CN111223549B - 一种基于姿态矫正的疾病预防的移动端系统及方法 - Google Patents
一种基于姿态矫正的疾病预防的移动端系统及方法 Download PDFInfo
- Publication number
- CN111223549B CN111223549B CN201911393500.5A CN201911393500A CN111223549B CN 111223549 B CN111223549 B CN 111223549B CN 201911393500 A CN201911393500 A CN 201911393500A CN 111223549 B CN111223549 B CN 111223549B
- Authority
- CN
- China
- Prior art keywords
- user
- gesture
- module
- model
- mobile terminal
- 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
Links
Images
Classifications
-
- 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
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Physical Education & Sports Medicine (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于姿态矫正的疾病预防的移动端系统,包括数据训练模块,模型转换模块,行为获取模块,行为识别模块,数据分析模块;所述数据训练模块,其用于得到图片数据训练集,骨骼的关键点检测,关键点的特征向量的提取和神经网络的分类;所述模型转换模块,其用于识别模型和模型转换;所述行为获取模块,其用于获取用户目前姿态和截取图像;所述行为识别模块,其用于特征向量的提取,特征向量导入模型和姿态识别;所述数据分析模块,其用于姿态分析和显示动作。本发明可以有效的缓解当代人由于长时间玩手机而引发的颈椎病和近视眼的问题,并且本发明方便携带,可以直接在简单的移动设备上就可以实现。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于姿态矫正的疾病预防的移动端系统及方法。
背景技术
现如今,手机的功能越来越多,发消息玩游戏听音乐看新闻,人们越来越难离开手机,低头族在地铁,公交车站等各个地方随处可见,在人们沉浸于手机带来的快乐和便利的时候,非常容易忘记时间,长时间的盯着手机和姿势的不准确,会导致人们越来越容易患上颈椎病和近视眼。
现在的姿态识别都是在特定的较为大型的机器上(如kinect),基于x86的架构上来保证识别的流畅性和准确性,但是其缺点在于不方便携带,不够便捷。因此,为保证可以实时的对玩手机的群体进行姿态矫正并预防颈椎病,方便可携带的设备显得十分重要。
发明内容
本发明涉及的是人工智能技术领域,具体的是通过简单便携的嵌入式单片机来通过人的姿态识别进行每隔一段时间的颈椎运动和眼保健操运动并进行动作矫正,从而避免当代人由于长时间玩手机而引发的颈椎病和近视眼的问题。
本发明目的:错误的眼保健操和颈椎活动反而会对眼睛和颈椎造成压力,起不到预防和保护的作用。而借助姿态识别来纠正姿势需要利用特定的设备,没办法实现随时随地的效果。针对这些问题,本发明给出了一种在移动端定时的进行眼保健操和颈椎活动提醒,并且打开移动设备的摄像头对使用者进行眼保健操和颈椎活动矫正的方法。
本发明提出了一种基于姿态矫正的疾病预防的移动端系统,包括数据训练模块,模型转换模块,行为获取模块,行为识别模块,数据分析模块;其中,
所述数据训练模块,其用于得到图片数据训练集,骨骼的关键点检测,关键点的特征向量的提取和神经网络的分类;
所述模型转换模块,其用于识别模型和模型转换;
所述行为获取模块,其用于获取用户目前姿态和截取图像;
所述行为识别模块,其用于特征向量的提取,特征向量导入模型和姿态识别;
所述数据分析模块,其用于姿态分析和显示动作。
本发明中,所述关键点的特征向量的提取,先对得到的图片数据训练集进行预处理,得到相同大小的图片,利用网络层数对图片进行提取,得到图片的特征,并使图片特征通过连续的多阶网络进行处理,将结果连接起来形成人的姿势骨架。
本发明中,所述模型转换,选择MobileNet-SSD作为神经网络模型,将训练文件低秩因子分解,执行向前网络。
本发明中,在用户设置好触发时间后,该系统是一个强制的运行程序,先对用户发出特定的指令,检测识别的准确度和流畅度是否达到阈值,若没有达到阈值,将重新进行识别,若达到阈值,用户可选择要进行的预防疾病的训练,并进行下一步的训练。
本发明中,所述姿态分析,对于被识别对象的现有姿态进行分析,指导被识别对象完成相应的动作。
本发明中,所述显示动作,将被识别对象的动作与软件发出指令进行对比,判断被识别对象完成的动作是否准确,分析完成后进行下一步动作或者结束程序。
基于以上系统,本发明还提出了一种基于姿态矫正的疾病预防的移动端方法,包括以下:
数据训练模块:
步骤1.1,初始化移动设备;
步骤1.2,用户持该移动设备完成指定的动作,通过移动设备的摄像头采集该动作的图像;
步骤1.3,将该图像进行数据预处理,把图像处理成统一的大小,并且对图像所涉及的关节进行标注,利用VGG-19网络的前10层对图片进行处理,得到图片的特征F;
步骤1.4,特征F通过一个连续的多阶段网络进行处理,网络的每个阶段包含了两个分支,其输入结果分别为CNN_S,CNN_L和L;
步骤1.5,通过L,评估两个输入结果CNN_S和CNN_L两个坐标点连接起来的可能性,将其连接起来,形成人的姿势骨架,将得到处理后的数据作为行为姿态样本数据用于训练;
步骤1.6,将得到的大量数据进行多层的训练,得到一个训练好的模型文件;
模型转换模块:
步骤2.1,导入并读取训练好的模型文件,识别模型网络中的张量数据的类型/格式、运算单元的类型和参数、计算图的结构和命名规范,以及它们之间的其他关联信息;
步骤2.2,选择MobileNet-SSD作为神经网络模型,其中MobiletNet-SSD网络模型为T1层的卷积层和T2层的全连接层,其中卷积层的输出作为全连接层的输入,将训练好的文件通过低秩因子分解,对参数进行分解估计信息参数,去除冗余和不必要的参数;
步骤2.3,执行向前网络,获得计算结果;
行为获取模块:
步骤3.1,开启移动端所选用的单片机U1,其中它的时钟电路包括时钟芯片U2,以及与时钟芯片U2相连的晶振T2,时钟电路U3通过SCLK、I/O、CE管脚与单片机U1相连,为单片机U1提供时钟时间;
步骤3.2,用户设置好每次的间隔时间,则每隔一段时间就会触发一次中断,用户同样可以设置这个中断的优先级,如果碰上更优先于这个中断的程序,那么这个中断将不会发生;
步骤3.3,用户在中断发生后,进入界面。后台获取用户目前姿态;
步骤3.4,截取用户的当前姿态;
行为识别模块:
步骤4.1,用户将进入系统屏幕指定的框中,保证面部及肢体的关节都能被识别到,提取用户的特征向量;
步骤4.2,根据提取到的用户的特征向量导入模型;
步骤4.3,对用户进行姿态识别,如果未被识别,系统将会提醒,并让用户重新进入屏幕所示的指定框中,重新返回步骤4.1,直至识别为止;
数据分析模块:
步骤5.1,系统将进行第一个动作,用户需要根据系统指令完成相应的动作,同时系统将再次识别在动态的情况下,用户的姿态识别的准确度和流畅度是否高于阈值:如果用户的姿态识别的准确度和流畅度高于阈值,那么用户将会进入步骤5.2;如果用户的姿态识别的准确度和流畅度低于阈值,则系统将会重新进入识别步骤4.1;
步骤5.2,系统展示正确的眼保健操动作,用户根据指定的命令跟着完成,如果姿势标准,系统将会进行下一个动作并记录在后台,如果经过检测,姿态不标准,将会要求重新跟着系统再次完成该动作,并且语音播报不标准的位置;
步骤5.3,在完成眼保健操动作后,系统展示正确的颈椎训练姿势,用户跟着指令完成动作,如果检测,动作不合格,则无法进入下一个步骤,并且系统语音播报动作不标准的位置,如果检测合格,则可以直接进入下一步,并记录在后台;
步骤5.4,在完成步骤5.2和步骤5.3之后,中断将会关闭,系统会继续中断之前的状态。
该发明在保证流畅性和准确性的前提下将较为庞大的神经网络系统移植到方便携带且便宜的嵌入式设备上,设计出了一款可以在手机上就可以完成的预防颈椎病和近视的软件,便携性和准确性是这种新型实用型发明的主要优势,对于保障人们的健康显得尤为重要。
与现有的技术相比,本发明的优势在于:
适用性强,方便携带,将不再需要特定的大型的设备需求,设备简单,只需要简单的单片机以及可以识别人的摄像头即可,同时保障了在架构改变的同时识别的流畅性和稳定性。
在大家离不开手机的时代里,时时刻刻便捷的提醒使用者,使得使用者在享受手机带来的便利的同时,可以最大程度避免手机为我们带来的伤害。
定时提醒和优先级的设计使得使用者可以不忘记进行实时的休息,但是也不会影响实用者的其他用户体验。
附图说明
图1为本发明的系统的整体架构图。
图2为用户使用本发明时的后台整体流程。
图3为本发明的系统页面架构图。
图4为本发明所用的硬件电路模块图。
具体实施方式
结合以下具体实施例和附图,对发明作进一步的详细说明。实施本发明的过程、条件、实验方法等,除以下专门提及的内容之外,均为本领域的普遍知识和公知常识,本发明没有特别限制内容。
本发明提出了一种基于姿态矫正的疾病预防的移动端系统及方法,包括了以下几个模块:数据训练模块,模型转换模块,行为获取模块,行为识别模块,数据分析模块。
其中,数据训练模块包括:
步骤1,初始化移动设备;
步骤2,用户持该移动设备完成指定的动作,通过移动设备的摄像头采集该动作的图像;
步骤3,将该图像进行数据预处理,把图像处理成统一的大小,并且对图像所涉及的关节进行标注,利用VGG-19网络的前10层对图片进行处理,得到图片的特征F;
步骤4,特征F通过一个连续的多阶段网络进行处理,网络的每个阶段包含了两个分支,其输入结果分别为CNN_S,CNN_L和L。
步骤5,通过L,评估两个输入结果CNN_S和CNN_L两个坐标点连接起来的可能性,将其连接起来,形成人的姿势骨架,将得到处理后的数据作为行为姿态样本数据用于训练;
步骤6,将得到的大量数据进行多层的训练,得到一个训练好的模型文件。
模型转换模块包括:
步骤1,导入并读取训练好的模型文件,识别模型网络中的张量数据的类型/格式、运算单元的类型和参数、计算图的结构和命名规范,以及它们之间的其他关联信息。
步骤2,选择MobileNet-SSD作为神经网络模型,其中MobiletNet-SSD网络模型为T1层的卷积层和T2层的全连接层,其中卷积层的输出作为全连接层的输入,将训练好的文件通过低秩因子分解,对参数进行分解估计信息参数,去除冗余和不必要的参数。
步骤3执行向前网络,获得计算结果。
行为获取模块:
步骤1开启移动端所选用的单片机U1,其中它的时钟电路包括时钟芯片U2,以及与时钟芯片U2相连的晶振T2,时钟电路U3通过SCLK、I/O、CE管脚与单片机U1相连,为单片机U1提供时钟时间。
步骤2用户设置好每次的间隔时间,则每隔一段时间就会触发一次中断,用户同样可以设置这个中断的优先级,如果碰上更优先于这个中断的程序,那么这个中断将不会发生;
步骤3用户在中断发生后,进入界面。后台获取用户目前姿态;
步骤4截取用户的当前姿态。
识别步骤包括:
步骤1用户将进入系统屏幕指定的框中,保证面部及肢体的关节都能被识别到,提取用户的特征向量。
步骤2根据提取到的用户的特征向量导入模型;
步骤3对用户进行姿态识别;
如果未被识别,系统将会提醒,并让用户重新进入屏幕所示的指定框中,重新返回步骤1,直至识别为止。
数据分析模块包括:
步骤1系统将进行第一个动作,用户需要根据系统指令完成相应的动作,同时系统将再次识别在动态的情况下,用户的姿态识别的准确度和流畅度是否高于阈值;
如果用户的姿态识别的准确度和流畅度高于阈值,那么用户将会进入步骤2。
如果用户的姿态识别的准确度和流畅度低于阈值,则系统将会重新进入识别步骤
步骤2系统展示正确的眼保健操动作,用户根据指定的命令跟着完成,如果姿势标准,系统将会进行下一个动作并记录在后台,如果经过检测,姿态不标准,将会要求重新跟着系统再次完成该动作,并且语音播报不标准的位置。
步骤3在完成眼保健操动作后,系统展示正确的颈椎训练姿势,用户跟着指令完成动作,如果检测,动作不合格,则无法进入下一个步骤,并且系统语音播报动作不标准的位置,如果检测合格,则可以直接进入下一步,并记录在后台。
步骤4在完成步骤2和步骤3之后,中断将会关闭,系统会继续中断之前的状态。
实施例
下面结合附图,对本发明做进一步的说明:
如图1所示,本发明包括五个模块,分别为数据训练模块,模型转换模块,行为获取模块,行为识别模块,数据分析模块。将数据训练集得到的模型转换为可以在嵌入式中适用的模型,获取到用户的行为之后进行用户的行为识别,通过数据分析显示出用户的动作。
所述的数据训练模块包括形成图片数据训练集,检测骨骼关键点,特征向量的提取和神经网络分类。
所述的模型转换模块分为识别导入的模型和模型转换。
所述的行为获取模块包括获取用户目前姿态和截取图像,行为识别模块包括特征向量的提取,特征向量导入模型和姿态识别。在行为识别模块识别出结果后就,进入数据分析模块,对识别出的姿态进行分析,并显示动作。
如图2所示,当用户使用本发明时,在设置好初始状态后,系统进入定时模式,开启摄像头。判断摄像头前是否有人,若没有检测到人,将重新判断,当检测到有人的时候,选定目标,并对用户发出特定的指令。用户根据指示完成之后,系统通过得到的关节点判断识别是否准确,若识别准确则进入项目选择,用户可以选择是进行眼保健操的动作识别还是颈椎放松的动作识别。选择完成后,开始训练。当用户姿态不准确时,系统将会提示,并且希望用户重复上一个动作,直至所有动作完成,系统解锁定时强制。
如图3所示,界面包括登录界面,注册界面,主界面,训练活动界面和历史数据界面。当新用户使用时,可进入注册界面注册即可,若是老用户,进入登录界面即可获得个人信息。登录之后进入主界面,可查看个人信息,选择要进行的运动,并开始训练,进入到训练活动界面。在训练活动界面中,用户可以得到自己运动姿态的反馈,并且对不标准的动作进行纠正。当训练结束后,训练的数据将会存储在后台,用户可以进入历史数据界面查看。
如图4所示,是本发明采用的硬件模块的模块图。采用的是RK3399的单片机,该单片机模块外接了一块显示屏,一个摄像头。在显示屏上可以显示用户需要操作的交互界面,摄像头可以实时的读取用户的姿态信息。
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下,本领域技术人员能够想到的变化和优点都被包括在本发明中,并且以所附的权利要求书为保护范围。
Claims (7)
1.一种基于姿态矫正的疾病预防的移动端方法,其特征在于,包括以下:
数据训练模块:
步骤1.1,初始化移动设备;
步骤1.2,用户持该移动设备完成指定的动作,通过移动设备的摄像头采集该动作的图像;
步骤1.3,将该图像进行数据预处理,把图像处理成统一的大小,并且对图像所涉及的关节进行标注,利用VGG-19网络的前10层对图片进行处理,得到图片的特征F;
步骤1.4,特征F通过一个连续的多阶段网络进行处理,网络的每个阶段包含了两个分支,其输入结果分别为CNN_S,CNN_L和L;
步骤1.5,通过L,评估两个输入结果CNN_S和CNN_L两个坐标点连接起来的可能性,将其连接起来,形成人的姿势骨架,将得到处理后的数据作为行为姿态样本数据用于训练;
步骤1.6,将得到的大量数据进行多层的训练,得到一个训练好的模型文件;
模型转换模块:
步骤2.1,导入并读取训练好的模型文件,识别模型网络中的张量数据的类型/格式、运算单元的类型和参数、计算图的结构和命名规范,以及它们之间的其他关联信息;
步骤2.2,选择MobileNet-SSD作为神经网络模型,其中MobiletNet-SSD网络模型为T1层的卷积层和T2层的全连接层,其中卷积层的输出作为全连接层的输入,将训练好的文件通过低秩因子分解,对参数进行分解估计信息参数,去除冗余和不必要的参数;
步骤2.3,执行向前网络,获得计算结果;
行为获取模块:
步骤3.1,开启移动端所选用的单片机U1,其中它的时钟电路包括时钟芯片U2,以及与时钟芯片U2相连的晶振T2,时钟电路U3通过SCLK、I/O、CE管脚与单片机U1相连,为单片机U1提供时钟时间;
步骤3.2,用户设置好每次的间隔时间,则每隔一段时间就会触发一次中断,用户同样可以设置这个中断的优先级,如果碰上更优先于这个中断的程序,那么这个中断将不会发生;
步骤3.3,用户在中断发生后,进入界面;后台获取用户目前姿态;
步骤3.4,截取用户的当前姿态;
行为识别模块:
步骤4.1,用户将进入系统屏幕指定的框中,保证面部及肢体的关节都能被识别到,提取用户的特征向量;
步骤4.2,根据提取到的用户的特征向量导入模型;
步骤4.3,对用户进行姿态识别,如果未被识别,系统将会提醒,并让用户重新进入屏幕所示的指定框中,重新返回步骤4.1,直至识别为止;
数据分析模块:
步骤5.1,系统将进行第一个动作,用户需要根据系统指令完成相应的动作,同时系统将再次识别在动态的情况下,用户的姿态识别的准确度和流畅度是否高于阈值:如果用户的姿态识别的准确度和流畅度高于阈值,那么用户将会进入步骤5.2;如果用户的姿态识别的准确度和流畅度低于阈值,则系统将会重新进入识别步骤4.1;
步骤5.2,系统展示正确的眼保健操动作,用户根据指定的命令跟着完成,如果姿势标准,系统将会进行下一个动作并记录在后台,如果经过检测,姿态不标准,将会要求重新跟着系统再次完成该动作,并且语音播报不标准的位置;
步骤5.3,在完成眼保健操动作后,系统展示正确的颈椎训练姿势,用户跟着指令完成动作,如果检测,动作不合格,则无法进入下一个步骤,并且系统语音播报动作不标准的位置,如果检测合格,则可以直接进入下一步,并记录在后台;
步骤5.4,在完成步骤5.2和步骤5.3之后,中断将会关闭,系统会继续中断之前的状态。
2.根据权利要求1所述的基于姿态矫正的疾病预防的移动端方法,其特征在于,所述移动端方法采用基于姿态矫正的疾病预防的移动端系统,所述移动端系统包括数据训练模块,模型转换模块,行为获取模块,行为识别模块,数据分析模块;其中,
所述数据训练模块,其用于得到图片数据训练集,骨骼的关键点检测,关键点的特征向量的提取和神经网络的分类;
所述模型转换模块,其用于识别模型和模型转换;
所述行为获取模块,其用于获取用户目前姿态和截取图像;
所述行为识别模块,其用于特征向量的提取,特征向量导入模型和姿态识别;
所述数据分析模块,其用于姿态分析和显示动作。
3.根据权利要求2所述的基于姿态矫正的疾病预防的移动端方法,其特征在于,所述关键点的特征向量的提取,先对得到的图片数据训练集进行预处理,得到相同大小的图片,利用网络层数对图片进行提取,得到图片的特征,并使图片特征通过连续的多阶网络进行处理,将结果连接起来形成人的姿势骨架。
4.根据权利要求2所述的基于姿态矫正的疾病预防的移动端方法,其特征在于,所述模型转换,选择MobileNet-SSD作为神经网络模型,将训练文件低秩因子分解,执行向前网络。
5.根据权利要求2所述的基于姿态矫正的疾病预防的移动端方法,其特征在于,在用户设置好触发时间后,该系统是一个强制的运行程序,先对用户发出特定的指令,检测识别的准确度和流畅度是否达到阈值,若没有达到阈值,将重新进行识别,若达到阈值,用户可选择要进行的预防疾病的训练,并进行下一步的训练。
6.根据权利要求2所述的基于姿态矫正的疾病预防的移动端方法,其特征在于,所述姿态分析,对于被识别对象的现有姿态进行分析,指导被识别对象完成相应的动作。
7.根据权利要求2所述的基于姿态矫正的疾病预防的移动端方法,其特征在于,所述显示动作,将被识别对象的动作与软件发出指令进行对比,判断被识别对象完成的动作是否准确,分析完成后进行下一步动作或者结束程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911393500.5A CN111223549B (zh) | 2019-12-30 | 2019-12-30 | 一种基于姿态矫正的疾病预防的移动端系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911393500.5A CN111223549B (zh) | 2019-12-30 | 2019-12-30 | 一种基于姿态矫正的疾病预防的移动端系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111223549A CN111223549A (zh) | 2020-06-02 |
CN111223549B true CN111223549B (zh) | 2023-05-12 |
Family
ID=70828004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911393500.5A Active CN111223549B (zh) | 2019-12-30 | 2019-12-30 | 一种基于姿态矫正的疾病预防的移动端系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111223549B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113040755B (zh) * | 2020-10-28 | 2022-01-04 | 北京新赛点体育投资股份有限公司 | 应用网络监控的状态调整平台及方法 |
IT202100003146A1 (it) | 2021-02-12 | 2022-08-12 | Demasystem Srl | Metodo e piattaforma digitale associata per il monitoraggio e la correzione della postura di operatori in un ambiente lavorativo |
CN113986009A (zh) * | 2021-10-27 | 2022-01-28 | 北京有竹居网络技术有限公司 | 一种展示状态控制方法、装置、计算机设备及存储介质 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102186027A (zh) * | 2011-04-22 | 2011-09-14 | 深圳创维-Rgb电子有限公司 | 一种预防眼疲劳的电视机及其预防方法 |
CN103513768B (zh) * | 2013-08-30 | 2016-08-24 | 展讯通信(上海)有限公司 | 一种基于移动终端姿态变化的控制方法及装置、移动终端 |
CN105278809A (zh) * | 2015-09-28 | 2016-01-27 | 小米科技有限责任公司 | 阅读提醒方法及装置 |
CN105787439B (zh) * | 2016-02-04 | 2019-04-05 | 广州新节奏智能科技股份有限公司 | 一种基于卷积神经网络的深度图像人体关节定位方法 |
CN106037752A (zh) * | 2016-06-29 | 2016-10-26 | 广东威尔医院有限公司 | 一种便携式颈椎康复辅助设备及系统 |
CN106228109A (zh) * | 2016-07-08 | 2016-12-14 | 天津大学 | 一种基于骨骼运动轨迹的动作识别方法 |
CN106502859A (zh) * | 2016-10-11 | 2017-03-15 | 北京小米移动软件有限公司 | 控制终端设备的方法及装置 |
CN108170258A (zh) * | 2016-12-06 | 2018-06-15 | 宋杰 | 一种智能手机护眼系统以及护眼方法 |
CN106650655A (zh) * | 2016-12-16 | 2017-05-10 | 北京工业大学 | 一种基于卷积神经网络的动作检测模型 |
CN107392131A (zh) * | 2017-07-14 | 2017-11-24 | 天津大学 | 一种基于人体骨骼节点距离的动作识别方法 |
CN107948399A (zh) * | 2017-10-31 | 2018-04-20 | 广东小天才科技有限公司 | 移动终端的护眼方法、装置、移动终端及存储介质 |
CN108519813A (zh) * | 2018-03-21 | 2018-09-11 | 桂林理工大学 | 一种基于手持智能设备的保护颈椎方法 |
CN108577852B (zh) * | 2018-04-18 | 2024-03-15 | 杭州市萧山区中医院 | 颈椎活动提示方法及颈椎活动检测系统 |
CN108764139B (zh) * | 2018-05-29 | 2021-01-29 | Oppo(重庆)智能科技有限公司 | 一种人脸检测方法、移动终端及计算机可读存储介质 |
CN109222985A (zh) * | 2018-10-30 | 2019-01-18 | 吉林大学 | 一种适用于颈椎病预防和康复锻炼的监护装置 |
CN109685037B (zh) * | 2019-01-08 | 2021-03-05 | 北京汉王智远科技有限公司 | 一种实时动作识别方法、装置及电子设备 |
CN109829422A (zh) * | 2019-01-28 | 2019-05-31 | 哈尔滨工业大学 | 一种基于脉冲神经网络人体摔倒动作的视频识别方法 |
CN109886139A (zh) * | 2019-01-28 | 2019-06-14 | 平安科技(深圳)有限公司 | 人体检测模型生成方法、排污口异常检测方法以及装置 |
CN109842726A (zh) * | 2019-01-30 | 2019-06-04 | 龙马智芯(珠海横琴)科技有限公司 | 一种终端设备的使用控制方法及其终端设备 |
CN109948459B (zh) * | 2019-02-25 | 2023-08-25 | 广东工业大学 | 一种基于深度学习的足球动作评估方法与系统 |
CN110085297A (zh) * | 2019-04-29 | 2019-08-02 | 郑州大学 | 一种基于云平台的颈椎运动功能评测与训练系统 |
CN110070070B (zh) * | 2019-04-30 | 2021-03-02 | 苏州大学 | 一种动作识别方法 |
CN110110646B (zh) * | 2019-04-30 | 2021-05-04 | 浙江理工大学 | 一种基于深度学习的手势图像关键帧提取方法 |
CN115205958A (zh) * | 2021-04-14 | 2022-10-18 | 范臻君 | 一种利用移动设备检测人体动作并反馈的方法 |
-
2019
- 2019-12-30 CN CN201911393500.5A patent/CN111223549B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111223549A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111223549B (zh) | 一种基于姿态矫正的疾病预防的移动端系统及方法 | |
US11380316B2 (en) | Speech interaction method and apparatus | |
CN111563487B (zh) | 基于姿态识别模型的舞蹈评分方法及相关设备 | |
US10318797B2 (en) | Image processing apparatus and image processing method | |
CN112237730B (zh) | 健身动作纠正方法及电子设备 | |
CN109472217B (zh) | 智能化运动训练模型构建方法及装置、训练方法及装置 | |
CN110110118A (zh) | 妆容推荐方法、装置、存储介质及移动终端 | |
CN110174942B (zh) | 眼动合成方法及装置 | |
CN108536293B (zh) | 人机交互系统、方法、计算机可读存储介质及交互装置 | |
CN109087225A (zh) | 一种基于家教设备的学习控制方法及家教设备 | |
CN105068646A (zh) | 终端的控制方法和系统 | |
CN111126280A (zh) | 基于融合手势识别的失语症患者辅助康复训练系统及方法 | |
CN112749684A (zh) | 心肺复苏术训练和评估的方法及装置、设备、存储介质 | |
CN115331314A (zh) | 一种基于app筛查功能的运动效果评估方法和系统 | |
CN113873297A (zh) | 一种数字人物视频的生成方法及相关装置 | |
CN104992085A (zh) | 一种基于触摸轨迹跟踪的人体活体检测方法及装置 | |
CN111857338A (zh) | 一种适合大屏幕上使用移动应用的方法 | |
CN110971924B (zh) | 一种直播过程中美颜的方法、设备、存储介质及系统 | |
CN112308880A (zh) | 一种目标用户锁定方法及电子设备 | |
KR102358331B1 (ko) | 동작에 따른 작용 근육 정보를 이용한 운동 자세 교정 보조 방법 및 장치 | |
CN106295520B (zh) | 一种胖瘦检测方法及移动终端 | |
CN116130088A (zh) | 多模态面诊问诊方法、装置及相关设备 | |
CN113723227A (zh) | 识别动态手势的方法 | |
KR20200085006A (ko) | 미용 기술 스마트러닝 시스템 및 방법 | |
CN117195870A (zh) | 文本纠错方法、装置、电子设备及可读存储介质 |
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 |