CN111973193A - 一种基于硅酮-镍纳米传感器的步态识别方法及系统 - Google Patents

一种基于硅酮-镍纳米传感器的步态识别方法及系统 Download PDF

Info

Publication number
CN111973193A
CN111973193A CN202010841995.XA CN202010841995A CN111973193A CN 111973193 A CN111973193 A CN 111973193A CN 202010841995 A CN202010841995 A CN 202010841995A CN 111973193 A CN111973193 A CN 111973193A
Authority
CN
China
Prior art keywords
gait
data
silicone
nickel
lstm network
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
Application number
CN202010841995.XA
Other languages
English (en)
Inventor
黄宇东
张东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
National Sun Yat Sen University
Original Assignee
National Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Sun Yat Sen University filed Critical National Sun Yat Sen University
Priority to CN202010841995.XA priority Critical patent/CN111973193A/zh
Publication of CN111973193A publication Critical patent/CN111973193A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • A61B5/112—Gait analysis
    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于硅酮‑镍纳米传感器的步态识别方法及系统，该方法包括：通过硅酮‑镍纳米复合材料传感器采集步态数据；对步态数据进行预处理，得到预处理后的数据；根据预处理后的数据对构建的LSTM网络进行训练，得到训练好的LSTM网络；获取待测步态数据并输入到训练好的LSTM网络，得到识别结果；将识别结果返回到智能终端。该系统包括：测量单元、识别单元、智能终端单元。本发明具有低功耗、结构简单、检测方便和便于穿戴等优点。本发明作为一种基于硅酮‑镍纳米传感器的步态识别方法及系统，可广泛应用于传感器应用领域。

Description

一种基于硅酮-镍纳米传感器的步态识别方法及系统
技术领域
本发明涉及传感器应用领域，尤其涉及一种基于硅酮-镍纳米传感器的步态识别方法及系统。
背景技术
步态是指人走路的姿态，它由每个时刻身体各部位的相对运动组成。从医学角度来看，不同的腿骨长度、肌肉强度、重心高度以及运动神经灵敏度，决定了步态的唯一性和稳定性，因而短时间内很难被他人模仿。步态识别正是通过分析每个人不同的步态情况，进行身份识别的过程。因此步态识别具有重大的研究意义和广泛的应用前景。
要设计并实现一个实用性强的步态识别系统是非常复杂且困难的。由于人的行走姿势受各种因素的影响，在不同环境条件下行走姿势有或多或少的变化，因此步态识别的计算较复杂。传统的步态识别采用非接触的图像采集和对比进行识别，这种方法容易受到衣着等外界因素的影响，而且采集设备的成本较高。随着传感器的智能化，微型化的发展，研究者们采用加速度传感器等采集数据然后进行建模分析，但是这种加速度传感器通常体积较大，而且不可拉伸或弯曲，穿在人体上会有不适感，难以普及应用。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于硅酮-镍纳米传感器的步态识别方法及系统，具有低功耗、结构简单、检测方便、便于穿戴等优点。
本发明所采用的第一技术方案是：一种基于硅酮-镍纳米传感器的步态识别方法，包括以下步骤：
通过硅酮-镍纳米复合材料传感器采集步态数据；
对步态数据进行预处理，得到预处理后的数据；
根据预处理后的数据对构建的LSTM网络进行训练，得到训练好的LSTM网络；
获取待测步态数据并输入到训练好的LSTM网络，得到识别结果；
将识别结果返回到智能终端。
进一步，所述采集的数据具体为12个用户正常行走时的步态数据，每个用户的采集时长约为3分钟，采集频率为50Hz。
进一步，所述对步态数据进行预处理，得到预处理后的数据这一步骤，其具体包括：
对步态数据进行预处理，通过低通滤波器将步态数据中的高频噪声成分滤除掉，得到过滤后的12个用户的步态数据；
将过滤后的12个用户的步态数据以3:1的比例划分为训练集和测试集，得到预处理后的数据。
进一步，所述构建的LSTM网络包括具有6个神经元输入层、具有24个神经元的隐藏层和具有12个神经元的全连接层，所述输入层、隐藏层和全连接层依次连接。
本发明所采用的第二技术方案是：一种基于硅酮-镍纳米传感器的步态识别系统，包括以以下单元：
测量单元，用于采集用户步态数据，将步态数据传输至识别单元和接收来自识别单元的识别结果并将识别结果传输至智能终端单元；
识别单元，用于对步态数据进行识别并将识别结果传输回测量单元；
智能终端单元，用于接收识别结果并显示。
进一步，所述测量单元包括应变片、INA122放大器、电源模块、微控制器和无线通信模块，所述应变片与INA122放大器连接，所述INA122放大器、电源模块和无线通信模块分别与微控制器连接。
进一步，所述识别单元包括数据预处理模块和LSTM网络，所述数据预处理模块和LSTM网络连接，所述数据预处理模块和LSTM网络分别与微控制器连接。
进一步，所述智能终端单元包括智能手机、智能手环和平板电脑。
进一步，所述应变片以硅酮作为基底材料，并使用镀镍碳纤维和镍纳米链作为导电剂制成。
进一步，所述微控制器采用MSP430FR2355，所述无线通信模块采用HC-06蓝牙芯片。
本发明方法及系统的有益效果是：本发明提供的一种基于硅酮-镍纳米复合材料传感器的步态识别系统，通过在鞋垫或袜子中安装硅酮-镍纳米复合材料传感器，获得用户行走时的步态信息数据。将该数据经过预处理后通过LSTM网络进行特征提取和识别分类，并将该结果发送到智能终端实时查看。与传统的基于视频或基于加速度传感器的步态识别相比，本发明具有成本低，功耗小，结构简单，检测方便等优点。
附图说明
图1是本发明一种基于硅酮-镍纳米传感器的步态识别方法的步骤流程图；
图2是本发明一种基于硅酮-镍纳米传感器的步态识别系统的结构框图；
图3是本发明具体实施例的电路连接示意图；
图4是本发明具体实施例构建的LSTM网络结构示意图。
附图标记：1、测量单元；2、识别单元；11、应变片；12、INA122放大器；13、电源模块；14、微控制器；15、无线通信模块；21、预处理模块；22、LSTM网络。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示，本发明提供了一种基于硅酮-镍纳米传感器的步态识别方法，该方法包括以下步骤：
S101、通过硅酮-镍纳米复合材料传感器采集步态数据；
S102、对步态数据进行预处理，得到预处理后的数据；
S103、根据预处理后的数据对构建的LSTM网络进行训练，得到训练好的LSTM网络；
S104、获取待测步态数据并输入到训练好的LSTM网络，得到识别结果；
S105、将识别结果返回到智能终端；
具体地，在本发明中，我们将该硅酮-镍纳米复合材料传感器置于鞋垫或袜子中，实时检测脚底的变化情况，不仅结构简单，便于穿戴，而且避免了使用复杂昂贵的设备。
进一步作为本方法的优选实施例，所述采集的数据具体为12个用户正常行走时的步态数据，每个用户的采集时长约为3分钟，采集频率为50Hz。
进一步作为本方法的优选实施例，所述对步态数据进行预处理，得到预处理后的数据这一步骤，其具体包括：
对步态数据进行预处理，通过低通滤波器将步态数据中的高频噪声成分滤除掉，得到过滤后的12个用户的步态数据；
将过滤后的12个用户的步态数据以3:1的比例划分为训练集和测试集，得到预处理后的数据。
具体地，在对步态数据进行预处理时，利用的是低通滤波器将高频噪声滤除掉。本发明分别采集12个用户正常行走时的步态数据，采集时长为3分钟，采样频率设定为50Hz，故每个用户的步态数据为(9000*1)维的数据。
另外，在对LSTM网络22模型进行训练前，首先把采集到的12个人的步态数据按照3:1的比例分为训练集和测试集。训练集用于对LSTM网络22模型进行训练，测试集用于对训练好的LSTM网络22模型进行测试。
进一步作为本方法优选实施例，所述构建的LSTM网络22包括具有6个神经元输入层、具有24个神经元的隐藏层和具有12个神经元的全连接层，所述输入层、隐藏层和全连接层依次连接。
具体地，本发明所采用的LSTM网络22模型共三层，用以训练识别步态的身份信息。其中，第一层为具有6个神经元的输入层，第二层为具有24个神经元的隐藏层，第三层为具有12个神经元的全连接层，最终将全连接层的输出通过softmax分类器将概率和归一化，概率最大者即为预测值。
如图2所示，一种基于硅酮-镍纳米传感器的步态识别系统，包括以下单元：
测量单元1，用于采集用户步态数据、将步态数据传输至识别单元2、接收来自识别单元2的识别结果并将识别结果传输至智能终端单元；
识别单元2，用于对步态数据进行识别并将识别结果传输回测量单元；
智能终端单元，用于接收识别结果并显示。
进一步作为本系统的优选实施例，所述测量单元1包括应变片11、INA122放大器12、电源模块13、微控制器14和无线通信模块15，所述应变片11与INA122放大器12连接，所述INA122放大器12、电源模块13和无线通信模块15分别与微控制器14连接。
具体地，在实际采集电路中，应变片11置于鞋垫或袜子中，避免对用户造成不适。应变片11随着人行走时鞋垫或袜子的形变而发生形变，从而导致应变片11的电阻发生变化，而应变片的电阻值可以通过INA122放大器12的输出电压反映出来，电源模块为碱性电池或纽扣电池。
另外，测量单元1还包括一个便携试壳体，将INA122放大器12、电源模块13、微控制器14以及无线通信单元15放置在便携式壳体内，然后在便携式壳体的外面安装夹子或别针，从而使得便携式壳体可以固定在用户的鞋面或腰带上，避免对用户造成不适。
参照图3，本发明的微控制器14是通过MSP430FR2355实现，并结合INA122放大器12进行采集。其中，应变片11两端分别连接到INA122放大器的
Figure BDA0002641787140000041
端口。INA122放大器的具体工作原理如下：
T1、通过微控制器P1.1端口产生一个参考电压，连接到INA122的
Figure BDA0002641787140000042
端口。
T2、通过微控制器P3.5端口产生一个固定幅度和频率的信号，连接到INA122的
Figure BDA0002641787140000043
端口，则INA122的输入电压为
Figure BDA0002641787140000044
T3、将INA122的输出电压V0连接到微控制P1.5端口进行模数转换。
T4、根据INA122的放大特性，V0与RG有以下关系：
Figure BDA0002641787140000051
Figure BDA0002641787140000052
T5、由(1)(2)式可知，测得V0值后，可由(1)式求得INA122放大器12的放大倍数G，求得放大倍数G后又可以由(2)式求得RG的值，即应变片11的电阻值。
进一步作为本系统的优选实施例，所述识别单元包括数据预处理模块21和LSTM网络22，所述数据预处理模21块和LSTM网络22连接，所述数据预处理模块21和LSTM网络22分别与微控制器14连接。
进一步作为本系统的优选实施例，所述智能终端单元包括智能手机、智能手环和平板电脑。
具体地，智能终端包括智能手机、智能手表、智能手环、平板电脑或其它嵌入式系统，智能终端能接收到步态数据的身份信息。
本发明中的LSTM神经网络模型可以移植到用户的智能终端中，为用户提供相关服务。例如在智能门锁系统中植入该LSTM神经网络，当穿有可穿戴传感器设备的屋主从外面回来时，智能门锁系统能够接收到屋主的步态信息，并通过LSTM神经网络判断该步态信息的身份，从而决定是否把门锁打开。
进一步作为本系统的优选实施例，所述应变片11以硅酮作为基底材料，并使用镀镍碳纤维和镍纳米链作为导电剂制成。
具体地，该应变片11在非常小的形变范围内，其阻值迅速上升并达到峰值，随后表现出明显的反压阻效应，即随着不断拉伸，应变片的阻值急剧减小最后变化趋于平缓。除此之外，该应变片还有可拉伸范围大、灵敏度高、成本低等优点。
进一步作为本系统的优选实施例，所述微控制器14采用MSP430FR2355，所述无线通信模块采用HC-06蓝牙芯片。
具体地，微控制器MSP430FR2355的P1.5连接INA122的输出电压V0，输出电压V0经过模数转换后量化为0～1023之间的量化值，量化值越大表明应变片电阻值RG越小。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于硅酮-镍纳米传感器的步态识别方法，其特征在于，包括以下步骤：
通过硅酮-镍纳米复合材料传感器采集步态数据；
对步态数据进行预处理，得到预处理后的数据；
根据预处理后的数据对构建的LSTM网络进行训练，得到训练好的LSTM网络；
获取待测步态数据并输入到训练好的LSTM网络，得到识别结果；
将识别结果返回到智能终端。
2.根据权利要求1所述一种基于硅酮-镍纳米传感器的步态识别方法，采集的步态数据具体为12个用户正常行走时的步态数据，每个用户的采集时长约为3分钟，采集频率为50Hz。
3.根据权利要求2所述一种基于硅酮-镍纳米传感器的步态识别方法，其特征在于，所述对步态数据进行预处理，得到预处理后的数据这一步骤，其具体包括：
对步态数据进行预处理，通过低通滤波器将步态数据中的高频噪声成分滤除掉，得到过滤后的12个用户的步态数据；
将过滤后的12个用户的步态数据以3:1的比例划分为训练集和测试集，得到预处理后的数据。
4.根据权利要求3所述一种基于硅酮-镍纳米传感器的步态识别方法，其特征在于，所述构建的LSTM网络包括具有6个神经元输入层、具有24个神经元的隐藏层和具有12个神经元的全连接层，所述输入层、隐藏层和全连接层依次连接。
5.一种基于硅酮-镍纳米传感器的步态识别系统，其特征在于，包括以下单元：
测量单元，用于采集用户步态数据、将步态数据传输至识别单元、接收来自识别单元的识别结果并将识别结果传输至智能终端单元；
识别单元，用于对步态数据进行识别并将识别结果传输回测量单元；
智能终端单元，用于接收识别结果并显示。
6.根据权利要求5所述一种基于硅酮-镍纳米传感器的步态识别系统，其特征在于，所述测量单元包括应变片、INA122放大器、电源模块、微控制器和无线通信模块，所述应变片与INA122放大器连接，所述INA122放大器、电源模块和无线通信模块分别与微控制器连接。
7.根据权利要求6所述一种基于硅酮-镍纳米传感器的步态识别系统，其特征在于，所述识别单元包括数据预处理模块和LSTM网络，所述数据预处理模块和LSTM网络连接，所述数据预处理模块和LSTM网络分别与微控制器连接。
8.根据权利要求7所述一种基于硅酮-镍纳米传感器的步态识别系统，其特征在于，所述智能终端单元包括智能手机、智能手环和平板电脑。
9.根据权利要求8所述一种基于硅酮-镍纳米传感器的步态识别系统，其特征在于，所述应变片以硅酮作为基底材料，并使用镀镍碳纤维和镍纳米链作为导电剂制成。
10.根据权利要求9所述一种基于硅酮-镍纳米传感器的步态识别系统，其特征在于，所述微控制器采用MSP430FR2355，所述无线通信模块采用HC-06蓝牙芯片。
CN202010841995.XA 2020-08-20 2020-08-20 一种基于硅酮-镍纳米传感器的步态识别方法及系统 Pending CN111973193A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010841995.XA CN111973193A (zh) 2020-08-20 2020-08-20 一种基于硅酮-镍纳米传感器的步态识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010841995.XA CN111973193A (zh) 2020-08-20 2020-08-20 一种基于硅酮-镍纳米传感器的步态识别方法及系统

Publications (1)

Publication Number Publication Date
CN111973193A true CN111973193A (zh) 2020-11-24

Family

ID=73442328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010841995.XA Pending CN111973193A (zh) 2020-08-20 2020-08-20 一种基于硅酮-镍纳米传感器的步态识别方法及系统

Country Status (1)

Country Link
CN (1) CN111973193A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529062A (zh) * 2020-12-04 2021-03-19 齐鲁工业大学 一种基于灵巧手触觉信息的物体分类方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013038214A2 (en) * 2011-08-30 2013-03-21 Bay Zoltán Alkalmazott Kutatási Közhasznú Nonprofit Kft. Device for monitoring balance and a method for manufacturing thereof
US9445769B2 (en) * 2013-12-06 2016-09-20 President And Fellows Of Harvard College Method and apparatus for detecting disease regression through network-based gait analysis
CN108683724A (zh) * 2018-05-11 2018-10-19 江苏舜天全圣特科技有限公司 一种智能儿童安全及步态健康监护系统
CN109770913A (zh) * 2019-01-23 2019-05-21 复旦大学 一种基于反向传播神经网络的步态异常识别方法
CN109902646A (zh) * 2019-03-08 2019-06-18 中南大学 一种基于长短时记忆网络的步态识别方法
CN110276189A (zh) * 2019-06-27 2019-09-24 电子科技大学 一种基于步态信息的用户身份认证方法
CN111110246A (zh) * 2020-01-14 2020-05-08 中山大学 一种基于高形变应变式传感器的步态分析系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013038214A2 (en) * 2011-08-30 2013-03-21 Bay Zoltán Alkalmazott Kutatási Közhasznú Nonprofit Kft. Device for monitoring balance and a method for manufacturing thereof
US9445769B2 (en) * 2013-12-06 2016-09-20 President And Fellows Of Harvard College Method and apparatus for detecting disease regression through network-based gait analysis
CN108683724A (zh) * 2018-05-11 2018-10-19 江苏舜天全圣特科技有限公司 一种智能儿童安全及步态健康监护系统
CN109770913A (zh) * 2019-01-23 2019-05-21 复旦大学 一种基于反向传播神经网络的步态异常识别方法
CN109902646A (zh) * 2019-03-08 2019-06-18 中南大学 一种基于长短时记忆网络的步态识别方法
CN110276189A (zh) * 2019-06-27 2019-09-24 电子科技大学 一种基于步态信息的用户身份认证方法
CN111110246A (zh) * 2020-01-14 2020-05-08 中山大学 一种基于高形变应变式传感器的步态分析系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘泽原: "基于智能鞋垫的步态分析及其应用研究", 《中国优秀硕士学位论文全文数据库（工程科技二辑）》 *
王申涛等: "基于长短时记忆网络 （LSTM）的帕金森步态识别", 《信息通信》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529062A (zh) * 2020-12-04 2021-03-19 齐鲁工业大学 一种基于灵巧手触觉信息的物体分类方法

Similar Documents

Publication Publication Date Title
Allen et al. Classification of a known sequence of motions and postures from accelerometry data using adapted Gaussian mixture models
Huang et al. TSE-CNN: A two-stage end-to-end CNN for human activity recognition
Gupta et al. Feature selection and activity recognition system using a single triaxial accelerometer
Preece et al. A comparison of feature extraction methods for the classification of dynamic activities from accelerometer data
Andò et al. An event polarized paradigm for ADL detection in AAL context
Woodward et al. Pervasive monitoring of motion and muscle activation: Inertial and mechanomyography fusion
JP2002065640A (ja) 体動センシングシステム、健康管理システム及び作業管理システム
CN105030198A (zh) 用于监测睡眠质量和生命体征的系统及方法
Liu et al. A benchmark database and baseline evaluation for fall detection based on wearable sensors for the Internet of medical things platform
Czabke et al. Accelerometer based real-time activity analysis on a microcontroller
CN110801212B (zh) 基于神经网络的bcg信号心率提取方法
CN108549834A (zh) 一种基于柔性传感器的人体坐姿识别方法及其系统
CN108852317A (zh) 一种咳嗽的监测方法和健康监测装置
CN109805935A (zh) 一种基于人工智能分层分级运动识别方法的智能腰带
CN111973193A (zh) 一种基于硅酮-镍纳米传感器的步态识别方法及系统
CN107943271A (zh) 运动数据检测方法、装置及系统
CN112057090B (zh) 基于体表极低频电势差特征的情绪判断穿戴式设备和方法
CN212662611U (zh) 一种智能语音交互健身服装
CN107870583A (zh) 假肢控制方法、装置及存储介质
CN112263254A (zh) 一种基于表面肌电信号传感器的人体能量消耗预测系统及其预测方法
CN116089797A (zh) 一种基于卷积神经网络的脉象识别方法和系统
CN209203247U (zh) 用于精神障碍康复期情绪监测与干预的可穿戴式手环
CN116269413A (zh) 利用智能腕带运动传感器的连续心电波形重构系统及方法
CN208970186U (zh) 用于可穿戴设备的健康检测系统
CN204734467U (zh) 用于监测睡眠质量和生命体征的系统

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: 20201124

RJ01 Rejection of invention patent application after publication