CN113436703A - 基于神经网络的运动步数数据的运动模式推断方法及系统 - Google Patents
基于神经网络的运动步数数据的运动模式推断方法及系统 Download PDFInfo
- Publication number
- CN113436703A CN113436703A CN202110753356.2A CN202110753356A CN113436703A CN 113436703 A CN113436703 A CN 113436703A CN 202110753356 A CN202110753356 A CN 202110753356A CN 113436703 A CN113436703 A CN 113436703A
- Authority
- CN
- China
- Prior art keywords
- data
- motion
- data set
- mlp
- gru
- 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
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Physical Education & Sports Medicine (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于神经网络的运动步数数据的运动模式推断方法,包括系统通过智能设备获取用户的运动步数数据集;数据预处理;划分稀疏的数据集和相对完整的数据集;将完整运动步数样本划分到相应的运动模式中;获取训练好的MLP‑GRU分类模型;将稀疏的数据集输入到训练好的MLP‑GRU分类模型,得到稀疏运动步数数据的多颗粒度运动模式。本发明的多层感知机和门控循环单元一起训练克服了传统方法中补全和分类相分离所带来的缺点;考虑了大多数数据所有的短期依赖性和运动步数数据所独有的长期规律性;多颗粒度运动模式可以保证不同稀疏度的运动步数序列得到一个比较准确的推断结果。
Description
技术领域
本发明涉及人体运动行为分析,涉及运动健康和计算机模式识别的技术领域,具体地,涉及基于神经网络的运动步数数据的运动模式推断方法及系统,尤其涉及基于循环神经网络的稀疏运动步数数据的运动模式推断方法。
背景技术
近年来,随着可穿戴设备和物联网技术的发展,拥有多种传感器的智能设备,如智能手机,运动手环,在大众群体中越来越流行。多种多样的运动数据,例如运动步数,心跳,卡路里消耗等,被这些智能设备记录。在这些运动数据中,运动步数是使用最广泛的一种数据,它容易获取同时又相对准确地记录了一个人每天的身体运动。高时间分辨率的运动步数数据可以反应使用者的日常行为习惯,在人类运动行为建模、人类运动行为的预测和促进以及个性化运动计划的指定方面有着广泛的应用。
但是在实际生活中,完整的高时间分辨率的运动步数数据往往很难获取。在硬件层面上,智能设备的存储空间和电量会限制收集的数据点数目。在软件层面上,用户的使用模式和数据权限也会限制收集的数据点数目。因为这些软硬件的限制,稀疏的运动步数数据在日常生活中十分常见。理解稀疏运动步数数据的价值,对于挖掘其在运动健康领域的价值有着重要的作用。同时,这也有助于我们设计更加节能高效的软硬件来记录运动步数数据。
在公开号为CN111281361A的专利文献中公开了一种基于大数据的学生健康监测系统,包括手足口病检测模块、视力检测模块和运动手环检测模块,手足口病检测模块用于获得患病指数值,患病指数值用于反映被检测者患手足口病的风险,视力检测模块用于获得瞳径值、虹应时间、瞳应时间和瞳孔角膜反射向量坐标,瞳径值用于反映被检测者在自然光照射下瞳孔直径的大小,虹应时间用于反映被检测者视力捕捉到亮起的图案的反应时间,瞳应时间用于反映瞳孔对光照亮度变化的适应时间,瞳孔角膜反射向量坐标用于反映瞳孔中心与角膜反射光斑中心的偏移量。获取上述信息输入到数据库中并作为待分析大数据信息,大数据分析步骤对待分析大数据信息进行分析得到分析判断信息。
推断稀疏运动步数数据的运动模式可以被归为包含缺失值的时间序列分类问题。传统的解决方法是先填补缺失值然后再进行分类。但是这种方法对填补的准确度要求很高。当大量数据缺失时,准确地填补是一件很困难的事情,因此传统方法对于稀疏度很高的数据效果并不理想。而基于循环神经网络的方法,可以通过动态地更新填补的缺失值来避免传统方法的缺点,从而得到更好的分类效果。这样的方法在电子病历数据的分类中已经取得了良好的表现。但是,针对电子病历数据设计的基于循环神经网络的分类方法没有考虑到运动步数数据中所蕴含的长期规律性,不适合用于推断稀疏运动步数数据的运动模式。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于神经网络的运动步数数据的运动模式推断方法及系统。
根据本发明提供的一种基于神经网络的运动步数数据的运动模式推断方法,所述方法包括如下步骤:
步骤S1:系统通过智能设备获取用户的运动步数数据集;
步骤S2:数据预处理,将数据集中的所有数据样本处理为具有相同采样率的运动步数序列;
步骤S3:将数据样本划分为稀疏的数据集和相对完整的数据集;并对相对完整的数据集进行线性插值和归一化操作;
步骤S4:将时间划分为不同的窗口,将运动强度量化为不同的等级,按照一天内发生运动行为的时间和强度,将完整运动步数样本划分到相应的运动模式中;
步骤S5:将完整数据集经过下采样后的数据和所对应的多颗粒度运动模式标签一起输入MLP-GRU模型进行训练,获取训练好的MLP-GRU分类模型;
步骤S6:将稀疏的数据集输入到训练好的MLP-GRU分类模型,得到稀疏运动步数数据的多颗粒度运动模式。
优选地,所述步骤S2以五分钟为间隔对数据集进行重采样,使得重采样后的每个数据样本为每五分钟一个数据点的时间序列;若某个五分钟的时间窗口内没有记录步数数据,则该窗口的数据点为空数据点。
优选地,所述步骤S3中的数据样本经过处理后转变为从0到1的递增序列。
优选地,所述步骤S4中的不同的量化方案会产生不同颗粒度的运动模式,因此同一个完整运动步数样本可以被赋予不同颗粒度的运动模式标签。
优选地,所述步骤S5中的MLP-GRU模型包括多层感知机、门控循环单元以及SoftMax输出层;多层感知机通过缺失数据点的相对位置和绝对位置来学习稀疏运动步数数据的短期依赖和长期规律;门控循环单元用来学习补全数据的隐藏状态;SoftMax输出层将门控循环单元最后时刻的隐藏状态转换为最终的分类概率。
优选地,使用类均衡的交叉熵损失函数作为训练MLP-GRU的优化目标;使用Adam算法对MLP-GRU进行训练使得补全和分类过程都是数据驱动的。
本发明还提供一种基于神经网络的运动步数数据的运动模式推断系统,所述系统包括如下模块:
模块M1:系统通过智能设备获取用户的运动步数数据集;
模块M2:数据预处理,将数据集中的所有数据样本处理为具有相同采样率的运动步数序列;
模块M3:将数据样本划分为稀疏的数据集和相对完整的数据集;并对相对完整的数据集进行线性插值和归一化操作;
模块M4:将时间划分为不同的窗口,将运动强度量化为不同的等级,按照一天内发生运动行为的时间和强度,将完整运动步数样本划分到相应的运动模式中;
模块M5:将完整数据集经过下采样后的数据和所对应的多颗粒度运动模式标签一起输入MLP-GRU模型进行训练,获取训练好的MLP-GRU分类模型;
模块M6:将稀疏的数据集输入到训练好的MLP-GRU分类模型,得到稀疏运动步数数据的多颗粒度运动模式。
优选地,所述模块M2以五分钟为间隔对数据集进行重采样,使得重采样后的每个数据样本为每五分钟一个数据点的时间序列;若某个五分钟的时间窗口内没有记录步数数据,则该窗口的数据点为空数据点;
所述模块M3中的数据样本经过处理后转变为从0到1的递增序列。
优选地,所述模块M4中的不同的量化方案会产生不同颗粒度的运动模式,因此同一个完整运动步数样本可以被赋予不同颗粒度的运动模式标签;
所述模块M5中的MLP-GRU模型包括多层感知机、门控循环单元以及SoftMax输出层;多层感知机通过缺失数据点的相对位置和绝对位置来学习稀疏运动步数数据的短期依赖和长期规律;门控循环单元用来学习补全数据的隐藏状态;SoftMax输出层将门控循环单元最后时刻的隐藏状态转换为最终的分类概率。
优选地,使用类均衡的交叉熵损失函数作为训练MLP-GRU的优化目标;使用Adam算法对MLP-GRU进行训练使得补全和分类过程都是数据驱动的。
与现有技术相比,本发明具有如下的有益效果:
1、本发明使用多层感知机从大量数据中学习周围数据点对缺失值的短期影响和个体长期行为的规律性,同时将多层感知机嵌入到循环神经网络中以端到端的方式实现了数据驱动的稀疏运动步数数据的补全和分类;
2、本发明的多层感知机和门控循环单元一起训练克服了传统方法中补全和分类相分离所带来的缺点。相比分离的补全和分类所带来的分类结果过于依赖补全精度的问题,端到端的补全和分类可以根据分类结果动态地更新补全结果,从而使补全促进分类效果;
3、相比其他基于循环神经网络的方法,本发明不仅考虑了大多数数据所有的短期依赖性,还考虑了运动步数数据所独有的长期规律性。因此,本发明的效果相比其他基于循环神经网络的方法要更好;
4、本发明提出的多颗粒度运动模式可以保证不同稀疏度的运动步数序列都可以得到一个比较准确的推断结果。对于非常稀疏的样本,可以使用相对粗糙的运动模式。对于稀疏度不高的样本,可以使用更加精细的运动模式。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的流程示意图;
图2为本发明的多颗粒运动模式标记示意图;
图3为本发明的MLP-GRU网格结构示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明旨在为稀疏运动步数数据提供一种简单高效、可解释性强、工作性能稳定可靠的运动模式推断方法。该方法使用多层感知机从大量数据中学习周围数据点对缺失值的短期影响和个体长期行为的规律性,同时将多层感知机嵌入到循环神经网络中以端到端的方式实现了数据驱动的稀疏运动步数数据的补全和分类。
具体地,本发明是基于如下技术方案实现的:
参照图1,本发明提供一种基于循环神经网络的稀疏运动步数数据的推断方法,实现对稀疏运动步数序列进行数据驱动的补全以及运动模式的识别,包括如下步骤:
步骤S1:系统通过智能设备获取个体或群体的运动步数数据集。
步骤S2:数据预处理,将数据集中的所有数据样本处理为具有相同采样率的运动步数序列。以五分钟为间隔对数据集进行重采样,使得重采样后的每个数据样本为每五分钟一个数据点的时间序列。若某个五分钟的时间窗口内没有记录步数数据,则该窗口的数据点为空数据点。这样,预处理后的所有数据样本统一为长度288且包含有效数据点和空数据点的时间序列。
步骤S3:筛选出在6点到22点之间包含超过96个有效数据点的数据样本组成完整数据集,并对其进行线性插值和归一化处理。数据样本经过处理后转变为从0到1的递增序列,这有利于后续运动模式的标记以及分类模型的学习。
步骤S4:对经过筛选和处理得到的完整数据集进行多颗粒度的运动模式标记。多颗粒度运动模式标记的核心思想是对运动时间和运动强度的量化。通过量化,无限可能的运动步数序列可以依据运动发生的时间窗口和强化等级被划分到有限的运动模式中。图2是一个多颗粒度运动模式标记的示意图。在该示意图中,时间被划分为四个窗口,分别是以8点为中心的早上时段,以12点为中心的中午时段,以16点为中心的下午时段和以20点为中心的晚上时段。运动强度被划分为5个等级,相邻等级的间隔25%的总步数。在运动步数递增的约束下,遍历所有时间窗口和运动强度的组合,一共可以得到70种运动模式。这些运动模式由图2中以从(0,0.00)开始到(24,1.00)结束的70条阶梯状递增曲线表示。图2中不规则的曲线代表一个运动步数序列。它被划分到黑色虚线所表示的运动模式。因为在所有的运动模式中,该序列到黑色虚线所代表的运动模式的欧式距离最小。我们用(0.25,0.75,1.00,1.00)来代指图2中黑色虚线所表示的运动模式,该运动模式的真实含义为25%的总步数发生在第一个窗口(早上时段),50%的总步数发生在第二个窗口(中午时段),剩余25%的总步数发生在第三个窗口(下午时段)。通过这样的方法,完整的运动步数序列可以被赋予有准确物理意义的运动模式。同时,增加或者减少时间和运动强度的量化等级也可以得到更加精细或者更加粗糙的运动模式。这样,运动步数序列可以被标记上多种颗粒度的运动模式。标记操作完成以后,对完整的运动步数序列进行下采样,构建拥有指定稀疏度的训练集。
步骤S5:将训练集输入MLP-GRU模型。图3是MLP-GRU的网络结构示意图。MLP-GRU模型的输入除了运动步数序列(x1,x2,…,xt)以外,还有缺失指示变量(m1,m2,…,mt)。其中xt表示t时刻的累积运动步数,mt为取值为0和1的指示变量。如果xt缺失,mt为0。否则,mt为1。对于输入序列每一个值,MLP-GRU都会提取其当前时刻t,当前时刻距离前一个有效数据点的时间间隔δtp和当前时刻距离后一个有效数据点的时间间隔δts,作为多层感知机的输入来计算缺失值的补全系数。其中p代表前一个数据点,s代表后一个数据点。这样做是因为δtp和δts作为缺失数据点的相对位置信息,可以捕捉缺失值与周围数据点的短期依赖;t作为缺失数据点的绝对位置信息可以捕捉稀疏运动数据中所蕴含的长期规律性。同时,多层感知机具有拟合任意函数的能力。通过大量数据的训练,多层感知机可以为不同时刻的缺失值生成合适的补全系数αt。缺失部分用其前后有效数据点的加权和填补,其加权系数为补全系数αt。具体的补全公式为:
补全过程结束以后,补全值和缺失指示变量将会输入到门控循环单元。门控循环单元有重置门rt和更新门zt来控制隐藏状态ct。重置门和更新门是由上一个时刻的隐藏状态ct-1和当前时刻的输入mt决定的。重置门通过影响候选隐藏状态来捕捉序列的短期依赖,更新门通过决定让多少过去的隐藏状态传递到现在来捕捉序列的长期依赖。整体的更新公式如下所示:
其中Wz,Wr,Wc分别是更新门、重置门、隐藏状态的权重矩阵,bz,br,bc分别是更新门、重置门、隐藏状态的偏置向量,z代表更新门,r代表充值门,c代表隐藏状态。σ是sigmoid激活函数。最后时刻的隐藏状态可以被看作整个序列的完整且准确的表征。因此,该隐藏状态将通过一个SoftMax输出层变成最后分类概率。类均衡的交叉熵被用来衡量分类结果和真实结果之间的差距,同时使用Adam算法来训练整个模型。训练好的MLP-GRU模型可以实现端到端的补全和分类,用于推断稀疏的运动步数数据。
步骤S6:将稀疏的数据集输入到训练好的MLP-GRU分类模型,得到稀疏运动步数数据的多颗粒度运动模式。
本发明的多层感知机和门控循环单元一起训练克服了传统方法中补全和分类相分离所带来的缺点。相比分离的补全和分类所带来的分类结果过于依赖补全精度的问题,端到端的补全和分类可以根据分类结果动态地更新补全结果,从而使补全促进分类效果;相比其他基于循环神经网络的方法,本发明不仅考虑了大多数数据所有的短期依赖性,还考虑了运动步数数据所都有的长期规律性。因此,本发明的效果相比其他基于循环神经网络的方法要更好;本发明提出的多颗粒度运动模式可以保证不同稀疏度的运动步数序列都可以得到一个比较准确的推断结果。对于非常稀疏的样本,可以使用相对粗糙的运动模式。对于稀疏度不高的样本,可以使用更加精细的运动模式。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于神经网络的运动步数数据的运动模式推断方法,其特征在于,所述方法包括如下步骤:
步骤S1:系统通过智能设备获取用户的运动步数数据集;
步骤S2:数据预处理,将数据集中的所有数据样本处理为具有相同采样率的运动步数序列;
步骤S3:将的数据样本划分为稀疏的数据集和相对完整的数据集;并对相对完整的数据集进行线性插值和归一化操作;
步骤S4:将时间划分为不同的窗口,将运动强度量化为不同的等级,按照一天内发生运动行为的时间和强度,将完整运动步数样本划分到相应的运动模式中;
步骤S5:将完整数据集经过下采样后的数据和所对应的多颗粒度运动模式标签一起输入MLP-GRU模型进行训练,获取训练好的MLP-GRU分类模型;
步骤S6:将稀疏的数据集输入到训练好的MLP-GRU分类模型,得到稀疏运动步数数据的多颗粒度运动模式。
2.根据权利要求1所述的基于神经网络的运动步数数据的运动模式推断方法,其特征在于,所述步骤S2以五分钟为间隔对数据集进行重采样,使得重采样后的每个数据样本为每五分钟一个数据点的时间序列;若某个五分钟的时间窗口内没有记录步数数据,则该窗口的数据点为空数据点。
3.根据权利要求1所述的基于神经网络的运动步数数据的运动模式推断方法,其特征在于,所述步骤S3中的数据样本经过处理后转变为从0到1的递增序列。
4.根据权利要求1所述的基于神经网络的运动步数数据的运动模式推断方法,其特征在于,所述步骤S4中的不同的量化方案会产生不同颗粒度的运动模式,因此同一个完整运动步数样本可以被赋予不同颗粒度的运动模式标签。
5.根据权利要求1所述的基于神经网络的运动步数数据的运动模式推断方法,其特征在于,所述步骤S5中的MLP-GRU模型包括多层感知机、门控循环单元以及SoftMax输出层;多层感知机通过缺失数据点的相对位置和绝对位置来学习稀疏运动步数数据的短期依赖和长期规律;门控循环单元用来学习补全数据的隐藏状态;SoftMax输出层将门控循环单元最后时刻的隐藏状态转换为最终的分类概率。
6.根据权利要求1所述的基于神经网络的运动步数数据的运动模式推断方法,其特征在于,使用类均衡的交叉熵损失函数作为训练MLP-GRU的优化目标;使用Adam算法对MLP-GRU进行训练使得补全和分类过程都是数据驱动的。
7.一种基于神经网络的运动步数数据的运动模式推断系统,其特征在于,所述系统包括如下模块:
模块M1:系统通过智能设备获取用户的运动步数数据集;
模块M2:数据预处理,将数据集中的所有数据样本处理为具有相同采样率的运动步数序列;
模块M3:将数据样本划分为稀疏的数据集和相对完整的数据集;并对相对完整的数据集进行线性插值和归一化操作;
模块M4:将时间划分为不同的窗口,将运动强度量化为不同的等级,按照一天内发生运动行为的时间和强度,将完整运动步数样本划分到相应的运动模式中;
模块M5:将完整数据集经过下采样后的数据和所对应的多颗粒度运动模式标签一起输入MLP-GRU模型进行训练,获取训练好的MLP-GRU分类模型;
模块M6:将稀疏的数据集输入到训练好的MLP-GRU分类模型,得到稀疏运动步数数据的多颗粒度运动模式。
8.根据权利要求7所述的基于神经网络的运动步数数据的运动模式推断系统,其特征在于,所述模块M2以五分钟为间隔对数据集进行重采样,使得重采样后的每个数据样本为每五分钟一个数据点的时间序列;若某个五分钟的时间窗口内没有记录步数数据,则该窗口的数据点为空数据点;
所述模块M3中的数据样本经过处理后转变为从0到1的递增序列。
9.根据权利要求7所述的基于神经网络的运动步数数据的运动模式推断系统,其特征在于,所述模块M4中的不同的量化方案会产生不同颗粒度的运动模式,因此同一个完整运动步数样本可以被赋予不同颗粒度的运动模式标签;
所述模块M5中的MLP-GRU模型包括多层感知机、门控循环单元以及SoftMax输出层;多层感知机通过缺失数据点的相对位置和绝对位置来学习稀疏运动步数数据的短期依赖和长期规律;门控循环单元用来学习补全数据的隐藏状态;SoftMax输出层将门控循环单元最后时刻的隐藏状态转换为最终的分类概率。
10.根据权利要求7所述的基于神经网络的运动步数数据的运动模式推断系统,其特征在于,使用类均衡的交叉熵损失函数作为训练MLP-GRU的优化目标;使用Adam算法对MLP-GRU进行训练使得补全和分类过程都是数据驱动的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110753356.2A CN113436703B (zh) | 2021-07-02 | 2021-07-02 | 基于神经网络的运动步数数据的运动模式推断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110753356.2A CN113436703B (zh) | 2021-07-02 | 2021-07-02 | 基于神经网络的运动步数数据的运动模式推断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436703A true CN113436703A (zh) | 2021-09-24 |
CN113436703B CN113436703B (zh) | 2022-07-15 |
Family
ID=77758891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110753356.2A Active CN113436703B (zh) | 2021-07-02 | 2021-07-02 | 基于神经网络的运动步数数据的运动模式推断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436703B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763493A (zh) * | 2018-05-30 | 2018-11-06 | 深圳市思迪信息技术股份有限公司 | 一种基于深度学习的推荐方法 |
CN109858514A (zh) * | 2018-12-20 | 2019-06-07 | 北京以萨技术股份有限公司 | 一种基于神经网络的视频行为分类方法 |
CN110347874A (zh) * | 2019-07-01 | 2019-10-18 | 成都澳海川科技有限公司 | 一种基于循环神经网络的视频分类方法 |
CN110490035A (zh) * | 2019-05-17 | 2019-11-22 | 上海交通大学 | 人体骨架动作识别方法、系统及介质 |
CN110532471A (zh) * | 2019-08-27 | 2019-12-03 | 华侨大学 | 基于门控循环单元神经网络的主动学习协同过滤方法 |
CN112578419A (zh) * | 2020-11-24 | 2021-03-30 | 南京邮电大学 | 一种基于gru网络和卡尔曼滤波的gps数据重构方法 |
US20210129871A1 (en) * | 2019-11-01 | 2021-05-06 | Honda Motor Co., Ltd. | System and method for future forecasting using action priors |
CN112836105A (zh) * | 2021-02-05 | 2021-05-25 | 浙江工业大学 | 一种基于运动生理表征融合的大规模学生有氧能力分群方法 |
CN113051811A (zh) * | 2021-03-16 | 2021-06-29 | 重庆邮电大学 | 一种基于gru网络的多模式短期交通拥堵预测方法 |
-
2021
- 2021-07-02 CN CN202110753356.2A patent/CN113436703B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763493A (zh) * | 2018-05-30 | 2018-11-06 | 深圳市思迪信息技术股份有限公司 | 一种基于深度学习的推荐方法 |
CN109858514A (zh) * | 2018-12-20 | 2019-06-07 | 北京以萨技术股份有限公司 | 一种基于神经网络的视频行为分类方法 |
CN110490035A (zh) * | 2019-05-17 | 2019-11-22 | 上海交通大学 | 人体骨架动作识别方法、系统及介质 |
CN110347874A (zh) * | 2019-07-01 | 2019-10-18 | 成都澳海川科技有限公司 | 一种基于循环神经网络的视频分类方法 |
CN110532471A (zh) * | 2019-08-27 | 2019-12-03 | 华侨大学 | 基于门控循环单元神经网络的主动学习协同过滤方法 |
US20210129871A1 (en) * | 2019-11-01 | 2021-05-06 | Honda Motor Co., Ltd. | System and method for future forecasting using action priors |
CN112578419A (zh) * | 2020-11-24 | 2021-03-30 | 南京邮电大学 | 一种基于gru网络和卡尔曼滤波的gps数据重构方法 |
CN112836105A (zh) * | 2021-02-05 | 2021-05-25 | 浙江工业大学 | 一种基于运动生理表征融合的大规模学生有氧能力分群方法 |
CN113051811A (zh) * | 2021-03-16 | 2021-06-29 | 重庆邮电大学 | 一种基于gru网络的多模式短期交通拥堵预测方法 |
Non-Patent Citations (1)
Title |
---|
陶毅峰: "基于GRU循环神经网络辅助的组合导航算法", 《计算机工程与设计》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113436703B (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110020623B (zh) | 基于条件变分自编码器的人体活动识别系统及方法 | |
CN110597240B (zh) | 一种基于深度学习的水轮发电机组故障诊断方法 | |
CN110046743B (zh) | 基于ga-ann的公共建筑能耗预测方法和系统 | |
US10636524B2 (en) | Method and system for optimized wake-up strategy via sleeping stage prediction with recurrent neural networks | |
Chen et al. | Building occupancy estimation with environmental sensors via CDBLSTM | |
KR20210011361A (ko) | 시불변 분류 | |
Qin et al. | Simulating and Predicting of Hydrological Time Series Based on TensorFlow Deep Learning. | |
CN114419528B (zh) | 异常识别方法、装置、计算机设备及计算机可读存储介质 | |
CN111401433A (zh) | 用户信息获取方法、装置、电子设备及存储介质 | |
CN115146842B (zh) | 基于深度学习的多元时间序列趋势预测方法和系统 | |
CN112633604A (zh) | 一种基于i-lstm的短期用电量预测方法 | |
CN111954250B (zh) | 一种轻量级Wi-Fi行为感知方法和系统 | |
CN111860188A (zh) | 一种基于时间和通道双注意力的人体姿态识别方法 | |
CN115994630B (zh) | 基于多尺度自注意力的设备剩余使用寿命预测方法及系统 | |
CN114503124A (zh) | 处理时间序列数据的多层次预测 | |
CN110664412A (zh) | 一种面向可穿戴传感器的人类活动识别方法 | |
CN115688871A (zh) | 基于预训练增强的多元时间序列预测方法及系统 | |
CN112597921A (zh) | 一种基于注意力机制gru深度学习的人体行为识别方法 | |
CN110008847A (zh) | 一种基于卷积神经网络的泳姿识别方法 | |
CN113436703B (zh) | 基于神经网络的运动步数数据的运动模式推断方法及系统 | |
CN113642255A (zh) | 基于多尺度卷积循环神经网络的光伏发电功率预测方法 | |
CN112381213A (zh) | 一种基于双向长短期记忆网络的工业设备剩余寿命预测方法 | |
CN115713044B (zh) | 一种多工况切换下的机电设备剩余寿命分析方法和装置 | |
CN116776269A (zh) | 基于图卷积神经网络自编码器的交通异常检测方法 | |
CN116522282A (zh) | 一种基于bold信号的注意缺陷与多动障碍检测方法 |
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 |