CN110916672A - 一种基于一维卷积神经网络的老年人日常活动监测方法 - Google Patents
一种基于一维卷积神经网络的老年人日常活动监测方法 Download PDFInfo
- Publication number
- CN110916672A CN110916672A CN201911119715.8A CN201911119715A CN110916672A CN 110916672 A CN110916672 A CN 110916672A CN 201911119715 A CN201911119715 A CN 201911119715A CN 110916672 A CN110916672 A CN 110916672A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- dimensional convolutional
- neural network
- old
- posture
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 37
- 230000000694 effects Effects 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 4
- 238000013077 scoring method Methods 0.000 claims description 3
- 238000004260 weight control Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims description 2
- 230000003183 myoelectrical effect Effects 0.000 claims description 2
- 206010000117 Abnormal behaviour Diseases 0.000 abstract description 3
- 208000012661 Dyskinesia Diseases 0.000 abstract description 2
- 201000010099 disease Diseases 0.000 abstract description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 2
- 230000036544 posture Effects 0.000 description 25
- 230000008569 process Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000037081 physical activity Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- A61B5/1116—Determining posture transitions
-
- 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
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Abstract
本发明公开一种基于一维卷积神经网络的老年人日常活动监测方法，包括：步骤S1、确定待采集的生理参数并进行生理参数数据采集；步骤S2、对所采集的生理参数进行预处理；步骤S3、构建集成若干个一维卷积神经网络的分类器，对预处理后的生理参数进行深度学习，输出人体姿态识别结果；步骤S4、根据人体姿态识别结果进行安全预警。本发明通过采集老年人的多模态生理参数，采用集成多个一维卷积神经网络的分类器进行人体姿态识别，有效实现对老年人姿态的精准识别，当老年人发生异常行为时能够及时报警，有效地解决了老年人日常活动的监测问题，还能应用于有运动障碍，帕金森等疾病的病人的辅助康复治疗。
Description
技术领域
本发明涉及智能监测技术领域，特别是涉及一种基于一维卷积神经网络的老年人日常活动监测方法。
背景技术
我国社会“人口老龄化”问题日益突出，如何提高老年人的健康生活具有重要的社会意义，也是未来社会的巨大挑战之一。其中动态监测老年人群的日常活动显得尤其重要，特别是老年人群的跌倒问题。据统计，大约有超过三分之一的65岁或以上的家庭住户每年都会跌倒一次或多次，特别是长期独居的老人，老年人跌倒和跌倒导致的相关伤害，其后果往往会引起健康严重恶化甚至死亡，可靠的跌倒检测以及预防是老年人健康安全生活的重点关注问题之一。
因此，如何对老年人发生的异常行为进行及时准确地判断并报警，以降低老年人的跌倒造成的相关伤害是当下亟待解决的问题。
发明内容
本发明的目的是提供一种基于一维卷积神经网络的老年人日常活动监测方法，以解决上述现有技术存在的问题，能够实现对老年人姿态的精准识别。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于一维卷积神经网络的老年人日常活动监测方法，如下步骤：
步骤S1、确定待采集的生理参数并进行生理参数数据采集；
步骤S2、对所采集的生理参数进行预处理；
步骤S3、构建集成若干个一维卷积神经网络的分类器，对预处理后的生理参数进行深度学习，输出人体姿态识别结果；
集成若干个一维卷积神经网络的分类器的构建方法为：将若干个用于不同生理信号分类的一维卷积神经网络分类器构建成一个集成分类器，然后通过投票评分的方法对每个一维卷积神经网络分类器进行权重控制，输出人体姿态识别结果；
步骤S4、根据人体姿态识别结果进行安全预警。
优选地，所采集的生理参数包括脉搏波信号、肌电信号、动态心电信号、姿态参数。
优选地，所述姿态参数通过重力加速器和陀螺仪进行采集。
优选地，所述动态心电信号预处理包括：采用FIR低通滤波方法滤除工频和高频噪声，然后采用数学形态学滤波方法处理由呼吸引起的基准线漂移，获取有效的动态心电信号。
优选地，所述脉搏波信号预处理包括：采用自回归模型从脉搏波信号中测量脉搏波速率。
优选地，所述肌电信号预处理包括：采用离散小波变换进行肌电信号的处理，获取有效肌电信号。
优选地，所述老年人的姿态参数预处理包括：采用固定尺寸重叠滑动窗口的时间信号分割方法对所采集的老年人的姿态参数进行预处理，以获取有效的姿态参数信号。
优选地，每个一维卷积神经网络分类器为金字塔结构，卷积层内核数量随卷积层级别的升高而减少。
本发明公开了以下技术效果：本发明通过多个传感器采集老年人的多模态生理信号，采用集成多个不同生理信号的深度学习一维卷积神经网络分类器进行老年人日常活动姿态的识别，有效将人体姿态参数与多模态生理信号相结合，实现对老年人姿态的精准识别，当老年人发生异常行为时，能够准确及时报警，有效地解决了对老年人日常活动的监测问题，还能应用于有运动障碍，帕金森等疾病的病人的辅助康复治疗。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明智能监测方法流程图；
图2为本发明多生理参数采集系统结构图；
图3为本发明采用数学形态学滤波对ECG数据进行预处理的方法流程图；
图4为本发明EMG信号的DWT小波分解流程图；
图5为本发明多生理参数集成1D-CNN深度学习分类流程图；
图6为本发明监测信号传输结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1-6所示，本实施例提供一种基于一维卷积神经网络的老年人日常活动监测方法，具体包括如下步骤：
步骤S1、确定待采集的生理参数并进行生理参数数据采集。
生理参数的采集主要包括脉搏波信号、肌电信号、动态心电信号、姿态参数，日常行为活动的各种姿态包括坐，站，走，上，下等，姿态参数主要通过加速器传感器，陀螺仪进行采集。通常不同的人体活动会产生不同的肢体肌电信号，因为不同的姿态，比如，走，跑，上，下，坐或躺，其对应的肌电信号都具有不同的特征，与此同时伴随着不同心率与呼吸指标的变化，采用重力加速器与陀螺仪能够有效地测量出人体不同姿态的变化。
参照图2所示，分别采用便携式PPG、EMG、ECG进行人体脉搏波信号、肌电信号、动态心电信号的检测，采用重力加速器与陀螺仪测量人体的姿态参数，并通过传感器采集PPG、EMG、ECG、重力加速器和陀螺仪所测量的数据。
步骤S2、对传感器所采集的数据进行预处理。
动态心电信号预处理过程如下：
所采集的动态心电信号包括较多噪声信号，动态心电信号的噪声主要表现为工频干扰、基准线漂移和高频噪声。采用FIR低通滤波滤掉工频和高频噪声，然后用数学形态学滤波(MF)的方法处理由呼吸引起的基准线漂移，以获取有效的动态心电信号。
MF是基于集合的操作，是一种非线性信号处理的方法，通过一系列的开运算(○)和闭运算(●)操作对动态心电信号(f)调节。本实施例定义一个结构元素B，按照公式f○B进行动态心电信号f与结构元素B的开运算，按照公式f●B进行动态心电信号f与结构元素B的闭运算。其中，结构元素B的类型选择为直线型,其中直线型结构元素B的长度根据动态心电信号中需要滤除的“尖峰”和“波谷”的宽度来确定。基于基线漂移的不同特征和动态心电信号中的噪声污染，使用不同的结构元素和不同的形态运算操作对基线进行校正。具体校正过程为：先进行一次开运算操作之后再进行一个闭运算操作，由于使用开运算和闭运算操作可以很好地保持动态心电信号的形态，并且能够确保高频干扰被有效滤除。MF具有保持QRS波群清晰度的良好品质，并且计算负担小，具体处理流程如图3所示。
脉搏波信号预处理过程如下：
采用自回归模型(AR)从脉搏波信号中测量脉搏波速率。自回归模型(AR)可以被表达为线性预测问题，自回归模型(AR)的输出值x(n)描述为线性回归方程的形式，如式(1)所示，其中，e(n)为误差。其中当前值x(n)可以被建模为先前p个值的线性加权和,参数p为模型顺序，通常远小于序列N的长。
肌电信号预处理过程如下：
采用离散小波变换(DWT)进行肌电信号的处理。DWT是一种将感兴趣的信号迭代地转换为多分辨率系数子集的技术。与传统的时频分析一样，DWT使用合适的小波基函数(WF)对肌电信号进行转换，因此WF在多分辨率分析中起着关键作用。根据具有不同尺度和局部变化的肌电信号特征，选择最佳的WF，消除不需要的频率分量。原始肌电信号通过低通滤波器和高通滤波器(滤波器系数取决于WF类型)获得近似系数子集(A1)和第一级的细节系数子集(D1)。为了获得多个分辨率的子集，重复这个过程，直到达到所需的最终水平。本申请采用四级小波分解对肌电信号进行分解，具体如图4所示，生成近似系数子集(A4)和等级1,2,3,4细节(D1，D2，D3和D4)。每一个系数子集采用逆小波变换进行重建，以获取有效的肌电信号。
姿态参数预处理：
在姿态参数预处理过程中，正确的时间信号分割技术选择至关重要，其直接影响分类的特征提取以及分类的准确性。此外，时间信号分割技术还对实时能力产生影响，因为复杂的分割方法会增加计算复杂度，但可能导致分类准确度的提高。本实施例采用固定尺寸重叠滑动窗口(FOSW)的时间信号分割方法对重力加速器与陀螺仪所测量的数据进行预处理，以获取有效的姿态参数信号。
步骤S3、基于深度学习1D-CNN进行老年人日常活动姿态识别。
本实施例通过集成五个深度学习1D-CNN的分类器进行老年人日常活动姿态的识别，以提高姿态识别的准确率，该五个1D-CNN分类器分别对PPG传感器、EMG传感器、ECG传感器、重力加速器传感器和陀螺仪传感器所采集的数据进行分类识别；
五个1D-CNN分类器的集成方法为：将五个用于不同生理信号分类的深度学习1D-CNN分类器构建成一个集成分类器，然后通过投票评分的方法对每个深度学习1D-CNN分类器进行权重控制，输出被测人体日常活动姿态的识别结果，识别结果包括“摔倒”、“正常”、“预警状态”三类，具体如图5所示。
其中每个1D-CNN分类器包括多个卷积块、两个全连接层、Dropout层和softmax分类器，每个卷积块由卷积层、归一化层和非线性激活层组成。本实施例省去了池化层，借助卷积层中更大的步幅，减少了冗余或不必要的特征。卷积层和全连接层从给定的输入信号中学习低级到高级特征的层次结构，具有语义表示的高级特征作为输入传递到最后一层中的softmax分类器，通过softmax分类器输出生理信号对应的被测人体活动的相应类别。同时，每个1D-CNN分类器为金字塔结构，其中低级卷积层具有大量内核，内核数量随卷积层的升高而减少，显著减少了可学习参数的数量，避免了过度拟合的风险，具体原理为：从低级层提取大量的微结构，这些微结构由更高级别的层组成更高级别的特征，这些特征虽然网络越来越深，但数量很少且有区别性，有效提高了分类效率及精度。
每个卷积块的输入信号通过零均值和单位方差进行归一化处理，有助于更快收敛并避免局部最小值，本实施例归一化输入由三个卷积块处理，非线性激活层采用非线性激活函数(ReLU)。
分类性能评估：
系统分类性能评估，主要包含有敏感性，特异性与正确率，其评价计算基于以下公式：
其中，TP表示被模型预测为正的正样本,TN表示被模型预测为负的负样本,FP表示被模型预测为正的负样本,FN表示被模型预测为负的正样本。
S4、根据老年人日常活动姿态识别结果进行安全预警。
根据老年人日常活动姿态识别结果，在识别结果为“摔倒”时，远程呼叫救护中心，并发送消息至监护人，在识别结果为“预警状态”时，发送消息至监护人。
用于实现老年人日常活动监测的系统包括客户端和服务器端两部分，通过客户端APP进行人机交互，获得老年人日常活动所产生的多模态生理信号信息，并进行老年人日常活动姿态识别，根据姿态识别结果进行预警，通过网络通信将客户端所获取的数据传输至服务器端，通过服务器端完成数据的持久化存储，具体如图6所示。
客户端实现的功能如下：
(1)信号采集：通过传感器采集用户的多模态生理信号，并在用户手机APP界面进行显示，以便于用户查看；
(2)信号处理：将所采集的用户多模态生理信号发送至云端服务器进行信号处理，获取用户姿态识别结果；
(3)安全监测：通过集成高德地图api接口，将用户的地理位置在地图上显示，并根据用户姿态识别结果进行安全预警，在识别结果为“摔倒”时，远程呼叫救护中心，并发送消息至监护人，在识别结果为“预警状态”时，发送消息至监护人。
服务器端实现的功能如下：
(1)注册登入：使用手机号作为用户名进行账户注册，保证账户的安全性与稳定性，防止恶意注册账户；
(2)数据的传输：使用Servlet框架获取客户端发送的请求和数据，并返回信息来完成客户端和服务器端之间的交互过程。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种基于一维卷积神经网络的老年人日常活动监测方法，其特征在于，包括如下步骤：
步骤S1、确定待采集的生理参数并进行生理参数数据采集；
步骤S2、对所采集的生理参数进行预处理；
步骤S3、构建集成若干个一维卷积神经网络的分类器，对预处理后的生理参数进行深度学习，输出人体姿态识别结果；
集成若干个一维卷积神经网络的分类器的构建方法为：将若干个用于不同生理信号分类的一维卷积神经网络分类器构建成一个集成分类器，然后通过投票评分的方法对每个一维卷积神经网络分类器进行权重控制，输出人体姿态识别结果；
步骤S4、根据人体姿态识别结果进行安全预警。
2.根据权利要求1所述的基于一维卷积神经网络的老年人日常活动监测方法，其特征在于，所采集的生理参数包括脉搏波信号、肌电信号、动态心电信号、姿态参数。
3.根据权利要求2所述的基于一维卷积神经网络的老年人日常活动监测方法，其特征在于，所述姿态参数通过重力加速器和陀螺仪进行采集。
4.根据权利要求2所述的基于一维卷积神经网络的老年人日常活动监测方法，其特征在于，所述动态心电信号预处理包括：采用FIR低通滤波方法滤除工频和高频噪声，然后采用数学形态学滤波方法处理由呼吸引起的基准线漂移，获取有效的动态心电信号。
5.根据权利要求2所述的基于一维卷积神经网络的老年人日常活动监测方法，其特征在于，所述脉搏波信号预处理包括：采用自回归模型从脉搏波信号中测量脉搏波速率。
6.根据权利要求2所述的基于一维卷积神经网络的老年人日常活动监测方法，其特征在于，所述肌电信号预处理包括：采用离散小波变换进行肌电信号的处理，获取有效肌电信号。
7.根据权利要求2所述的基于一维卷积神经网络的老年人日常活动监测方法，其特征在于，所述老年人的姿态参数预处理包括：采用固定尺寸重叠滑动窗口的时间信号分割方法对所采集的老年人的姿态参数进行预处理，以获取有效的姿态参数信号。
8.根据权利要求1所述的基于一维卷积神经网络的老年人日常活动监测方法，其特征在于，每个一维卷积神经网络分类器为金字塔结构，卷积层内核数量随卷积层级别的升高而减少。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911119715.8A CN110916672A (zh) | 2019-11-15 | 2019-11-15 | 一种基于一维卷积神经网络的老年人日常活动监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911119715.8A CN110916672A (zh) | 2019-11-15 | 2019-11-15 | 一种基于一维卷积神经网络的老年人日常活动监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110916672A true CN110916672A (zh) | 2020-03-27 |
Family
ID=69854021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911119715.8A Pending CN110916672A (zh) | 2019-11-15 | 2019-11-15 | 一种基于一维卷积神经网络的老年人日常活动监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110916672A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539377A (zh) * | 2020-05-11 | 2020-08-14 | 浙江大学 | 基于视频的人体运动障碍检测方法、装置及设备 |
| CN112216065A (zh) * | 2020-10-15 | 2021-01-12 | 吕行 | 一种老年人行为智能看护系统及识别方法 |
| CN113768523A (zh) * | 2021-11-11 | 2021-12-10 | 华南理工大学 | 基于对抗生成网络的二便预警方法与系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101658425A (zh) * | 2009-09-11 | 2010-03-03 | 西安电子科技大学 | 基于心率变异分析的注意力集中程度的检测装置及方法 |
| CN104107042A (zh) * | 2014-07-10 | 2014-10-22 | 杭州电子科技大学 | 基于粒子群优化-支持向量机的肌电信号步态识别方法 |
| CN104739395A (zh) * | 2015-03-25 | 2015-07-01 | 华中科技大学 | 一种基于脉搏波的人体血压预测方法 |
| CN104739396A (zh) * | 2015-03-25 | 2015-07-01 | 华中科技大学 | 一种用于测量人体血压的腕表监护仪 |
| US20170213145A1 (en) * | 2016-01-21 | 2017-07-27 | Verily Life Sciences Llc | Adaptive model-based system to automatically quantify fall risk |
| CN107693011A (zh) * | 2017-11-13 | 2018-02-16 | 湖北科技学院 | 一种心电图信号基线滤波方法 |
| CN108171711A (zh) * | 2018-01-17 | 2018-06-15 | 深圳市唯特视科技有限公司 | 一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法 |
| CN108197580A (zh) * | 2018-01-09 | 2018-06-22 | 吉林大学 | 一种基于3d卷积神经网络的手势识别方法 |
| CN108211141A (zh) * | 2018-01-16 | 2018-06-29 | 南京医科大学 | 一种基于肌电信号反馈的闭环疼痛超声理疗系统 |
| CN108446733A (zh) * | 2018-03-19 | 2018-08-24 | 上海玺翎智能科技有限公司 | 一种基于多传感器数据的人体行为监测及智能识别方法 |
| CN108937919A (zh) * | 2018-06-04 | 2018-12-07 | 湖北工业大学 | 一种消除心电信号基线漂移的方法 |
| CN108960182A (zh) * | 2018-07-19 | 2018-12-07 | 大连理工大学 | 一种基于深度学习的p300事件相关电位分类识别方法 |
| US20190209022A1 (en) * | 2018-01-05 | 2019-07-11 | CareBand Inc. | Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health |
| CN110367967A (zh) * | 2019-07-19 | 2019-10-25 | 南京邮电大学 | 一种基于数据融合的便携型轻量化人脑状态检测方法 |
-
2019
- 2019-11-15 CN CN201911119715.8A patent/CN110916672A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101658425A (zh) * | 2009-09-11 | 2010-03-03 | 西安电子科技大学 | 基于心率变异分析的注意力集中程度的检测装置及方法 |
| CN104107042A (zh) * | 2014-07-10 | 2014-10-22 | 杭州电子科技大学 | 基于粒子群优化-支持向量机的肌电信号步态识别方法 |
| CN104739395A (zh) * | 2015-03-25 | 2015-07-01 | 华中科技大学 | 一种基于脉搏波的人体血压预测方法 |
| CN104739396A (zh) * | 2015-03-25 | 2015-07-01 | 华中科技大学 | 一种用于测量人体血压的腕表监护仪 |
| US20170213145A1 (en) * | 2016-01-21 | 2017-07-27 | Verily Life Sciences Llc | Adaptive model-based system to automatically quantify fall risk |
| CN107693011A (zh) * | 2017-11-13 | 2018-02-16 | 湖北科技学院 | 一种心电图信号基线滤波方法 |
| US20190209022A1 (en) * | 2018-01-05 | 2019-07-11 | CareBand Inc. | Wearable electronic device and system for tracking location and identifying changes in salient indicators of patient health |
| CN108197580A (zh) * | 2018-01-09 | 2018-06-22 | 吉林大学 | 一种基于3d卷积神经网络的手势识别方法 |
| CN108211141A (zh) * | 2018-01-16 | 2018-06-29 | 南京医科大学 | 一种基于肌电信号反馈的闭环疼痛超声理疗系统 |
| CN108171711A (zh) * | 2018-01-17 | 2018-06-15 | 深圳市唯特视科技有限公司 | 一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法 |
| CN108446733A (zh) * | 2018-03-19 | 2018-08-24 | 上海玺翎智能科技有限公司 | 一种基于多传感器数据的人体行为监测及智能识别方法 |
| CN108937919A (zh) * | 2018-06-04 | 2018-12-07 | 湖北工业大学 | 一种消除心电信号基线漂移的方法 |
| CN108960182A (zh) * | 2018-07-19 | 2018-12-07 | 大连理工大学 | 一种基于深度学习的p300事件相关电位分类识别方法 |
| CN110367967A (zh) * | 2019-07-19 | 2019-10-25 | 南京邮电大学 | 一种基于数据融合的便携型轻量化人脑状态检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| IHSAN ULLAH等: "《An automated system for epilepsy detection using EEG brain signals based on deep learning approach》", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
| LAN WANG等: "《Fall Detection Based on Convolutional Neural Networks Using Smart Insole》", 《2019 5TH INTERNATIONAL CONFERENCE ON CONTROL AUTOMATION AND ROBOTICS》 * |
| NARIT HNOOHOM等: "《Multi-Sensor-Based Fall Detection and Activity Daily Living Classification by Using Ensemble Learning》", 《ECTI-NCON2018》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539377A (zh) * | 2020-05-11 | 2020-08-14 | 浙江大学 | 基于视频的人体运动障碍检测方法、装置及设备 |
| CN112216065A (zh) * | 2020-10-15 | 2021-01-12 | 吕行 | 一种老年人行为智能看护系统及识别方法 |
| CN113768523A (zh) * | 2021-11-11 | 2021-12-10 | 华南理工大学 | 基于对抗生成网络的二便预警方法与系统 |
| CN113768523B (zh) * | 2021-11-11 | 2022-04-22 | 华南理工大学 | 基于对抗生成网络的二便预警方法与系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116705337B (zh) | 一种健康数据采集及智能分析方法 | |
| CN108416367B (zh) | 基于多传感器数据决策级融合的睡眠分期方法 | |
| CN110916672A (zh) | 一种基于一维卷积神经网络的老年人日常活动监测方法 | |
| CN108245172B (zh) | 一种不受位置约束的人体姿态识别方法 | |
| CN105426814A (zh) | 一种基于手机的老人跌倒检测方法 | |
| CN111248879B (zh) | 一种基于多模态注意力融合的高血压老年人活动分析方法 | |
| CN109009017A (zh) | 一种智能健康监测系统及其数据处理方法 | |
| CN108958482B (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
| US11317840B2 (en) | Method for real time analyzing stress using deep neural network algorithm | |
| CN106951852A (zh) | 一种有效的人体行为识别系统 | |
| WO2021139337A1 (zh) | 基于深度学习模型的步态识别方法、装置和计算机设备 | |
| Lee et al. | Optimal time-window derivation for human-activity recognition based on convolutional neural networks of repeated rehabilitation motions | |
| CN116269249B (zh) | 一种脑卒中风险预测方法和系统 | |
| CN115474901A (zh) | 基于无线射频信号的非接触式起居状态监测方法及系统 | |
| Ning et al. | Fall detection algorithm based on gradient boosting decision tree | |
| CN115211858A (zh) | 一种基于深度学习的情绪识别方法、系统及可存储介质 | |
| CN114999643A (zh) | 一种基于WiFi的老人智能监护方法 | |
| Liu et al. | LSTM Neural Network for Beat Classification in ECG Identity Recognition. | |
| CN109662708A (zh) | 一种基于深度神经网络的术后病人行为监测方法 | |
| CN110547806B (zh) | 一种基于表面肌电信号的手势动作在线识别方法及系统 | |
| Wang et al. | The security of vulnerable senior citizens through dynamically sensed signal acquisition | |
| CN112883905B (zh) | 基于粗粒度时频特征与多层融合学习的人体行为识别方法 | |
| CN114176598A (zh) | 基于多模态的癫痫发病预警方法及智能手环装置 | |
| CN114469004A (zh) | 基于光纤光栅传感器的人体睡眠健康监测方法 | |
| Kim et al. | A study on user recognition using 2D ECG image based on ensemble networks for intelligent vehicles |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200327 |