CN114627615A - 一种行走时使用手机的危险提示方法 - Google Patents
一种行走时使用手机的危险提示方法 Download PDFInfo
- Publication number
- CN114627615A CN114627615A CN202210193360.2A CN202210193360A CN114627615A CN 114627615 A CN114627615 A CN 114627615A CN 202210193360 A CN202210193360 A CN 202210193360A CN 114627615 A CN114627615 A CN 114627615A
- Authority
- CN
- China
- Prior art keywords
- data
- mobile phone
- walking
- user
- 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 39
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013499 data model Methods 0.000 claims description 7
- 238000013450 outlier detection Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000003909 pattern recognition Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009194 climbing Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
- G08B21/0205—Specific application combined with child monitoring using a transmitter-receiver system
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
- H04M1/72454—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to context-related or environment-related conditions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Child & Adolescent Psychology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Human Computer Interaction (AREA)
- Environmental & Geological Engineering (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Telephone Function (AREA)
Abstract
本发明请求保护一种行走时使用手机的危险提示方法，所述方法包括如下步骤：1.采集受测者边走边玩手机和上下楼梯时玩手机的惯性传感器数据。2.对数据进行平滑去噪处理。3.对去噪处理后的数据进行特征提取。4.将处理后的数据进行整合并建立模型。5.系统初始化，确定使用模式。6.识别结果如为在行走或上下楼梯时使用手机，则提醒使用者，发送警告通知。识别结果若为正常使用，则不予提示。本发明可准确识别使用者在行走或上下楼梯时是否使用手机，并根据实际情况予以提示，具有识别率高，实时性强等优点。
Description
技术领域
本发明涉及惯性传感、动作识别领域，具体是一种不当使用手机的危险提醒方法。
背景技术
手机现在的功能几乎能媲美一台电脑，而且愈加轻便，可以随身携带。功能越来越强大的手机俨然已经成为人们日常生活中离不开的物品。使用者除了会坐着或者站着使用手机外，甚至还会在走路或爬楼梯时使用，这样的情况导致了不少意外事件的发生。因为在行走时，使用者的注意力集中在手机上而忽略了前方的道路状况。
目前，有很多提醒使用者正确使用手机的方法被提出，如利用手机的前置摄像头，对人的脸部进行侦测，如果测到眼睛部分确实是在盯着手机屏幕6秒以上的话，则可以判断为使用者在使用手机，并且跳出警示的通知；也有利用手机后置摄像头来拍摄使用者前方道路的状况，如果画面中有障碍物，则立即提醒通知等。
经过检索，申请公开号CN107071145A一种危险状态手机自检测提醒方法，属于自动检测控制技术领域，本发明解决手机低头族行进在危险区而全然不知不顾，造成严重自身或他人伤害后果，启动危险状态手机自检测提醒功能后，如果手机用户正处在危险状态，会自动检测并发出声、光同时危险警示提醒或进入免扰状态，提醒手机用户迅速离开危险区域或者屏蔽手机来信息的干扰，保障手机用户自身的安全。但行人位置信息难以准确定位，现如今GNSS定位与其他定位技术的准确度皆在10m范围左右，如果行人已进入危险区而定位信息未及时更新或定位信息错误可能会给行人带来意外伤害。本发明是利用手机内置传感器探测、解算行人姿态信息，更新及时并且设计目的是为提醒行人不要再行进状态中使用手机，从根源出发解决问题。
申请公开号CN106161786A，一种行走使用手机辅助方法及装置，方法包括步骤：手机检测道路上物体的速度和距离；当检测到物体朝向手机方向行进并速度超过预设速度时提醒用户。当用户在道路上行走并使用手机时，无法一直查看道路状况，无法应对突发情况，如果有一辆电动车或自行车，甚至汽车冲向用户，用户完全不知情，无法做出一些自救措施而造成更严重伤害，本发明由于手机检测道路上物体的速度和距离，当检测到物体朝向手机方向行进并速度超过预设速度时提醒用户，可以及时发现危险并提醒用户及时采取措施。但行人在使用手机时会分散注意力，不一定能够及时有效的做出回应，甚至可能做出过激反应伤害到自身。本发明在设计之初即是为提醒用户，在行进时尽量少使用手机，以免分散注意力，从源头上避免此种危险的发生。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种行走时使用手机的危险提示方法。本发明的技术方案如下：
一种行走时使用手机的危险提示方法，其包括以下步骤：
采集智能手机内部惯性测量单元数据，数据采集通过传感器数据采集软件APP实现，数据采集完成后，存储至手机内部存储单元；将存有惯性数据的文件导出，得到原始数据，对原始数据进行平滑去噪处理；从时域、频域角度分别进行提取特征；根据时域、频域角度提取的特征数据，进行整理并建立数据模型；系统初始化，采集当前手机内置惯性传感器数据，做标准差计算后与得到的数据模型进行匹配，进而得到使用者模式识别结果，并根据不同结果进行后续处理；在判断出使用者使用状态是走路或上下楼梯后，即判断为使用者在边走路边使用手机或者边爬楼梯边使用手机，即发送警告通知，其他情况将不发送警告通知。
进一步的，所述数据采集通过传感器数据采集软件APP实现中具体包括：
利用自建APP采集带时间戳的加速度传感器，陀螺仪数据；招募不同性别、身高、体重、运动习惯的志愿者，每位志愿者在自愿选择数据采集时间采集不少于10组数据，每组数据包括走路、跑步、上下台阶在内的日常活动数据。
进一步的，所述对原始数据进行平滑去噪处理具体包括：
用阈值进行离群点检测；在阈值范围外的数据被认为是噪声数据，即离群点，去掉这样的数据，阀值＝均值±2×标注差
标准差计算公式：
μ为均值；
经过离群点检测后，再用MATLAB自带的Filter滤波器进行进一步去噪。
进一步的，所述从时域、频域角度分别进行提取特征，具体包括：
选用信息增益比作为决策依据，即优先选择能够带来最大信息增益的特征，由于数据本身是时间序列，因此首先提取均方差时域特征；然后提取一些类似波峰数量、峰值大小在内的统计域特征。
进一步的，所述系统初始化，采集当前手机内置惯性传感器数据，做标准差计算后与得到的数据模型进行匹配，进而得到使用者模式识别结果，并根据不同结果进行后续处理，具体包括：
采用支持向量机算法进行手机使用状态识别，支持向量机方法用分类模型将线性可分的数据分成两类，分类函数是被称作超平面的平面方程，通过这个超平面把数据分成两类，超平面一侧数据为一类，另一侧数据为第二类，支持向量机分类方法找到使分类间隔最大化的超平面，等同于求解凸二次规划最优解问题。
进一步的，将原始训练数据集随机分为数目相等的10份，在训练模型的过程中，每次使用9份数据做训练，剩余一份做测试，重复随机划分、训练模型，直到模型稳定或精确度达到预定的阈值。
本发明的优点及有益效果如下：
本发明主要是解决行人在行进状态时使用手机注意力分散，可能给自身或他人造成伤害的问题。本发明识别准确率高，能够实时、准确的提醒使用者安全使用手机，手机进入检测提醒状态后，如果手机用户正处在行进状态，会自动检测并发出危险警示提醒信息，提醒手机用户不要在有风险的情况下使用手机，保障手机用户自身的安全并培养人养成安全使用手机的习惯。本发明所需传感器皆为手机自带不需要额外的硬件支出费用。
附图说明
图1是本发明提供优选实施例行走时使用手机的危险提示方法流程图。
具体实施方式
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
本发明所述的方法,不需要额外的硬件设施,而是由手机内置惯性传感器收集数据，内部处理器参与运算,对行人进行提示。如流程图所示,本发明所述的方法包括以下步骤:
步骤1：采集智能手机内部惯性测量单元数据，数据采集通过传感器数据采集软件APP实现。数据采集完成后，存储至手机内部存储单元。
步骤2：将存有惯性数据的文件导出，得到原始数据。接下来对原始数据进行处理，原始数据存在噪声数据并且数据特征不明显，所以在进入分类阶段前必须进行数据预处理。为达到更高准确率，选择了时域特征和频域特征的几个特征组合作为分类输入。去噪处理分为两步首先是离群点检测，然后Filter滤波器去噪声数据；
步骤2.1：用阈值进行离群点检测。在阈值范围外的数据被认为是噪声数据，即离群点，去
掉这样的数据
阀值＝均值±2×标注差
标准差计算公式：
μ为均值
步骤2.2：经过离群点检测后，再用MATLAB自带的Filter滤波器进行进一步去噪。
步骤3：凡是在阈值外的数据点都被认为是离群点即噪声数据，去掉这样的数据点和进过滤波器后进入特征提取阶段。
步骤3.1：时域特征提取
时域特征包括均值、均方、方差，通过多次对比试验，最后选择100个数据为一个处理单位进行特征提取。
步骤3.2：频域特征提取
离散傅里叶变换FFT，将时域信号变换到频域。通过变换到频域后，就很容易看出明显特征。通过对原始数据插值使之采样频率一致，并且与原始数据对比发现，是否以时间为数据分类单位并不影响实验的准确率，所以实验以获得数据的条数为单位进行分类，也可以看做是时域信号。傅里叶变换公式如下：
步骤4：本发明采用支持向量机算法进行手机使用状态识别，支持向量机是经典统计学习方法之一，主要用于二类分类。支持向量机方法用分类模型将线性可分的数据分成两类，分类函数是被称作超平面的平面方程，通过这个超平面把数据分成两类，超平面一侧数据为一类，另一侧数据为第二类。因为间隔越大分类的可信度就越高，分类的准确率也越高，所以支持向量机分类方法的学习目的就是找到使分类间隔最大化的超平面，等同于求解凸二次规划最优解问题。步骤5：采集当前手机内置惯性传感器数据，做标准差计算后与数据模型进行匹配，进而得到使用者模式识别结果，并根据不同结果进行后续处理。
步骤6：在判断出使用者使用状态是走路或上下楼梯后，即判断为使用者在边走路边使用手机或者边爬楼梯边使用手机的话就会发送警告通知，其他情况将不发送警告通知。
本研究请了10位受测者来帮忙进行实验，年龄在20-30岁之间，并请他们各做边走路边使用手机，边爬楼梯边使用手机等动作，并各做10次实验然后计算准确率。本研究利用以下公式来进行动作侦测准确率的计算。
其中P(i)为目前侦测的动作的数量占的比例，num(i)为目前要侦测的动作的数量，num(1)为侦测到走路的数量，num(2)为侦测到上楼梯的数量，num(3)为侦测到下楼梯的数量。从实验结果来看，本发明可有效识别行人动作并予以提醒。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (6)
1.一种行走时使用手机的危险提示方法，其特征在于，包括以下步骤：
采集智能手机内部惯性测量单元数据，数据采集通过传感器数据采集软件APP实现，数据采集完成后，存储至手机内部存储单元；将存有惯性数据的文件导出，得到原始数据，对原始数据进行平滑去噪处理；从时域、频域角度分别进行提取特征；根据时域、频域角度提取的特征数据，进行整理并建立数据模型；系统初始化，采集当前手机内置惯性传感器数据，做标准差计算后与得到的数据模型进行匹配，进而得到使用者模式识别结果，并根据不同结果进行后续处理；在判断出使用者使用状态是走路或上下楼梯后，即判断为使用者在边走路边使用手机或者边爬楼梯边使用手机，即发送警告通知，其他情况将不发送警告通知。
2.根据权利要求1所述的一种行走时使用手机的危险提示方法，其特征在于，所述数据采集通过传感器数据采集软件APP实现中具体包括：
利用自建APP采集带时间戳的加速度传感器，陀螺仪数据；招募不同性别、身高、体重、运动习惯的志愿者，每位志愿者在自愿选择数据采集时间采集不少于10组数据，每组数据包括走路、跑步、上下台阶在内的日常活动数据。
3.根据权利要求1所述的一种行走时使用手机的危险提示方法，其特征在于，所述对原始数据进行平滑去噪处理具体包括：
用阈值进行离群点检测；在阈值范围外的数据被认为是噪声数据，即离群点，去掉这样的数据，阀值＝均值±2×标注差
标准差计算公式：
μ为均值；
经过离群点检测后，再用MATLAB自带的Filter滤波器进行进一步去噪。
4.根据权利要求1所述的一种行走时使用手机的危险提示方法，其特征在于，所述从时域、频域角度分别进行提取特征，具体包括：
选用信息增益比作为决策依据，即优先选择能够带来最大信息增益的特征，由于数据本身是时间序列，因此首先提取均方差时域特征；然后提取一些类似波峰数量、峰值大小在内的统计域特征。
5.根据权利要求1所述的一种行走时使用手机的危险提示方法，其特征在于，所述系统初始化，采集当前手机内置惯性传感器数据，做标准差计算后与得到的数据模型进行匹配，进而得到使用者模式识别结果，并根据不同结果进行后续处理，具体包括：
采用支持向量机算法进行手机使用状态识别，支持向量机方法用分类模型将线性可分的数据分成两类，分类函数是被称作超平面的平面方程，通过这个超平面把数据分成两类，超平面一侧数据为一类，另一侧数据为第二类，支持向量机分类方法找到使分类间隔最大化的超平面，等同于求解凸二次规划最优解问题。
6.根据权利要求5所述的一种行走时使用手机的危险提示方法，其特征在于，将原始训练数据集随机分为数目相等的10份，在训练模型的过程中，每次使用9份数据做训练，剩余一份做测试，重复随机划分、训练模型，直到模型稳定或精确度达到预定的阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210193360.2A CN114627615A (zh) | 2022-03-01 | 2022-03-01 | 一种行走时使用手机的危险提示方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210193360.2A CN114627615A (zh) | 2022-03-01 | 2022-03-01 | 一种行走时使用手机的危险提示方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114627615A true CN114627615A (zh) | 2022-06-14 |
Family
ID=81899968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210193360.2A Pending CN114627615A (zh) | 2022-03-01 | 2022-03-01 | 一种行走时使用手机的危险提示方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114627615A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104202466A (zh) * | 2014-08-19 | 2014-12-10 | 厦门美图移动科技有限公司 | 一种行进中使用手机进行安全提示的方法 |
| CN104904189A (zh) * | 2013-11-18 | 2015-09-09 | 宇龙计算机通信科技(深圳)有限公司 | 终端和终端管理方法 |
| CN106357898A (zh) * | 2016-09-07 | 2017-01-25 | 惠州Tcl移动通信有限公司 | 基于智能穿戴设备提醒用户走路不玩手机的方法及系统 |
| CN107204096A (zh) * | 2017-05-24 | 2017-09-26 | 上海与德科技有限公司 | 基于终端设备的安全提醒方法及装置 |
| CN107566627A (zh) * | 2017-08-28 | 2018-01-09 | 周盛春 | 用户不良使用习惯辅助提醒系统及方法 |
| CN107786727A (zh) * | 2017-09-15 | 2018-03-09 | 深圳天珑无线科技有限公司 | 移动终端提醒方法、装置及存储介质 |
| CN109088981A (zh) * | 2018-07-10 | 2018-12-25 | 奇酷互联网络科技（深圳）有限公司 | 低头提醒方法、装置、可读存储介质及移动终端 |
| CN109495654A (zh) * | 2018-12-29 | 2019-03-19 | 武汉大学 | 一种基于智能手机感知行人安全方法 |
| CN110213720A (zh) * | 2019-06-04 | 2019-09-06 | 哈尔滨工业大学 | 基于用户行为分析的手机使用过程中的意外预防方法 |
| CN110740211A (zh) * | 2019-09-10 | 2020-01-31 | 浙江大学 | 基于行进状态感知和专注度感知的非干扰式危险预警方法 |
| CN112464738A (zh) * | 2020-11-05 | 2021-03-09 | 江苏集萃未来城市应用技术研究所有限公司 | 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法 |
-
2022
- 2022-03-01 CN CN202210193360.2A patent/CN114627615A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104904189A (zh) * | 2013-11-18 | 2015-09-09 | 宇龙计算机通信科技(深圳)有限公司 | 终端和终端管理方法 |
| CN104202466A (zh) * | 2014-08-19 | 2014-12-10 | 厦门美图移动科技有限公司 | 一种行进中使用手机进行安全提示的方法 |
| CN106357898A (zh) * | 2016-09-07 | 2017-01-25 | 惠州Tcl移动通信有限公司 | 基于智能穿戴设备提醒用户走路不玩手机的方法及系统 |
| CN107204096A (zh) * | 2017-05-24 | 2017-09-26 | 上海与德科技有限公司 | 基于终端设备的安全提醒方法及装置 |
| CN107566627A (zh) * | 2017-08-28 | 2018-01-09 | 周盛春 | 用户不良使用习惯辅助提醒系统及方法 |
| CN107786727A (zh) * | 2017-09-15 | 2018-03-09 | 深圳天珑无线科技有限公司 | 移动终端提醒方法、装置及存储介质 |
| CN109088981A (zh) * | 2018-07-10 | 2018-12-25 | 奇酷互联网络科技（深圳）有限公司 | 低头提醒方法、装置、可读存储介质及移动终端 |
| CN109495654A (zh) * | 2018-12-29 | 2019-03-19 | 武汉大学 | 一种基于智能手机感知行人安全方法 |
| CN110213720A (zh) * | 2019-06-04 | 2019-09-06 | 哈尔滨工业大学 | 基于用户行为分析的手机使用过程中的意外预防方法 |
| CN110740211A (zh) * | 2019-09-10 | 2020-01-31 | 浙江大学 | 基于行进状态感知和专注度感知的非干扰式危险预警方法 |
| CN112464738A (zh) * | 2020-11-05 | 2021-03-09 | 江苏集萃未来城市应用技术研究所有限公司 | 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 余杰: "基于加速度传感器的人体行为识别研究", 中国优秀硕士学位论文全文数据库信息科技辑, no. 10, pages 17 - 31 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2363067B1 (en) | Arousal state classification model generating device, arousal state classifying device, and warning device | |
| US10030993B2 (en) | Method and system for determining whether steps have occurred | |
| CN105632049B (zh) | 一种基于可穿戴设备的预警方法和装置 | |
| Khandelwal et al. | Gait event detection in real-world environment for long-term applications: Incorporating domain knowledge into time-frequency analysis | |
| US20220175287A1 (en) | Method and device for detecting driver distraction | |
| WO2010001962A1 (ja) | 眠気検出装置 | |
| Jensen et al. | Classification of kinematic swimming data with emphasis on resource consumption | |
| Otanasap | Pre-impact fall detection based on wearable device using dynamic threshold model | |
| Merrouche et al. | Depth camera based fall detection using human shape and movement | |
| EP3459453B1 (en) | Information processing device, information processing method, and information processing program | |
| US11393226B2 (en) | Emotion estimation device | |
| CN107092861A (zh) | 基于压力与加速度传感器的下肢动作识别方法 | |
| CN112115827A (zh) | 基于人体姿态动态特征的跌倒行为识别方法 | |
| KR20220019105A (ko) | 안전벨트 착용 검출 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
| Tansakul et al. | Fatigue driver detection system using a combination of blinking rate and driving inactivity | |
| Liang et al. | Pre-impact alarm system for fall detection using MEMS sensors and HMM-based SVM classifier | |
| Shi et al. | Fall detection system based on inertial mems sensors: Analysis design and realization | |
| KR20210034216A (ko) | 보행 분석 장치 및 방법 | |
| Kambhampati et al. | Unified framework for triaxial accelerometer‐based fall event detection and classification using cumulants and hierarchical decision tree classifier | |
| Ning et al. | Fall detection algorithm based on gradient boosting decision tree | |
| US11517804B2 (en) | Method and apparatus for false start detection | |
| CN114627615A (zh) | 一种行走时使用手机的危险提示方法 | |
| CN107688828A (zh) | 一种基于手机传感器的公交车拥挤程度估测方法 | |
| CN109620241B (zh) | 一种可穿戴设备及基于其的动作监测方法 | |
| Nassi et al. | Virtual breathalyzer |
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 |