CN113159280A - 一种六轴传感信号的转换方法及装置 - Google Patents

一种六轴传感信号的转换方法及装置 Download PDF

Info

Publication number
CN113159280A
CN113159280A CN202110309184.XA CN202110309184A CN113159280A CN 113159280 A CN113159280 A CN 113159280A CN 202110309184 A CN202110309184 A CN 202110309184A CN 113159280 A CN113159280 A CN 113159280A
Authority
CN
China
Prior art keywords
signal
sub
matrix
signals
segment
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
CN202110309184.XA
Other languages
English (en)
Inventor
李小勇
李志飞
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.)
Mobvoi Information Technology Co Ltd
Chumen Wenwen Information Technology Co Ltd
Original Assignee
Mobvoi Information Technology Co Ltd
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 Mobvoi Information Technology Co Ltd filed Critical Mobvoi Information Technology Co Ltd
Priority to CN202110309184.XA priority Critical patent/CN113159280A/zh
Publication of CN113159280A publication Critical patent/CN113159280A/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
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种六轴传感信号的转换方法及装置，包括：采集第一原始信号，第一原始信号为六轴传感信号；将第一原始信号按照预设长度拆分成N段子信号，N段子信号组成第一原始信号序列；对第一原始信号序列进行标准化处理，得到第一标准信号序列；根据第一标准信号序列，计算第一相关矩阵；对第一相关矩阵进行拉普拉斯归一化，得到邻接矩阵。

Description

一种六轴传感信号的转换方法及装置
技术领域
本发明涉及数据转换领域，尤其涉及一种六轴传感信号的转换方法及装置。
背景技术
当前主要是使用传统的基于欧氏距离的DNN模型(深度神经网络模型，DeepNeural Networks)中的CNN模型(卷积神经网络模型， Convolutional Neural Networks)对传感信号进行分类。
而使用CNN模型对使用IMU(惯性测量单元，Inertial Measurement Unit)采集的六轴传感信号进行震颤动作分类预测时无法保持位移不变性，也就导致实际的监测过程中对震颤判定的准确性不强，这是因为 CNN模型是通过欧氏距离对传感信号的各轴(x轴、y轴和z轴或Roll 轴、Pitch轴和Heading轴等轴向)进行相关性描述，而六轴传感信号中的各轴是一种不规则的关系，也就是一种非欧氏距离的关系，所以使用 CNN模型无法准确地对六轴传感信号进行分类。
GCN模型(图卷积神经网络模型，Generalized Connection Network) 可以通过非欧式距离对传感信号进行分类，但是GCN模型的输入数据为图数据(邻接矩阵)，而IMU采集到的六轴传感信号不是图数据， GCN模型无法直接对六轴传感信号进行分类，所以本领域急需一种能够将六轴传感信号转换为图数据的方法。
发明内容
本发明提供一种六轴传感信号的转换方法及装置，以至少解决现有技术中存在的以上技术问题。
本发明一方面提供一种六轴传感信号的转换方法，包括：
采集第一原始信号，所述第一原始信号为六轴传感信号；
将第一原始信号按照预设长度拆分成N段子信号，所述N段子信号组成第一原始信号序列；
对所述第一原始信号序列进行标准化处理，得到第一标准信号序列；
根据第一标准信号序列，计算第一相关矩阵；
对第一相关矩阵进行拉普拉斯归一化，得到邻接矩阵。
其中，所述对所述第一原始信号序列进行标准化处理，得到第一标准信号序列，该方法包括：
计算所述第一原始信号序列中N段子信号的平均信号强度μ和信号强度标准差值σ；
对于每段子信号：根据公式
Figure RE-GDA0003077652300000021
对该段子信号的信号强度S进行标准化处理，得到该段子信号标准化处理后的信号强度S'。
其中，所述根据第一标准信号序列，计算第一相关矩阵，该方法包括：
计算所述N段所述子信号中两两的相关系数，得到N*N个相关系数；
对于所述N段子信号中的第i段子信号和第j段子信号，根据以下公式计算相关系数r(i,j)：
Figure RE-GDA0003077652300000022
所述Cov(S′i,S'j)为第一标准信号序列中第i段子信号的信号强度和第j 段子信号的信号强度的协方差，所述Var[S′i]为第一标准信号序列中第i段子信号的信号强度的方差，所述Var[S'j]为第一标准信号序列中第j段子信号的信号强度的方差；
将N*N个相关系数组成矩阵，得到第一相关矩阵。
其中，所述对第一相关矩阵进行拉普拉斯归一化，得到邻接矩阵，该方法包括：
根据如下公式计算第一相关矩阵A的逆矩阵：
Figure RE-GDA0003077652300000031
所述I是与第一相关矩阵A相同阶数的单位矩阵；
根据如下公式计算第一相关矩阵A的度矩阵的逆矩阵
Figure RE-GDA0003077652300000034
Figure RE-GDA0003077652300000032
所述D是第一相关矩阵A的度矩阵；
根据如下公式计算第一相关矩阵A的邻接矩阵：
Figure RE-GDA0003077652300000033
其中，所述得到邻接矩阵后，该方法还包括：
通过GCN模型对所述邻接矩阵进行识别，得到所述第一原始信号的分类结果。
本发明另一方面提供一种六轴传感信号的转换装置，包括：
采集模块，用于采集第一原始信号，所述第一原始信号为六轴传感信号；
处理模块，用于将第一原始信号按照预设长度拆分成N段子信号，所述N段子信号组成第一原始信号序列；
所述处理模块，还用于对所述第一原始信号序列进行标准化处理，得到第一标准信号序列；
计算模块，用于根据第一标准信号序列，计算第一相关矩阵；
所述计算模块，还用于对第一相关矩阵进行拉普拉斯归一化，得到邻接矩阵。
其中，所述处理模块，还用于计算所述第一原始信号序列中N段子信号的平均信号强度μ和信号强度标准差值σ；
所述处理模块，还用于对于每段子信号：根据公式
Figure RE-GDA0003077652300000041
对该段子信号的信号强度S进行标准化处理，得到该段子信号标准化处理后的信号强度S'。
其中，所述计算模块，还用于对于所述N段子信号中的第i段子信号和第j段子信号，根据以下公式计算相关系数r(i,j)：
Figure RE-GDA0003077652300000042
所述Cov(S′i,S'j)为第一标准信号序列中第i段子信号的信号强度和第j 段子信号的信号强度的协方差，所述Var[S′i]为第一标准信号序列中第i段子信号的信号强度的方差，所述Var[S'j]为第一标准信号序列中第j段子信号的信号强度的方差；
所述计算模块，还用于将N*N个相关系数组成矩阵，得到第一相关矩阵。
其中，所述计算模块，还用于根据如下公式计算第一相关矩阵A的逆矩阵：
Figure RE-GDA0003077652300000043
所述I是与第一相关矩阵A相同阶数的单位矩阵；
根据如下公式计算第一相关矩阵A的度矩阵的逆矩阵
Figure RE-GDA0003077652300000046
Figure RE-GDA0003077652300000044
所述D是第一相关矩阵A的度矩阵；
根据如下公式计算第一相关矩阵A的邻接矩阵：
Figure RE-GDA0003077652300000045
其中，该装置还包括：GCN模型；
GCN模型，用于对所述邻接矩阵进行识别，得到所述第一原始信号的分类结果。
上述方案中，通过根据第一标准信号序列来计算第一相关矩阵，再对第一相关矩阵进行拉普拉斯归一化，得到图数据，使得在计算过程中实现了更加有效率的梯度下降以及反向传播，且避免了梯度爆炸和梯度消失的问题，同时简化了计算的过程，提高了将六轴传感信号转化为图数据的效率，而成功将六轴传感信号转化为图数据，使得可以通过GCN模型对该图数据进行分类，得出该图数据对应的六轴传感信号的分类结果。
附图说明
图1示出了本发明一实施例提供的六轴传感信号的转换方法流程示意图；
图2示出了本发明一实施例提供的六轴传感信号的转换装置结构示意图；
图3示出了本发明一实施例提供的六轴传感信号的示意图。
具体实施方式
为使本发明的目的、特征、优点能够更加的明显和易懂，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，而非全部实施例。基于本发明中的实施例，本领域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。
为了将六轴传感信号转化为图数据以供后续处理，本发明一实施例提供了一种六轴传感信号的转换方法，如图1所示，该方法包括：
步骤101，采集第一原始信号，所述第一原始信号为六轴传感信号。
使用安装了惯性测量单元IMU的任意佩戴设备对佩戴者的震颤数据进行采集，得到第一原始信号，第一原始信号为六轴传感信号，如图 3所示，六轴传感信号包括3-AxisACC中的x轴、y轴和z轴和3-Axis GYRO中的Roll、Pitch和Heading六个轴向，这六个轴向都包含了时间维度和方向轴维度上的数据，其中各方向轴之间的关系是一种不规则的关系，也就是一种非欧氏距离的关系，所以CNN模型在方向轴这个维度上无法保持位移不变性，需要使用GCN模型来对六轴传感信号进行震颤的分类预测，确定本次震颤对应的各种类型的概率，这里的各种类型可以是：重度震颤、中度震颤、轻度震颤和正常震颤，其中，重度震颤可能是帕金森病的病征，所以需要将六轴传感信号转化为图数据。
步骤102，将第一原始信号按照预设长度拆分成N段子信号，所述 N段子信号组成第一原始信号序列。
将第一原始信号按照预设的固定长度进行拆分，得到N段预设固定长度的子信号，N段子信号组成了第一原始信号序列，每段子信号包含了信号强度等数据。
步骤103，对所述第一原始信号序列进行标准化处理，得到第一标准信号序列。
计算第一原始信号序列中N段子信号的平均信号强度μ和信号强度标准差值σ，再根据公式
Figure RE-GDA0003077652300000061
对子信号的信号强度S进行标准化处理，得到了经过标准化处理后的子信号的信号强度S'，N个经过标准化处理后的子信号组成第一标准信号序列。
步骤104，根据第一标准信号序列，计算第一相关矩阵。
对于第一标准信号序列中包含的N段经过标准化处理后的子信号，将N段经过标准化处理后的子信号两两根据公式
Figure RE-GDA0003077652300000062
来计算它们之间的相关系数r(i,j)，例如将S′1与S′1-S'N分别计算相关系数，得到N个相关系数，将S'2与S′1-S'N分别计算相关系数，又得到N个相关系数，重复上述过程，直到将S'N与S′1-S'N分别计算相关系数，又得到N个相关系数，经过上述过程总共得到了N*N个相关系数，而公式中，Cov(S′i,S'j)为 S′i和S'j的协方差，所述Var[S′i]为S′i的方差，所述Var[S'j]为S'j的方差，最后将N*N个相关系数组成矩阵，得到第一相关矩阵。
步骤105，对第一相关矩阵进行拉普拉斯归一化，得到邻接矩阵。
根据以下公式来计算第一相关矩阵A的逆矩阵A～：
Figure RE-GDA0003077652300000071
其中，I是与第一相关矩阵A相同阶数的单位矩阵。
根据以下公式来计算第一相关矩阵A的度矩阵D的逆矩阵
Figure RE-GDA0003077652300000072
Figure RE-GDA0003077652300000073
根据以下公式来计算邻接矩阵：
Figure RE-GDA0003077652300000074
在步骤105中，所述得到图数据后，在一可实施方式中，通过GCN 模型对所述邻接矩阵进行识别，得到所述第一原始信号的分类结果。
将邻接矩阵输入GCN模型中，通过GCN模型对邻接矩阵进行震颤数据的分类预测，最后输出该邻接矩阵对应的第一原始信号的分类结果。
上述方案中，通过根据第一标准信号序列来计算第一相关矩阵，再对第一相关矩阵进行拉普拉斯归一化，得到图数据，使得在计算过程中实现了更加有效率的梯度下降以及反向传播，且避免了梯度爆炸和梯度消失的问题，同时简化了计算的过程，提高了将六轴传感信号转化为图数据的效率，而成功将六轴传感信号转化为图数据，使得可以通过GCN模型对该图数据进行分类，得出该图数据对应的六轴传感信号的分类结果。
为了实现上述的方法，本发明实施例还提供了一种六轴传感信号的转换装置，如图2所示，包括：
采集模块，用于采集第一原始信号，所述第一原始信号为六轴传感信号；
处理模块，用于将第一原始信号按照预设长度拆分成N段子信号，所述N段子信号组成第一原始信号序列；
所述处理模块，还用于对所述第一原始信号序列进行标准化处理，得到第一标准信号序列；
计算模块，用于根据第一标准信号序列，计算第一相关矩阵；
所述计算模块，还用于对第一相关矩阵进行拉普拉斯归一化，得到邻接矩阵。
其中，所述处理模块，还用于计算所述第一原始信号序列中N段子信号的平均信号强度μ和信号强度标准差值σ；
所述处理模块，还用于对于每段子信号：根据公式
Figure RE-GDA0003077652300000081
对该段子信号的信号强度S进行标准化处理，得到该段子信号标准化处理后的信号强度S'。
其中，所述计算模块，还用于对于所述N段子信号中的第i段子信号的信号强度和第j段子信号的信号强度，根据以下公式计算相关系数 r(i,j)：
Figure RE-GDA0003077652300000082
所述Cov(Si,Sj)为第i段子信号的信号强度和第j段子信号的信号强度的协方差，所述Var[Si]为第i段子信号的信号强度的方差，所述Var[Sj]为第j段子信号的信号强度的方差；
所述计算模块，还用于将N*N个相关系数组成矩阵，得到第一相关矩阵。
其中，所述计算模块，还用于对于根据如下公式计算第一相关矩阵 A的逆矩阵：
Figure RE-GDA0003077652300000091
所述I是与第一相关矩阵A相同阶数的单位矩阵；
根据如下公式计算第一相关矩阵A的度矩阵的逆矩阵
Figure RE-GDA0003077652300000092
Figure RE-GDA0003077652300000093
所述D是第一相关矩阵A的度矩阵；
根据如下公式计算第一相关矩阵A的邻接矩阵：
Figure RE-GDA0003077652300000094
其中，该装置还包括：GCN模型；
GCN模型，用于对所述邻接矩阵进行识别，得到所述第一原始信号的分类结果。
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种六轴传感信号的转换方法，其特征在于，包括：
采集第一原始信号，所述第一原始信号为六轴传感信号；
将第一原始信号按照预设长度拆分成N段子信号，所述N段子信号组成第一原始信号序列；
对所述第一原始信号序列进行标准化处理，得到第一标准信号序列；
根据第一标准信号序列，计算第一相关矩阵；
对第一相关矩阵进行拉普拉斯归一化，得到邻接矩阵。
2.根据权利要求1所述的六轴传感信号的转换方法，其特征在于，所述对所述第一原始信号序列进行标准化处理，得到第一标准信号序列，该方法包括：
计算所述第一原始信号序列中所述N段子信号的平均信号强度μ和信号强度标准差值σ；
对于每段子信号：根据公式
Figure RE-FDA0003077652290000011
对该段子信号的信号强度S进行标准化处理，得到该段子信号标准化处理后的信号强度S′；
第一标准信号序列包含的N段子信号中每段子信号的信号强度为S′。
3.根据权利要求2所述的六轴传感信号的转换方法，其特征在于，所述根据第一标准信号序列，计算第一相关矩阵，该方法包括：
计算所述N段所述子信号中两两的相关系数，得到N*N个相关系数；
对于所述N段子信号中的第i段子信号和第j段子信号，根据以下公式计算相关系数r(i,j)：
Figure RE-FDA0003077652290000021
所述Cov(S′i,S′j)为第一标准信号序列中第i段子信号的信号强度和第j段子信号的信号强度的协方差，所述Var[S′i]为第一标准信号序列中第i段子信号的信号强度的方差，所述Var[S′j]为第一标准信号序列中第j段子信号的信号强度的方差；
将所述N*N个相关系数组成矩阵，得到第一相关矩阵。
4.根据权利要求1所述的六轴传感信号的转换方法，其特征在于，所述对第一相关矩阵进行拉普拉斯归一化，得到邻接矩阵，该方法包括：
根据如下公式计算第一相关矩阵A的逆矩阵：
Figure RE-FDA0003077652290000022
所述I是与第一相关矩阵A相同阶数的单位矩阵；
根据如下公式计算第一相关矩阵A的度矩阵的逆矩阵
Figure RE-FDA0003077652290000023
Figure RE-FDA0003077652290000024
所述D是第一相关矩阵A的度矩阵；
根据如下公式计算第一相关矩阵A的邻接矩阵：
Figure RE-FDA0003077652290000025
5.根据权利要求1所述的六轴传感信号的转换方法，其特征在于，所述得到邻接矩阵后，该方法还包括：
通过GCN模型对所述邻接矩阵进行识别，得到所述第一原始信号的分类结果。
6.一种六轴传感信号的转换装置，其特征在于，包括：
采集模块，用于采集第一原始信号，所述第一原始信号为六轴传感信号；
处理模块，用于将第一原始信号按照预设长度拆分成N段子信号，所述N段子信号组成第一原始信号序列；
所述处理模块，还用于对所述第一原始信号序列进行标准化处理，得到第一标准信号序列；
计算模块，用于根据第一标准信号序列，计算第一相关矩阵；
所述计算模块，还用于对第一相关矩阵进行拉普拉斯归一化，得到邻接矩阵。
7.根据权利要求6所述的六轴传感信号的转换装置，其特征在于，
所述处理模块，还用于计算所述第一原始信号序列中N段子信号的平均信号强度μ和信号强度标准差值σ；
所述处理模块，还用于对于每段子信号：根据公式
Figure RE-FDA0003077652290000031
对该段子信号的信号强度S进行标准化处理，得到该段子信号标准化处理后的信号强度S'。
8.根据权利要求7所述的六轴传感信号的转换装置，其特征在于，
所述计算模块，还用于对于所述N段子信号中的第i段子信号和第j段子信号，根据以下公式计算相关系数r(i,j)：
Figure RE-FDA0003077652290000032
所述Cov(S′i,S′j)为第一标准信号序列中第i段子信号的信号强度和第j段子信号的信号强度的协方差，所述Var[S′i]为第一标准信号序列中第i段子信号的信号强度的方差，所述Var[S′j]为第一标准信号序列中第j段子信号的信号强度的方差；
所述计算模块，还用于将N*N个相关系数组成矩阵，得到第一相关矩阵。
9.根据权利要求6所述的六轴传感信号的转换装置，其特征在于，
所述计算模块，还用于对于根据如下公式计算第一相关矩阵A的逆矩阵：
Figure RE-FDA0003077652290000041
所述I是与第一相关矩阵A相同阶数的单位矩阵；
根据如下公式计算第一相关矩阵A的度矩阵的逆矩阵
Figure RE-FDA0003077652290000042
Figure RE-FDA0003077652290000043
所述D是第一相关矩阵A的度矩阵；
根据如下公式计算第一相关矩阵A的邻接矩阵：
Figure RE-FDA0003077652290000044
10.根据权利要求6所述的六轴传感信号的转换装置，其特征在于，该装置还包括：GCN模型；
GCN模型，用于对所述邻接矩阵进行识别，得到所述第一原始信号的分类结果。
CN202110309184.XA 2021-03-23 2021-03-23 一种六轴传感信号的转换方法及装置 Pending CN113159280A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110309184.XA CN113159280A (zh) 2021-03-23 2021-03-23 一种六轴传感信号的转换方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110309184.XA CN113159280A (zh) 2021-03-23 2021-03-23 一种六轴传感信号的转换方法及装置

Publications (1)

Publication Number Publication Date
CN113159280A true CN113159280A (zh) 2021-07-23

Family

ID=76888246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110309184.XA Pending CN113159280A (zh) 2021-03-23 2021-03-23 一种六轴传感信号的转换方法及装置

Country Status (1)

Country Link
CN (1) CN113159280A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596236A (zh) * 2018-04-18 2018-09-28 东南大学 一种基于全局连接特征和测地距离的丘脑核团分区方法
CN111291673A (zh) * 2020-02-04 2020-06-16 贵州省人民医院 一种预测时序信号分类的方法、装置、服务器及存储介质
CN111700608A (zh) * 2020-07-24 2020-09-25 武汉中旗生物医疗电子有限公司 一种心电信号多分类方法及装置
CN112016590A (zh) * 2020-07-24 2020-12-01 浙大城市学院 结合序列局部特征提取及深度卷积预测模型的预测方法
CN112147444A (zh) * 2020-09-25 2020-12-29 广东电网有限责任公司佛山供电局 一种电力变压器工作状态监测方法及系统
CN112350899A (zh) * 2021-01-07 2021-02-09 南京信息工程大学 一种基于图卷积网络融合多特征输入的网络流量预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596236A (zh) * 2018-04-18 2018-09-28 东南大学 一种基于全局连接特征和测地距离的丘脑核团分区方法
CN111291673A (zh) * 2020-02-04 2020-06-16 贵州省人民医院 一种预测时序信号分类的方法、装置、服务器及存储介质
CN111700608A (zh) * 2020-07-24 2020-09-25 武汉中旗生物医疗电子有限公司 一种心电信号多分类方法及装置
CN112016590A (zh) * 2020-07-24 2020-12-01 浙大城市学院 结合序列局部特征提取及深度卷积预测模型的预测方法
CN112147444A (zh) * 2020-09-25 2020-12-29 广东电网有限责任公司佛山供电局 一种电力变压器工作状态监测方法及系统
CN112350899A (zh) * 2021-01-07 2021-02-09 南京信息工程大学 一种基于图卷积网络融合多特征输入的网络流量预测方法

Similar Documents

Publication Publication Date Title
CN110021439B (zh) 基于机器学习的医疗数据分类方法、装置和计算机设备
JP7025569B2 (ja) 保険の録音による品質検査方法、装置、機器及びコンピュータ記憶媒体
CN112131383B (zh) 特定目标的情感极性分类方法
CN111738001B (zh) 同义词识别模型的训练方法、同义词确定方法及设备
CN112183166A (zh) 确定训练样本的方法、装置和电子设备
CN110598603A (zh) 人脸识别模型获取方法、装置、设备和介质
CN110909784B (zh) 一种图像识别模型的训练方法、装置及电子设备
CN115099684B (zh) 企业安全生产管理系统及其管理方法
CN117124138A (zh) 模具零件自动化加工系统及方法
CN115859437A (zh) 基于分布式光纤传感系统的导管架水下应力检测系统
CN115828112A (zh) 一种故障事件的响应方法、装置、电子设备及存储介质
CN115471216B (zh) 智慧实验室管理平台的数据管理方法
CN118133189B (zh) 一种桥梁结构健康状态实时监测方法及系统
CN113609445A (zh) 多源异构监测数据处理方法、终端设备及可读存储介质
EP4089568A1 (en) Cascade pooling for natural language document processing
CN113487223B (zh) 一种基于信息融合的风险评估方法和评估系统
CN112800217A (zh) 基于向量关联性矩阵的政务事务处理报告的智能评估方法
CN113052487A (zh) 评价文本的处理方法、装置以及计算机设备
CN113159280A (zh) 一种六轴传感信号的转换方法及装置
CN112445914A (zh) 文本分类方法、装置、计算机设备和介质
CN112241470A (zh) 一种视频分类方法及系统
CN116567114A (zh) 协议解析方法、装置、终端设备及存储介质
CN111882046B (zh) 多媒体数据的识别方法、装置、设备及计算机存储介质
CN112734016A (zh) 用于钢筋表面的光滑程度检测的神经网络的训练方法
CN112562861B (zh) 一种训练传染病预测模型的方法和装置

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