CN111339838A - 一种基于信息融合的猪行为识别方法及系统 - Google Patents
一种基于信息融合的猪行为识别方法及系统 Download PDFInfo
- Publication number
- CN111339838A CN111339838A CN202010084842.5A CN202010084842A CN111339838A CN 111339838 A CN111339838 A CN 111339838A CN 202010084842 A CN202010084842 A CN 202010084842A CN 111339838 A CN111339838 A CN 111339838A
- Authority
- CN
- China
- Prior art keywords
- historical
- current
- peak
- pig
- acceleration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000004927 fusion Effects 0.000 title claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 77
- 230000000694 effects Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000003068 static effect Effects 0.000 claims abstract description 12
- 230000001133 acceleration Effects 0.000 claims description 71
- 238000011977 dual antiplatelet therapy Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 24
- DWJXYEABWRJFSP-XOBRGWDASA-N DAPT Chemical compound N([C@@H](C)C(=O)N[C@H](C(=O)OC(C)(C)C)C=1C=CC=CC=1)C(=O)CC1=CC(F)=CC(F)=C1 DWJXYEABWRJFSP-XOBRGWDASA-N 0.000 claims description 18
- 206010000117 Abnormal behaviour Diseases 0.000 abstract description 7
- 230000006399 behavior Effects 0.000 description 103
- 230000033001 locomotion Effects 0.000 description 29
- 241000282887 Suidae Species 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 210000000544 articulatio talocruralis Anatomy 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000012173 estrus Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Animal Husbandry (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于信息融合的猪行为识别方法及系统，包括：获取以往猪活动过程中历史猪行为数据；根据历史猪行为数据确定历史加速度‑时间曲线；根据历史曲线确定历史相邻波峰间隔集合以及历史相邻波峰波谷差值集合；然后训练卷积神经网络，得训练好的卷积神经网络；获取当前猪行为数据；根据当前猪行为数据确定当前猪行为标准差；判断标准差是否小于预设标准差阈值；若是则当前猪行为为静止状态；若否则根据当前猪行为数据确定当前加速度‑时间曲线；根据当前曲线确定当前相邻波峰间隔集合以及当前相邻波峰波谷差值集合；然后将上述集合输入到训练好卷积神经网络，得到当前检测结果，通过本发明上述方法能够对猪的异常行为进行识别。
Description
技术领域
本发明涉及猪行为识别技术领域，特别是涉及一种基于信息融合的猪行为 识别方法及系统。
背景技术
在养猪生产活动中，高效、主动的监控猪的各种行为，主动的维护猪的正 常行为，及时准确发现异常行为，对于提高猪的养殖生产效率、提高猪肉的营 养水平十分重要。然而，传统的对猪行为进行识别是通过人工观察，人工观察 猪行为再进行判断识别，不仅费时费力、效率低，而且由于人的时间精力有限， 很容易忽视养殖过程中的一些异常的行为表现，不能及时发现猪的异常行为， 从而造成经济损失。
发明内容
本发明的目的是提供一种基于信息融合的猪行为识别方法及系统，能够对 猪的异常行为进行识别。
为实现上述目的，本发明提供了如下方案：
一种基于信息融合的猪行为识别方法，所述猪行为识别方法包括：
获取以往猪活动过程中历史猪行为数据；所述历史猪行为数据为在预设时 间段内各时刻猪的加速度；
根据所述历史猪行为数据确定历史加速度-时间曲线；
根据所述历史加速度-时间曲线确定历史相邻波峰间隔集合以及历史相邻 波峰波谷差值集合；
根据所述历史相邻波峰间隔集合以及所述历史相邻波峰波谷差值集合训 练卷积神经网络，得到训练好的卷积神经网络；
采用加速度传感器获取当前猪活动过程中的当前猪行为数据；
根据所述当前猪行为数据确定当前猪行为标准差；
判断所述当前猪行为标准差是否小于预设标准差阈值，获得第一判断结 果；
若所述第一判断结果为所述当前猪行为标准差小于预设标准差阈值，所述 当前猪行为为静止状态；
若所述第一判断结果为所述当前猪行为标准差大于或等于预设标准差阈 值，根据所述当前猪行为数据确定当前加速度-时间曲线；
根据所述当前加速度-时间曲线确定当前相邻波峰间隔集合以及当前相邻 波峰波谷差值集合；
将所述当前相邻波峰间隔集合以及所述当前相邻波峰波谷差值集合输入 到训练好卷积神经网络，得到当前检测结果。
可选的，所述根据所述历史加速度-时间曲线确定历史相邻波峰间隔集合 以及历史相邻波峰波谷差值集合，具体包括：
根据所述历史加速度-时间曲线，采用公式IoPt＝Tt-Tt-l确定历史相邻波峰 间隔集合，其中，Tt-l表示第一波峰出现的时间，Tt表示与所述第一波峰相邻 的第二波峰出现的时间，IoPt表示所述第一波峰和所述第二波峰间隔时间，l表 示所述第一波峰和所述第二波峰间的采样点数；
根据所述历史加速度-时间曲线，采用公式DAPTt1＝Sacct1-k1-Sacct1确定历史 相邻波峰-波谷差值集合；其中，Sacct1-k1表示第一波峰值，Sacct1表示与所述第 一波峰值相邻的第一波谷值，DAPTt1表示所述第一波峰值和所述第一波谷值的 差值，k1表示所述第一波峰值和所述第一波谷值间的采样点数；
根据所述历史加速度-时间曲线，采用公式DAPTt2＝Sacct1-Sacct1+k2确定历史 相邻波谷-波峰差值集合；其中，Sacct1表示所述第一波谷值，Sacct1+k2表示与所 述第一波谷值相邻的第二波峰值，DAPTt2表示所述第一波谷值与所述第二波峰 值的差值，k1表示所述第二波峰值和所述第一波谷值间的采样点数。
可选的，所述根据所述历史相邻波峰间隔集合以及所述历史相邻波峰波谷 差值集合训练卷积神经网络，得到训练好卷积神经网络，具体包括：
从所述历史相邻波峰间隔集合以及所述历史相邻波峰波谷差值集合中均 选取预设数量的特征数据；
将所述特征数据输入到卷积神经网络中，获取错误分类率；
判断所述错误分类率是否小于预设分类率阈值，获得第二判断结果；
若所述第二判断结果为所述错误分类率小于预设分类率阈值，所述卷积神 经网络为训练好卷积神经网络；
若所述第二判断结果为所述错误分类率大于或等于预设分类率阈值，将所 述预设数量的值增大，返回步骤“从所述历史相邻波峰间隔集合以及所述历史 相邻波峰波谷差值集合中均选取预设数量的特征数据”。
可选的，所述根据所述当前猪行为数据确定当前猪行为标准差，具体包括：
根据所述当前猪行为数据，采用公式
确定当前猪行为 标准差；其中，SD表示所述当前猪行为标准差，xr表示第r时刻所述当前猪 的加速度，r＝1,2,3…N，N表示预设时间段内所述当前猪的加速度的个数，， μ表示所述当前猪的加速度的均值。
一种基于信息融合的猪行为识别系统，所述猪行为识别系统包括：
历史猪行为数据获取模块，用于获取以往猪活动过程中历史猪行为数据； 所述历史猪行为数据为在预设时间段内各时刻猪的加速度；
历史加速度-时间曲线确定模块，用于根据所述历史猪行为数据确定历史 加速度-时间曲线；
历史相邻集合确定模块，用于根据所述历史加速度-时间曲线确定历史相 邻波峰间隔集合以及历史相邻波峰波谷差值集合；
卷积神经网络训练模块，用于根据所述历史相邻波峰间隔集合以及所述历 史相邻波峰波谷差值集合训练卷积神经网络，得到训练好的卷积神经网络；
当前猪行为数据获取模块，用采用加速度传感器获取当前猪活动过程中的 当前猪行为数据；
当前猪行为标准差确定模块，用于根据所述当前猪行为数据确定当前猪行 为标准差；
第一判断模块，用于判断所述当前猪行为标准差是否小于预设标准差阈 值，获得第一判断结果；
静止状态模块，用于若所述第一判断结果为所述当前猪行为标准差小于预 设标准差阈值，所述当前猪行为为静止状态；
当前加速度-时间曲线确定模块，用于若所述第一判断结果为所述当前猪 行为标准差大于或等于预设标准差阈值，根据所述当前猪行为数据确定当前加 速度-时间曲线；
历当前相邻集合确定模块，用于根据所述当前加速度-时间曲线确定当前 相邻波峰间隔集合以及当前相邻波峰波谷差值集合；
当前检测结果获取模块，用于将所述当前相邻波峰间隔集合以及所述当前 相邻波峰波谷差值集合输入到训练好卷积神经网络，得到当前检测结果。
可选的，所述历史相邻集合确定模块，具体包括：
历史相邻波峰间隔集合确定单元，用于根据所述历史加速度-时间曲线， 采用公式IoPt＝Tt-Tt-l确定历史相邻波峰间隔集合，其中，Tt-l表示第一波峰出 现的时间，Tt表示与所述第一波峰相邻的第二波峰出现的时间，IoPt表示所述 第一波峰和所述第二波峰间隔时间，l表示所述第一波峰和所述第二波峰间的 采样点数；
历史相邻波峰-波谷差值集合确定单元，用于根据所述历史加速度-时间曲 线，采用公式DAPTt1＝Sacct1-k1-Sacct1确定历史相邻波峰-波谷差值集合；其中， Sacct1-k1表示第一波峰值，Sacct1表示与所述第一波峰值相邻的第一波谷值， DAPTt1表示所述第一波峰值和所述第一波谷值的差值，k1表示所述第一波峰值 和所述第一波谷值间的采样点数；
历史相邻波谷-波峰差值集合确定单元，用于根据所述历史加速度-时间曲 线，采用公式DAPTt2＝Sacct1-Sacct1+k2确定历史相邻波谷-波峰差值集合；其中， Sacct1表示所述第一波谷值，Sacct1+k2表示与所述第一波谷值相邻的第二波峰值， DAPTt2表示所述第一波谷值与所述第二波峰值的差值，k1表示所述第二波峰值 和所述第一波谷值间的采样点数。
可选的，所述卷积神经网络训练模块，具体包括：
特征数据获取单元，用于从所述历史相邻波峰间隔集合以及所述历史相邻 波峰波谷差值集合中均选取预设数量的特征数据；
错误分类率获取单元，用于将所述特征数据输入到卷积神经网络中，获取 错误分类率；
第二判断单元，用于判断所述错误分类率是否小于预设分类率阈值，获得 第二判断结果；
卷积神经网络确定单元，用于若所述第二判断结果为所述错误分类率小于 预设分类率阈值，所述卷积神经网络为训练好卷积神经网络；
跳转单元，用于若所述第二判断结果为所述错误分类率大于或等于预设分 类率阈值，将所述预设数量的值增大，返回“特征数据获取单元”。
可选的，所述当前猪行为标准差确定模块，具体包括：
当前猪行为标准差确定单元，用于根据所述当前猪行为数据，采用公式
确定当前猪行为标准差；其中，SD表示所述当前猪行为标 准差，xr表示第r时刻所述当前猪的加速度，r＝1,2,3…N，N表示预设时间 段内所述当前猪的加速度的个数，μ表示所述当前猪的加速度的均值。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供一种基于信息融合的猪行为识别方法及系统，包括：获取以往 猪活动过程中历史猪行为数据；根据历史猪行为数据确定历史加速度-时间曲 线；根据历史曲线确定历史相邻波峰间隔集合以及历史相邻波峰波谷差值集 合；然后训练卷积神经网络，得训练好的卷积神经网络；获取当前猪行为数据； 根据当前猪行为数据确定当前猪行为标准差；判断标准差是否小于预设标准差 阈值；若是则当前猪行为为静止状态；若否，根据当前猪行为数据确定当前加 速度-时间曲线；根据当前曲线确定当前相邻波峰间隔集合以及当前相邻波峰 波谷差值集合；然后将上述集合输入到训练好卷积神经网络，得到当前检测结果，通过本发明上述方法能够对猪的异常行为进行识别。
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为本发明实施例一种基于信息融合的猪行为识别方法的流程图；
图2为本发明实施例CNNs网络结构示意图；
图3为本发明实施例一种基于信息融合的猪行为识别系统的结构示意图。
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。
本发明的目的是提供一种基于信息融合的猪行为识别方法及系统，能够对 猪的异常行为进行识别。
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。
猪行为数据可以转换成数据信息，这些信息是可感知的、非侵入性的，并 且受环境影响较小。通过对感知到的活动信息进行智能的处理分析，为养殖户 提供需要的信息服务，为农产品养殖生产行为的智能化发展提供技术支撑。在 分析加速度信号和猪活动特性的基础上，本发明提供了一种基于信息融合的猪 行为识别方法及系统。
图1为本发明实施例一种基于信息融合的猪行为识别方法的流程图，如图 1所示，本发明所述猪行为识别方法包括：
S1：获取以往猪活动过程中历史猪行为数据；所述历史猪行为数据为在预 设时间段内各时刻猪的加速度。
猪行为数据为获取运动量数据提供了参考标准，也为诊断潜在疾病提供了 衡量指标。由于猪运动的多样性，不同类型的身体活动需要佩戴的惯性传感器 的类型和位置是不同的。通常情况下仅用加速度计就可以提供大量运动类型的 物理信息，因此在运动监测、步态参数提取、运动分类、姿态平衡检测等方面， 加速度计得到了广泛应用。
具体的，猪日常活动的频率通常低于20Hz，猪的跑步和跳跃运动，踝关 节的加速度值范围为[3.0g～10.0g]，头部加速度值范围为[0.5g～2.0g]。猪在步行 时垂直方向的加速度值范围为[-0.2g～0.5g]，两个水平加速度值范围分别为 [-0.2g～0.2g]和[-0.1g～0.2g]。猪日常活动的加速度值范围为[-8g～10g]，频率范 围为[0～20Hz]。猪垂直方向加速度分量的频率高于水平方向加速度分量的频 率。
采用加速度传感器获取猪行为数据，加速度传感器原理是惯性原理，如公 式(1-1)所示：
其中，A为加速度值，F为力，M为质量，加速度传感器测量的值包括： 运动加速度、重力加速度、外力引起的加速度等，其中，重力加速度提供传感 器方位信息，猪加速度提供猪运动信息。
用加速度计测量时，猪的加速度与猪当前的运动类型、加速度计放置位置、 加速度计坐标系方向等因素有关。
根据猪运动状态的复杂程度和动作的持续时长，可将猪运动分为短动作、 基础活动以及复杂活动三种状态。短动作是指持续时长较短的运动类型，例如 趴下等姿势转换动作。基础活动是指猪日常生活中的基础性的简单动作，例如： 走路、站立等。复杂活动是指各种短动作和基础活动的组合，如进食、喝水等。
首先使用Butterworth滤波器对加速度数据进行低通滤波处理，然后使用 对低通滤波过的数据进行平滑和去噪处理。初始数据经低通滤波后，去掉了高 频数据，而再经滤波后，去除了更多噪声数据，数据更加平滑，区分更加明显。
通常不关注复杂运动细节引起的加速度大小和方向的变化，而只考虑一段 时间内某一动作的加速度的变化。首先，采用加速度信号幅度来描述猪行为， 猪在某一时刻的合成加速度值的计算公式如式(1-2)所示：
其中，Sacc表示合成加速度值，accx表示x轴方向上的加速度值，accy表 示y轴方向上的加速度值，accz表示z轴方向上的加速度值。
慢速行走、快速行走、慢速跑步、快速跑步等活动都是规律性运动，加速 度数据表现比较规律，区别在于运动剧烈程度、步幅大小、踏步频率等的不同。 趴下→起等活动时，加速度值会迅速变化。同样的，猪在起身时，加速度值会 迅速变化。
S2：根据所述历史猪行为数据确定历史加速度-时间曲线。
具体的，按照加速度时间顺序构成历史加速度-时间曲线。
S3：根据所述历史加速度-时间曲线确定历史相邻波峰间隔集合以及历史 相邻波峰波谷差值集合。
S3具体包括：
由于猪在走路等活动时产生的步频是不同的，对应在数据上，即数据的波 动频率是不同的，因此，选取加速度数据的两个相邻波峰的间隔来区分猪运动 类型。根据所述历史加速度-时间曲线，采用公式IoPt＝Tt-Tt-l确定历史相邻波 峰间隔集合，其中，Tt-l表示第一波峰出现的时间，Tt表示与所述第一波峰相 邻的第二波峰出现的时间，IoPt表示所述第一波峰和所述第二波峰间隔时间， l表示所述第一波峰和所述第二波峰间的采样点数。
猪运动时不同活动所对应的运动转换幅度是不一样的，猪行为状态识别需 要很强的实时性，在提取特征点时，实时性需求非常紧要，因此，将合成加速 度Sacc的极值点，即波峰波谷值作为研究对象。实际的数据处理过程中，当 接收到一个新的采样值时，就与前一个采样值进行比较，若该值波形变化不出 现转折，就继续观察新的采样值，若波形变化出现转折，则该点为极值点，把 Sacc的相邻波峰和波谷值的差作为特征值。
根据所述历史加速度-时间曲线，采用公式DAPTt1＝Sacct1-k1-Sacct1确定历史 相邻波峰-波谷差值集合；其中，Sacct1-k1表示第一波峰值，Sacct1表示与所述第 一波峰值相邻的第一波谷值，DAPTt1表示所述第一波峰值和所述第一波谷值的 差值，k1表示所述第一波峰值和所述第一波谷值间的采样点数。
根据所述历史加速度-时间曲线，采用公式DAPTt2＝Sacct1-Sacct1+k2确定历史 相邻波谷-波峰差值集合；其中，Sacct1表示所述第一波谷值，Sacct1+k2表示与所 述第一波谷值相邻的第二波峰值，DAPTt2表示所述第一波谷值与所述第二波峰 值的差值，k1表示所述第二波峰值和所述第一波谷值间的采样点数。
S4：根据所述历史相邻波峰间隔集合以及所述历史相邻波峰波谷差值集合 训练卷积神经网络，得到训练好的卷积神经网络；
卷积神经网络(可用于基于传感器的猪行为识别，使用一维卷积神经网络 (1D-CNNs)对猪行为进行分类识别，传统的卷积神经网络结构如图2所示， CNNs主要包括输入层、隐含层和输出层。
CNNs的输入层可以处理一维或多维数据，而隐含层包括卷积层、池化层、 全连接层，卷积层对输入的数据进行特征提取；池化层接收卷积层传来的特征 值，并对其进行特征选取和信息过滤操作；全连接层相当于前馈神经网络中的 隐含层，它将多维数据展开为向量，同时利用激励函数将其传递到下一层。最 后，CNNs的输出层利用归一化指数函数或者逻辑函数输出分类标签，显示输 出结果。
CNNs卷积层的计算如下：
其中，
表示第l层的第j个特征图，Mj表示所选择的输入特征图的集合， 
表示卷积核函数，f(·)表示激活函数，
表示偏置参数。
第l层的第j个特征图的误差信号：
其中，
表示第l+1层的第j个特征图的权值，
表示第l层的第j个神 经元的输入值，f'(·)表示激活函数的偏导，u(·)表示上采样函数。
卷积核的权值梯度函数如式(1-5)所示：
其中，
表示第l-1层的第j个特征图中，在卷积过程中与
相乘的小 块，(u,v)表示卷积的特征图位置。
池化层计算如式(1-6)所示：
其中，d(·)表示下采样函数。
池化层的梯度函数与式(1-5)类似，CNNs中，从时刻t到时刻t+1的权 值更新可表示为：
W(t+1)＝W(t)+σδ(t)x(t) (1-7)
其中，σ表示学习速率，δ(t)表式误差项，x(t)表示神经元的输入。
CNNs能够较好识别出数据中的简单模式，然后在更高级的层中将这些简 单模式生成更复杂的模式。CNNs包含一维、二维和三维的神经网络，其各自 的处理方法和特点都类似，主要区别在于输入数据的维度和滤波器在数据之间 的滑动方式。而一维的卷积神经网络(1D-CNNs)可有效从整体数据集的较短 的片段中获取有效特征，可用于传感器数据的分析处理。
上述传统的卷积神经网络对不同分类问题的处理已经取得了较好效果。但 是，作为一种全局优化监督学习的神经网络，1D-CNNs仍存在一些问题，例 如，1D-CNNs的样本学习方法不能将过拟合问题处理的很好。
过拟合问题是指在训练过程中，训练网络对训练样本过度严格，使训练集 以外的和其他与训练集微有差距的样本数据的分类效果很差，具体表现为：随 着1D-CNNs训练次数的增加，样本测试的错误率先下降后上升。传统1D-CNNs 算法中，都是根据以往经验人为设定其训练样本集，好的样本学习方法能够在 很大程度上改善网络性能。因此，本发明提出一个样本自主学习方法(Sample Autonomous Learning，SAL)，以构造一个有效的样本训练集。具体方法如下： 为在有效的资源和时间里提高网络分类效率，缩小分类训练集，对分类错误的 样本集的数量进行逐步调整，以找到最优的分类样本集，具体包括：
从所述历史相邻波峰间隔集合以及所述历史相邻波峰波谷差值集合中均 选取预设数量的特征数据；
将所述特征数据输入到卷积神经网络中，获取错误分类率；
判断所述错误分类率是否小于预设分类率阈值，获得第二判断结果；
若所述第二判断结果为所述错误分类率小于预设分类率阈值，所述卷积神 经网络为训练好卷积神经网络；
若所述第二判断结果为所述错误分类率大于或等于预设分类率阈值，将所 述预设数量的值增大，返回步骤“从所述历史相邻波峰间隔集合以及所述历史 相邻波峰波谷差值集合中均选取预设数量的特征数据”。直到选取的特征数据 能够满足所述错误分类率小于预设分类率阈值，得到训练好卷积神经网络。
通过验证1D-CNNs网络就得到最优分类训练样本集，进而避免过拟合问 题的发生。
下面介绍SAL方法具体过程：
其中，错误分类率εi计算公式为：
其中，ei表示错误分类的样本个数，Di表示分类的样本总个数也就是特征 数据。
下面介绍基于改进1D-CNNs的猪行为状态识别方法的具体过程：
S5：采用加速度传感器获取当前猪活动过程中的当前猪行为数据。
S6：根据所述当前猪行为数据确定当前猪行为标准差。
数据集的离散程度可由标准差表现出来，同样，在猪运动状态的识别中使 用标准差来反映猪运动的剧烈程度。当猪静止时，加速度变化极为微小，因此， 所对应的标准差很小。而当猪处于运动状态时，加速度会随之增大，其对应的 标准差也会因运动类型的不同而产生不同的数值。所以，利用标准差可以将猪 的静止状态与运动状态明显区分开来。
根据所述当前猪行为数据，采用公式
确定当前猪行为 标准差；其中，SD表示所述当前猪行为标准差，xr表示第r时刻所述当前猪 的加速度，r＝1,2,3…N，N表示预设时间段内所述当前猪的加速度的个数，μ 表示所述当前猪的加速度的均值。
S7：判断所述当前猪行为标准差是否小于预设标准差阈值，获得第一判断 结果，具体的，本发明中预设标准差阈值为0.01。
S8：若所述第一判断结果为所述当前猪行为标准差小于预设标准差阈值， 所述当前猪行为为静止状态；
S9：若所述第一判断结果为所述当前猪行为标准差大于或等于预设标准差 阈值，根据所述当前猪行为数据确定当前加速度-时间曲线；
S10：根据所述当前加速度-时间曲线确定当前相邻波峰间隔集合以及当前 相邻波峰波谷差值集合；
S11：将所述当前相邻波峰间隔集合以及所述当前相邻波峰波谷差值集合 输入到训练好卷积神经网络，得到当前检测结果。
具体的，检测结果包括走路状态、跑步状态、睡眠状态、拱土状态和发情 状态。
图3为本发明实施例一种基于信息融合的猪行为识别系统的结构示意图， 如图3所示，本发明还提供一种基于信息融合的猪行为识别系统，所述猪行为 识别系统包括：
历史猪行为数据获取模块301，用于获取以往猪活动过程中历史猪行为数 据；所述历史猪行为数据为在预设时间段内各时刻猪的加速度；
历史加速度-时间曲线确定模块302，用于根据所述历史猪行为数据确定历 史加速度-时间曲线；
历史相邻集合确定模块303，用于根据所述历史加速度-时间曲线确定历史 相邻波峰间隔集合以及历史相邻波峰波谷差值集合；
卷积神经网络训练模块304，用于根据所述历史相邻波峰间隔集合以及所 述历史相邻波峰波谷差值集合训练卷积神经网络，得到训练好的卷积神经网 络；
当前猪行为数据获取模块305，用采用加速度传感器获取当前猪活动过程 中的当前猪行为数据；
当前猪行为标准差确定模块306，用于根据所述当前猪行为数据确定当前 猪行为标准差；
第一判断模块307，用于判断所述当前猪行为标准差是否小于预设标准差 阈值，获得第一判断结果；
静止状态模块308，用于若所述第一判断结果为所述当前猪行为标准差小 于预设标准差阈值，所述当前猪行为为静止状态；
当前加速度-时间曲线确定模块309，用于若所述第一判断结果为所述当前 猪行为标准差大于或等于预设标准差阈值，根据所述当前猪行为数据确定当前 加速度-时间曲线；
历当前相邻集合确定模块310，用于根据所述当前加速度-时间曲线确定当 前相邻波峰间隔集合以及当前相邻波峰波谷差值集合；
当前检测结果获取模块311，用于将所述当前相邻波峰间隔集合以及所述 当前相邻波峰波谷差值集合输入到训练好卷积神经网络，得到当前检测结果。
优选的，所述历史相邻集合确定模块303，具体包括：
历史相邻波峰间隔集合确定单元，用于根据所述历史加速度-时间曲线， 采用公式IoPt＝Tt-Tt-l确定历史相邻波峰间隔集合，其中，Tt-l表示第一波峰出 现的时间，Tt表示与所述第一波峰相邻的第二波峰出现的时间，IoPt表示所述 第一波峰和所述第二波峰间隔时间，l表示所述第一波峰和所述第二波峰间的 采样点数；
历史相邻波峰-波谷差值集合确定单元，用于根据所述历史加速度-时间曲 线，采用公式DAPTt1＝Sacct1-k1-Sacct1确定历史相邻波峰-波谷差值集合；其中， Sacct1-k1表示第一波峰值，Sacct1表示与所述第一波峰值相邻的第一波谷值， DAPTt1表示所述第一波峰值和所述第一波谷值的差值，k1表示所述第一波峰值 和所述第一波谷值间的采样点数；
历史相邻波谷-波峰差值集合确定单元，用于根据所述历史加速度-时间曲 线，采用公式DAPTt2＝Sacct1-Sacct1+k2确定历史相邻波谷-波峰差值集合；其中， Sacct1表示所述第一波谷值，Sacct1+k2表示与所述第一波谷值相邻的第二波峰值， DAPTt2表示所述第一波谷值与所述第二波峰值的差值，k1表示所述第二波峰值 和所述第一波谷值间的采样点数。
优选的，所述卷积神经网络训练模块304，具体包括：
特征数据获取单元，用于从所述历史相邻波峰间隔集合以及所述历史相邻 波峰波谷差值集合中均选取预设数量的特征数据；
错误分类率获取单元，用于将所述特征数据输入到卷积神经网络中，获取 错误分类率；
第二判断单元，用于判断所述错误分类率是否小于预设分类率阈值，获得 第二判断结果；
卷积神经网络确定单元，用于若所述第二判断结果为所述错误分类率小于 预设分类率阈值，所述卷积神经网络为训练好卷积神经网络；
跳转单元，用于若所述第二判断结果为所述错误分类率大于或等于预设分 类率阈值，将所述预设数量的值增大，返回“特征数据获取单元”。
优选的，所述当前猪行为标准差确定模块，具体包括：
当前猪行为标准差确定单元，用于根据所述当前猪行为数据，采用公式
确定当前猪行为标准差；其中，SD表示所述当前猪行为标 准差，xr表示第r时刻所述当前猪的加速度，r＝1,2,3…N，N表示预设时间 段内所述当前猪的加速度的个数，μ表示所述当前猪的加速度的均值。
本发明中采用三轴加速度传感器、通信模块、控制模块等，其主要功能是 实现对数据的收集、存储、实时上传等，加速度传感器，将加速度计固定在猪 的颈部，传感器的正前方向为z轴正向，重力方向为y轴正向，受试者右侧为x 轴正向；数据通信模块，选用QUECTEL EC20作为数据通信模块，此处的EC20 相当于一个移动终端，它将加速度传感器采集到的数据以及自身位置信息等通 过SIM卡上传到物联网云平台；数据控制模块，使用STM32F103对数据进行 实时控制。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是 与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于 实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较 简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施 例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的 一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变 之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于信息融合的猪行为识别方法，其特征在于，所述猪行为识别方法包括：
获取以往猪活动过程中历史猪行为数据；所述历史猪行为数据为在预设时间段内各时刻猪的加速度；
根据所述历史猪行为数据确定历史加速度-时间曲线；
根据所述历史加速度-时间曲线确定历史相邻波峰间隔集合以及历史相邻波峰波谷差值集合；
根据所述历史相邻波峰间隔集合以及所述历史相邻波峰波谷差值集合训练卷积神经网络，得到训练好的卷积神经网络；
采用加速度传感器获取当前猪活动过程中的当前猪行为数据；
根据所述当前猪行为数据确定当前猪行为标准差；
判断所述当前猪行为标准差是否小于预设标准差阈值，获得第一判断结果；
若所述第一判断结果为所述当前猪行为标准差小于预设标准差阈值，所述当前猪行为为静止状态；
若所述第一判断结果为所述当前猪行为标准差大于或等于预设标准差阈值，根据所述当前猪行为数据确定当前加速度-时间曲线；
根据所述当前加速度-时间曲线确定当前相邻波峰间隔集合以及当前相邻波峰波谷差值集合；
将所述当前相邻波峰间隔集合以及所述当前相邻波峰波谷差值集合输入到训练好卷积神经网络，得到当前检测结果。
2.根据权利要求1所述的基于信息融合的猪行为识别方法，其特征在于，所述根据所述历史加速度-时间曲线确定历史相邻波峰间隔集合以及历史相邻波峰波谷差值集合，具体包括：
根据所述历史加速度-时间曲线，采用公式IoPt＝Tt-Tt-l确定历史相邻波峰间隔集合，其中，Tt-l表示第一波峰出现的时间，Tt表示与所述第一波峰相邻的第二波峰出现的时间，IoPt表示所述第一波峰和所述第二波峰间隔时间，l表示所述第一波峰和所述第二波峰间的采样点数；
根据所述历史加速度-时间曲线，采用公式DAPTt1＝Sacct1-k1-Sacct1确定历史相邻波峰-波谷差值集合；其中，Sacct1-k1表示第一波峰值，Sacct1表示与所述第一波峰值相邻的第一波谷值，DAPTt1表示所述第一波峰值和所述第一波谷值的差值，k1表示所述第一波峰值和所述第一波谷值间的采样点数；
根据所述历史加速度-时间曲线，采用公式DAPTt2＝Sacct1-Sacct1+k2确定历史相邻波谷-波峰差值集合；其中，Sacct1表示所述第一波谷值，Sacct1+k2表示与所述第一波谷值相邻的第二波峰值，DAPTt2表示所述第一波谷值与所述第二波峰值的差值，k1表示所述第二波峰值和所述第一波谷值间的采样点数。
3.根据权利要求1所述的基于信息融合的猪行为识别方法，其特征在于，所述根据所述历史相邻波峰间隔集合以及所述历史相邻波峰波谷差值集合训练卷积神经网络，得到训练好卷积神经网络，具体包括：
从所述历史相邻波峰间隔集合以及所述历史相邻波峰波谷差值集合中均选取预设数量的特征数据；
将所述特征数据输入到卷积神经网络中，获取错误分类率；
判断所述错误分类率是否小于预设分类率阈值，获得第二判断结果；
若所述第二判断结果为所述错误分类率小于预设分类率阈值，所述卷积神经网络为训练好卷积神经网络；
若所述第二判断结果为所述错误分类率大于或等于预设分类率阈值，将所述预设数量的值增大，返回步骤“从所述历史相邻波峰间隔集合以及所述历史相邻波峰波谷差值集合中均选取预设数量的特征数据的”。
4.根据权利要求1所述的基于信息融合的猪行为识别方法，其特征在于，所述根据所述当前猪行为数据确定当前猪行为标准差，具体包括：
根据所述当前猪行为数据，采用公式
确定当前猪行为标准差；其中，SD表示所述当前猪行为标准差，xr表示第r时刻所述当前猪的加速度，r＝1,2,3…N，N表示预设时间段内所述当前猪的加速度的个数，μ表示所述当前猪的加速度的均值。
5.一种基于信息融合的猪行为识别系统，其特征在于，所述猪行为识别系统包括：
历史猪行为数据获取模块，用于获取以往猪活动过程中历史猪行为数据；所述历史猪行为数据为在预设时间段内各时刻猪的加速度；
历史加速度-时间曲线确定模块，用于根据所述历史猪行为数据确定历史加速度-时间曲线；
历史相邻集合确定模块，用于根据所述历史加速度-时间曲线确定历史相邻波峰间隔集合以及历史相邻波峰波谷差值集合；
卷积神经网络训练模块，用于根据所述历史相邻波峰间隔集合以及所述历史相邻波峰波谷差值集合训练卷积神经网络，得到训练好的卷积神经网络；
当前猪行为数据获取模块，用采用加速度传感器获取当前猪活动过程中的当前猪行为数据；
当前猪行为标准差确定模块，用于根据所述当前猪行为数据确定当前猪行为标准差；
第一判断模块，用于判断所述当前猪行为标准差是否小于预设标准差阈值，获得第一判断结果；
静止状态模块，用于若所述第一判断结果为所述当前猪行为标准差小于预设标准差阈值，所述当前猪行为为静止状态；
当前加速度-时间曲线确定模块，用于若所述第一判断结果为所述当前猪行为标准差大于或等于预设标准差阈值，根据所述当前猪行为数据确定当前加速度-时间曲线；
历当前相邻集合确定模块，用于根据所述当前加速度-时间曲线确定当前相邻波峰间隔集合以及当前相邻波峰波谷差值集合；
当前检测结果获取模块，用于将所述当前相邻波峰间隔集合以及所述当前相邻波峰波谷差值集合输入到训练好卷积神经网络，得到当前检测结果。
6.根据权利要求5所述的基于信息融合的猪行为识别系统，其特征在于，所述历史相邻集合确定模块，具体包括：
历史相邻波峰间隔集合确定单元，用于根据所述历史加速度-时间曲线，采用公式IoPt＝Tt-Tt-l确定历史相邻波峰间隔集合，其中，Tt-l表示第一波峰出现的时间，Tt表示与所述第一波峰相邻的第二波峰出现的时间，IoPt表示所述第一波峰和所述第二波峰间隔时间，l表示所述第一波峰和所述第二波峰间的采样点数；
历史相邻波峰-波谷差值集合确定单元，用于根据所述历史加速度-时间曲线，采用公式DAPTt1＝Sacct1-k1-Sacct1确定历史相邻波峰-波谷差值集合；其中，Sacct1-k1表示第一波峰值，Sacct1表示与所述第一波峰值相邻的第一波谷值，DAPTt1表示所述第一波峰值和所述第一波谷值的差值，k1表示所述第一波峰值和所述第一波谷值间的采样点数；
历史相邻波谷-波峰差值集合确定单元，用于根据所述历史加速度-时间曲线，采用公式DAPTt2＝Sacct1-Sacct1+k2确定历史相邻波谷-波峰差值集合；其中，Sacct1表示所述第一波谷值，Sacct1+k2表示与所述第一波谷值相邻的第二波峰值，DAPTt2表示所述第一波谷值与所述第二波峰值的差值，k1表示所述第二波峰值和所述第一波谷值间的采样点数。
7.根据权利要求5所述的基于信息融合的猪行为识别系统，其特征在于，所述卷积神经网络训练模块，具体包括：
特征数据获取单元，用于从所述历史相邻波峰间隔集合以及所述历史相邻波峰波谷差值集合中均选取预设数量的特征数据；
错误分类率获取单元，用于将所述特征数据输入到卷积神经网络中，获取错误分类率；
第二判断单元，用于判断所述错误分类率是否小于预设分类率阈值，获得第二判断结果；
卷积神经网络确定单元，用于若所述第二判断结果为所述错误分类率小于预设分类率阈值，所述卷积神经网络为训练好卷积神经网络；
跳转单元，用于若所述第二判断结果为所述错误分类率大于或等于预设分类率阈值，将所述预设数量的值增大，返回“特征数据获取单元”。
8.根据权利要求5所述的基于信息融合的猪行为识别系统，其特征在于，所述当前猪行为标准差确定模块，具体包括：
当前猪行为标准差确定单元，用于根据所述当前猪行为数据，采用公式
确定当前猪行为标准差；其中，SD表示所述当前猪行为标准差，xr表示第r时刻所述当前猪的加速度，r＝1,2,3…N，N表示预设时间段内所述当前猪的加速度的个数，μ表示所述当前猪的加速度的均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010084842.5A CN111339838B (zh) | 2020-02-10 | 2020-02-10 | 一种基于信息融合的猪行为识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010084842.5A CN111339838B (zh) | 2020-02-10 | 2020-02-10 | 一种基于信息融合的猪行为识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111339838A true CN111339838A (zh) | 2020-06-26 |
| CN111339838B CN111339838B (zh) | 2023-06-20 |
Family
ID=71183597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010084842.5A Active CN111339838B (zh) | 2020-02-10 | 2020-02-10 | 一种基于信息融合的猪行为识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111339838B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112883999A (zh) * | 2021-01-13 | 2021-06-01 | 安徽大学 | 一种用于奶牛运动异常检测计步器系统及其方法 |
| CN113552370A (zh) * | 2021-09-23 | 2021-10-26 | 北京小蝇科技有限责任公司 | 一种毛细管免疫分型单克隆免疫球蛋白定量分析方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106326919A (zh) * | 2016-08-16 | 2017-01-11 | 西北农林科技大学 | 一种基于bp神经网络的生猪行为分类方法 |
| CN107669278A (zh) * | 2017-09-22 | 2018-02-09 | 广州杰赛科技股份有限公司 | 运动状态识别方法和系统、动物行为识别系统 |
| CN108231157A (zh) * | 2017-12-22 | 2018-06-29 | 深圳市航天华拓科技有限公司 | 动物行为检测方法及装置 |
| CN110755087A (zh) * | 2019-11-04 | 2020-02-07 | 东北农业大学 | 基于多传感器的生猪健康监测装置 |
-
2020
- 2020-02-10 CN CN202010084842.5A patent/CN111339838B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106326919A (zh) * | 2016-08-16 | 2017-01-11 | 西北农林科技大学 | 一种基于bp神经网络的生猪行为分类方法 |
| CN107669278A (zh) * | 2017-09-22 | 2018-02-09 | 广州杰赛科技股份有限公司 | 运动状态识别方法和系统、动物行为识别系统 |
| CN108231157A (zh) * | 2017-12-22 | 2018-06-29 | 深圳市航天华拓科技有限公司 | 动物行为检测方法及装置 |
| CN110755087A (zh) * | 2019-11-04 | 2020-02-07 | 东北农业大学 | 基于多传感器的生猪健康监测装置 |
Non-Patent Citations (1)
| Title |
|---|
| 闫丽 等: "哺乳母猪高危动作识别方法研究", 《农业机械学报》, vol. 47, no. 1, pages 266 - 272 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112883999A (zh) * | 2021-01-13 | 2021-06-01 | 安徽大学 | 一种用于奶牛运动异常检测计步器系统及其方法 |
| CN113552370A (zh) * | 2021-09-23 | 2021-10-26 | 北京小蝇科技有限责任公司 | 一种毛细管免疫分型单克隆免疫球蛋白定量分析方法 |
| CN113552370B (zh) * | 2021-09-23 | 2021-12-28 | 北京小蝇科技有限责任公司 | 一种毛细管免疫分型单克隆免疫球蛋白定量分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111339838B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107153871B (zh) | 基于卷积神经网络和手机传感器数据的跌倒检测方法 | |
| Batool et al. | Sensors technologies for human activity analysis based on SVM optimized by PSO algorithm | |
| Jalal et al. | A Triaxial acceleration-based human motion detection for ambient smart home system | |
| Trabelsi et al. | An unsupervised approach for automatic activity recognition based on hidden Markov model regression | |
| CN103955699B (zh) | 一种基于监控视频的实时摔倒事件检测方法 | |
| CN108345846A (zh) | 一种基于卷积神经网络的人体行为识别方法及识别系统 | |
| CN108062170A (zh) | 基于卷积神经网络和智能终端的多类别人体姿态识别方法 | |
| CN104200234A (zh) | 人体动作建模和识别方法 | |
| CN105023022A (zh) | 跌倒检测方法及系统 | |
| Sadouk et al. | A novel deep learning approach for recognizing stereotypical motor movements within and across subjects on the autism spectrum disorder | |
| CN111339838A (zh) | 一种基于信息融合的猪行为识别方法及系统 | |
| CN101543400A (zh) | 动物行为学检测与自动分析系统和动物行为学分析方法 | |
| CN105303183B (zh) | 一种基于穿戴设备的儿童姿态识别分析系统和方法 | |
| CN109512390B (zh) | 基于eeg时域多维度特征及m-wsvm的睡眠分期方法及可穿戴装置 | |
| Jeong et al. | Classification of posture and movement using a 3-axis accelerometer | |
| Novac et al. | Toward unsupervised human activity recognition on microcontroller units | |
| CN111723662A (zh) | 一种基于卷积神经网络的人体姿态识别方法 | |
| CN109567798A (zh) | 基于肌电小波相干性和支持向量机的日常行为识别方法 | |
| Zhang et al. | Gait pattern recognition based on plantar pressure signals and acceleration signals | |
| CN108827290A (zh) | 一种人体运动状态反演装置及方法 | |
| CN114052693A (zh) | 心率分析方法、装置及设备 | |
| Khanh et al. | Classification of cow behavior using 3-DOF accelerometer and decision tree algorithm | |
| CN110889330A (zh) | 一种基于bp神经网络的老年人摔倒检测方法及系统 | |
| Sharma et al. | Towards Improving Human Activity Recognition Using Artificial Neural Network | |
| CN106730772B (zh) | 一种运动次数监测方法及装置 |
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 |