CN111353208A - 一种基于深度学习的物体往复运动距离评估方法 - Google Patents
一种基于深度学习的物体往复运动距离评估方法 Download PDFInfo
- Publication number
- CN111353208A CN111353208A CN201910398247.6A CN201910398247A CN111353208A CN 111353208 A CN111353208 A CN 111353208A CN 201910398247 A CN201910398247 A CN 201910398247A CN 111353208 A CN111353208 A CN 111353208A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- waveform
- point
- pressing
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000005070 sampling Methods 0.000 claims abstract description 43
- 238000003825 pressing Methods 0.000 claims abstract description 40
- 230000001133 acceleration Effects 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000011157 data evaluation Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 101100129500 Caenorhabditis elegans max-2 gene Proteins 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 230000002401 inhibitory effect Effects 0.000 claims description 2
- 238000011084 recovery Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 230000003068 static effect Effects 0.000 claims description 2
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 101100083446 Danio rerio plekhh1 gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
Abstract
本发明涉及一种基于深度学习的物体往复运动距离评估方法，包括以下步骤：数据采样，采集物体运动加速度变化数据；分割出脉冲形式的按压波形；修正数据标签，以便清晰地看出曲线的离散情况；数据标注，整合所有脉冲波形数据，计算每条波形加权均方差，根据上述正确和异常波形的整体加权均方差范围标记单个波形正常或异常，标记完成后，打乱数据集，按照一定比例挑选出训练集与测试集；建立卷积神经网络模型进行训练，调试参数，优化模型，保存模型到文件，供后续往复运动距离评估使用；数据评估，在训练好的卷积神经网络模型中放入待评估数据,评估结果为正常或是异常；输出评估结果，评估物体运动距离是否合适。
Description
技术领域
本发明涉及一种物体运动距离评估方法，尤其是规律性的按压运动下的一种基于深度学习的物体往复运动距离评估方法。
背景技术
距离的测量是当代生产实践中经常遇到的问题，当前在位移测量领域使用最多的是位移传感器。
现有基于传感器的距离计算主要基于加速度传感器，通过计算速度，然后计算距离。近年来这些方法由于不考虑软件校准，计算距离过长，导致误差过大，在距离计算中很少使用。
软件校准和采样距离是判断近距离移动的重要根据，但是有很多问题。首先，采样简单，大多是通过传感器直接获取，受到噪声误差和计算累积误差影响，不能较准确的计算距离；其次，采样频率直接导致计算误差，不能结合场景里目标运动信息，因此只依赖它是不可靠的。此外，由于位移传感器本身体积偏大，安装较为困难并且随着整个装置的运动无法找到一个稳定的固定点，而在按压过程中需要在短时间内连续多次按压，难免存在测距遮挡、抖动等问题，现有方法没有办法满足按压深度检测对元器件微型化、便携化、低功耗等要求，同时多数情况下按压测距难以达到毫米级的高精度。
因此如何更精确地评估物体往复运动距离并使之能够应用在嵌入式设备上是我们研究的核心。
发明内容
基于上述分析,本发明的目的是要提供一种基于深度学习的物体往复运动距离评估方法，在物体做规律往复运动时，评估物体运动距离是否合适。
本发明采用的技术方案是：一种基于深度学习的物体往复运动距离评估方法，包括以下步骤：
步骤1：数据采样，以实验所需要求按压位移检测装置，采集物体运动加速度变化数据，读取3-5秒静止加速度传感器的读取值，存入用大小为k的数组构建的滑动窗口，作为校准初始值，以校准初始值的平均值作为测量标准值，然后继续读数，将读取值存入滑动窗口，循环覆盖最早读入的数据，保持滑动窗口存储的数据是最后读入k个数据，每读取一个数据就利用滑动窗口中的k个数据对读取值进行滤波；同时，在滑动窗口中对读取值和滤波值都进行突变阈值检测，在滤波值出现15％-20％地心向变化时，断定为突变阈值，写入突变阈值变量，记录该点在滑动窗口中的位置为突变阈值位置；如果使用模拟加速度计，受电流噪声影响过大时，突变阈值在10％-25％之间；
步骤2：有规律的按压将形成有规律脉冲形式的按压波形，分割出脉冲形式的按压波形；按压波形分割方法是从突变阈值位置开始，对滑动窗口中突变阈值位置的前序数据，以步长1-5的阶跃判断，追溯到最大的、不大于测量标准值的采样值的位置，以该点为按压波形起始点，最多追溯30个采样值；向后追溯到越过最高值点后的第一个标准值采样点，该点位置为按压波形终止点，最多追溯不超过200个采样值；对按压起始点和按压终止点之间这段波形的梯度、幅高和幅宽进行计算，根据按压波形幅值和幅宽近似的特点，筛选出满足以下条件的波形作为切割得到的按压波形，其中幅高范围在5cm-6cm之间，幅宽范围在60-200个采样点之间；梯度满足反向—正向—反向变化规律，表现为二阶导数存在两个极值点且极小值点min1在极大值点max2前面；上述2个点与横坐标位于此两者之间的曲线的均值点stdval构成3个斜率,即min1与stdval的斜率，stdval与max2的斜率，min1与max2的斜率；
步骤3：修正数据标签，将所有波形曲线以最大值为对齐点进行堆叠，以便清晰地看出曲线的离散情况；采集曲线上若干个点的加速度数据，计算加权方差，比较所有曲线加权方差大小，得到正常的波形与异常的波形的加权方差取值范围，以此修正实际过程中加速度传感器采集数据时测距遮挡、抖动以及精度未能达到毫米级等造成的数据标签可信度不高的问题；
步骤4：数据标注，整合所有脉冲波形数据，计算每条波形加权均方差，根据上述正确和异常波形的整体加权均方差范围标记单个波形正常或异常，标记完成后，打乱数据集，按照一定比例挑选出训练集与测试集；
步骤5：建立卷积神经网络模型进行训练，调试参数，优化模型，保存模型到文件，供后续往复运动距离评估使用；
步骤6：数据评估，在训练好的卷积神经网络模型中放入待评估数据，数据组织为按时序排列的加速度数据，采样点数目为N个，N×1的数组结构输入模型,评估结果为正常或是异常；
步骤7：输出评估结果，评估物体运动距离是否合适。
步骤1中所述的滤波处理，使用低通控幅滤波，滤波参数为0.02-0.2之间，过滤不合适的白噪声和锤击异常；采用中值滤波抑制高频毛刺，选取5-30宽度进行过滤，以实际应用效果进行参数选取。
步骤2中，幅宽PW使用以下公式进行判断：
150ms/每次采样时间≤PW≤420ms/每次采样时间
公式(1)
幅宽范围应当在上述区间内，否则判断为锤击或按压过缓。
步骤2中，幅高PH判断，不同传感器使用的值不同，主要是因为加速度感知的数据不同，在加速度a上反映不同，导致计算有差异，使用逆推公式：
其中，n表示采样数，a为采样值，t为采样周期，t的选取值为300-450ms，求解a值判断，范围应当在上述区间内，否则判断为按压不足或过深。
步骤2中，梯度判断，包括以下步骤：
步骤2.1梯度计算：对滑动窗口计算，计算结果存入伴随滑动窗口C中，C中数据使用如下公式计算：
Ci＝(Bi+d-Bi)/d 公式(3)
其中，d表示两采样点的间隔距离，选取值在1-50之间；
步骤2.2对梯度变化规律进行判断，一个脉冲中梯度变化：反向—正向—反向的变化，其中，反向为向下，负值，不符合则是按压释放还原过程；表现为二阶导为存在两个极值点；反向移动长度高于正向，表示按压过程比释放过程耗时更长；计算使用滑动窗口C同步窗口D，梯度值小于零标-1，大于零标1，两者比例为sum(-1)>sum(1)；
步骤2.3梯度值特征识别，在一个脉冲采样中，因极小值点min1在极大值点max2前面，则二者与标准值stdval形成3个斜率；这三个特征值需要根据实际值进行修正，因为是模拟实验的结果，下列公式为三轴加速度计ADXL345按5ms采样的典型值，即：
斜率1满足：(min1-stdval)/(min1-stdval)∈[1.3，3]，
斜率2满足：(max2-min1)/(max2-min1)∈[1.5，8]，
斜率3满足：(max2-stdval)/(max2-stdval)∈[1.5，6]。
步骤5中，所述的卷积神经网络详细情况是：第一层输入层为一个batchsize的输入波形序列数据，设所有数据划分为m个batch，每轮训练输入一个batch至卷积神经网络中，m轮之后打乱数据集再次重新划分为m个batch，以此反复；第二层卷积层Conv1：实现一维卷积以及Rectified Linear Activation和L1、L2正则化；第三层批标准化层BatchNormalization1：数据局部标准化；第四层平均池化层Pool1：AveragePooling1；第五层是卷积层Conv2：实现卷积以及Rectified Linear Activation和L1、L2正则化，具体过程同Conv1；第六层批标准化层BatchNormalization1：数据局部标准化；第七层为平均池化层AveragePooling2；之后以进行扁平化处理；第八层过渡层Flatten：把多维输出一维化，实现卷积层到全连接层过渡；第九层为全连接层Dense1：将卷积网络扁平化后的输出与神经元节点全连接，激活函数使用LeakyRelu，同时采用L1、L2正则化防止过拟合；第十层全连接层Dense2：进行非线性变换以及采取L1、L2正则化，激活函数使用LeakyRelu；第十一层输出层Dense3，使用Sigmoid激活进行二分类。
本发明的优点：
1.本发明波形识别和按压标准的判断运算较快，使用预先训练好的卷积神经网络模型，可实现边采样边计算，计算时间在毫秒级；
2.本发明结果较精确，经过数据标签修正后，弥补了数据采样时带来的误差，数据集可信度增高，在后续的卷积神经网络模型测试中，步骤6物体运动距离是否符合标准的评估准确率达到88％-90％；
3.本发明轻便低功耗，可以方便地嵌入在移动设备中。
附图说明
图1为方法实现总体流程图；
图2为卷积神经网络模型示意图；
图3为脉冲识别算法流程图；
图4是本发明使用的波形数据示意图。
具体实施方式
下面所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替代、改进等，均应含在本发明的保护范围之内。
本发明实例提供了一种基于深度学习的物体往复运动距离评估方法，所述方法包括以下步骤：
实施例1
参阅图1，实施胸外按压距离评估，其主要步骤如下：
步骤S1：参数初始化，初始化窗口长度、滤波参数和突变阈值。
步骤S2：软件纠偏，当存在合理范围之外的初始化参数时，采用软件纠偏的方式纠正参数。
步骤S3：数据采样，以实验所需要求安装按压位移检测装置，加速度传感器采集胸外按压运动加速度变化，数据同时记录在内存和SD卡中，读取SD卡即可获得采样数据。
步骤S4：滤波处理，包括以下步骤：
S4.1.使用低通控幅滤波，滤波参数为0.05-0.3，过滤不合适的白噪声和锤击异常；
S4.2.使用中值滤波，选取20宽度进行过滤。
步骤S5：脉冲波形分割，包括以下步骤：
S5.1.滑动窗口A存放采样值，建立滑动窗口B，存放过滤后结果；
S5.2.对窗口B和窗口A同时进行突变阈值监测，本次使用21％作为突变阈值。
S5.3.对窗口B幅宽进行切割，从检测到的B突变和A突变点所间隔的区域中选取优化点，即中值点或A点作为起点，以一个脉冲终止点作为终止，该点为脉冲突变下降沿回至标准值位置，物理意义是按压至最低点位置，加速度计归0；脉冲识别算法如图3所示；
S5.4.根据B的结果，切割活动窗口A，得到分割后的波形。
步骤S6：在本次实施例中，取5mm作为分界点，胸外按压规范有效时，波形与标准距离波形相似度较高，当胸外按压距离差距超过5mm时，波形与标准距离波形显示具有明显差异，为异常波形；随后修正数据标签，将所有波形曲线以最大值为对齐点进行堆叠，采集曲线上若干个点的加速度数据，计算加权方差，比较所有曲线加权方差大小，得到正常的波形与异常的波形的加权方差取值范围。
步骤S7：数据标注，参阅图4，整合所有脉冲波形数据，计算每条波形加权均方差，根据上述正确和异常波形的整体加权均方差范围标记单个波形正常或异常，标记完成后，打乱数据集，按照一定比例挑选出训练集与测试集。
步骤S8：卷积神经网络训练，参阅图2，建立卷积神经网络模型，每条脉冲波形数据存储为一个序列，使用keras框架，利用所有波形数据训练特征；框架中的卷积神经网络模型结构为：输入层，2层卷积层，过渡层，3层全连接层和输出层，每层卷积层后跟着一个平均池化层。步骤S8中，卷积神经网络详细情况是：第一层输入层为一个batchsize的输入波形序列数据，设所有数据划分为m个batch，每轮训练输入一个batch至卷积神经网络中，m轮之后打乱数据集再次重新划分为m个batch，以此反复；第二层卷积层Conv1：实现一维卷积以及Rectified Linear Activation和L1、L2正则化；第三层批标准化层BatchNormalization1：数据局部标准化；第四层平均池化层Pool1：AveragePooling1，这里使用2*1的池化窗口进行下采样；第五层是卷积层Conv2：实现卷积以及Rectified LinearActivation和L1、L2正则化，具体过程同Conv1；第六层批标准化层BatchNormalization1：数据局部标准化；第七层为平均池化层AveragePooling2；之后以进行扁平化处理；第八层过渡层Flatten：把多维输出一维化，实现卷积层到全连接层过渡；第九层为全连接层Dense1：将卷积网络扁平化后的输出与神经元节点全连接，激活函数使用LeakyRelu，同时采用L1、L2正则化防止过拟合；第十层全连接层Dense2：进行非线性变换以及采取L1、L2正则化，激活函数使用LeakyRelu；第十一层输出层Dense3，使用Sigmoid激活进行二分类。
步骤S9：数据评估，在训练好的卷积神经网络模型中放入待评估数据，数据组织为按时序排列的加速度数据，采样点数目为200个，200×1的数组结构输入模型。
步骤S10：输出评估结果，输出波形评估结果为正常或是异常，本实施例中判别标准为|本次按压距离-标准按压距离|≤5mm。
步骤S5.3中所述的脉冲识别算法，其具体步骤如下：
步骤S5.31：幅宽PW判断，使用公式：
150ms/每次采样时间5ms≤PW≤420ms/每次采样时间5ms
公式(4)
进行判断，范围应当在上述区间内，否则判断为锤击或按压过缓。
步骤S5.32：幅高PH判断，不同传感器使用的值不同，主要是因为加速度感知的数据不同，在加速度a上反映不同，导致计算有差异。使用逆推公式：
式中，n表示采样数，a为采样值，t为采样周期，本次n取200，本次t取5ms，求解a值判断，范围应当在上述区间内，否则判断为按压不足或过深。
步骤S5.33：梯度判断，包括以下步骤：
H1)梯度计算：对滑动窗口计算，计算结果存入伴随滑动窗口C中，C中数据使用如下公式计算：
Ci＝(Bi+d-Bi)/d 公式(3)
式中，d表示两采样点的间隔距离，选取值在1-50之间；
H2)对梯度变化规律进行判断，一个脉冲中梯度变化：反向—正向—反向的变化，其中，反向为向下，负值，不符合则可能是按压释放还原过程；表现为二阶导为存在两个极值点；反向移动长度高于正向，表示按压过程比释放过程耗时更长；计算使用滑动窗口C同步窗口D，梯度值小于零标-1，大于零标1，两者比例为sum(-1)>sum(1)；
H3)梯度值特征识别，在一个脉冲采样中，因极小值点min1在极大值点max1前面，则二者与标准值stdval形成3个斜率；本次实施例中，下列公式为三轴加速度计ADXL345按5ms采样的典型值，即：
斜率1满足：(min1-stdval)/(min1-stdval)∈[1.3，3]，
斜率2满足：(max2-min1)/(max2-min1)∈[1.5，8]，
斜率3满足：(max2-stdval)/(max2-stdval)∈[1.5，6]。
Claims (6)
1.一种基于深度学习的物体往复运动距离评估方法，其特征在于，包括以下步骤：
步骤1：数据采样，以实验所需要求按压位移检测装置，采集物体运动加速度变化数据，读取3-5秒静止加速度传感器的读取值，存入用大小为k的数组构建的滑动窗口，作为校准初始值，以校准初始值的平均值作为测量标准值，然后继续读数，将读取值存入滑动窗口，循环覆盖最早读入的数据，保持滑动窗口存储的数据是最后读入k个数据，每读取一个数据就利用滑动窗口中的k个数据对读取值进行滤波；同时，在滑动窗口中对读取值和滤波值都进行突变阈值检测，在滤波值出现15％-20％地心向变化时，断定为突变阈值，写入突变阈值变量，记录该点在滑动窗口中的位置为突变阈值位置；如果使用模拟加速度计，受电流噪声影响过大时，突变阈值在10％-25％之间；
步骤2：有规律的按压将形成有规律脉冲形式的按压波形，分割出脉冲形式的按压波形；按压波形分割方法是从突变阈值位置开始，对滑动窗口中突变阈值位置的前序数据，以步长1-5的阶跃判断，追溯到最大的、不大于测量标准值的采样值的位置，以该点为按压波形起始点，最多追溯30个采样值；向后追溯到越过最高值点后的第一个标准值采样点，该点位置为按压波形终止点，最多追溯不超过200个采样值；对按压起始点和按压终止点之间这段波形的梯度、幅高和幅宽进行计算，根据按压波形幅值和幅宽近似的特点，筛选出满足以下条件的波形作为切割得到的按压波形，其中幅高范围在5cm-6cm之间，幅宽范围在60-200个采样点之间；梯度满足反向—正向—反向变化规律，表现为二阶导数存在两个极值点且极小值点min1在极大值点max2前面；上述2个点与横坐标位于此两者之间的曲线的均值点stdval构成3个斜率,即min1与stdval的斜率，stdval与max2的斜率，min1与max2的斜率；
步骤3：修正数据标签，将所有波形曲线以最大值为对齐点进行堆叠，以便清晰地看出曲线的离散情况；采集曲线上若干个点的加速度数据，计算加权方差，比较所有曲线加权方差大小，得到正常的波形与异常的波形的加权方差取值范围，以此修正实际过程中加速度传感器采集数据时测距遮挡、抖动以及精度未能达到毫米级等造成的数据标签可信度不高的问题；
步骤4：数据标注，整合所有脉冲波形数据，计算每条波形加权均方差，根据上述正确和异常波形的整体加权均方差范围标记单个波形正常或异常，标记完成后，打乱数据集，按照一定比例挑选出训练集与测试集；
步骤5：建立卷积神经网络模型进行训练，调试参数，优化模型，保存模型到文件，供后续往复运动距离评估使用；
步骤6：数据评估，在训练好的卷积神经网络模型中放入待评估数据，数据组织为按时序排列的加速度数据，采样点数目为N个，N×1的数组结构输入模型,评估结果为正常或是异常；
步骤7：输出评估结果，评估物体运动距离是否合适。
2.根据权利要求1所述的一种基于深度学习的物体往复运动距离评估方法，其特征在于，步骤1中所述的滤波处理，使用低通控幅滤波，滤波参数为0.02-0.2之间，过滤不合适的白噪声和锤击异常；采用中值滤波抑制高频毛刺，选取5-30宽度进行过滤，以实际应用效果进行参数选取。
3.根据权利要求1所述的一种基于深度学习的物体往复运动距离评估方法，其特征在于，步骤2中，幅宽PW使用以下公式进行判断：
150ms/每次采样时间≤PW≤420ms/每次采样时间 公式(1)
幅宽范围应当在上述区间内，否则判断为锤击或按压过缓。
4.根据权利要求1所述的一种基于深度学习的物体往复运动距离评估方法，其特征在于，步骤2中，幅高PH判断，不同传感器使用的值不同，主要是因为加速度感知的数据不同，在加速度a上反映不同，导致计算有差异，使用逆推公式：
其中，n表示采样数，a为采样值，t为采样周期，t的选取值为300-450ms，求解a值判断，范围应当在上述区间内，否则判断为按压不足或过深。
5.根据权利要求1所述的一种基于深度学习的物体往复运动距离评估方法，其特征在于，步骤2中，梯度判断，包括以下步骤：
2.1)梯度计算：对滑动窗口计算，计算结果存入伴随滑动窗口C中，C中数据使用如下公式计算：
Ci＝(Bi+d-Bi)/d 公式(3)
其中，d表示两采样点的间隔距离，选取值在1-50之间；
2.2)对梯度变化规律进行判断，一个脉冲中梯度变化：反向—正向—反向的变化，其中，反向为向下，负值，不符合则可能是按压释放还原过程；表现为二阶导为存在两个极值点；反向移动长度高于正向，表示按压过程比释放过程耗时更长；计算使用滑动窗口C同步窗口D，梯度值小于零标-1，大于零标1，两者比例为sum(-1)>sum(1)；
2.3)梯度值特征识别，在一个脉冲采样中，因极小值点min1在极大值点max2前面，则二者与标准值stdval形成3个斜率；这三个特征值需要根据实际值进行修正，因为是模拟实验的结果，下列公式为三轴加速度计ADXL345按5ms采样的典型值，即：
斜率1满足：(min1-stdval)/(min1-stdval)∈[1.3，3]，
斜率2满足：(max2-min1)/(max2-min1)∈[1.5，8]，
斜率3满足：(max2-stdval)/(max2-stdval)∈[1.5，6]。
6.根据权利要求1所述的一种基于深度学习的物体往复运动距离评估方法，其特征在于，步骤5中，所述的卷积神经网络详细情况是：第一层输入层为一个batchsize的输入波形序列数据，设所有数据划分为m个batch，每轮训练输入一个batch至卷积神经网络中，m轮之后打乱数据集再次重新划分为m个batch，以此反复；第二层卷积层Conv1：实现一维卷积以及Rectified Linear Activation和L1、L2正则化；第三层批标准化层BatchNormalization1：数据局部标准化；第四层平均池化层Pool1：AveragePooling1；第五层是卷积层Conv2：实现卷积以及Rectified Linear Activation和L1、L2正则化，具体过程同Conv1；第六层批标准化层BatchNormalization1：数据局部标准化；第七层为平均池化层AveragePooling2；之后以进行扁平化处理；第八层过渡层Flatten：把多维输出一维化，实现卷积层到全连接层过渡；第九层为全连接层Dense1：将卷积网络扁平化后的输出与神经元节点全连接，激活函数使用LeakyRelu，同时采用L1、L2正则化防止过拟合；第十层全连接层Dense2：进行非线性变换以及采取L1、L2正则化，激活函数使用LeakyRelu；第十一层输出层Dense3，使用Sigmoid激活进行二分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910398247.6A CN111353208A (zh) | 2019-05-14 | 2019-05-14 | 一种基于深度学习的物体往复运动距离评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910398247.6A CN111353208A (zh) | 2019-05-14 | 2019-05-14 | 一种基于深度学习的物体往复运动距离评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111353208A true CN111353208A (zh) | 2020-06-30 |
Family
ID=71195600
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910398247.6A Pending CN111353208A (zh) | 2019-05-14 | 2019-05-14 | 一种基于深度学习的物体往复运动距离评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111353208A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112283882A (zh) * | 2020-10-16 | 2021-01-29 | 珠海格力电器股份有限公司 | 采样值的获取方法和装置、空调 |
| CN113074813A (zh) * | 2021-03-30 | 2021-07-06 | 青岛青源峰达太赫兹科技有限公司 | 一种太赫兹时域光谱系统及其步长自适应调整方法 |
| CN113456063A (zh) * | 2021-06-30 | 2021-10-01 | 南京晓庄学院 | 一种基于人工智能的死鸡病鸡检测系统及检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102058473A (zh) * | 2010-11-24 | 2011-05-18 | 北京麦邦光电仪器有限公司 | 胸外按压强度的判断方法及具有按压能量计算和快速充电的全自动体外除颤器 |
| CN102119908A (zh) * | 2011-03-21 | 2011-07-13 | 中国人民解放军军事医学科学院卫生装备研究所 | 闭环胸外按压系统 |
| CN104274172A (zh) * | 2013-07-08 | 2015-01-14 | 深圳迈瑞生物医疗电子股份有限公司 | 一种胸外按压深度的监测方法、系统和除颤仪 |
| AU2016201047A1 (en) * | 2002-10-25 | 2016-03-10 | Zoll Circulation, Inc. | Method of determining depth of compressions during cardio-pulmonary resuscitation |
| CN106333839A (zh) * | 2015-07-15 | 2017-01-18 | 中国人民解放军第三军医大学第三附属医院 | 一种胸外按压控制装置、方法及系统 |
| CN106619038A (zh) * | 2016-12-30 | 2017-05-10 | 天津乐慧生科技有限公司 | 一种胸外按压深度测量方法及心肺复苏急救与训练辅助器 |
| CN109172333A (zh) * | 2018-10-12 | 2019-01-11 | 冯美丽 | 一种数据处理方法及装置 |
| CN109350492A (zh) * | 2018-11-13 | 2019-02-19 | 四川大学华西医院 | 一种心肺复苏胸外自动按压设备及按压自反馈系统 |
-
2019
- 2019-05-14 CN CN201910398247.6A patent/CN111353208A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2016201047A1 (en) * | 2002-10-25 | 2016-03-10 | Zoll Circulation, Inc. | Method of determining depth of compressions during cardio-pulmonary resuscitation |
| CN102058473A (zh) * | 2010-11-24 | 2011-05-18 | 北京麦邦光电仪器有限公司 | 胸外按压强度的判断方法及具有按压能量计算和快速充电的全自动体外除颤器 |
| CN102119908A (zh) * | 2011-03-21 | 2011-07-13 | 中国人民解放军军事医学科学院卫生装备研究所 | 闭环胸外按压系统 |
| CN104274172A (zh) * | 2013-07-08 | 2015-01-14 | 深圳迈瑞生物医疗电子股份有限公司 | 一种胸外按压深度的监测方法、系统和除颤仪 |
| CN106333839A (zh) * | 2015-07-15 | 2017-01-18 | 中国人民解放军第三军医大学第三附属医院 | 一种胸外按压控制装置、方法及系统 |
| CN106619038A (zh) * | 2016-12-30 | 2017-05-10 | 天津乐慧生科技有限公司 | 一种胸外按压深度测量方法及心肺复苏急救与训练辅助器 |
| CN109172333A (zh) * | 2018-10-12 | 2019-01-11 | 冯美丽 | 一种数据处理方法及装置 |
| CN109350492A (zh) * | 2018-11-13 | 2019-02-19 | 四川大学华西医院 | 一种心肺复苏胸外自动按压设备及按压自反馈系统 |
Non-Patent Citations (2)
| Title |
|---|
| LI DAN 等: "Classification of ECG signals based on 1D convolution neural network", 《2017 IEEE 19TH INTERNATIONAL CONFERENCE ON E-HEALTH NETWORKING，APPLICATIONS AND SERVICES（HEALTHCOM)》, pages 1 - 6 * |
| 杨轩: "基于神经网络的胸外按压动作规范性判断及误差补偿方法研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》, no. 01, pages 062 - 272 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112283882A (zh) * | 2020-10-16 | 2021-01-29 | 珠海格力电器股份有限公司 | 采样值的获取方法和装置、空调 |
| CN113074813A (zh) * | 2021-03-30 | 2021-07-06 | 青岛青源峰达太赫兹科技有限公司 | 一种太赫兹时域光谱系统及其步长自适应调整方法 |
| CN113074813B (zh) * | 2021-03-30 | 2022-07-15 | 青岛青源峰达太赫兹科技有限公司 | 一种太赫兹时域光谱系统及其步长自适应调整方法 |
| CN113456063A (zh) * | 2021-06-30 | 2021-10-01 | 南京晓庄学院 | 一种基于人工智能的死鸡病鸡检测系统及检测方法 |
| CN113456063B (zh) * | 2021-06-30 | 2022-05-03 | 南京晓庄学院 | 一种基于人工智能的死鸡病鸡检测系统及检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111353208A (zh) | 一种基于深度学习的物体往复运动距离评估方法 | |
| CN105745687B (zh) | 情景感知移动目标检测 | |
| CN110570613A (zh) | 基于分布式光纤系统的围栏振动入侵定位和模式识别方法 | |
| CN110533166B (zh) | 一种基于时空间融合特征的室内定位方法 | |
| GB2491564A (en) | Method of system monitoring | |
| KR101433472B1 (ko) | 상황 인식 기반의 객체 검출, 인식 및 추적 장치, 방법 및 컴퓨터 판독 가능한 기록 매체 | |
| CN116484307B (zh) | 基于云计算智能戒指远程控制方法 | |
| CN104318263A (zh) | 一种实时高精度人流计数方法 | |
| CN110555870B (zh) | 基于神经网络的dcf跟踪置信度评价与分类器更新方法 | |
| CN110940971B (zh) | 一种雷达目标点迹录取方法、装置及存储介质 | |
| CN116821809B (zh) | 基于人工智能的生命体征数据采集系统 | |
| CN113989331A (zh) | 基于上下文多线索信息和自适应响应的长时目标跟踪方法 | |
| CN116718218B (zh) | 一种光电集成式传感芯片测试数据处理方法 | |
| CN108154199B (zh) | 一种基于深度学习的高精度快速单类目标检测方法 | |
| CN113221758B (zh) | 一种基于gru-nin模型的水声目标识别方法 | |
| CN117041972A (zh) | 基于信道-时空注意自编码的车联网传感器异常检测方法 | |
| CN117009900A (zh) | 一种基于图神经网络的物联网信号异常检测方法和系统 | |
| CN114581510B (zh) | 基于模式识别的卷帘窗阻力点定位方法及人工智能系统 | |
| CN110705971A (zh) | 基于深度学习的考勤管理系统及方法 | |
| CN114680879A (zh) | 体动伪迹信号的检测方法以及装置 | |
| CN114998731A (zh) | 智能终端导航场景感知识别的方法 | |
| CN105184275B (zh) | 基于二值决策树的红外局部人脸关键点获取方法 | |
| CN114674317A (zh) | 基于活动识别和融合滤波的自校正航位推算系统及方法 | |
| CN110647870A (zh) | 一种基于滑动窗计算静息态fMRI数据近似熵的方法 | |
| Yu et al. | A novel traffic flow detection method using multiple statistical parameters |
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 |