CN117094685A - 基于物联网技术的智慧校园监控数据管理系统 - Google Patents
基于物联网技术的智慧校园监控数据管理系统 Download PDFInfo
- Publication number
- CN117094685A CN117094685A CN202311344912.6A CN202311344912A CN117094685A CN 117094685 A CN117094685 A CN 117094685A CN 202311344912 A CN202311344912 A CN 202311344912A CN 117094685 A CN117094685 A CN 117094685A
- Authority
- CN
- China
- Prior art keywords
- student
- track
- students
- similarity
- processed
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 238000013523 data management Methods 0.000 title claims abstract description 41
- 238000005516 engineering process Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 66
- 238000012937 correction Methods 0.000 claims abstract description 35
- 230000002776 aggregation Effects 0.000 claims description 25
- 238000004220 aggregation Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 description 125
- 230000000694 effects Effects 0.000 description 33
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据管理技术领域,具体涉及一种基于物联网技术的智慧校园监控数据管理系统,该系统首先筛选出待处理时刻数据,获取每两个学生的待处理相似性;根据每两个学生相同参考路径的数量和对应地点间差异曲线的相似性,获取轨迹关联性;依次根据每两个学生的轨迹关联性调整待处理相似性,获取修正相似性,从而进行聚类,获取各个学生轨迹类别的特征行为轨迹;根据学生的实时行为轨迹数据与对应学生轨迹类别的特征行为轨迹之间差异程度,智慧校园监控数据管理系统获取预警信号。本发明通过充分考虑学生地点内和地点间出行轨迹的相似性,提高了学生聚类的准确性,通过类别的特征行为轨迹对学生实时轨迹进行更好地监控。
Description
技术领域
本发明涉及数据管理技术领域,具体涉及一种基于物联网技术的智慧校园监控数据管理系统。
背景技术
校园安防是智慧校园建设中非常重要版块。校园的主体是学生,由于学生的安全意识较弱,在学校部署物联网络后,通过为学生配备可穿戴智能设备,可以智能化对学生行为轨迹进行分析,智慧校园监控数据管理系统对学生的行为轨迹进行监控,在轨迹异常时候进行报警,对保障学生出行安全有重要意义。不同学生的出行习惯不同,导致学生的行为轨迹不同。
聚类分析可以帮助我们识别出相似行为习惯的学生群体,进一步理解他们的行为模式和需求,以此提供个性化的行为监控。由于现有技术在学生群体的聚类过程中,往往仅考虑出行频次和在某些地点内的行为轨迹相似性来进行聚类,考虑条件不充分,导致聚类结果不准确,甚至造成错误聚类,导致根据类别特征轨迹进行监控实时出行轨迹效果不佳。
发明内容
为了解决现有技术学生群体的聚类效果差技术问题,本发明的目的在于提供一种基于物联网技术的智慧校园监控数据管理系统,所采用的技术方案具体如下:
一种基于物联网技术的智慧校园监控数据管理系统,所述系统包括:
数据获取模块,用于获取系统数据;所述系统数据包括每个学生的历史行为轨迹数据、实时行为轨迹数据和位置信息;所述历史行为轨迹数据包括地点内行为轨迹和地点间路径轨迹;
待处理时刻数据提取模块,用于根据校园各个时刻所述历史行为轨迹数据的学生聚集性和学生轨迹同步性,筛选出待处理时刻数据;
待处理相似性提取模块,用于根据所述待处理时刻数据下各个学生所述地点内行为轨迹与对应的位置路径的差异,获取各个学生在相同地点内的均值差异曲线;根据每两个学生所有地点下的所述均值差异曲线的相似性,获取每两个学生的待处理相似性;
修正相似性提取模块,用于以所述地点间路径轨迹对应的位置路径为参考路径;根据每个学生的每个所述地点间路径轨迹对应的所述参考路径,获得对应的地点间差异曲线;在所述待处理时刻数据中,根据每两个学生相同参考路径的数量和对应地点间差异曲线的相似性,获取每两个学生的轨迹关联性;依次根据每两个学生的轨迹关联性调整待处理相似性,获取每两个学生的修正相似性;
聚类分析模块,用于根据所述修正相似性,获取各个的学生轨迹类别;
监控报警模块,用于根据各个的所述学生轨迹类别的历史行为轨迹数据,获取各个学生轨迹类别的特征行为轨迹;根据学生所述实时行为轨迹数据与对应学生轨迹类别的特征行为轨迹之间差异程度,智慧校园监控数据管理系统获取预警信号。
进一步地,所述待处理时刻数据的获取方法包括:
根据校园各个时刻下历史行为轨迹数据的学生聚集性和学生轨迹同步性,获取各个时刻的时刻权重值;
若所述时刻权重值小于预设时刻权重阈值,将对应时刻标记为待处理时刻;
统计所有所述待处理时刻的所述历史行为轨迹数据,获取待处理时刻数据。
进一步地,所述时刻权重值的获取方法包括:
;其中,/>表示第/>时刻历史行为轨迹数据的所述时刻权重值;/>表示校园中第/>个地点;/>表示校园中地点的数量;/>表示第/>时刻校园中第/>个地点的学生数量;/>表示第/>时刻校园中学生的数量;/>表示第/>时刻校园中第/>个地点的任意一个学生;/>表示第/>个学生所在的局部邻域范围的学生;/>表示第/>个学生与其局部邻域范围的所有学生之间在/>时刻下所述地点内行为轨迹的/>距离的均值;/>为学生聚集性;/>表示学生轨迹同步性;/>表示以自然常数e为底的指数函数。
进一步地,所述位置路径的获取方法包括:
以所述历史行为轨迹数据的首尾位置相连作为所述位置路径。
进一步地,所述均值差异曲线的获取方法包括:
在校园平面图的二维坐标中,通过线性插值法将位置路径和地点内行为轨迹的横坐标长度统一,获取调整后位置路径和调整后地点内行为轨迹;
根据调整后位置路径与调整后地点内行为轨迹的差异构建第一差异曲线;
基于线性插值法将每个学生所有地点所述第一差异曲线的横坐标距离统一,获取每个学生每个地点内的调整后第一差异曲线;
计算每个学生在所述二维坐标下每个横坐标对应的相同地点内的所有调整后第一差异曲线的纵坐标值的均值,获取每个学生在相同地点内的均值差异曲线。
进一步地,所述待处理相似性的获取方法包括:
通过线性插值法将各个学生均值差异曲线横坐标的长度统一,获取各个学生的待处理差异曲线;
基于皮尔逊相关系数,计算每两个学生的所述待处理差异曲线的相似性,获取每两个学生在相同地点下的初始待处理相似性;
将所有地点下的所述初始待处理相似性求平均,获得每两个学生的所述待处理相似性。
进一步地,所述轨迹关联性的获取方法包括:
;其中,/>表示学生/>和学生/>的所述轨迹关联性;/>表示学生/>和学生/>的相同参考路径的数量,/>表示参考路径的总数量;/>表示学生/>和学生/>的任意一个相同参考路径;/>表示学生/>和学生经过第/>个相同参考路径的次数;/>表示学生/>和学生/>经过所有相同参考路径的总次数;表示学生/>在第/>个相同参考路径对应的地点间差异曲线;/>表示学生/>在第/>个相同参考路径对应的地点间差异曲线;/>表示学生/>和学生/>在第/>个相同参考路径对应的地点间差异曲线的/>距离;/>表示以自然常数e为底的指数函数。
进一步地,所述修正相似性的获取方法包括:
;其中,/>表示学生/>和学生/>的所述修正相似性;/>表示学生/>和学生/>的所述轨迹关联性;/>表示学生/>和学生/>的所述待处理相似性。
进一步地,所述学生轨迹类别的获取方法包括:
根据所述修正相似性对学生进行K-means聚类,获取各个的学生轨迹类别。
进一步地,所述预警信号的获取方法包括:
根据在学生轨迹类别的各个学生历史行为轨迹数据进行求均值,作为学生轨迹类别的特征行为轨迹;
计算实时监控采集的学生的行为轨迹数据与对应学生轨迹类别的特征行为轨迹各个点之间欧几里得距离,获取差异集合;
对所述差异集合中数据求均值,获取第一差异程度;
将第一差异程度反比例归一化,获取实时差异程度;
若所述实时差异程度大于预设报警阈值,智慧校园监控数据管理系统获取预警信号。
本发明具有如下有益效果:
根据校园各个时刻历史行为轨迹数据的学生聚集性和学生轨迹同步性,筛选出待处理时刻数据。待处理时刻数据中剥离了学生聚集性和同步性强的数据,使得待处理时刻数据可以更好地反映学生主观上的活动习惯,以供后续分析相似性。获取待处理相似性,分析学生地点内行为轨迹行为习惯的相似性;轨迹关联性可以反映地点间的轨迹相似性,通过构建行为轨迹的关联性程度值对相似性进行修正,获取每两个学生的修正相似性。修正相似性可以更全面反映学生的出行习惯,进而根据修正相似性进行更加准确的聚类。不同学生轨迹类别具有不同的出行习惯,为了实时监控采集的学生的实时行为轨迹数据,需要根据各个的所述学生轨迹类别的历史行为轨迹数据,获取各个学生轨迹类别的特征行为轨迹。特征行为轨迹能反映各个学生轨迹类别的出行习惯。由于不同类别学生出行习惯不同,根据实时监控采集的学生的行为轨迹数据与对应学生轨迹类别的特征行为轨迹之间差异程度,智慧校园监控数据管理系统获取预警信号,以供家长和学习及时知道学生出行异常情况,更好保障学生出行安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于物联网技术的智慧校园监控数据管理系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于物联网技术的智慧校园监控数据管理系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
基于物联网技术的智慧校园监控数据管理系统方法实施例:
下面结合附图具体的说明本发明所提供的一种基于物联网技术的智慧校园监控数据管理系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于物联网技术的智慧校园监控数据管理系统框图,该系统包括:数据获取模块101,待处理时刻数据提取模块102,待处理相似性提取模块103,修正相似性提取模块104,聚类分析模块105,监控报警模块106。
数据获取模块101,数据获取模块,用于获取系统数据;系统数据包括每个学生的历史行为轨迹数据、实时行为轨迹数据和位置信息;历史行为轨迹数据包括地点内行为轨迹和地点间路径轨迹。
智慧校园监控数据监控系统为了对每个学生的实时行为轨迹数据进行监控,需要对学生的出行习惯进行分析,所以需要获取系统数据;系统数据包括每个学生的历史行为轨迹数据、实时行为轨迹数据和位置信息;历史行为轨迹数据包括地点内行为轨迹和地点间路径轨迹。通过对系统数据进行深入挖掘,为后续分析学生历史活动习惯和实时活动习惯作为参考,进而分析学生的轨迹异常情况,当检测学生轨迹异常情况向智慧校园监控数据管理系统发送预警信号,进而保障学生的安全。具体的,智慧校园监控数据管理系统通过学生佩戴智能设备采集信息,本发明一个实施例通过蓝牙手环作为学生佩戴智能设备。使用蓝牙手环作为传感器和数据源以获取学生的行为轨迹和位置信息。蓝牙手环还可以作为一种实时追踪设备,通过GPS或其他定位技术追踪学生的实时行为轨迹数据;将蓝牙手环中历史行为轨迹数据、实时行为轨迹数据和位置信息等数据传输到智慧校园监控数据管理系统,构成系统数据。通过教务系统获取关于学生的基本数据,例如学生的数量,课表等,将基本数据传输到智慧校园监控数据管理系统,构成系统数据。获取系统数据,位置追踪等。通过获取并分析系统数据,从而对学生的活动习惯和安全情况进行深入了解。
需要说明的是,通过系统数据的历史行为轨迹数据可以分析学生的主观上的活动习惯,进而对实时行为轨迹进行监控,历史行为轨迹数据有地点内行为轨迹,例如操场的地点内行为轨迹、教学楼内的地点内行为轨迹和宿舍的地点内行为轨迹;历史行为轨迹数据有地点间路径轨迹,例如操场到食堂的地点间路径轨迹、操场到宿舍的地点间路径轨迹与教学楼到宿舍的地点间路径轨迹。地点内行为轨迹可以反映在各个地点内的活动习惯,地点间路径轨迹可以反映在不同地点之间路径上的活动习惯,综合分析可以更好地反映学生的活动习惯。
待处理时刻数据提取模块102,用于根据校园各个时刻历史行为轨迹数据的学生聚集性和学生轨迹同步性,筛选出待处理时刻数据。
在后续的学生聚类过程中,往往是根据出行频次以及行为轨迹的相似性来进行聚类,但是若仅根据这些条件进行聚类会产生较大误差,因为在某些时刻历史行为轨迹数据,学生聚集性和轨迹同步性强,导致产生的行为轨迹相似性高,没有办法反映学生主观上的活动习惯。例如课间操期间学校会组织学生们运动跑操,学生人数多,导致聚集性高;跑操时间段集中且运动轨迹相似,导致同步性高。由于存在学生不喜欢跑操但仍然需要进行跑操,导致难以反映学生活动习惯,且会导致后续使得原本为不同类别的学生群体由于部分相似性数据被聚为一类,所以需要根据校园各个时刻历史行为轨迹数据的学生聚集性和学生轨迹同步性,筛选出待处理时刻数据。待处理时刻数据中剥离了学生聚集性和同步性强的数据,使得待处理时刻数据可以更好地反映学生的活动习惯,为后续对相似的活动习惯的学生进行聚类作为数据参考。
优选地,在本发明一个实施例中待处理时刻数据获取方法包括:
为了后续对相似的活动习惯的学生进行更准确地聚类,所以对历史行为轨迹数据中在一些时刻学生聚集性和学生轨迹同步性高的数据进行剥离,获取待处理时刻数据,以供后续进行更准确聚类。根据校园各个时刻下历史行为轨迹数据的学生聚集性和学生轨迹同步性,获取各个时刻的时刻权重值;
优选地,在本发明一个实施例中时刻权重值获取方法包括:
时刻权重值可以反映历史行为轨迹数据中在不同时刻学生聚集性和学生轨迹同步性;通过对第时刻历史行为轨迹数据进行分析,获取第/>时刻的时刻权重值。在本发明的一个实施例中,时刻权重值的公式表示为:
;其中,/>表示第/>时刻历史行为轨迹数据的时刻权重值;/>表示校园中第/>个地点;/>表示校园中地点的数量;/>表示第/>时刻校园中第/>个地点的学生数量;/>表示第/>时刻校园中学生的数量;/>表示第/>时刻校园中第/>个地点的任意一个学生;/>表示第/>个学生所在的局部邻域范围的学生;/>表示第/>个学生与其局部邻域范围的所有学生之间在/>时刻下地点内行为轨迹的/>距离的均值;为学生聚集性;/>表示学生轨迹同步性;/>将值域反比归一化至[0,1];/>表示以自然常数e为底的指数函数。
在时刻权重值公式中,表示了第/>时刻校园中第/>个地点的学生的占比,表示第时刻校园中第/>个地点的学生聚集性,当占比越高时,聚集性越高,对应的时刻权重值越高;/>表示第/>个学生与其局部邻域范围的所有学生之间在/>时刻下地点内行为轨迹的/>距离的均值,反映学生和其周围学生轨迹的差异性,当差异性越小,学生轨迹同步性越高,对应的时刻权重值越高;/>反映第/>时刻校园中第/>个地点的学生之间轨迹同步性,第/>个地点的学生轨迹同步性越高,对应的时刻权重值越高。当学生聚集性越高,对应的时刻权重值越高;当学生轨迹同步性越高,对应的时刻权重值越高;通过统计校园中所有地点的学生聚集性和学生轨迹同步性来反映对应时刻历史行为轨迹数据的时刻权重值。
需要说明的是,表示第/>个学生所在的局部邻域范围的学生,由于在集体运动过程中,往往是以班级为单位进行,在分析每个学生的行为轨迹的同步性时,需要考虑的是与各个学生在局部邻域范围内的行为轨迹相似性即可。计算同一时刻的第/>个学生与对应地点所有学生欧式距离并进行线性归一化处理后,获取邻域距离;若邻域距离小于预设局部邻域性阈值,将对应学生标记为局部邻域范围中的学生;统计所有局部邻域范围中的学生为/>,以供后续计算第/>个学生与其局部邻域范围的所有学生之间在/>时刻下地点内行为轨迹的/>距离的均值。本发明实施例令预设局部邻域性阈值取值为0.58,实施者可根据实际情况自行设置。
由于某些时刻的历史行为轨迹数据存在学生聚集性和学生轨迹同步性强的情况,不能很好地反映学生的活动习惯,对这些时刻的历史行为轨迹数据分配较大的时刻权重值,以供剥离了学生聚集性和同步性强的数据。若时刻权重值小于预设时刻权重阈值,将对应时刻标记为待处理时刻;统计所有待处理时刻的历史行为轨迹数据,获取待处理时刻数据。待处理时刻数据可以更好反映由于学生主观上活动习惯,以供后续对相似的活动习惯的学生进行聚类作为数据参考。本发明实施例令预设时刻权重阈值取值为0.65,实施者可根据实际情况自行设置。
待处理相似性提取模块103,用于根据待处理时刻数据下各个学生地点内行为轨迹与对应的位置路径的差异,获取各个学生在相同地点内的均值差异曲线;根据每两个学生所有地点下的均值差异曲线的相似性,获取每两个学生的待处理相似性。
通过对历史行为轨迹数据进行筛选,剥离了学生聚集性和同步性强的数据,获取可以更好地反映学生主观上的活动习惯的待处理时刻数据,由于每个学生的走路习惯不同,有的人走路习惯是走直线,有的人走路习惯是左右摇摆走,有的人走路习惯是不断拐弯走,根据待处理时刻数据下各个学生地点内行为轨迹与对应的位置路径的差异,获取各个学生在相同地点内的均值差异曲线,通过量化学生在相同地点的轨迹差异,来来分析学生在相同地点的活动习惯差异。通过根据每两个学生所有地点下的均值差异曲线的相似性,获取每两个学生的待处理相似性,来进一步分析不同学生活动习惯的相似性,初步获取待处理相似性来反映学生行为习惯的相似性。
优选地,在本发明一个实施例中位置路径获取方法包括:
以历史行为轨迹的起始位置和终止位置相连作为位置路径。地点内行为轨迹对应的位置路径可以反映在地点内学生从起始位置和终止位置直接走直线的轨迹情况,为后续分析学生实际地点内行为轨迹与位置路径的差异作为参考。
优选地,在本发明一个实施例中均值差异曲线获取方法包括:
在校园平面图的二维坐标中,通过线性插值法将位置路径和地点内行为轨迹的横坐标长度统一,获取调整后位置路径和调整后地点内行为轨迹。
需要说明的是,当地点内行为轨迹对应的位置路径的起始位置和终止位置重合的时候,例如,学生从操场跑完一圈回到起始位置的时候。在校园平面图的二维坐标中,基于线性插值法,将位置路径沿着横坐标方向进行线性插值和地点内行为轨迹的横坐标长度统一,获取调整后位置路径和调整后地点内行为轨迹。
根据调整后位置路径与调整后地点内行为轨迹的差异构建第一差异曲线;
基于线性插值法将每个学生所有地点第一差异曲线的横坐标距离统一,获取每个学生每个地点内的调整后第一差异曲线;
计算每个学生在二维坐标下每个横坐标对应的相同地点内的所有调整后第一差异曲线的纵坐标值的均值,获取每个学生在相同地点内的均值差异曲线。均值差异曲线的形状和波动情况可以反映出在相同地点内学生的活动模式和行为偏好。例如,均值差异曲线在某些位置明显偏离了位置路径,可能表明学生在这些位置的行为与位置路径有显著的不同,每个学生相同地点均值差异曲线可以综合反映学生的行为模式和偏好。通过比较不同学生的差异曲线,可以对他们的活动习惯进行比较。
优选地,在本发明一个实施例中待处理相似性获取方法包括:
通过线性插值法将各个学生均值差异曲线横坐标的长度统一,获取各个学生的待处理差异曲线;
基于皮尔逊相关系数,计算每两个学生的待处理差异曲线的相似性,获取每两个学生在相同地点下的初始待处理相似性;
将所有地点下的初始待处理相似性求平均,获得每两个学生的待处理相似性。
需要说明的是皮尔逊相关系数为本领域技术人员熟知的技术手段,在此不做赘述,仅简述本发明一个实施例中利用皮尔逊相关系数,计算两个学生的待处理差异曲线的相似性,获取两个学生的初始待处理相似性的简要过程:
对于两个待处理差异曲线分别按照固定的长度进行采样,得到一系列采样点。统计两条待处理差异曲线中每个采样点的纵坐标,得到相同横坐标对应的两个纵坐标序列。计算这两个纵坐标序列的皮尔逊相关系数,获取两个学生的初始待处理相似性。皮尔逊相关系数代表了两个纵坐标序列的线性相关关系;相关系数的绝对值越接近1,表明两个学生对应的待处理差异曲线越相似;反之,则两个学生对应的待处理差异曲线越不相似。
将所有地点下的初始待处理相似性求平均,通过量化每两个学生的所有地点的活动习惯相似性,获得每两个学生的待处理相似性,来综合量化两个学生在所有地点内的活动习惯的相似性。
修正相似性提取模块104,用于以地点间路径轨迹对应的位置路径为参考路径;根据每个学生的每个地点间路径轨迹对应的参考路径,获得对应的地点间差异曲线;在待处理时刻数据中,根据每两个学生相同参考路径的数量和对应地点间差异曲线的相似性,获取每两个学生的轨迹关联性;依次根据每两个学生的轨迹关联性调整待处理相似性,获取每两个学生的修正相似性。
若仅根据地点内轨迹,分析学生的出行习惯相似性容易分析不全面。因此若仅根据在某个地点的地点内轨迹来判断学生活动习惯的相似性,会出现较大的误差。通过以地点间路径轨迹对应的位置路径为参考路径;根据每个学生的每个地点间路径轨迹对应的参考路径,获得对应的地点间差异曲线,通过地点间差异曲线可以反映地点间的走路习惯,例如有的人走路习惯是走直线,有的人走路习惯是左右摇摆走。由于学生在不同地点之间进行活动习惯不同,例如爱好打篮球的学生可能会一下课就去打篮球,在待处理时刻数据中,根据每两个学生相同地点间路径的数量和对应地点间差异曲线的相似性,获取每两个学生的轨迹关联性,轨迹关联性可以反映地点间的行为轨迹相似性,通过构建行为轨迹的关联性程度值对待处理进行修正,获取每两个学生的修正相似性,修正相似性可以更全面反映学生的活动习惯,进而根据修正相似性进行更加准确的聚类。
优选地,在本发明一个实施例中轨迹关联性获取方法包括:
需要说明的事获取地点间差异曲线的获取过程类似于均值差异曲线,在此简述地点间差异曲线的获取过程:
本发明一个实施例,以地点间路径轨迹的起始位置和终止位置相连作为参考路径。需要说明的是,地点间路径轨迹指的是学生历史时刻在两个地点间实际行走的轨迹,参考路径即为两个地点间相连的路径。
在校园平面图的二维坐标中,通过线性插值法将参考路径和地点间路径轨迹的横坐标长度统一,获取调整后参考路径和调整后地点间路径轨迹。根据调整后参考路径与调整后地点间路径轨迹的差异构建初始差异曲线;基于线性插值法将每个参考路径所有初始差异曲线的横坐标距离统一,获取每个学生每个参考路径的调整后初始差异曲线;计算每个学生在二维坐标下每个横坐标对应的相同参考路径的所有调整后初始差异曲线的纵坐标值的均值,获取每个学生在相同参考路径的地点间差异曲线,地点间差异曲线可以反映出行习惯与参考路径的差异,从而反映学生的出行习惯偏好。
为了更好地获取学生出行习惯的相似性不仅需要对地点内行为轨迹进行分析,还需要地点间轨迹数据进行深入分析,分析地点间轨迹数据的关注度、走路习惯和相同地点间路径的数量,以供后续对修正相似性进行调整,获取学生和学生/>的轨迹关联性。在本发明的一个实施例中,轨迹关联性的公式表示为:
;其中,表示学生/>和学生/>的轨迹关联性;/>表示学生/>和学生/>的相同参考路径的数量,/>表示参考路径的总数量;/>表示学生/>和学生/>的任意一个相同参考路径;/>表示学生/>和学生/>经过第/>个相同参考路径的次数;/>表示学生/>和学生/>经过所有相同参考路径的总次数;/>表示学生/>在第/>个相同参考路径对应的地点间差异曲线;/>表示学生/>在第/>个相同参考路径对应的地点间差异曲线;/>表示学生/>和学生/>在第/>个相同参考路径对应的地点间差异曲线的/>距离;/>表示以自然常数e为底的指数函数。
在轨迹关联性公式中,反映了学生/>和学生/>相同的参考路径的占比,相同的参考路径占比越大,说明经过相同的参考路径数量越多,轨迹关联性越大;/>反映了学生/>和学生/>第/>个相同的参考路径次数的占比,次数越大,说明说明经过相同的参考路径次数越多,轨迹关联性越大;/>反映了地点间路径的差异性,差异性越低,相似性越大,轨迹关联性越大;轨迹关联性综合了相同的参考路径的占比、相同的参考路径次数的占比和地点间路径的差异性,综合反映地点间轨迹的关联性,进而反映学生出行习惯,以供后续通过轨迹关联性进行调整待处理相似性。
优选地,在本发明一个实施例中修正相似性获取方法包括:
若只根据待处理相似性分析学生的出行习惯相似性容易分析不全面,通过轨迹关联性对地点间学生的出行习惯进行分析,获取更能准确反映学生出行习惯的修正相似性,获取学生和学生/>的修正相似性。在本发明的一个实施例中,修正相似性的公式表示为:
;其中,/>表示学生/>和学生/>的修正相似性;/>表示学生/>和学生/>的轨迹关联性;/>表示学生/>和学生/>的待处理相似性。
在修正相似性公式中,轨迹关联性表明两学生在地点间出行习惯相似性,轨迹相似性越高,修正相似性越高;待处理相似性表明两学生在地点内出行习惯相似性,出行习惯相似性越高,修正相似性越高。修正相似性综合了地点间出行习惯和地点内的出行习惯,可以更准确反映学生出行习惯的相似性,以供后续进行准确聚类。
聚类分析模块105,用于根据修正相似性,获取各个的学生轨迹类别。
修正相似性反映了地点间出行习惯和地点内的出行习惯,根据修正相似性,获取各个的学生轨迹类别;不同学生轨迹类别具有不同的出行习惯,为了实时监控采集的学生的实时行为轨迹数据,需要获取各个的学生轨迹类别,以供后续获取各个学生轨迹类别的特征行为轨迹作为参考。
优选地,在本发明一个实施例中学生轨迹类别获取方法包括:
根据修正相似性对学生进行K-means聚类,获取各个的学生轨迹类别。
需要说明的是,K-means聚类算法为本领域技术人员熟知的技术手段,在此不做赘述,仅简述本发明一个实施例中利用K-means聚类算法确定学生轨迹类别的简要过程:
、/>学生的出行习惯差异越大,对应的/>、/>学生的修正相似性越小。根据修正相似性作为过K-means聚类算法的距离度量,通过手肘法获取最优k值,然后将该距离度量模型代入聚类过程,得到聚类结果,获取各个的学生轨迹类别,使得不同学生轨迹类别的修正相似性尽可能低,相同学生轨迹类别的修正相似性尽可能高。在本发明其他实施例中,可通过其他方法例如轮廓系数法确定K-means聚类算法的最优k值,在此不做限定。
监控报警模块106,用于根据各个的学生轨迹类别的历史行为轨迹数据,获取各个学生轨迹类别的特征行为轨迹;根据实时监控采集的学生的行为轨迹数据与对应学生轨迹类别的特征行为轨迹之间差异程度,智慧校园监控数据管理系统获取预警信号。
不同学生轨迹类别具有不同的出行习惯,为了实时监控采集的学生的实时行为轨迹数据,需要根据各个的学生轨迹类别的历史行为轨迹数据,获取各个学生轨迹类别的特征行为轨迹,特征行为轨迹能反映各个学生轨迹类别的出行习惯。由于不同类别学生出行习惯不同,根据实时监控采集的学生的行为轨迹数据与对应学生轨迹类别的特征行为轨迹之间差异程度,智慧校园监控数据管理系统获取预警信号,以供家长和学习及时知道学生出行异常情况,更好保障学生出行安全。
优选地,在本发明一个实施例中预警信号获取方法包括:
在本发明一个实施例中,根据在学生轨迹类别的各个学生历史行为轨迹数据进行求均值,作为学生轨迹类别的特征行为轨迹,特征行为轨迹能反映各个学生轨迹类别的出行习惯。
计算实时监控采集的学生的行为轨迹数据与对应学生轨迹类别的特征行为轨迹各个点之间欧几里得距离,获取差异集合;
对差异集合中数据求均值,获取第一差异程度;
将第一差异程度反比例归一化,获取实时差异程度;
若实时差异程度大于预设报警阈值,智慧校园监控数据管理系统获取预警信号。
本发明实施例令预设报警阈值取值为0.5,实施者可根据实际情况自行设置。至此获得了预警信号,将最终预警信号传输至智慧校园监控数据管理系统。
综上,本发明通过筛选出待处理时刻数据,获取每两个学生的待处理相似性;在待处理时刻数据中,根据每两个学生相同参考路径的数量和对应地点间差异曲线的相似性,获取每两个学生的轨迹关联性;依次根据每两个学生的轨迹关联性调整待处理相似性,获取每两个学生的修正相似性,从而进行聚类,获取各个学生轨迹类别的特征行为轨迹;根据实时监控采集的学生的实时行为轨迹数据与对应学生轨迹类别的特征行为轨迹之间差异程度,智慧校园监控数据管理系统获取预警信号。本发明通过充分考虑学生地点内和地点间出行轨迹的相似性,提高了学生聚类的准确性,通过类别的特征行为轨迹对学生实时轨迹进行监控,更好地保障学生出行安全。
一种校园内学生活动行为类别分类系统实施例:
由于不同学生的出行习惯不同,导致学生的行为轨迹不同,聚类分析可以帮助我们识别出相似活动习惯的学生群体。由于现有技术在学生群体的聚类过程中,往往仅考虑出行频次和在某些地点内的行为轨迹相似性来进行聚类,考虑条件不充分,导致聚类结果不准确。
现有技术对活动行为的影响因素考虑条件不充分,导致分类结果不够准确。为了解决此技术问题,本实施例提供了一种校园内学生活动行为类别分类系统,包括:
数据获取模块101,数据获取模块,用于获取系统数据;系统数据包括每个学生的历史行为轨迹数据、实时行为轨迹数据和位置信息;历史行为轨迹数据包括地点内行为轨迹和地点间路径轨迹。
待处理时刻数据提取模块102,用于根据校园各个时刻历史行为轨迹数据的学生聚集性和学生轨迹同步性,筛选出待处理时刻数据。
待处理相似性提取模块103,用于根据待处理时刻数据下各个学生地点内行为轨迹与对应的位置路径的差异,获取各个学生在相同地点内的均值差异曲线;根据每两个学生所有地点下的均值差异曲线的相似性,获取每两个学生的待处理相似性。
修正相似性提取模块104,用于以地点间路径轨迹对应的位置路径为参考路径;根据每个学生的每个地点间路径轨迹对应的参考路径,获得对应的地点间差异曲线;在待处理时刻数据中,根据每两个学生相同参考路径的数量和对应地点间差异曲线的相似性,获取每两个学生的轨迹关联性;依次根据每两个学生的轨迹关联性调整待处理相似性,获取每两个学生的修正相似性。
聚类分析模块105,用于根据修正相似性,获取各个的学生轨迹类别。
由于模块101到模块105的具体实现过程在上述基于物联网技术的智慧校园监控数据管理系统中已给出详细说明,不再赘述。
本发明实施例的有益效果包括:本发明实施例筛选出待处理时刻数据,获取每两个学生的待处理相似性;在待处理时刻数据中,根据每两个学生相同参考路径的数量和对应地点间差异曲线的相似性,获取每两个学生的轨迹关联性;依次根据每两个学生的轨迹关联性调整待处理相似性,获取每两个学生的修正相似性,从而进行聚类,获取学生轨迹类别。本发明通过充分考虑学生地点内和地点间出行轨迹的相似性,提高了学生聚类的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种基于物联网技术的智慧校园监控数据管理系统,其特征在于,所述系统包括:
数据获取模块,用于获取系统数据;所述系统数据包括每个学生的历史行为轨迹数据、实时行为轨迹数据和位置信息;所述历史行为轨迹数据包括地点内行为轨迹和地点间路径轨迹;
待处理时刻数据提取模块,用于根据校园各个时刻所述历史行为轨迹数据的学生聚集性和学生轨迹同步性,筛选出待处理时刻数据;
待处理相似性提取模块,用于根据所述待处理时刻数据下各个学生所述地点内行为轨迹与对应的位置路径的差异,获取各个学生在相同地点内的均值差异曲线;根据每两个学生所有地点下的所述均值差异曲线的相似性,获取每两个学生的待处理相似性;
修正相似性提取模块,用于以所述地点间路径轨迹对应的位置路径为参考路径;根据每个学生的每个所述地点间路径轨迹对应的所述参考路径,获得对应的地点间差异曲线;在所述待处理时刻数据中,根据每两个学生相同参考路径的数量和对应地点间差异曲线的相似性,获取每两个学生的轨迹关联性;依次根据每两个学生的轨迹关联性调整待处理相似性,获取每两个学生的修正相似性;
聚类分析模块,用于根据所述修正相似性,获取各个的学生轨迹类别;
监控报警模块,用于根据各个的所述学生轨迹类别的历史行为轨迹数据,获取各个学生轨迹类别的特征行为轨迹;根据学生所述实时行为轨迹数据与对应学生轨迹类别的特征行为轨迹之间差异程度,智慧校园监控数据管理系统获取预警信号。
2.根据权利要求1所述的一种基于物联网技术的智慧校园监控数据管理系统,其特征在于,所述待处理时刻数据的获取方法包括:
根据校园各个时刻下历史行为轨迹数据的学生聚集性和学生轨迹同步性,获取各个时刻的时刻权重值;
若所述时刻权重值小于预设时刻权重阈值,将对应时刻标记为待处理时刻;
统计所有所述待处理时刻的所述历史行为轨迹数据,获取待处理时刻数据。
3.根据权利要求2所述的一种基于物联网技术的智慧校园监控数据管理系统,其特征在于,所述时刻权重值的获取方法包括:
;其中,/>表示第/>时刻历史行为轨迹数据的所述时刻权重值;/>表示校园中第/>个地点;/>表示校园中地点的数量;/>表示第/>时刻校园中第/>个地点的学生数量;/>表示第/>时刻校园中学生的数量;/>表示第/>时刻校园中第/>个地点的任意一个学生;/>表示第/>个学生所在的局部邻域范围的学生;/>表示第/>个学生与其局部邻域范围的所有学生之间在/>时刻下所述地点内行为轨迹的/>距离的均值;/>为学生聚集性;/>表示学生轨迹同步性;/>表示以自然常数e为底的指数函数。
4.根据权利要求1所述的一种基于物联网技术的智慧校园监控数据管理系统,其特征在于,所述位置路径的获取方法包括:
以所述历史行为轨迹数据的首尾位置相连作为所述位置路径。
5.根据权利要求1所述的一种基于物联网技术的智慧校园监控数据管理系统,其特征在于,所述均值差异曲线的获取方法包括:
在校园平面图的二维坐标中,通过线性插值法将位置路径和地点内行为轨迹的横坐标长度统一,获取调整后位置路径和调整后地点内行为轨迹;
根据调整后位置路径与调整后地点内行为轨迹的差异构建第一差异曲线;
基于线性插值法将每个学生所有地点所述第一差异曲线的横坐标距离统一,获取每个学生每个地点内的调整后第一差异曲线;
计算每个学生在所述二维坐标下每个横坐标对应的相同地点内的所有调整后第一差异曲线的纵坐标值的均值,获取每个学生在相同地点内的均值差异曲线。
6.根据权利要求1所述的一种基于物联网技术的智慧校园监控数据管理系统,其特征在于,所述待处理相似性的获取方法包括:
通过线性插值法将各个学生均值差异曲线横坐标的长度统一,获取各个学生的待处理差异曲线;
基于皮尔逊相关系数,计算每两个学生的所述待处理差异曲线的相似性,获取每两个学生在相同地点下的初始待处理相似性;
将所有地点下的所述初始待处理相似性求平均,获得每两个学生的所述待处理相似性。
7.根据权利要求1所述的一种基于物联网技术的智慧校园监控数据管理系统,其特征在于,所述轨迹关联性的获取方法包括:
;其中,/>表示学生/>和学生/>的所述轨迹关联性;/>表示学生/>和学生/>的相同参考路径的数量,/>表示参考路径的总数量;/>表示学生/>和学生/>的任意一个相同参考路径;/>表示学生/>和学生/>经过第/>个相同参考路径的次数;/>表示学生/>和学生/>经过所有相同参考路径的总次数;/>表示学生/>在第/>个相同参考路径对应的地点间差异曲线;/>表示学生/>在第/>个相同参考路径对应的地点间差异曲线;/>表示学生/>和学生/>在第/>个相同参考路径对应的地点间差异曲线的/>距离;/>表示以自然常数e为底的指数函数。
8.根据权利要求1所述的一种基于物联网技术的智慧校园监控数据管理系统,其特征在于,所述修正相似性的获取方法包括:
;其中,/>表示学生/>和学生/>的所述修正相似性;/>表示学生/>和学生/>的所述轨迹关联性;/>表示学生/>和学生/>的所述待处理相似性。
9.根据权利要求1所述的一种基于物联网技术的智慧校园监控数据管理系统,其特征在于,所述学生轨迹类别的获取方法包括:
根据所述修正相似性对学生进行K-means聚类,获取各个的学生轨迹类别。
10.根据权利要求1所述的一种基于物联网技术的智慧校园监控数据管理系统,其特征在于,所述预警信号的获取方法包括:
根据在学生轨迹类别的各个学生历史行为轨迹数据进行求均值,作为学生轨迹类别的特征行为轨迹;
计算实时监控采集的学生的行为轨迹数据与对应学生轨迹类别的特征行为轨迹各个点之间欧几里得距离,获取差异集合;
对所述差异集合中数据求均值,获取第一差异程度;
将第一差异程度反比例归一化,获取实时差异程度;
若所述实时差异程度大于预设报警阈值,智慧校园监控数据管理系统获取预警信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311344912.6A CN117094685B (zh) | 2023-10-18 | 2023-10-18 | 基于物联网技术的智慧校园监控数据管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311344912.6A CN117094685B (zh) | 2023-10-18 | 2023-10-18 | 基于物联网技术的智慧校园监控数据管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117094685A true CN117094685A (zh) | 2023-11-21 |
CN117094685B CN117094685B (zh) | 2024-01-12 |
Family
ID=88780639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311344912.6A Active CN117094685B (zh) | 2023-10-18 | 2023-10-18 | 基于物联网技术的智慧校园监控数据管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117094685B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106912019A (zh) * | 2017-03-01 | 2017-06-30 | 安徽大智睿科技技术有限公司 | 一种基于wifi热点的校园学生行为分析方法及系统 |
CN108171630A (zh) * | 2017-12-29 | 2018-06-15 | 三盟科技股份有限公司 | 基于校园大数据环境下学生行为轨迹的发现方法及系统 |
CN110072191A (zh) * | 2019-04-23 | 2019-07-30 | 安徽致远慧联电子科技有限公司 | 基于无线技术的学生校内轨迹分析系统及分析方法 |
CN115470382A (zh) * | 2022-08-12 | 2022-12-13 | 中国电信股份有限公司 | 位置偏离预警方法、装置、电子设备及可读存储介质 |
US20230014580A1 (en) * | 2020-02-13 | 2023-01-19 | Guozhen Zhu | Method, apparatus, and system for map reconstruction based on wireless tracking |
-
2023
- 2023-10-18 CN CN202311344912.6A patent/CN117094685B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106912019A (zh) * | 2017-03-01 | 2017-06-30 | 安徽大智睿科技技术有限公司 | 一种基于wifi热点的校园学生行为分析方法及系统 |
CN108171630A (zh) * | 2017-12-29 | 2018-06-15 | 三盟科技股份有限公司 | 基于校园大数据环境下学生行为轨迹的发现方法及系统 |
CN110072191A (zh) * | 2019-04-23 | 2019-07-30 | 安徽致远慧联电子科技有限公司 | 基于无线技术的学生校内轨迹分析系统及分析方法 |
US20230014580A1 (en) * | 2020-02-13 | 2023-01-19 | Guozhen Zhu | Method, apparatus, and system for map reconstruction based on wireless tracking |
CN115470382A (zh) * | 2022-08-12 | 2022-12-13 | 中国电信股份有限公司 | 位置偏离预警方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117094685B (zh) | 2024-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11660024B2 (en) | Method and system for analyzing human gait | |
US20140066816A1 (en) | Method, apparatus, and system for characterizing gait | |
US10566084B2 (en) | System and method for racing data analysis using telemetry data and wearable sensor data | |
CN111475544B (zh) | 船舶轨迹数据中离群点的检测方法和装置 | |
CN104296749A (zh) | 基于运动状态感知的低功耗定位方法及系统 | |
CN108305680B (zh) | 基于多元生物学特征的智能帕金森症辅助诊断方法和装置 | |
CN108549875A (zh) | 一种基于深度通道注意力感知的脑电癫痫发作检测方法 | |
CN111949896A (zh) | 基于轨迹大数据的轨迹异常检测方法 | |
CN116611620B (zh) | 一种智慧城市安全协同管理信息系统 | |
CN108629304A (zh) | 一种冻结步态在线检测方法 | |
Wang et al. | Inertial odometry using hybrid neural network with temporal attention for pedestrian localization | |
CN117094685B (zh) | 基于物联网技术的智慧校园监控数据管理系统 | |
CN114459469B (zh) | 多运动状态导航方法、装置及智能可穿戴设备 | |
CN117310118B (zh) | 一种地下水污染可视化监测方法 | |
Lin et al. | Wi-Fi based non-invasive detection of indoor wandering using LSTM model | |
WO2018053912A1 (zh) | 实时识别动作的方法以及相应的手环与计算设备 | |
CN108225617A (zh) | 传感器标定装置及标定方法 | |
CN111887859A (zh) | 跌倒行为识别方法、装置、电子设备以及介质 | |
CN115147872B (zh) | 一种考场中教师行为的检测方法及系统 | |
CN109273090A (zh) | 一种基于傅里叶变换的高可用性步态分析方法 | |
CN109633113A (zh) | 基于青鳉鱼逐级行为模型的水质监测预警方法及系统 | |
CN109616141A (zh) | 发音异常检测方法 | |
US20230277091A1 (en) | System and method for unsupervised monitoring in mobility related disorders | |
Leodolter et al. | Semi-supervised segmentation of accelerometer time series for transport mode classification | |
CN117224088B (zh) | 一种基于检测数据分析的用户睡眠质量管理系统及方法 |
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 |