CN111214235A - 一种人体活动量监测方法及装置 - Google Patents
一种人体活动量监测方法及装置 Download PDFInfo
- Publication number
- CN111214235A CN111214235A CN201911418542.XA CN201911418542A CN111214235A CN 111214235 A CN111214235 A CN 111214235A CN 201911418542 A CN201911418542 A CN 201911418542A CN 111214235 A CN111214235 A CN 111214235A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- human activity
- axis acceleration
- activity
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000037081 physical activity Effects 0.000 title abstract description 7
- 230000000694 effects Effects 0.000 claims abstract description 102
- 230000001133 acceleration Effects 0.000 claims abstract description 60
- 230000033001 locomotion Effects 0.000 claims abstract description 25
- 238000012806 monitoring device Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 230000004044 response Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000011257 shell material Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 238000010989 Bland-Altman Methods 0.000 description 1
- 101710172072 Kexin Proteins 0.000 description 1
- 239000004677 Nylon Substances 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000763 evoking effect Effects 0.000 description 1
- 239000002649 leather substitute Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229920001778 nylon Polymers 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 210000000707 wrist Anatomy 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
Abstract
本发明涉及一种人体活动量监测方法及装置,属于人运动的辨识技术领域。监测方法包括以下步骤:1)获取人的三轴加速度数据和位置数据;2)根据获取的三轴加速度数据和位置数据,根据预设的三轴加速度数据、位置数据和运动强度的对应关系,判定人体活动量。本发明综合利用三轴加速度数据和位置数据对人体活动量进行判断,避免了仅靠单一的加速度数据或位置信息对人体活动量监测的准确性较低的问题,提高了人体活动量监测的准确性。
Description
技术领域
本发明涉及一种人体活动量监测方法及装置,属于人运动的辨识技术领域。
背景技术
近年来,国内外学者利用三轴加速度传感器、角速度传感器和陀螺仪等监测人体活动状态的装置,对人的活动情况,如动作、步数和消耗卡路里等进行测定。这种活动量监测装置通常佩戴于人体的某一部位,而单一身体部位佩戴的动作监测传感器不能准确测定人的各种活动。
人在单位时间内位置的变化可以间接反映活动量的大小,因此位置信息也被用于人的行为的识别,但仅依靠位置信息的变化判定人的活动量是不全面的,位置信息无法反映人在原地运动时的活动量。
现有对人体活动量的监测要么是单一依靠加速度数据,要么是单一依靠位置信息,然而仅靠单一的加速度数据或位置信息对人体活动量监测的准确性较低,无法满足要求。
发明内容
本发明的目的在于提供一种人体活动量监测方法及装置,以解决现有对人体活动量监测的准确性较低的问题。
为实现上述目的,本发明提出一种人体活动量监测方法,包括以下步骤:
1)获取人的三轴加速度数据和位置数据;
2)根据获取的三轴加速度数据和位置数据,根据预设的三轴加速度数据、位置数据和运动强度的对应关系,判定人体活动量。
另外,本发明还提出了一种人体活动量监测装置,包括三轴加速度传感器、定位传感器、存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序,三轴加速度传感器用于采集人的三轴加速度数据,并传输给处理器;定位传感器用于采集人的位置数据,并传输给控制器;所述处理器在执行所述计算机程序时实现上述的人体活动量监测方法。
有益效果是:上述监测方法和监测装置中,根据三轴加速度数据、位置数据和运动强度的对应关系,判定人体活动量;综合利用三轴加速度数据和位置数据对人体活动量进行判断,避免了仅靠单一的加速度数据或位置信息对人体活动量监测的准确性较低的问题,提高了人体活动量监测的准确性。
进一步的,上述监测方法和监测装置中,所述运动强度对应至少2个运动强度等级,每个运动强度等级对应相应的三轴加速度变化范围和位置变化范围,通过计算三轴加速度变化量和位置变化量确定其所落入的变化范围,进而确定所属的运动强度等级。
进一步的,上述监测方法和监测装置中,判定人体活动量的方法包括:
为每个采样点赋予一个强度值,该强度值等于该采样点所属运动强度等级的强度值;
在设定时间内,统计属于某个运动强度等级的所有采样点的强度值之和,作为该运动强度等级的加权强度;
将各运动等级对应的加权强度进行叠加,以判定人体活动量。
进一步的,上述监测方法和监测装置中,运动强度对应四个等级,分别为低级运动强度等级、中级运动强度等级、高级运动强度等级和剧烈级运动强度等级;设定时间内的人体活动量AI的计算公式为:
其中,sa、ma、ha、fa分别为设定时间内低、中、高、剧烈运动强度等级对应的采样运动数据点数目,l为设定时间内的总采样数据点数目,w1、w2、w3、w4分别对应低、中、高、剧烈运动强度等级的设定强度值,w1<w2<w3<w4。
进一步的,上述监测方法和监测装置中,利用k-means算法确定各运动强度等级对应的三轴加速度变化范围和位置变化范围。
进一步的,上述监测装置中,所述定位传感器为GPS传感器。
进一步的,上述监测装置中,所述定位传感器为室内定位传感器。
附图说明
图1为本发明人体活动量监测装置实施例中人体活动量监测装置示意图;
图2为本发明人体活动量监测装置实施例中人体活动量监测装置结构示意图;
图3为本发明人体活动量监测装置实施例中基站结构示意图;
图4为本发明人体活动量监测装置实施例中标签流程图;
图5为本发明人体活动量监测装置实施例中基站流程图;
图6为本发明人体活动量监测装置实施例中训练集数据分布示意图;
图7为本发明人体活动量监测装置实施例中聚类后结果示意图;
图8为本发明人体活动量监测装置实施例中人日常活动量监测评价结果示意图;
图9为本发明人体活动量监测装置实施例中人运动的活动量监测评价结果示意图。
具体实施方式
人体活动量监测装置实施例:
对人体活动量的监测包括两种,一种是对人体室内活动量的监测,一种是对人体室外活动量的监测。无论是人体室内活动量监测,还是人体室外活动量监测,只要是能够通过定位传感器获取人体的位置数据即可(人体室外位置数据可以通过GPS传感器获得,人体室内位置数据可以通过室内定位传感器获得)。本实施例以基于UWB定位的室内定位为例进行说明。
如图1、2所示,本实施例的人体活动量监测装置包括标签、基站和上位机系统三部分,其中,标签包括电源模块、主控模块、定位模块和三轴加速度传感器,电源模块用于为主控模块、定位模块及三轴加速度传感器提供稳定的电压,主控模块通过SPI总线与定位模块连接,通过I2C总线与三轴加速度传感器连接,主控模块用于控制定位模块和三轴加速度传感器采集和发送数据,定位模块用于实现人的定位和采集到的数据的传输。
标签的三轴加速度传感器用于采集人的X、Y、Z轴的加速度数据。标签未工作时处于低功耗模式,当检测到Z轴的加速度大于预先设置的阈值时,标签从低功耗模式转换为工作模式,进行数据的采集和传输,数据传输完成后,标签再次进入低功耗模式。
基站包括电源模块、主控模块和定位模块,如图3所示,主控模块用于控制定位模块,完成辅助标签定位的任务;定位模块用于将标签采集的数据无线传输到上位机系统。
上位机系统包括无线收发模块、显示模块、存储模块和处理模块,无线收发模块用于接收基站的定位模块上传的数据,无线收发模块通过USB接口连接到界面。
标签的电源模块采用中国科信公司的正向低压降稳压器AMS1117-3.3V作为电源降压芯片;标签的主控模块采用意法半导体(ST)公司的STM32F103C8T6作为微处理芯片;标签的定位模块选用基于DecaWave公司DW1000芯片设计的超宽带收发模组DWM1000,用于人的定位和数据的无线传输;定位模组DWM1000包含有板载天线,可以完成数据的无线收发;标签的三轴加速度传感器选用美国ADI公司的高分辨率芯片ADXL345,用于采集人的三轴加速度数据;上位机系统的无线收发模块选用上海奇籁公司的WSN-02无线数传模块,完成上位机系统的数据无线收发。
本实施例中标签封装在3D打印出来的外壳里,外壳包括壳体和保护盖;外壳材料为PLA耗材,密度为1.25kg/L;标签整体重量为45±0.5g,尺寸为54×33×14mm;标签外壳上两侧具有2cm宽的卡扣槽,绑带固定于卡扣槽上;绑带采用人造革或者尼龙材质;绑带上设有一个日字扣,日字扣用于调节绑带长度,使标签能稳定地佩戴于人的手腕处;基站在外壳设计上与标签一致。
本实施例采用的定位方法需要四个基站来完成。为实现人的实时定位,需保证室内区域内的任何一点发生定位请求均能够被四个基站以概率1监测到并作出回应,因此,必须满足室内的任意一点通信的四重覆盖。本实施例在人活动区域的边界,按照矩形分区覆盖方式对称部署基站。在基站通信半径为Rs,长宽分别为L,w的矩形活动区域的情况下,采用矩形分区覆盖部署方式能够有效减少所需定位基站数。但在实际部署中考虑到基站数必须为整数,因此N取整数即[N]。
标签通过定位模块和三轴加速度传感器完成人的位置信息和三轴加速度数据的采集,其工作流程主要分为握手环节、测距环节、坐标解算、加速度监测四部分。标签整体流程如图4所示,标签在完成初始化操作后,会进行握手基站的判断,若握手地址池(最多四个基站地址)已有四个基站地址则表明可以向下进行测距环节,若握手地址池少于四个基站则进行握手直至地址池满才可进行测距环节。握手环节结束后,标签依次与地址池中的基站按照其地址大小进行测距,其中在测距过程中通过利用路径损耗模型计算接收信号功率,并依据接收功率与偏移距离的关系进行测距结果的校正。为保证测距结果的实时性,采取以四次测距请求为一轮的测距机制,若在四次请求内无法全部得到标签与各基站的距离,则放弃此轮所有测距结果,进行下一轮的测距直至在一轮内依次测出与四个基站的距离为止。测距环节结束后,依据测距结果按照三边定位算法解算其位置坐标,并读取人的三轴加速度数据。区域切换是进行定位区域扩展的保障,通常因人运动导致距离握手基站较远、定位失败率过高时才进行区域的切换,其主要通过重新握手确定距离人较近的基站为握手基站来避免因人距离握手基站较远而导致的定位误差大,失败率高等问题。
基站用于辅助标签完成人的定位,基站在完成初始化后将一直处于监听标签的状态,对来自标签的握手信息和测距信息进行判断与回应。基站整体流程如图5所示,基站在完成初始化后将一直处于监听状态,它通过监听来自标签的消息并进行判断与回应来辅助完成人的定位。其回应的消息与顺序与标签是相对应的,主要有握手环节的响应和测距环节的响应。其参与一次定位的具体过程为:
1)完成初始化并打开侦听状态;
2)接受消息,判断是否为发向此基站的轮询信息,若是则编写轮询响应信息发送给指定标签并转向3),若否则转向4);
3)判断是否发送成功,若成功则返回2),若不成功则放弃此次测距继续保持侦听状态;
4)判断是否为发向此基站的最终消息,若是则转向5);
5)依据帧序号判断是否是此次测距的最终消息,若是则进行距离的计算与校正,并编写距离消息发送给指定标签并转向3),若否则转向6);
6)判断是否为发向该基站的握手请求,若是则编写握手响应消息发送给指定标签,若否则转向2)。
在上述过程中,测距环节的响应主要由步骤2)到5)完成,且基站一直处于对标签测距请求的响应中,仅在进行区域的切换时执行步骤6)完成握手环节。
本实施例的上位机系统具有数据接收、显示、存储和处理功能。数据通过界面进行显示并存储于Access数据库,上位机系统利用活动量指数算法对接收到的数据进行分析处理,具体过程如下。
特征提取:根据接收到的人的三轴加速度数据和位置信息,选取可以表征个体在空间运动状况的VM和地理位置跃迁的DI作为特征量CH=(VM,DI),其计算公式为:
式(2)中,CHt表示t秒时的特征量;VMt、DIt分别表示(t-1,t)时间区间的加速度变化量、位移量;为第t秒内i(i=x,y,z)轴加速度数据采样的平均值;为第t-1秒内i(i=x,y,z)轴加速度数据采样的平均值;为第t秒内位置数据采样的平均值;为第t-1秒内位置数据采样的平均值。
强度划分:依据VM、DI相互之间的变化关系,即VM不变DI不变、VM变DI不变、VM不变DI变、VM变DI变,将其划分为低、中、高、剧烈四个等级。
采用最大最小距离原则的k-mean算法实现对活动强度的准确划分,其基本步骤为:
(1)标准化处理。采用Z-score标准化方法对特征量进行标准化处理,其中Z-score标准化公式如下:
(2)确定初始聚类中心点。选取标准化特征量数据集S={CH′1,CH′2,...,CH′i,...,CH′n}中最小特征量CH′min作为第一个聚类中心点C1,计算剩余所有元素到C1的欧氏距离Di1。若Dk1=max{Di1},则取CHk为第二个聚类中心点C2。然后计算所有样本到聚类中心C1和C2的距离Di1和Di2,若Dl=max{min(Di1,Di2)},i=1,2,...,n,且Dl>λ·D12,λ=1/2,D12为C1与C2的距离。则取Cl为第三个聚类中心点C3。以此类推,如果C3存在,则计算Dj=max{min(Di1,Di2,Di3)},若Dj>λ·D12,令Cj为第四个聚类中心点C4,且需满足Dk=max{min(Di1,Di2,Di3,Di4)}≤λ·D12。若计算结果Dl、Dj不满足判别条件,则重选λ并重复上述过程,直至找出聚类中心点集C={C1,C2,C3,C4}。
(3)粗聚类。从聚类中心点集C中任选一点Ci(i=1,2,3,4)构成新的聚类中心CLUpi,计算数据集S中剩余元素CH′t与四个聚类中心点的欧氏距离,将元素CH′t归类到距其最近的聚类中心点所属的聚类中心CLUpi中。重复此步骤直至将数据集S中的所有数据点都划分到对应的聚类中心去。
(4)更新中心点集C。以聚类中心CLUpi中所有特征向量的各维平均值作为该聚类中心新一轮的聚类中心点C′i,其公式如下:
式(5)中,h为聚类中心CLUpi中特征量CH的个数,C′i为聚类中心CLUpi的新一轮的聚类中心。
(5)数据重新分配,迭代终止。重复步骤3)至4),对聚类中心数据点进行聚类迭代,直至目标函数SSE最小或不再变化,停止迭代。
式(6)中,CHp为第i个聚类CLUpi的第p个元素。
终止迭代后,依据中心点集C中各点幅值大小,从小到大依次划分各中心点所属聚类中心的活动强度等级为低、中、高、剧烈,对应等级评分分别为0、1、2、3。排除噪声数据的影响,各等级的活动强度范围为[min{VMi}≤VM′i≤max{VMi},min{DIi}≤DI′i≤max{DIi}],其中min{VMi}(min{DIi})为聚类中心CLUpi中所有特征向量的VM(DI)元素的最小值,max{VMi}(max{DIi})为聚类中心CLUpi中所有特征向量的VM(DI)元素的最大值,对于所采集的人的任何一个特征量,只需查看其所属强度范围便可确定其强度等级。
活动量指数建立:为表征人一天内的活动量变化大小,分析变化的诱发行为,以1.5小时为一个单位,计算单位时间内的人的活动量,不足一个单位时间的运算数据做剔除处理,其公式为:
式(7)中sa,ma,ha,fa分别为单位时间内低、中、高、剧烈四级运动强度采样的运动数据点数目,l为单位时间内的总采样数据点数目。w1,w2,w3,w4分别为强度等级评分0,1,2,3。
本实施例对各等级的活动强度范围的获得过程进行说明,作为其他实施方式,等级设定的个数以及各等级对应的活动强度范围也可以根据经验进行设定。
接下来通过实验来验证本实施例人体活动量监测装置的准确性:
排除数据丢包及其他因素影响,实验总共采集114682组原始数据,其中同时具备加速度与位置数据且能准确描述运动行为的有效数据有107050组。由于活动强度范围的划分对利用活动指数评价人活动量的结果影响较大,因此本次实验利用70%的有效数据组作为划分训练集,来实现对强度范围的准确划分。
图6所示为训练集数据在经过特征提取后特征量CH标准化处理后的分布示意图,每种颜色对应一种类型活动。在经过聚类之后得到如图7所示的聚类结果,其中红色为低活动强度;绿色为中等活动强度;黄色为高活动强度慢走;蓝色为剧烈活动强度。排除噪声数据的影响,由图6、7可知低等活动强度范围为CH′L=(VM′,DI′)={-1.4≤VM′≤-0.1,-1.6≤DI′≤-0.5};中等活动强度范围为CH′M=(VM′,DI′)={-0.5≤VM′≤1,-0.5≤DI′≤0.5};高等活动强度范围为CH′H=(VM′,DI′)={-0.3≤VM′≤1.5,0.5≤DI′≤1.7};剧烈活动强度范围为CH′f=(VM′,DI′)={1.1≤VM′≤2.8,0.9≤DI′≤2.8}。
采用活动指数进行人活动量监测的可行性检验主要从两方面进行:
1.人日常活动量监测可行性检验。选取人三天内的活动量指数与计步器步数数据,并采用Bland-Altman方法对其进行一致性评价。其评价结果如图8所示。从图中可以看出活动量数据(测量结果均值,测量结果差值)有97%均落在了95%的一致性界线内,因此在可接受的偏倚程度内(即可接受的显著性水平为95%),认为活动指数可以替代计步器对人的日常活动量进行监测。
2.人运动的活动量监测可行性检验。选取人在运动过程中的活动指数与计步器数据,并按1中方法对其进行一致性评价。结果如图9所示。从图中可以看出在可接受的偏倚程度内,认为采用活动指数可以替代计步器对人的运动活动量进行监测。
人活动量监测结果:将10人在15天内的运动量监测数据,与计步器的判定结果对比。活动指数共43次准确判定出人的活动量,8次未准确判定出人的活动量,活动量监测准确率为84.32%;1934次准确判断出人保持某一动作的活动量,115次将保持某一动作的活动量认定为人动作时的活动量,活动量监测误判率为5.61%。
人体活动量监测方法实施例:
本实施例中人体活动量监测方法包括以下步骤:
1)获取人的三轴加速度数据和位置数据;
2)根据获取的三轴加速度数据和位置数据,根据预设的三轴加速度数据、位置数据和运动强度的对应关系,判定人体活动量。
本实施例人体活动量监测方法已经在人体活动量监测装置中说明,此处不再赘述。
Claims (9)
1.一种人体活动量监测方法,其特征在于,包括以下步骤:
1)获取人的三轴加速度数据和位置数据;
2)根据获取的三轴加速度数据和位置数据,根据预设的三轴加速度数据、位置数据和运动强度的对应关系,判定人体活动量。
2.根据权利要求1所述的人体活动量监测方法,其特征在于,所述运动强度对应至少2个运动强度等级,每个运动强度等级对应相应的三轴加速度变化范围和位置变化范围,通过计算三轴加速度变化量和位置变化量确定其所落入的变化范围,进而确定所属的运动强度等级。
3.根据权利要求2所述的人体活动量监测方法,其特征在于,判定人体活动量的方法包括:
为每个采样点赋予一个强度值,该强度值等于该采样点所属运动强度等级的强度值;
在设定时间内,统计属于某个运动强度等级的所有采样点的强度值之和,作为该运动强度等级的加权强度;
将各运动等级对应的加权强度进行叠加,以判定人体活动量。
6.根据权利要求2所述的人体活动量监测方法,其特征在于,利用k-means算法确定各运动强度等级对应的三轴加速度变化范围和位置变化范围。
7.一种人体活动量监测装置,包括三轴加速度传感器、定位传感器、存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序,其特征在于,三轴加速度传感器用于采集人的三轴加速度数据,并传输给处理器;定位传感器用于采集人的位置数据,并传输给控制器;所述处理器在执行所述计算机程序时实现如权利要求1-6中任一项所述的人体活动量监测方法。
8.根据权利要求7所述的人体活动量监测装置,其特征在于,所述定位传感器为GPS传感器。
9.根据权利要求7所述的人体活动量监测装置,其特征在于,所述定位传感器为室内定位传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911418542.XA CN111214235A (zh) | 2019-12-31 | 2019-12-31 | 一种人体活动量监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911418542.XA CN111214235A (zh) | 2019-12-31 | 2019-12-31 | 一种人体活动量监测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111214235A true CN111214235A (zh) | 2020-06-02 |
Family
ID=70825951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911418542.XA Pending CN111214235A (zh) | 2019-12-31 | 2019-12-31 | 一种人体活动量监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111214235A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967801A (zh) * | 2021-01-28 | 2021-06-15 | 安徽华米健康科技有限公司 | Pai值处理方法、装置、设备和存储介质 |
CN113849062A (zh) * | 2021-11-24 | 2021-12-28 | 深圳维特智能科技有限公司 | 基于嵌入式系统加速度及姿态角度的动态节能方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008086479A (ja) * | 2006-09-29 | 2008-04-17 | Matsushita Electric Works Ltd | 活動量計測システム |
US20100056872A1 (en) * | 2008-08-29 | 2010-03-04 | Philippe Kahn | Sensor Fusion for Activity Identification |
CN206026334U (zh) * | 2016-05-03 | 2017-03-22 | 广东乐心医疗电子股份有限公司 | 一种运动量检测装置以及包括该装置的智能可穿戴设备 |
US20170188895A1 (en) * | 2014-03-12 | 2017-07-06 | Smart Monitor Corp | System and method of body motion analytics recognition and alerting |
JP2019160006A (ja) * | 2018-03-15 | 2019-09-19 | 花王株式会社 | 疾病予防支援方法、疾病予防支援装置及び疾病予防支援システム |
-
2019
- 2019-12-31 CN CN201911418542.XA patent/CN111214235A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008086479A (ja) * | 2006-09-29 | 2008-04-17 | Matsushita Electric Works Ltd | 活動量計測システム |
US20100056872A1 (en) * | 2008-08-29 | 2010-03-04 | Philippe Kahn | Sensor Fusion for Activity Identification |
US20170188895A1 (en) * | 2014-03-12 | 2017-07-06 | Smart Monitor Corp | System and method of body motion analytics recognition and alerting |
CN206026334U (zh) * | 2016-05-03 | 2017-03-22 | 广东乐心医疗电子股份有限公司 | 一种运动量检测装置以及包括该装置的智能可穿戴设备 |
JP2019160006A (ja) * | 2018-03-15 | 2019-09-19 | 花王株式会社 | 疾病予防支援方法、疾病予防支援装置及び疾病予防支援システム |
Non-Patent Citations (1)
Title |
---|
邓志等: "基于PAM-RF的奶牛活动异常情况监测", 《广东农业科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112967801A (zh) * | 2021-01-28 | 2021-06-15 | 安徽华米健康科技有限公司 | Pai值处理方法、装置、设备和存储介质 |
CN113849062A (zh) * | 2021-11-24 | 2021-12-28 | 深圳维特智能科技有限公司 | 基于嵌入式系统加速度及姿态角度的动态节能方法及装置 |
CN113849062B (zh) * | 2021-11-24 | 2022-03-04 | 深圳维特智能科技有限公司 | 基于嵌入式系统加速度及姿态角度的动态节能方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220241641A1 (en) | Systems and Methods of Swimming Analysis | |
EP2802255B1 (en) | Activity classification in a multi-axis activity monitor device | |
Luo et al. | Temporal convolutional networks for multiperson activity recognition using a 2-d lidar | |
EP2628101B1 (en) | Portable wireless mobile device motion capture data mining system and method | |
US9604142B2 (en) | Portable wireless mobile device motion capture data mining system and method | |
CN108413968B (zh) | 一种运动识别的方法和系统 | |
US20140358473A1 (en) | Dynamic sampling | |
CN108171278B (zh) | 一种基于运动训练数据的运动模式识别方法和系统 | |
US20030151554A1 (en) | System, method, and product for automated workout assessment of athletic physical training | |
CN103049751A (zh) | 一种改进的加权区域匹配高空视频行人识别方法 | |
CN102198003A (zh) | 肢体运动检测评估网络系统及其方法 | |
US11918856B2 (en) | System and method for estimating movement variables | |
CN111879305B (zh) | 一种面向高危生产环境的多模态感知定位模型与系统 | |
CN111214235A (zh) | 一种人体活动量监测方法及装置 | |
CN108629170A (zh) | 身份识别方法以及相应的装置、移动终端 | |
CN109164411A (zh) | 一种基于多数据融合的人员定位方法 | |
CN111208508A (zh) | 运动量测量方法、装置及电子设备 | |
CN105975967A (zh) | 一种目标定位方法和系统 | |
CN110471529A (zh) | 动作评分方法及装置 | |
JP5118620B2 (ja) | 動態認識装置、動態認識システムおよび動態認識方法 | |
CN110388926A (zh) | 一种基于手机地磁和场景图像的室内定位方法 | |
CN115497596A (zh) | 一种基于物联网的人体运动过程姿态纠正方法及系统 | |
CN105574471B (zh) | 用户行为数据的上传方法、用户行为的识别方法及装置 | |
CN114341947A (zh) | 用于使用可穿戴设备的锻炼类型辨识的系统和方法 | |
CN105825631B (zh) | 基于视频智能算法的疲劳检测方法及系统 |
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 |
Application publication date: 20200602 |
|
RJ01 | Rejection of invention patent application after publication |