CN113516086A - 一种动作识别方法、系统及应用 - Google Patents
一种动作识别方法、系统及应用 Download PDFInfo
- Publication number
- CN113516086A CN113516086A CN202110823738.8A CN202110823738A CN113516086A CN 113516086 A CN113516086 A CN 113516086A CN 202110823738 A CN202110823738 A CN 202110823738A CN 113516086 A CN113516086 A CN 113516086A
- Authority
- CN
- China
- Prior art keywords
- signal
- unit
- action
- recognition method
- motion recognition
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本申请属于物联网技术领域,特别是涉及一种动作识别方法、系统及应用。现有的动作识别采用的器件比较昂贵,使得相关的产品价格较高。本申请提供了一种动作识别方法,获取原始数据,根据所述原始数据提取第一信号,将所述第一信号转换为第二信号,消除所述第二信号中的干扰,提取干扰清除后所述第二信号的特征,根据所述特征对所述第二信号进行分类得到分类结果。实现了实时、低成本、高效的瑜伽动作指导。
Description
技术领域
本申请属于物联网技术领域,特别是涉及一种动作识别方法、系统及应用。
背景技术
人体动作的识别,是通过视频或图像的形式获取进而识别,接着随着科学技术的发展,以及电子行业的发展,开始利用穿戴传感器设备来对人体动作进行识别;随着无线技术的发展和覆盖的扩大,WiFi信号被用来对人体动作识别,并且取得了较好的成果。目前WiFi识别人体动作的课题研究是最新的研究动向。
一般处理人体动作识别,都是采用以下流程:首先收集数据,接着对收集到的数据进行去噪或处理,接着提取出特征量,然后训练和分类,最后实现人体动作的识别。几乎所有的研究团队都是依据这样的一般流程来实现人体动作的识别。在这五个部分中,数据去噪和提取出特征量是关键的两个环节。研究人员都在深入的对这两个环节进行不断的改进和发展,提高了识别精确度。
压力传感器是工业实践中最为常用的一种传感器,一般普通压力传感器的输出为模拟信号,模拟信号是指信息参数在给定范围内表现为连续的信号。或在一段连续的时间间隔内,其代表信息的特征量可以在任意瞬间呈现为任意数值的信号。而我们通常使用的压力传感器主要是利用压电效应制造而成的,这样的传感器也称为压电传感器。
现有的动作识别采用的器件比较昂贵,使得相关的产品价格较高。
发明内容
1.要解决的技术问题
基于现有的动作识别采用的器件比较昂贵,使得相关的产品价格较高的问题,本申请提供了一种动作识别方法、系统及应用。
2.技术方案
为了达到上述的目的,本申请提供了一种动作识别方法,获取原始数据,根据所述原始数据提取第一信号,将所述第一信号转换为第二信号,消除所述第二信号中的干扰,提取干扰清除后所述第二信号的特征,根据所述特征对所述第二信号进行分类得到分类结果。
本申请提供的另一种实施方式为:所述方法包括如下步骤:步骤S1,采集人体使产品形变的压力信号,将所述压力信号转化为数字信号;步骤S2,对所述数字信号进行预处理,消除信号的噪声干扰;步骤S3,将步骤S2得到的数字信号进行归一化处理,消除体重带来的干扰;步骤S4,对步骤S3得到的数字信号信号进行切割,提取功率谱密度特征;步骤S5,将所述功率谱密度特征输入决策树机器学习模型进行分类;步骤S6,对检测的结果进行显示和反馈。
本申请提供的另一种实施方式为:所述步骤S1包括通过压力传感器将压力信号转化为电阻信号;通过分压原理将所述电阻信号转化为电压信号;使用信号放大器对所述电压信号进行放大;利用模数转化器将放大后的电压信号转化成数字信号。
本申请提供的另一种实施方式为:所述步骤S2包括采用快速傅里叶变换将所述数字信号转化到频域上;利用巴氏低通滤波器滤除掉所述数字信号的高频噪声。。
本申请提供的另一种实施方式为:所述步骤S3包括遍历所述步骤S2得到的数字信号,提取信号峰值;对信号进行归一化处理,去除因体重不同导致信号幅度不同的影响。
本申请提供的另一种实施方式为:所述步骤S4包括选定窗函数将步骤S3得到的数字信号切割成不同的段;对每一段信号进行快速傅里叶变换,并计算该时段频谱的功率谱密度。
本申请提供的另一种实施方式为:所述步骤S5包括根据决策树模型的数据格式要求整理所述功率谱密度特征值数据;判断数据的标签,如果标签非空,则为训练数据集,根据数据所给的标签对模型进行训练,如果标签为空,则为预测数据集,根据模型对数据进行预测,返回预测的标签结果。
本申请还提供一种动作识别系统,包括依次连接的采集模块、处理模块、识别模块和输出模块;所述采集模块,用于接收和采集信号,并对信号进行转换;所述处理模块,用于对采集到的信号进行干扰消除;所述识别模块,用于模型的训练和动作的识别,筛选信号的特征,根据训练数据集的特征和标签进行模型的训练,并利用已训练的模型对无标签数据集进行预测,识别动作类型;所述输出模块,用于实时显示检测到的动作,播放规范动作。
本申请提供的另一种实施方式为:所述采集模块包括依次连接的采集单元、转化单元、放大单元、模数单元和提取单元;所述处理模块包括依次连接的转换单元、滤波单元、归一化单元、切割单元、计算单元和整理单元;所述识别模块包括依次连接的特征筛选单元、判断单元、训练单元和识别单元;所述输出模块包括显示单元。
本申请还提供一种动作识别方法的应用,将所述的动作识别方法应用于智能瑜伽垫。
3.有益效果
与现有技术相比,本申请提供的一种动作识别方法、系统及应用的有益效果在于:
本申请提供的动作识别方法的应用是一种轻量级的应用,该系统和方法应用了压电薄膜轻薄、可折叠和耐磨损等特性,能够嵌入一般的商用瑜伽垫中,从而为现有的瑜伽垫赋能,拓展瑜伽垫的市场应用范围。
本申请提供的动作识别方法的应用,结合了传统瑜伽垫和物联网技术,提出一种便捷、高效的瑜伽动作指导系统,为用户的学习和运动带来了极大的便利。
本申请提供的动作识别方法的应用,实现的算法计算复杂度低,所需运算量小,能够实现实时、低成本、高效的瑜伽动作检测。
本申请提供的动作识别方法的应用,利用廉价的压力传感器、处理器,结合传统瑜伽垫,实现了实时、低成本、高效的瑜伽动作指导,在此基础上本申请还提出了滤波、归一化和信号切割等进行信号处理的算法来对压力信号进行处理,消除了噪声的干扰,提升信号的信噪比;利用决策树分类机器学习算法对信号进行分类,从而实现瑜伽动作的识别。
附图说明
图1是本申请的动作识别流程示意图;
图2是本申请的动作识别流程详细示意图;
图3是本申请的动作识别系统示意图。
具体实施方式
在下文中,将参考附图对本申请的具体实施例进行详细地描述,依照这些详细的描述,所属领域技术人员能够清楚地理解本申请,并能够实施本申请。在不违背本申请原理的情况下,各个不同的实施例中的特征可以进行组合以获得新的实施方式,或者替代某些实施例中的某些特征,获得其它优选的实施方式。
瑜伽运用了古老的技巧,具有改善人们生理、心理、情感和精神方面的能力,是一种达到身体、心灵与精神和谐统一的运动方式。它具有非常悠久的历史,深受各个年龄段的人群喜欢。然而瑜伽的动作类型非常多,动作要领难掌握,不规范的瑜伽动作很有可能给身体带来永久性的损害,初学者在没有专业人员指导的情况下不容易入门。然而我国的瑜伽教师资源非常稀缺,导致瑜伽的学习成本高昂,无法实现一对一的动作指导。瑜伽又是一项比较适合静谧环境下的运动,因此初学者都不愿意选择多人的培训班来学习瑜伽动作,这极大地限制了瑜伽运动的发展和推广,因此便捷、有效、便宜的瑜伽动作指导方案逐渐成为研究的热点方向。
随着物联网技术的快速发展,智能传感器系统用于辅助人们的生活已成为一种时代的发展趋势,越来越多的领域正逐渐追求智能化、去人工化。压力传感器作为一种低廉,可以快速检测压力的变化,可与瑜伽垫结合用于辅助瑜伽动作的识别,实现瑜伽动作的智能教学和指导。
参见图1~3,本申请提供一种动作识别方法,获取原始数据,根据所述原始数据提取第一信号,将所述第一信号转换为第二信号,消除所述第二信号中的干扰,提取干扰清除后所述第二信号的特征,根据所述特征对所述第二信号进行分类得到分类结果。
本申请的动作识别方法可以应用于瑜伽垫,基于压力感知识别动作的智能瑜伽垫的实现方法,是一种创新的智能瑜伽垫的动作识别方法;利用压力传感器接收特定瑜伽动作下使瑜伽垫发生形变的压力信号,例如在在瑜伽垫上做瑜伽动作时人体按压瑜伽垫所产生的压力信号,然后使用滤波、归一化和信号切割的方法对信号进行处理,极大程度地提高了精准度。同时通过机器学习的分类方法进行分类,从而识别出用户所进行的瑜伽动作。本申请中的智能瑜伽垫动作识别方法,响应速度高、灵敏度高、精确度高。
如图1所示,用户在压力传感器覆盖的瑜伽垫上进行瑜伽动作,使得瑜伽垫产生形变;然后分布在瑜伽垫下面的压力传感器采集瑜伽垫形变的信号,经过电路传输到处理器上进行处理,识别出用户所进行的瑜伽动作类型,并在显示屏上显示对应的瑜伽动作指导动画。
具体的,如图2所示,步骤S1,采集人体使产品形变的压力信号,将所述压力信号转化为数字信号。
所述步骤S1包括通过压力传感器将压力信号转化为电阻信号;通过分压原理将所述电阻信号转化为电压信号;使用信号放大器对所述电压信号进行放大;利用模数转化器将放大后的电压信号转化成数字信号。
使用了由分压原理求节点电位的分压公式,公式如下:
其中,V0是节点电位,Vi是电源电压,Ri是固定电阻值,Rg是压力传感器的电阻值。
步骤S2,对所述数字信号进行预处理,消除信号的噪声干扰。
所述步骤S2包括采用快速傅里叶变换将所述数字信号转化到频域上;利用巴氏低通滤波器滤除掉所述数字信号的高频噪声。
步骤S3,将步骤S2得到的数字信号进行归一化处理,消除体重带来的干扰。
所述步骤S3包括遍历所述步骤S2得到的数字信号,提取信号峰值;对信号进行归一化处理,去除因体重不同导致信号幅度不同的影响。
使用了归一化公式,公式如下:
ymax为归一化前体重信号,ymin为归一化后体重信号,xmax为归一化前体重信号,xmin为归一化后体重信号;y则为归一化后的信号。
低通滤波器截止频率为FC,FC为小于1000Hz的某一频率。
步骤S4,对步骤S3得到的数字信号信号进行切割,提取功率谱密度特征。
所述步骤S4包括选定窗函数将步骤S3得到的数字信号切割成不同的段;对每一段信号进行快速傅里叶变换,并计算该时段频谱的功率谱密度。
使用了原信号与窗函数卷积来将信号进行切割,卷积公式如下:
其中y(m)为原信号,a(n-m)为窗函数,m为窗口大小,ω为角频率,Y(n,ω)为该角频率下的短时傅里叶变化信号,Sy(n,ω)为短时傅里叶变化后得到的所有信号,e为自然数常数。
使用了功率谱密度计算公式,公式如下:
P(i,j)=k|Sy(i,j)|2
其中P为信号的功率谱密度,S为信号进行n次快速傅里叶变换后的结果,为一复数矩阵,横向i为时间,纵向j为频率,k为系数。由于信号经过了窗函数的切割,计算信号的功率谱密度还需要设置一个变换系数k来弥补窗函数的影响。变换系数k的表达式如下:
其中,ω(n)是频域信号,L是单个窗口短时傅里叶变化的频域信号长度,fs是系数。
步骤S5,将所述功率谱密度特征输入决策树机器学习模型进行分类。
所述步骤S5包括根据决策树模型的数据格式要求整理所述功率谱密度特征值数据;判断数据的标签,如果标签非空,则为训练数据集,根据数据所给的标签对模型进行训练,如果标签为空,则为预测数据集,根据模型对数据进行预测,返回预测的标签结果。
步骤S6,对检测的结果进行显示和反馈。
由于不同的瑜伽动作姿势不一样,在不同的压力传感器中产生的压力信号在时域上存在一定的差异性,它们的波峰、波谷大小、数量以及形状不完全一致,基于信号多属性的特点,所以本例创新地使用了一种具有筛选信号属性的决策树机起学习算法。这种拥有属性筛选功能的算法可以有效地避免由于特征过多而引发的过度拟合现象。属性选择的质量决定了决策树模型的预测准确度,因此需要筛选得到最优的属性。属性的好坏衡量是通过信息增益准则来划分的。信息熵定义了节点的纯度,计算公式为:
其中pk代表当前节点D的数据中第k类样本所占的比例。
按照决策树的规则,信息增益计算公式如下:
a为选取的属性,Ent(D)为节点D的信息熵,v为分支节点,为分支节点所占的比例大小。分支节点整体纯度越大,则信息增益越大,说明该属性的分类效果越好。因此,计算每个属性进行划分子节点得到的信息增益,选择最大的信息增益所对应的属性作为模型的分类属性。
为了防止决策树过拟合,提高模型预测性能,在决策树建立后,对整个决策树进行剪枝处理,按照决策树的广度优先搜索的反序,依次对内部节点进行剪枝,当将某内部节点为根的子树换成一个叶节点时,可以提高泛化性能时,进行剪枝。
本申请还提供一种动作识别系统,包括依次连接的采集模块、处理模块、识别模块和输出模块;所述采集模块,用于接收和采集信号,并对信号进行转换;所述处理模块,用于对采集到的信号进行干扰消除;所述识别模块,用于模型的训练和动作的识别,筛选信号的特征,根据训练数据集的特征和标签进行模型的训练,并利用已训练的模型对无标签数据集进行预测,识别动作类型;所述输出模块,用于实时显示检测到的动作,播放规范动作。
采集模块,包括压力信号的接收端,用于接收和采集使瑜伽垫发生形变的压力信号,信号通过分压电路转化成电压信号,经过放大电路的放大后由模数转换器转换成数字信号。
处理模块,用于对采集到的压力信号进行干扰的消除,首先将信号转换到频域上,利用巴氏低通滤波器滤除掉高频信号噪声,使信号更加平滑,增加信号的信噪比,接着对信号进行归一化处理,消除体重不同所带来的干扰;将处理后的信号进行切割,计算各段信号的功率谱密度,并按照一定的格式进行保存。
识别模块,用于模型的训练和动作的识别,筛选信号的特征,根据训练数据集的特征和标签进行模型的训练,并利用已训练的模型对无标签数据集进行预测,识别瑜伽动作类型。
输出模块,用于实时显示检测到的瑜伽动作类型,并播放规范的瑜伽动作分解教学动画。
进一步地,所述采集模块包括依次连接的采集单元、转化单元、放大单元、模数单元和提取单元;所述处理模块包括依次连接的转换单元、滤波单元、归一化单元、切割单元、计算单元和整理单元;所述识别模块包括依次连接的特征筛选单元、判断单元、训练单元和识别单元;所述输出模块包括显示单元。
采集单元,用于接收并采集使瑜伽垫发生形变的压力信号;转化单元,用于将采集的电阻信号转化成电压信号;放大单元,用于放大转化后的电压信号;模数单元,用于将模拟信号转化为数字信号;提取单元,用于提取转化后的数字信号。
转换单元,用于将时域信号转换到频域上;滤波单元,用于滤除噪声所处频段的信号;归一化单元,用于对信号值进行归一化,消除用户体重不同带来的干扰;切割单元,用于将信号切割成不同的信号段;计算单元,用于计算各信号段中不同频率的功率谱密度;整理单元,用于将信号的功率谱密度值和标签整理成统一数据格式。
特征筛选单元,用于对信号的相关特征进行提取和筛选;判断单元,用于判断数据为训练数据或预测数据;训练单元,用于利用训练数据集训练分类模型;识别单元,用于利用分类模型对预测数据进行分类,识别动作。
显示单元,用于实时显示识别的动作类型结果和对应的动作分解教学动画。
将压力传感器和瑜伽垫相结合,提出了一种更便捷、更高效而且低成本的智能瑜伽垫系统,将瑜伽动作指导迁移到瑜伽垫中,通过人在瑜伽垫上进行瑜伽动作,就能提供规范、快速、高效和低成本的瑜伽动作指导,实现一种具有动作识别的智能瑜伽垫的实现方法,尤其涉及一种基于压力感知识别动作的智能瑜伽垫实现方法,并且涉及了该基于压力感知识别动作的智能瑜伽垫实现方法的系统。再此基础上本申请还提出用滤波、归一化和信号切割的方法对信号进行处理,进一步放大了信号相应的特征;并且,还利用决策树机器学习算法对数据进行分类,从而实现瑜伽动作的识别。
尽管在上文中参考特定的实施例对本申请进行了描述,但是所属领域技术人员应当理解,在本申请公开的原理和范围内,可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定,并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。
Claims (10)
1.一种动作识别方法,其特征在于:获取原始数据,根据所述原始数据提取第一信号,将所述第一信号转换为第二信号,消除所述第二信号中的干扰,提取干扰清除后所述第二信号的特征,根据所述特征对所述第二信号进行分类得到分类结果。
2.如权利要求1所述的动作识别方法,其特征在于:所述方法包括如下步骤:
步骤S1,采集人体使产品形变的压力信号,将所述压力信号转化为数字信号;
步骤S2,对所述数字信号进行预处理,消除所述数字信号中的干扰;
步骤S3,将步骤S2得到的数字信号进行归一化处理;
步骤S4,对步骤S3得到的数字信号进行切割,提取功率谱密度特征;
步骤S5,将所述功率谱密度特征输入决策树机器学习模型进行分类;
步骤S6,对检测的结果进行显示和反馈。
3.如权利要求2所述的动作识别方法,其特征在于:所述步骤S1包括通过压力传感器将压力信号转化为电阻信号;通过分压原理将所述电阻信号转化为电压信号;使用信号放大器对所述电压信号进行放大;利用模数转化器将放大后的电压信号转化成数字信号。
4.如权利要求2所述的动作识别方法,其特征在于:所述步骤S2包括采用快速傅里叶变换将所述数字信号转化到频域上;利用巴氏低通滤波器滤除掉所述数字信号的高频噪声。
5.如权利要求2所述的动作识别方法,其特征在于:所述步骤S3包括遍历所述步骤S2得到的数字信号,提取信号峰值;对信号进行归一化处理,去除因体重不同导致信号幅度不同的影响。
6.如权利要求2所述的动作识别方法,其特征在于:所述步骤S4包括选定窗函数将步骤S3得到的数字信号切割成不同的段;对每一段信号进行快速傅里叶变换,并计算该时段频谱的功率谱密度。
7.如权利要求2所述的动作识别方法,其特征在于:所述步骤S5包括根据决策树模型的数据格式要求整理所述功率谱密度特征值数据;判断数据的标签,如果标签非空,则为训练数据集,根据数据所给的标签对模型进行训练,如果标签为空,则为预测数据集,根据模型对数据进行预测,返回预测的标签结果。
8.一种动作识别系统,其特征在于:包括依次连接的采集模块、处理模块、识别模块和输出模块;
所述采集模块,用于接收和采集信号,并对信号进行转换;
所述处理模块,用于对采集到的信号进行干扰消除;
所述识别模块,用于模型的训练和动作的识别,筛选信号的特征,根据训练数据集的特征和标签进行模型的训练,并利用已训练的模型对无标签数据集进行预测,识别动作类型;
所述输出模块,用于实时显示检测到的动作,播放规范动作。
9.如权利要求8所述的动作识别系统,其特征在于:所述采集模块包括依次连接的采集单元、转化单元、放大单元、模数单元和提取单元;
所述处理模块包括依次连接的转换单元、滤波单元、归一化单元、切割单元、计算单元和整理单元;
所述识别模块包括依次连接的特征筛选单元、判断单元、训练单元和识别单元;
所述输出模块包括显示单元。
10.一种动作识别方法的应用,其特征在于:将权利要求1~7中任一项所述的动作识别方法应用于智能瑜伽垫。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110823738.8A CN113516086A (zh) | 2021-07-21 | 2021-07-21 | 一种动作识别方法、系统及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110823738.8A CN113516086A (zh) | 2021-07-21 | 2021-07-21 | 一种动作识别方法、系统及应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113516086A true CN113516086A (zh) | 2021-10-19 |
Family
ID=78068512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110823738.8A Pending CN113516086A (zh) | 2021-07-21 | 2021-07-21 | 一种动作识别方法、系统及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516086A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106580297A (zh) * | 2017-01-25 | 2017-04-26 | 深圳贝特莱电子科技股份有限公司 | 一种基于睡眠带的翻身监测装置及方法 |
CN107088289A (zh) * | 2016-02-18 | 2017-08-25 | 尧乐网络科技(上海)有限公司 | 分布式柔性纺织电极的智能瑜伽垫及控制方法 |
CN107174197A (zh) * | 2016-03-10 | 2017-09-19 | 深圳市理邦精密仪器股份有限公司 | 监护设备及其波形显示方法、装置 |
CN108720839A (zh) * | 2018-01-31 | 2018-11-02 | 湖南大学 | 一种基于运动能量收集的人体运动评估方法及装置 |
US20200191643A1 (en) * | 2018-12-13 | 2020-06-18 | Benjamin T. Davis | Human Activity Classification and Identification Using Structural Vibrations |
-
2021
- 2021-07-21 CN CN202110823738.8A patent/CN113516086A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107088289A (zh) * | 2016-02-18 | 2017-08-25 | 尧乐网络科技(上海)有限公司 | 分布式柔性纺织电极的智能瑜伽垫及控制方法 |
CN107174197A (zh) * | 2016-03-10 | 2017-09-19 | 深圳市理邦精密仪器股份有限公司 | 监护设备及其波形显示方法、装置 |
CN106580297A (zh) * | 2017-01-25 | 2017-04-26 | 深圳贝特莱电子科技股份有限公司 | 一种基于睡眠带的翻身监测装置及方法 |
CN108720839A (zh) * | 2018-01-31 | 2018-11-02 | 湖南大学 | 一种基于运动能量收集的人体运动评估方法及装置 |
US20200191643A1 (en) * | 2018-12-13 | 2020-06-18 | Benjamin T. Davis | Human Activity Classification and Identification Using Structural Vibrations |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107844755B (zh) | 一种结合dae和cnn的脑电信号特征提取与分类方法 | |
CN105976809A (zh) | 基于语音和面部表情的双模态情感融合的识别方法及系统 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN108171278B (zh) | 一种基于运动训练数据的运动模式识别方法和系统 | |
CN110610172B (zh) | 一种基于rnn-cnn架构的肌电手势识别方法 | |
CN108520758B (zh) | 一种视听觉跨模态物体材质检索方法及系统 | |
CN111248859A (zh) | 基于卷积神经网络的睡眠呼吸暂停自动检测方法 | |
CN113855038B (zh) | 基于多模型集成的心电信号危急值的预测方法及装置 | |
CN111248879A (zh) | 一种基于多模态注意力融合的高血压老年人活动分析方法 | |
CN112869717B (zh) | 一种基于bl-cnn的脉搏特征识别分类系统及方法 | |
Esfahanian et al. | On contour-based classification of dolphin whistles by type | |
CN111053552B (zh) | 一种基于深度学习的qrs波检测方法 | |
CN113069117A (zh) | 一种基于时间卷积神经网络的脑电情绪识别方法及系统 | |
CN112043280A (zh) | 基于智能手机步态识别的危险驾驶行为检测方法及系统 | |
CN115859078A (zh) | 一种基于改进Transformer的毫米波雷达跌倒检测方法 | |
CN113990303B (zh) | 基于多分辨率空洞深度可分卷积网络的环境声音辨识方法 | |
CN108647584A (zh) | 基于稀疏表示和神经网络的心律不齐识别分类方法 | |
CN112380903B (zh) | 一种基于WiFi-CSI信号增强的人体活动识别方法 | |
CN113128353A (zh) | 面向自然人机交互的情绪感知方法及其系统 | |
CN113516086A (zh) | 一种动作识别方法、系统及应用 | |
CN210697629U (zh) | 信号采集装置、移动终端和信号分析系统 | |
CN111616680A (zh) | 一种脑力负荷自动辨识方法及系统 | |
CN114027846B (zh) | 一种智能心电信号处理方法 | |
CN114521900B (zh) | 一种基于迁移学习心律失常分类识别的方法 | |
CN112006665A (zh) | 一种基于物联网的景区智能综合服务可穿戴系统 |
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 |