CN113468810A - 一种智能地板感知室内摔倒预测模型及其建立方法 - Google Patents
一种智能地板感知室内摔倒预测模型及其建立方法 Download PDFInfo
- Publication number
- CN113468810A CN113468810A CN202110745050.2A CN202110745050A CN113468810A CN 113468810 A CN113468810 A CN 113468810A CN 202110745050 A CN202110745050 A CN 202110745050A CN 113468810 A CN113468810 A CN 113468810A
- Authority
- CN
- China
- Prior art keywords
- lstm
- deep learning
- indoor
- pso
- learning model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013136 deep learning model Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 13
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims abstract description 7
- 239000011889 copper foil Substances 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 34
- 239000002245 particle Substances 0.000 claims description 31
- 230000004913 activation Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000009408 flooring Methods 0.000 claims 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009023 proprioceptive sensation Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能地板感知室内摔倒预测模型及其建立方法，首先采集室内地板下的铜箔电容值的变化及地板被踩的地板间距大小数据；将收集到的数据进行预处理后分为训练样本集和测试样本集；构建PSO‑LSTM深度学习模型，通过训练样本集对PSO‑LSTM深度学习模型进行训练以得到调参后的PSO‑LSTM深度学习模型，再通过测试样本集对调参后的PSO‑LSTM深度学习模型进行验证，最终以验证后的LSTM深度学习模型作为室内摔倒预测模型；将收集的数据输入室内人员摔倒预测模型，最终由室内人员摔倒预测模型输出未来时刻的室内人员摔倒预测结果。本发明使用深度学习方法对室内人员跌倒进行预报，能有效解决老年人居家或医院病人突发性跌倒问题，及时上报信息给相关人员。
Description
技术领域
本发明涉及摔倒预测技术领域，具体的说，涉及一种智能地板感知室内摔倒预测模型及其建立方法。
背景技术
大多数行动不便的老年人在生活中需要照顾和看护，耗费大量的社会资源。而随着年龄的增加，老年人机体生理功能发生明显改变，表现在器官老化和功能的衰退。其中本体感觉、视觉等老化导致老年人在使用助老伴行机器人时容易发生摔倒，不仅使老年人感到恐惧和焦虑，且摔倒后会令其身体造成严重的损伤，给其生活带来极大的困扰。现有技术中，大部分都是考虑老年人在外出时，对其进行摔倒预测。但具不完全统计，绝大多数老年人的活动区域集中在室内，由于家中的年轻人白天需要外出工作，常常出现老年人独居室内的情况。当然，现有技术中的防摔倒装置或者摔倒预测方法也可以同样运用于室内。其采用的方法主要是运用多传感器进行多参数检测，进而来达到摔倒预测功能，这就需要老年人在家也佩戴相关装置，对于老年人的居家生活来说，也是不被老年人所喜欢或者接受的。
因而，本发明综合考虑，研究出一种无需佩戴各种设备也能实现摔倒预测的方法。
发明内容
本发明针对现有技术存在的不足，提供了一种智能地板感知室内摔倒预测模型及其建立方法。本发明针对现有高寒枯草覆盖度估算方法的缺少，提供一种新的枯草植被指数，并构建枯草覆盖度光谱反射率反演模型的方法。
本发明的具体技术方案如下：
一种智能地板感知室内摔倒预测模型的建立方法，包括以下步骤：
室内地板包括若干柔性地板单元，采集柔性地板单元的电容值的变化及柔性地板单元被踩的地板间距大小数据；
将收集到的数据进行预处理后分为训练样本集和测试样本集；
构建PSO-LSTM深度学习模型，通过训练样本集对PSO-LSTM深度学习模型进行训练以得到调参后的PSO-LSTM深度学习模型；
通过测试样本集对调参后的PSO-LSTM深度学习模型进行验证，最终以验证后的LSTM深度学习模型作为室内摔倒预测模型。
作为优选，所述柔性地板单元通过将普通地板铺设在铜箔上形成，所述柔性地板单元的电容值的变化为所述铜箔的电容值变化。
作为优选，所述PSO-LSTM深度学习模型的构建方法包括以下步骤：
步骤1：初始化参数，确定种群规模，迭代次数，惯性权重和学习因子的变化区间；
步骤2：随机生成一个三维的种群粒子，同时并初始化粒子的位置和速度；
步骤3：以LSTM模型的损失函数作为粒子的适应度函数，计算每个粒子的适应度函数，根据适应度函数确定个体最佳位置和群体最佳位置；
步骤4：迭代过程中不断更新粒子的位置和速度，再重新算出每个粒子的适应度函数并更新个体最佳位置和群体最佳位置；
步骤5：当达到迭代次数或粒子的适应度函数趋于稳定时则停止，作为群体最佳位置的粒子为本次求得的最优参数组合，否则转步骤4继续迭代。
作为优选，应用时序性倒传递方法训练LSTM网络，依据错误修改每次的权重。
作为优选，LSTM模型包括遗忘门、输入们、输出门，其中，
所述遗忘门是LSTM的遗忘阶段，用于忘掉长序列数据中不重要的信息，采用激活函数sigmoid，激活函数sigmoid输出0或1，其中1表示保留，0表示遗弃，其更新公式如公式1所示：
f＝σ(Wf·[Ht-1,Xt]+bf) (1)
式中，σ(·)是Sigmoid激活函数，Wf为f层的权重，Ht-1为t-1次隐藏矩阵，Xt为第t次样本输入，bf为f层偏值；
所述输入门是LSTM的选择记忆阶段，用于对输入Xt进行选择记忆，采用的激活函数主要有sigmoid和Tanh，更新公式如下所示
it＝σ(Wf·[Ht-1,Xt],+bf) (2)
式中，it为t次递归输入数据；
式中，
为单元状态输出，it为t次递归输入数据，Wc为c层的权重，bc为c
层偏值；
At＝ft×At-1+it×At (4)
式中，A为上一个细胞结构的单元状态；
所述输出门是LSTM的输出阶段，用于结合前面两个阶段给出的信息做出判断，采用的激活函数主要有sigmoid和Tanh，其更新公式如下所示：
Ot＝σ(WO·[Ht-1,Xt],+bO) (5)
Ot为模型输出，Wo为o层的权重，bo为o层偏值；
Ht＝Ot×Tanh(At) (6)。
采用如上所述的方法构建的室内摔倒预测模型。
有益效果在于：
本发明在分析多种人体摔倒过程检测方法的基础上，提出了基于智能地板压力变化检测的人体摔倒过程识别方法。设计针对人体摔倒过程特点的地板压力采集装置；根据摔倒过程地板压力数据变化的特点，采用时间序列分析理论建立摔倒过程时间序列预测模型，并进行实验仿真，验证识别预测算法的有效性和准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为长短时记忆网络的结构图；
图2为PSO-LSTM深度学习模型的构建流程图；
图3为实验仿真测试结构树状图。
具体实施方式
下面将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的一部分实施例，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。
需要说明的是，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定发明。
现在结合说明书附图对本发明做进一步的说明。
本发明实施例中，室内地板铺设在大小为每块大小为的铜箔上。首先采集室内地板下的铜箔电容值的变化及地板被踩的地板间距大小数据；将收集到的数据进行预处理后分为训练样本集和测试样本集；构建PSO-LSTM深度学习模型，通过训练样本集对PSO-LSTM深度学习模型进行训练以得到调参后的PSO-LSTM深度学习模型，再通过测试样本集对调参后的PSO-LSTM深度学习模型进行验证，最终以验证后的LSTM深度学习模型作为室内摔倒预测模型；将收集的数据输入室内人员摔倒预测模型，最终由室内人员摔倒预测模型输出未来时刻的室内人员摔倒预测结果。本发明使用深度学习方法对室内人员跌倒进行预报，能有效解决老年人居家或医院病人突发性跌倒问题，及时上报信息给相关人员。
循环神经网络(RNN)是一种专门用来处理序列数据的神经网络。和一般神经网络不同的是，它能有效的提取到序列之间的信息。比如单词会因为上下文的不同而导致词义发生变化。但传统循环神经网络面对长序列时容易发生梯度消失以及梯度爆炸的问题。为了解决RNN所存在的问题，LSTM作为它的一种变种被提了出来。
长短时记忆网络(LSTM)主要用于解决RNN中梯度消失和爆炸的问题，因此在面对长序列数据时有着良好的表现。其网络结构如图1所示
LSTM主要包含了三个门：遗忘门、输入们、输出门。
1)遗忘门：这是LSTM的遗忘阶段，主要时为了忘掉长序列数据中不重要的信息。由于激活函数是sigmoid所以输出在0和1之间。其中1表示保留，0表示遗弃。其更新公式如公式1所示：
f＝σ(Wf·[Ht-1,Xt]+bf) (1)
2)输入门：这是LSTM的选择记忆阶段，这个阶段会将输入有选择性地进行“记忆”。主要是会对输入Xt进行选择记忆。重要的信息多记一些，不重要的则需要少记。激活函数主要有sigmoid和Tanh。公式如2-4所示
it＝σ(Wf·[Ht-1,Xt],+bf) (2)
At＝ft×At-1+it×At (4)
3)输出门：这是LSTM的输出阶段。这个阶段将要决定哪些信息会被当做当前状态而输出。此阶段结合前面两个阶段给出的信息做出判断。此阶段的激活函数也有两个为Sigmoid和Tanh。其更新公式如5-6所示：
Ot＝σ(WO·[Ht-1,Xt],+bO) (5)
Ht＝Ot×Tanh(At) (6)
训练LSTM网络可以应用时序性倒传递算法，依据错误修改每次的权重。梯度下降法在循环网络神经网络(RNN)会导致误差梯度随着事件间的时间长度成指数般的消失。但是当设置了LSTM单元时，误差也随着倒回计算，从输出影响回输入阶段的每一个门，直到这个数值被过滤掉。因此正常的倒传递类神经是一个有效训练LSTM区块记住长时间数值的方法。LSTM的内部结构主要就是通过门控状态来控制传输状态，能记住关键的信息，忘记长序列信息中不需要的信息，不同于普通的RNN那样仅仅只有一种记忆叠加方式。这对网络安全态势预测这种长序列数据来说，是一种非常有效的网络。
PSO-LSTM深度学习模型
本发明采用PSO算法对LSTM中的超参数进行寻优，从而得到整个网络的最优参数组合。对于M个参数优化问题，种群中共有n个粒子，对于每个粒子都有m维度的速度和位置两个向量。模拟整个粒子运动过程，不断调整第n个粒子的最优位置，最终找到整个粒子群最优的位置。将该优化算法应用于LSTM中形成PSO-LSTM，请参考图2所示，其具体步骤如下：
步骤1：初始化算法相关参数，确定种群规模，迭代次数，惯性权重和学习因子的变化区间。
步骤2：随机生成一个三维的种群粒子，每个维度都是我们更新模型的误差参数同时并初始化粒子的位置和速度。所以粒子的维度就是我们需要优化的参数。
步骤3：以LSTM模型的损失函数作为粒子的适应度函数，适应度函数越大说明模型的损失。
函数越大，所以我们要尽量使适应度变小。这样求得的粒子参数组合越好。计算每个粒子的适应度函数，根据适应度函数确定个体最佳位置和群体最佳位置。
步骤4：迭代过程中不断更新粒子的位置和速度，再重新算出每个粒子的适应度函数并更新个体最佳位置和群体最佳位置。
步骤5：当达到迭代次数或粒子的适应度函数趋于稳定时则停止，作为群体最佳位置的粒子为本次求得的最优参数组合，否则转步骤4继续迭代。流程图如下:
具体实施时，数据处理如下：
首先将室内地板看成一个的矩阵m×n，采用大小为l*p(本发明实施例中采用l＝3,p＝3)的矩阵进行滑窗处理得到组数据，每组数据包含3×3个数据，其中有J组数据不为0矩阵。对于连续性的数据为了避免其量纲的不一致性，需要对不为0的矩阵数据进行归一化处理。计算方法如公式7所示：
X'＝(X-min(X))/(max(X)-min(X)) (7)
而对于离散型的数据需要对其进行one-hot编码处理。
本发明选取均方误差(mean-square error,MSE)对室内人员跌倒进行预测判定。它是衡量真实值与预测值比较常用的一个评价标准。MSE越大，表明算法的准确度越小，相反，MSE越小则表明预测值更加精准。其公式如式8所示：
其中，Xt为真实值，
为预测值。
实验仿真：
本发明在大小为6.2M×4.5M的房间进行了摔倒检测实验。实验前9组作为训练样本数据后面4组作为测试数据，具体数据见下表：
测试时，我们进行了4组实验，每组进行10次训练，测试的结果取平均值，测试结果如图3所示。
通过训练测试结果来看本发明具有很高的检测精度(98％以上)，本发明有别于传统的可穿戴式设备，只需要在传统的房间地板下安装我们的智能感知地板即可，当然本发明除了摔倒预警外，还可以检测室内人员的有无，从而与灯控结合起来，当屋里没有人时，房间的灯光自动关闭。本发明也可以定位室内人员和计算室内人员得活动区域和运动消耗量。
以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (6)
1.一种智能地板感知室内摔倒预测模型的建立方法，其特征在于，包括以下步骤：
室内地板包括若干柔性地板单元，采集柔性地板单元的电容值的变化及柔性地板单元被踩的地板间距大小数据；
将收集到的数据进行预处理后分为训练样本集和测试样本集；
构建PSO-LSTM深度学习模型，通过训练样本集对PSO-LSTM深度学习模型进行训练以得到调参后的PSO-LSTM深度学习模型；
通过测试样本集对调参后的PSO-LSTM深度学习模型进行验证，最终以验证后的LSTM深度学习模型作为室内摔倒预测模型。
2.根据权利要求1所述的方法，其特征在于，所述柔性地板单元通过将普通地板铺设在铜箔上形成，所述柔性地板单元的电容值的变化为所述铜箔的电容值变化。
3.根据权利要求1所述的方法，其特征在于，所述PSO-LSTM深度学习模型的构建方法包括以下步骤：
步骤1：初始化参数，确定种群规模，迭代次数，惯性权重和学习因子的变化区间；
步骤2：随机生成一个三维的种群粒子，同时并初始化粒子的位置和速度；
步骤3：以LSTM模型的损失函数作为粒子的适应度函数，计算每个粒子的适应度函数，根据适应度函数确定个体最佳位置和群体最佳位置；
步骤4：迭代过程中不断更新粒子的位置和速度，再重新算出每个粒子的适应度函数并更新个体最佳位置和群体最佳位置；
步骤5：当达到迭代次数或粒子的适应度函数趋于稳定时则停止，作为群体最佳位置的粒子为本次求得的最优参数组合，否则转步骤4继续迭代。
4.根据权利要求1所述的方法，其特征在于，应用时序性倒传递方法训练LSTM网络，依据错误修改每次的权重。
5.根据权利要求1～4任一项所述的方法，其特征在于，LSTM模型包括遗忘门、输入们、输出门，其中，
所述遗忘门是LSTM的遗忘阶段，用于忘掉长序列数据中不重要的信息，采用激活函数sigmoid，激活函数sigmoid输出0或1，其中1表示保留，0表示遗弃，其更新公式如下所示：
f＝σ(Wf·[Ht-1,Xt]+bf) (1)
式中，σ(·)是Sigmoid激活函数，Wf为f层的权重，Ht-1为t-1次隐藏矩阵，Xt为第t次样本输入，bf为f层偏值；
所述输入门是LSTM的选择记忆阶段，用于对输入Xt进行选择记忆，采用的激活函数主要有sigmoid和Tanh，更新公式如下所示
it＝σ(Wf·[Ht-1,Xt],+bf) (2)
式中，it为t次递归输入数据；
式中，
为单元状态输出，it为t次递归输入数据，Wc为c层的权重，bc为c层偏值；
At＝ft×At-1+it×At (4)
式中，A为上一个细胞结构的单元状态；
所述输出门是LSTM的输出阶段，用于结合前面两个阶段给出的信息做出判断，采用的激活函数主要有sigmoid和Tanh，其更新公式如下所示：
Ot＝σ(WO·[Ht-1,Xt],+bO) (5)
Ot为模型输出，Wo为o层的权重，bo为o层偏值；
Ht＝Ot×Tanh(At) (6)。
6.采用如权利要求1～5任一项所述的方法构建的室内摔倒预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110745050.2A CN113468810A (zh) | 2021-07-01 | 2021-07-01 | 一种智能地板感知室内摔倒预测模型及其建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110745050.2A CN113468810A (zh) | 2021-07-01 | 2021-07-01 | 一种智能地板感知室内摔倒预测模型及其建立方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113468810A true CN113468810A (zh) | 2021-10-01 |
Family
ID=77877252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110745050.2A Pending CN113468810A (zh) | 2021-07-01 | 2021-07-01 | 一种智能地板感知室内摔倒预测模型及其建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113468810A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105286874A (zh) * | 2015-11-03 | 2016-02-03 | 长安大学 | 一种用于预测老年人跌倒风险的系统及方法 |
| CN108898793A (zh) * | 2018-06-11 | 2018-11-27 | 武汉兴火源科技有限责任公司 | 一种基于浴室跌倒探测报警系统的跌倒报警方法 |
| CN110084367A (zh) * | 2019-04-19 | 2019-08-02 | 安徽农业大学 | 一种基于lstm深度学习模型的土壤墒情预测方法 |
| CN111695290A (zh) * | 2020-05-14 | 2020-09-22 | 天津大学 | 一种适用于变化环境下的短期径流智能预报混合模型方法 |
| CN112686464A (zh) * | 2021-01-07 | 2021-04-20 | 云南电力技术有限责任公司 | 短期风电功率预测方法及装置 |
-
2021
- 2021-07-01 CN CN202110745050.2A patent/CN113468810A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105286874A (zh) * | 2015-11-03 | 2016-02-03 | 长安大学 | 一种用于预测老年人跌倒风险的系统及方法 |
| CN108898793A (zh) * | 2018-06-11 | 2018-11-27 | 武汉兴火源科技有限责任公司 | 一种基于浴室跌倒探测报警系统的跌倒报警方法 |
| CN110084367A (zh) * | 2019-04-19 | 2019-08-02 | 安徽农业大学 | 一种基于lstm深度学习模型的土壤墒情预测方法 |
| CN111695290A (zh) * | 2020-05-14 | 2020-09-22 | 天津大学 | 一种适用于变化环境下的短期径流智能预报混合模型方法 |
| CN112686464A (zh) * | 2021-01-07 | 2021-04-20 | 云南电力技术有限责任公司 | 短期风电功率预测方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| 杨孟达: "基于改进PSO-LSTM神经网络的气温预测", 《现代信息科技》, vol. 4, no. 4, pages 110 - 112 * |
| 袁永晖: "基于PSO-LSTM的网络安全态势感知预测方法", 《汉斯》, vol. 10, no. 10, 29 October 2020 (2020-10-29), pages 1865 - 1868 * |
| 袁永晖: "基于PSO-LSTM的网络安全态势感知预测方法", 《汉斯》, vol. 10, no. 10, pages 1865 - 1868 * |
| 钟跃崎: "《人工智能技术原理与应用》", vol. 2020, 30 September 2020, 东华大学出版社, pages: 284 - 285 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110071913A (zh) | 一种基于无监督学习的时间序列异常检测方法 | |
| CN108664687A (zh) | 一种基于深度学习的工控系统时空数据预测方法 | |
| CN110401978B (zh) | 基于神经网络和粒子滤波多源融合的室内定位方法 | |
| CN110232412B (zh) | 一种基于多模态深度学习的人体步态预测方法 | |
| CN107832737A (zh) | 基于人工智能的心电图干扰识别方法 | |
| CN114219139B (zh) | 基于注意力机制的dwt-lstm电力负荷预测方法 | |
| CN112488235A (zh) | 一种基于深度学习的电梯时序数据的异常诊断方法 | |
| CN114358192B (zh) | 一种多源异构滑坡数据监测融合方法 | |
| Abudu et al. | Modeling of daily pan evaporation using partial least squares regression | |
| CN110659677A (zh) | 一种基于可移动传感器组合设备的人体跌倒检测方法 | |
| Kadir et al. | Wheat yield prediction: Artificial neural network based approach | |
| CN113171080B (zh) | 一种基于可穿戴传感信息融合的能量代谢评估方法和系统 | |
| CN110367991A (zh) | 一种老年人跌倒风险评估方法 | |
| CN110991478B (zh) | 热舒适感模型建立方法和用户偏好温度的设定方法及系统 | |
| CN115877483A (zh) | 一种基于随机森林和gru的台风路径预报方法 | |
| CN108416458A (zh) | 一种基于bp神经网络的隧道富水岩体综合超前地质预报方法 | |
| Oliinyk et al. | Development of Genetic Methods for Predicting the Incidence of Volumes of Emissions of Pollutants in Air. | |
| CN113616209B (zh) | 基于时空注意力机制的精神分裂症患者甄别方法 | |
| CN115719294A (zh) | 一种室内行人流疏散控制方法、系统、电子设备及介质 | |
| CN108647817B (zh) | 一种能耗负荷的预测方法及预测系统 | |
| CN113742178A (zh) | 一种基于lstm的网络节点健康状态监测方法 | |
| Chang et al. | A multi-task imputation and classification neural architecture for early prediction of sepsis from multivariate clinical time series | |
| CN113468810A (zh) | 一种智能地板感知室内摔倒预测模型及其建立方法 | |
| Pérez et al. | Performance analysis of ANFIS in short term wind speed prediction | |
| CN113156473A (zh) | 信息融合定位系统卫星信号环境的自适应判别方法 |
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 |