CN110349646B - 基于先验知识聚类的运动模式识别方法及系统 - Google Patents

基于先验知识聚类的运动模式识别方法及系统 Download PDF

Info

Publication number
CN110349646B
CN110349646B CN201910635751.3A CN201910635751A CN110349646B CN 110349646 B CN110349646 B CN 110349646B CN 201910635751 A CN201910635751 A CN 201910635751A CN 110349646 B CN110349646 B CN 110349646B
Authority
CN
China
Prior art keywords
motion
time
classifier
motion pattern
pattern classifier
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
CN201910635751.3A
Other languages
English (en)
Other versions
CN110349646A (zh
Inventor
傅皓琪
石可钦
孙卫强
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201910635751.3A priority Critical patent/CN110349646B/zh
Publication of CN110349646A publication Critical patent/CN110349646A/zh
Application granted granted Critical
Publication of CN110349646B publication Critical patent/CN110349646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供了一种基于先验知识聚类的运动模式识别方法及系统，包括：初始个体运动模式分类器生成流程以及最终个体运动模式分类器生成流程；所述初始个体运动模式分类器生成流程：对运动数据进行处理，生成初始个体运动模式分类器；所述最终个体运动模式分类器生成流程：根据初始个体运动模式分类器的运行结果设定异常的阈值，得到最终个体运动模式分类器。本发提供了一种简单高效、识别准确率高、可解释性强、工作性能稳定可靠的方法。该方法将先验知识对个体运动模式识别结果的重要影响纳入考虑，实现了针对个体运动模式的识别处理。

Description

基于先验知识聚类的运动模式识别方法及系统
技术领域
本发明涉及计算机领域，具体地，涉及基于先验知识聚类的运动模式识别方法及系统。
背景技术
近年来，公众对于自身的身体健康情况越来越关注，推动了智能可穿戴式运动记录技术和设备的发展，大量可以记录人体运动情况的软硬件诞生，记录下多样的运动信息。其中典型的运动数据类型是由大量智能移动设备获取的人体运动步数数据。这些数据信息的分析和理解，对作为健康领域极重要的运动模式的研究有着非常重要的现实意义和应用价值。
人类的运动计步数据是取离散整数值的时间序列。因此，对个体运动模式的识别可以转换为对离散时间序列的分析问题。
公开号CN108709565A的专利公开了一种计步方法和计步装置，所述方法包括以下步骤：每隔预设时间读取一次运动步数；根据读取的运动步数计算出预设时间内产生的运动步数；向数据库中存储运动步数；判断数据库中存储的总的运动步数是否大于或等于第一阈值；若是，则向外发送数据库中存储的总的运动步数，并清空存储的运动步数。目前对于运动模式的识别方法大多直接使用运动步数信息计算，相较于运动时间长度来说，同种运动在不同情况下产生的运动步数差异更大，例如，“饭后散步”这一运动，在不同日期产生的步数差异可能为几百步，但在时间长度上可能只是几分钟。因此，直接用运动步数进行分类会产生较大误差，并且不利于对分类结果的语义理解。
同时，目前的研究倾向于把整个步数时间序列直接输入聚类算法，采用欧式距离或动态时间规整距离进行计算。但采用欧式距离或者动态时间规整距离直接计算都会不可避免地忽略一部分运动特征信息。例如，采用欧式距离时，两段极为相似但在时间轴上稍有偏移的运动序列之间的距离会较大；采用动态时间规整距离时，则会造成运动时间长度、运动与运动之间的相隔的时间长度完全被忽略。无监督聚类算法得出的分类结果往往可解释性较差，无法很好地解释用户的运动模式。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于先验知识聚类的运动模式识别方法及系统。
根据本发明提供的一种基于先验知识聚类的运动模式识别方法，包括：初始个体运动模式分类器生成流程以及最终个体运动模式分类器生成流程；
所述初始个体运动模式分类器生成流程：对运动数据进行处理，生成初始个体运动模式分类器；
所述最终个体运动模式分类器生成流程：根据初始个体运动模式分类器的运行结果设定异常的阈值，得到最终个体运动模式分类器。
优选地，所述初始个体运动模式分类器生成流程包括：
数据获取步骤：获取运动数据；
预处理步骤：通过具有预设时间长度的滑动滤波器对运动数据中的运动步数时间序列做二值化处理，保留持续预设时间长度以上的运动；
统计平均步骤：对不同日期的运动步数时间序列进行统计平均，形成在时间轴上的运动可能性的概率分布；
平滑滤波步骤：对概率分布进行平滑滤波，作为先验知识；
时间段划分步骤：基于先验知识，对用户的运动步数时间序列进行时间段划分，生成时间段划分矩阵P，时间段划分矩阵P中的元素为划分时间段的时刻信息；
运动时间长度矩阵生成步骤：提取各时间段内的运动总时长，形成运动特征短序列，并对各时间段内的运动总时长做量化处理，生成运动时间长度矩阵L；
融合步骤：将时间段划分矩阵P和运动时间长度矩阵L进行融合处理，形成质心矩阵，并生成初始个体运动模式分类器。
优选地，所述所述最终个体运动模式分类器生成流程包括：
距离计算步骤：计算待识别的运动特征短序列与各个初始个体运动模式分类器类心之间的距离；
特征序列归入步骤：将待识别的特征短序列归入所得距离中最小距离对应的个初始个体运动模式分类器；
距离重算步骤：在每个初始个体运动模式分类器内部重新计算每个运动步数时间序列到类心的距离，并按距离从小到大的顺序依次叠加；
异常移出步骤：将距离超过预设阈值的运动步数时间序列移至异常数据分类器；
运动模式识别步骤：得到最终个体运动模式分类器，用于识别运动步数时间序列对应的运动模式。
优选地，所述距离包括欧氏距离。
优选地，所述量化处理的量化等级由每个时间段上运动总时间长度分布情况决定，获得最佳量化等级所使用的方法包括轮廓系数、肘部法则。
根据本发明提供的一种基于先验知识聚类的运动模式识别系统，包括：初始个体运动模式分类器生成子系统以及最终个体运动模式分类器生成子系统；
所述初始个体运动模式分类器生成子系统：对运动数据进行处理，生成初始个体运动模式分类器；
所述最终个体运动模式分类器生成子系统：根据初始个体运动模式分类器的运行结果设定异常的阈值，得到最终个体运动模式分类器。
优选地，所述初始个体运动模式分类器生成流程包括：
数据获取模块：获取运动数据；
预处理模块：通过具有预设时间长度的滑动滤波器对运动数据中的运动步数时间序列做二值化处理，保留持续预设时间长度以上的运动；
统计平均模块：对不同日期的运动步数时间序列进行统计平均，形成在时间轴上的运动可能性的概率分布；
平滑滤波模块：对概率分布进行平滑滤波，作为先验知识；
时间段划分模块：基于先验知识，对用户的运动步数时间序列进行时间段划分，生成时间段划分矩阵P，时间段划分矩阵P中的元素为划分时间段的时刻信息；
运动时间长度矩阵生成模块：提取各时间段内的运动总时长，形成运动特征短序列，并对各时间段内的运动总时长做量化处理，生成运动时间长度矩阵L；
融合模块：将时间段划分矩阵P和运动时间长度矩阵L进行融合处理，形成质心矩阵，并生成初始个体运动模式分类器。
优选地，所述所述最终个体运动模式分类器生成流程包括：
距离计算模块：计算待识别的运动特征短序列与各个初始个体运动模式分类器类心之间的距离；
特征序列归入模块：将待识别的特征短序列归入所得距离中最小距离对应的个初始个体运动模式分类器；
距离重算模块：在每个初始个体运动模式分类器内部重新计算每个运动步数时间序列到类心的距离，并按距离从小到大的顺序依次叠加；
异常移出模块：将距离超过预设阈值的运动步数时间序列移至异常数据分类器；
运动模式识别模块：得到最终个体运动模式分类器，用于识别运动步数时间序列对应的运动模式。
优选地，所述距离包括欧氏距离。
优选地，所述量化处理的量化等级由每个时间段上运动总时间长度分布情况决定，获得最佳量化等级所使用的方法包括轮廓系数、肘部法则。
与现有技术相比，本发明具有如下的有益效果：
(1)利用一定长度的滑动窗口对运动步数时间序列进行处理，可滤除序列中的低时长突发运动，显著降低小步数噪声对刻画运动模式的干扰；
(2)同一种运动在不同时刻发生，产生的步数差异远高于时间差异，例如，“饭后散步”这个习惯运动，表达为步数时，不同日期下差异可能为几百步，表达为时间长度时，可能为几分钟。本方法提出将“运动步数”时间序列转换成“运动时长”时间序列，降低步数差异造成的较大距离计算误差；
(3)创造性提出基于先验知识，个性化划分步数时间序列的时间片段的方法，能较好保持时间段内用户运动的完整性和连续性；
(4)基于先验知识及运动特征设定运动模式初始分类器，有利于对分类结果的语意理解；
(5)从原始时间序列中分段提取运动特征，将长步数序列转换成具有明显运动特征的短序列进行计算，大大降低计算复杂度；
(6)采用先进行初始分类，后设定异常序列距离的阈值的方式，取代传统的直接设定判断异常距离阈值的方式，个性化考虑到每一个初始分类器中的异常情况，结果更为准确；
(7)整个方法流程计算复杂度低，准确度高，可解释性强。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例的工作流程图；
图2为本发明实施例的用户运动偏好概率分布图；
图3为本发明实施例的时间段划分矩阵P示意图；
图4为本发明实施例的运动时间长度矩阵L示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提供的一种基于先验知识聚类的运动模式识别方法，包括：初始个体运动模式分类器生成流程以及最终个体运动模式分类器生成流程；
所述初始个体运动模式分类器生成流程：对运动数据进行处理，生成初始个体运动模式分类器；所述最终个体运动模式分类器生成流程：根据初始个体运动模式分类器的运行结果设定异常的阈值，得到最终个体运动模式分类器。
所述初始个体运动模式分类器生成流程具体包括：
(1)系统通过移动智能设备获得用户的计步数据集；
(2)系统通过具有一定时间长度的滑动滤波器对运动步数时间序列做(0、1)二值化处理，去除低步数的、突发性的运动噪声，保留持续一定时间长度以上的运动，同时将运动步数-时间序列转换为运动时间长度-时间序列；
(3)系统对个体用户在不同日期的运动步数时间序列进行统计平均，形成个体用户在时间轴上的运动可能性的概率分布；
(4)系统采用平滑滤波器对用户运动概率分布进行平滑滤波，获得稳定的、长期的概率分布，作为所需要的先验知识；
(5)系统基于先验知识，对用户的运动步数时间序列进行个性化的时间段划分，生成时间段划分矩阵P，P中元素为划分时间段的时刻信息；
(6)系统提取时间序列中各时间段内的运动总时长，形成运动特征短序列，并对分段总时长做量化处理，生成运动时间长度矩阵L。其中，量化等级由每个时间段上运动总时间长度分布情况决定，获得最佳量化等级所使用的方法包括但不限于轮廓系数、肘部法则等。
(7)系统对L矩阵与P矩阵融合处理，形成质心矩阵，并生成初始个体运动模式分类器。
所述最终个体运动模式分类器生成流程具体包括：
(1)系统计算待识别的特征序列与各个运动模式分类器类心之间的距离，所述距离包括但不仅限于欧式距离；
(2)将特征序列归入计算所得距离中的最小距离所对应的个体运动模式分类器；
(3)系统在每个分类器内部重新计算每个运动步数时间序列到分类器类心的距离，并按距离从小到大的顺序依次叠加，获得分类器内部距离和变化趋势。此处所属距离包括但不限于欧式距离；
(4)系统找出分类器内部距离和变化较大处，将此处距离值作为阈值，将阈值以上距离对应的时间序列移至至异常数据分类器。
(5)系统获得最终个体运动模式分类器，以及可识别每条运动步数时间序列对应运动模式。
在上述一种基于先验知识聚类的运动模式识别方法的基础上，本发明还提供一种基于先验知识聚类的运动模式识别系统，包括：初始个体运动模式分类器生成子系统以及最终个体运动模式分类器生成子系统；
所述初始个体运动模式分类器生成子系统：对运动数据进行处理，生成初始个体运动模式分类器；所述最终个体运动模式分类器生成子系统：根据初始个体运动模式分类器的运行结果设定异常的阈值，得到最终个体运动模式分类器。
实施举例1:
在本实施例中，具体说明如何使用所提出的运动模式识别方法对个体的运动步数时间序列进行分类。如图1所示为所述的基于先验知识的个体运动模式识别的流程图。
包括以下步骤：
系统通过移动智能设备获得用户的运动步数数据集。本例中数据集为每5分钟自动采集一次、每日采集288次的计步数据；
步骤S101，系统使用15分钟长度的滑动滤波器，设定滤波的步数阈值，对步数时间序列做(0、1)二值化处理，保留持续15分钟以上的运动；系统将个体用户滤波后的时间序列叠加，得到用户在时间轴上的运动可能性概率分布图，如图2；
步骤S102，系统采用平滑滤波器对用户运动概率分布进行平滑滤波，获得稳定的、长期的概率分布，作为所需要的先验知识；
步骤S104，对用户的运动步数时间序列进行个性化的时间段划分，经过计算，将该用户的每条时间序列划分为三段，生成时间段划分矩阵P，P中元素即为时间段划分的时刻信息，如图3；
步骤S105，系统提取时间序列中各时间段内的运动总时长；
步骤S106，系统对三个时间段中运动总时长做量化处理，将该用户每个时间段中的运动总时长量化为三个等级，生成运动总时间长度划分矩阵L，如图4，矩阵L的一行为一个时间段内的三个量化值，一列则为不同时间段的同等级量化值；
步骤S107，系统依据L矩阵与P矩阵，对用户的各种运动模式进行穷举，生成个体运动模式分类器共29个，其中包含全零分类器与异常模式分类器；
所述的个体运动模式识别处理，包括以下步骤：
步骤S109，将每个时间序列按照P矩阵进行时刻划分，提取出三段时间中的运动时长，作为运动特征短序列，计算短序列与每个分类器中类心的欧式距离；
步骤S110，将运动步数时间序列归入最小距离所对应的人体运动模式分类器中；
步骤S111，初始分类完毕后，将序列还原为S101步骤后的时间序列，重新计算每条序列中运动发生的时刻到类心序列运动发生时刻的距离，此步骤能对运动发生的位置信息进一步刻画，并对此距离进行排序，并从距离最小的点开始依次相加，找到距离和变化较大的“拐点”位置；
步骤S112，将拐点作为该分类器内移除异常数据的阈值，移除阈值以上距离对应的运动步数时间序列至异常数据分类器。
系统获得最终运动模式分类，并能识别每条运动步数时间序列对应的运动模式。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (4)

1.一种基于先验知识聚类的运动模式识别方法，其特征在于，包括：初始个体运动模式分类器生成流程以及最终个体运动模式分类器生成流程；
所述初始个体运动模式分类器生成流程：对运动数据进行处理，生成初始个体运动模式分类器；
所述最终个体运动模式分类器生成流程：根据初始个体运动模式分类器的运行结果设定异常的阈值，得到最终个体运动模式分类器；
所述初始个体运动模式分类器生成流程包括：
数据获取步骤：获取运动数据；
预处理步骤：通过具有预设时间长度的滑动滤波器对运动数据中的运动步数时间序列做二值化处理，保留持续预设时间长度以上的运动；
统计步骤：对不同时间的运动步数时间序列进行统计，形成在时间轴上的运动可能性的概率分布；
平滑滤波步骤：对概率分布进行平滑滤波，作为先验知识；
时间段划分步骤：基于先验知识，对用户的运动步数时间序列进行时间段划分，生成时间段划分矩阵P，时间段划分矩阵P中的元素为划分时间段的时刻信息；
运动时间长度矩阵生成步骤：提取各时间段内的运动总时长，形成运动特征短序列，并对各时间段内的运动总时长做量化处理，生成运动时间长度矩阵L；
融合步骤：将时间段划分矩阵P和运动时间长度矩阵L进行融合处理，形成质心矩阵，并生成初始个体运动模式分类器；
所述量化处理的量化等级由每个时间段上运动总时间长度分布情况决定，获得最佳量化等级所使用的方法包括轮廓系数或肘部法则；
所述最终个体运动模式分类器生成流程包括：
距离计算步骤：计算待识别的运动特征短序列与各个初始个体运动模式分类器类心之间的距离；
特征序列归入步骤：将待识别的特征短序列归入所得距离中最小距离对应的各个初始个体运动模式分类器；
距离重算步骤：在每个初始个体运动模式分类器内部重新计算每个运动步数时间序列到类心的距离，并按距离从小到大的顺序依次叠加，找到距离变化的拐点位置；
异常移出步骤：将拐点作为分类器内移除异常数据的阈值，移除阈值以上距离对应的运动步数时间序列至异常数据分类器；
运动模式识别步骤：得到最终个体运动模式分类器，用于识别运动步数时间序列对应的运动模式。
2.根据权利要求1所述的基于先验知识聚类的运动模式识别方法，其特征在于，所述距离包括欧氏距离。
3.一种基于先验知识聚类的运动模式识别系统，其特征在于，包括：初始个体运动模式分类器生成子系统以及最终个体运动模式分类器生成子系统；
所述初始个体运动模式分类器生成子系统：对运动数据进行处理，生成初始个体运动模式分类器；
所述最终个体运动模式分类器生成子系统：根据初始个体运动模式分类器的运行结果设定异常的阈值，得到最终个体运动模式分类器；
所述初始个体运动模式分类器生成流程包括：
数据获取模块：获取运动数据；
预处理模块：通过具有预设时间长度的滑动滤波器对运动数据中的运动步数时间序列做二值化处理，保留持续预设时间长度以上的运动；
统计模块：对不同时间的运动步数时间序列进行统计，形成在时间轴上的运动可能性的概率分布；
平滑滤波模块：对概率分布进行平滑滤波，作为先验知识；
时间段划分模块：基于先验知识，对用户的运动步数时间序列进行时间段划分，生成时间段划分矩阵P，时间段划分矩阵P中的元素为划分时间段的时刻信息；
运动时间长度矩阵生成模块：提取各时间段内的运动总时长，形成运动特征短序列，并对各时间段内的运动总时长做量化处理，生成运动时间长度矩阵L；
融合模块：将时间段划分矩阵P和运动时间长度矩阵L进行融合处理，形成质心矩阵，并生成初始个体运动模式分类器；
所述量化处理的量化等级由每个时间段上运动总时间长度分布情况决定，获得最佳量化等级所使用的方法包括轮廓系数或肘部法则；
所述最终个体运动模式分类器生成流程包括：
距离计算模块：计算待识别的运动特征短序列与各个初始个体运动模式分类器类心之间的距离；
特征序列归入模块：将待识别的特征短序列归入所得距离中最小距离对应的各个初始个体运动模式分类器；
距离重算模块：在每个初始个体运动模式分类器内部重新计算每个运动步数时间序列到类心的距离，并按距离从小到大的顺序依次叠加，找到距离变化的拐点位置；
异常移出步骤：将拐点作为分类器内移除异常数据的阈值，移除阈值以上距离对应的运动步数时间序列至异常数据分类器；
运动模式识别模块：得到最终个体运动模式分类器，用于识别运动步数时间序列对应的运动模式。
4.根据权利要求3所述的基于先验知识聚类的运动模式识别系统，其特征在于，所述距离包括欧氏距离。
CN201910635751.3A 2019-07-15 2019-07-15 基于先验知识聚类的运动模式识别方法及系统 Active CN110349646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910635751.3A CN110349646B (zh) 2019-07-15 2019-07-15 基于先验知识聚类的运动模式识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910635751.3A CN110349646B (zh) 2019-07-15 2019-07-15 基于先验知识聚类的运动模式识别方法及系统

Publications (2)

Publication Number Publication Date
CN110349646A CN110349646A (zh) 2019-10-18
CN110349646B true CN110349646B (zh) 2022-06-10

Family

ID=68176288

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910635751.3A Active CN110349646B (zh) 2019-07-15 2019-07-15 基于先验知识聚类的运动模式识别方法及系统

Country Status (1)

Country Link
CN (1) CN110349646B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004003848A2 (en) * 2002-06-28 2004-01-08 Koninklijke Philips Electronics N.V. Video surveillance with probabilistic modelling of human behaviour
CN103793537A (zh) * 2014-03-04 2014-05-14 南京大学 一种基于多维时间序列分析的个性化音乐推荐系统及其实现方法
CN104406604A (zh) * 2014-11-21 2015-03-11 中国科学院计算技术研究所 一种计步方法
CN104461000A (zh) * 2014-12-03 2015-03-25 北京航空航天大学 一种基于少量缺失信号的在线连续人体运动识别方法
CN105787434A (zh) * 2016-02-01 2016-07-20 上海交通大学 基于惯性传感器的人体运动模式识别方法
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
CN106295675A (zh) * 2016-07-25 2017-01-04 南京邮电大学 一种高准确性的基于智能手机的行为识别方法
CN107679516A (zh) * 2017-10-25 2018-02-09 中国科学院合肥物质科学研究院 基于多尺度高斯‑马尔科夫随机场模型的下肢运动识别方法
CN108520248A (zh) * 2018-04-17 2018-09-11 成都乐动信息技术有限公司 运动模式识别方法及装置
CN108709565A (zh) * 2018-04-04 2018-10-26 深圳市沃特沃德股份有限公司 计步方法和计步装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004003848A2 (en) * 2002-06-28 2004-01-08 Koninklijke Philips Electronics N.V. Video surveillance with probabilistic modelling of human behaviour
CN103793537A (zh) * 2014-03-04 2014-05-14 南京大学 一种基于多维时间序列分析的个性化音乐推荐系统及其实现方法
CN104406604A (zh) * 2014-11-21 2015-03-11 中国科学院计算技术研究所 一种计步方法
CN104461000A (zh) * 2014-12-03 2015-03-25 北京航空航天大学 一种基于少量缺失信号的在线连续人体运动识别方法
CN105787434A (zh) * 2016-02-01 2016-07-20 上海交通大学 基于惯性传感器的人体运动模式识别方法
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
CN106295675A (zh) * 2016-07-25 2017-01-04 南京邮电大学 一种高准确性的基于智能手机的行为识别方法
CN107679516A (zh) * 2017-10-25 2018-02-09 中国科学院合肥物质科学研究院 基于多尺度高斯‑马尔科夫随机场模型的下肢运动识别方法
CN108709565A (zh) * 2018-04-04 2018-10-26 深圳市沃特沃德股份有限公司 计步方法和计步装置
CN108520248A (zh) * 2018-04-17 2018-09-11 成都乐动信息技术有限公司 运动模式识别方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种基于移动终端的新型计步方法;黄政等;《计算机学报》;20170815(第08期);第1856-1871页 *
基于3D运动轨迹解析与隐马尔可夫模型的动作识别算法;曾珍珍等;《光学技术》;20181115(第06期);第747-756页 *
基于时序分析的人体运动模式的识别及应用;林海波等;《计算机应用与软件》;20141215(第12期);第225-228页 *

Also Published As

Publication number Publication date
CN110349646A (zh) 2019-10-18

Similar Documents

Publication Publication Date Title
Richard et al. Temporal action detection using a statistical language model
Qu et al. PPCA-based missing data imputation for traffic flow volume: A systematical approach
WO2021238455A1 (zh) 数据处理方法、设备及计算机可读存储介质
CN111291865B (zh) 一种基于卷积神经网络和孤立森林的步态识别方法
CN110444011B (zh) 交通流高峰识别方法、装置、电子设备及存储介质
CN116821809B (zh) 基于人工智能的生命体征数据采集系统
CN109815987B (zh) 一种人群分类方法和分类系统
CN108734216A (zh) 基于负荷曲线形态的电力用户分类方法、装置及存储介质
CN117498735B (zh) 一种步进电机动态平稳驱动方法及系统
CN115497124A (zh) 身份识别方法和装置及存储介质
CN114912720A (zh) 基于记忆网络电力负荷预测方法、装置、终端及存储介质
CN110852076B (zh) 一种自动化疾病编码转换的方法及装置
CN110349646B (zh) 基于先验知识聚类的运动模式识别方法及系统
CN113160987B (zh) 健康状态预测方法、装置、计算机设备及存储介质
CN117115197B (zh) 一种led灯珠电路板设计数据智能处理方法及系统
CN111291645A (zh) 身份识别方法及装置
CN109284286B (zh) 一种从原始数据集中提取有效特征的方法
CN111144424A (zh) 一种基于聚类算法的人员特征检分析方法
CN112308703B (zh) 用户分群方法、装置、设备及存储介质
KR101829099B1 (ko) 유전 알고리즘 기반의 특징 선택을 이용한 사용자 독립적 행동 인식 방법
CN111428576B (zh) 特征信息学习方法、电子设备及存储介质
CN1332347C (zh) 基于迭代特征选择的快速人脸识别方法
CN109614854B (zh) 视频数据处理方法及装置、计算机装置及可读存储介质
CN107862276B (zh) 一种行为识别方法和终端
CN113536859A (zh) 行为识别模型训练方法、识别方法、装置及存储介质

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