zh) * | 2017-12-20 | 2019-04-09 | 湖南工学院 | 一种测定手指灵活度的装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111210912A (zh) * | 2020-01-14 | 2020-05-29 | 上海恩睦信息科技有限公司 | 一种帕金森预测方法及装置 |
CN113693561A (zh) * | 2021-08-26 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 基于神经网络的帕金森病预测设备、装置和存储介质 |
CN113693561B (zh) * | 2021-08-26 | 2023-08-25 | 深圳平安智慧医健科技有限公司 | 基于神经网络的帕金森病预测设备、装置和存储介质 |
CN113729715A (zh) * | 2021-10-11 | 2021-12-03 | 山东大学 | 一种基于手指压力的帕金森病症智能诊断系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110123280B (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109543526B (zh) | 基于深度差异性特征的真假面瘫识别系统 | |
CN110443798B (zh) | 一种基于磁共振图像的自闭症检测方法、装置及系统 | |
CN110458061B (zh) | 一种识别老年人跌倒的方法及陪伴机器人 | |
Xu et al. | A novel ensemble of random forest for assisting diagnosis of Parkinson's disease on small handwritten dynamics dataset | |
CN110123280A (zh) | 一种基于智能移动终端操作行为识别的手指灵活度检测方法 | |
CN106022378B (zh) | 坐姿判断方法及基于摄像头与压力传感器颈椎病识别系统 | |
WO2016115895A1 (zh) | 一种基于视觉行为的网上用户类型识别方法及系统 | |
CN103886341A (zh) | 基于特征组合的步态行为识别方法 | |
CN112560723B (zh) | 一种基于形态识别与速度估计的跌倒检测方法及系统 | |
CN112617835B (zh) | 一种基于迁移学习的多特征融合疲劳检测方法 | |
CN114358194A (zh) | 基于姿态跟踪的孤独症谱系障碍异常肢体行为检测方法 | |
CN108196668B (zh) | 一种便携式手势识别系统及方法 | |
CN112801000B (zh) | 一种基于多特征融合的居家老人摔倒检测方法及系统 | |
CN109817339A (zh) | 基于大数据的患者分组方法和装置 | |
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 | |
CN116602663B (zh) | 一种基于毫米波雷达的智能监测方法及系统 | |
Li et al. | Early diagnosis of Parkinson's disease using Continuous Convolution Network: Handwriting recognition based on off-line hand drawing without template | |
CN116959725A (zh) | 一种多模态数据融合的疾病风险预测方法 | |
CN107970027A (zh) | 一种桡动脉检测与人体体质识别系统和方法 | |
CN116269355A (zh) | 一种基于人物姿态识别的安全监测系统 | |
CN114881079A (zh) | 面向穿戴式传感器的人体运动意图异常检测方法及系统 | |
WO2023097780A1 (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
CN114550299A (zh) | 基于视频的老年人日常生活活动能力评估系统和方法 | |
Luqian et al. | Human activity recognition using time series pattern recognition model-based on tsfresh features | |
CN110163130A (zh) | 一种用于手势识别的特征预对齐的随机森林分类器及分类方法 |
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 |