CN117272155A - 基于智能手表的驾驶人路怒症检测方法 - Google Patents
基于智能手表的驾驶人路怒症检测方法 Download PDFInfo
- Publication number
- CN117272155A CN117272155A CN202311215789.8A CN202311215789A CN117272155A CN 117272155 A CN117272155 A CN 117272155A CN 202311215789 A CN202311215789 A CN 202311215789A CN 117272155 A CN117272155 A CN 117272155A
- Authority
- CN
- China
- Prior art keywords
- data
- road anger
- driver
- characteristic parameters
- symptom
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 201000010099 disease Diseases 0.000 title claims abstract description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 7
- 208000024891 symptom Diseases 0.000 claims abstract description 34
- 238000013145 classification model Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012706 support-vector machine Methods 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000008451 emotion Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 208000011580 syndromic disease Diseases 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 238000011897 real-time detection Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/20—Workers
- A61B2503/22—Motor vehicles operators, e.g. drivers, pilots, captains
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Child & Adolescent Psychology (AREA)
- Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Mathematical Physics (AREA)
- Pulmonology (AREA)
Abstract
本发明公开了一种基于智能手表的驾驶人路怒症检测方法,包括以下步骤:步骤1、获取智能手表采集的驾驶人的四类数据,从四类数据中筛选出与驾驶员路怒症状态具有相关性的传感器数据;步骤2、对传感器数据进行预处理得到特征参数;然后对特征参数进行方差分析后采用二元斯皮尔曼相关系数法处理,得到与路怒症状态相关性最强的特征参数及标签;步骤3、采用步骤2得到的具有标签的特征参数对监督学习分类器进行训练,得到训练好的分类模型;步骤4、采用步骤3得到的训练好的分类模型进行路怒症检测。本发明具有检测结果准确、检测方便的优点。
Description
技术领域
本发明涉及路怒症检测方法领域,具体是一种基于智能手表的驾驶人路怒症检测方法。
背景技术
以往的驾驶人路怒症检测系统重点使用血压、心率检测仪等复杂且具有侵入性的生理检测硬件系统,以及利用摄像头和录音设备等具有一定隐私安全风险的非侵入性检测系统。这种侵入式或者非侵入式的系统均需要额外加装硬件设备,并且不具备实时检测能力。
发明内容
本发明提供了一种基于智能手表的驾驶人路怒症检测方法,以解决现有技术驾驶人路怒症检测存在的不具备实时检测能力的问题。
为了达到上述目的,本发明所采用的技术方案为:
基于智能手表的驾驶人路怒症检测方法,包括以下步骤:
步骤1、获取智能手表采集的驾驶人的四类数据,包括生理特征类数据、手部运动类数据、车辆运动类数据、语音类数据,每类数据包括至少一种传感器数据;然后从四类数据中筛选出与驾驶员路怒症状态具有相关性的传感器数据;
步骤2、对步骤1从筛选出的传感器数据进行预处理,以得到传感器数据的特征参数;然后对特征参数进行方差分析,以确定特征参数是否受驾驶员正常状态和路怒症状态影响,并得到路怒症状态影响的各个特征参数;接着采用二元斯皮尔曼相关系数法,对受路怒症状态影响的各个特征参数进行分析,得到与路怒症状态相关性最强的特征参数,并对相关性最强的特征参数建立路怒症状态标签;
步骤3、采用步骤2得到的具有标签的特征参数,对监督学习分类器进行训练,得到训练好的分类模型;
步骤4、采用步骤3得到的训练好的分类模型,对智能手表采集的驾驶人待识别的四类数据进行检测,得到路怒症检测结果。
进一步的步骤1中对四类数据与驾驶人情绪进行相关性分析,相关系分析时逐一对比驾驶员正常状态和路怒症状态下的每类数据中的传感器数据,找出其中具有明显差异的传感器数据,即为筛选得到的与驾驶员路怒症状态具有相关性的传感器数据。
进一步的,步骤2中对步骤1从筛选出的传感器数据进行预处理时,按固定时间窗范围计算传感器数据的均值、标准差、极值,作为传感器数据的特征参数。
进一步的,步骤2中进行方差分析时,以路怒症状态作为影响因子,以特征参数作为结果变量,通过计算方差分析的F值和P值,判断驾驶员正常状态、路怒症状态两种驾驶情况下是否对特征参数产生影响。
进一步的步骤3中,采用支持向量机作为分类器。
进一步的步骤3中,以驾驶员正常状态下相应特征参数的均值作为参考基准,将步骤2得到的具有标签的特征参数减去对应的参考基准,由此得到的数据用于对监督学习分类器进行训练。
进一步的步骤3中,对基于参考基准筛选后的数据进行归一化处理后,再用于对监督学习类分类器进行训练。
进一步的步骤4中,将训练好的分类模型部署于智能手表中,用于进行路怒症检测。
本发明基于智能手表采集的数据,从中提取特征参数对分类器进行训练,利用训练好的分类器进行路怒症检测,能够实现路怒症的实时检测,所需设备少,并且不存在对驾驶员的侵入影响,同时兼顾了驾驶员的隐私安全,分类器本身可利用智能手表的数据进行迭代更新,具有检测结果准确、检测方便的优点。
附图说明
图1是本发明实施例方法流程图。
图2是本发明实施例中智能手表数据采集原理图。
图3是本发明实施例中四类数据流图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示,本实施例公开了一种基于智能手表的驾驶人路怒症检测方法,以苹果手表为例进行说明。如图2所示,苹果手表中传感器包括加速度计、陀螺仪、心率传感器、ECG传感器、皮肤点活动传感器、皮肤温度传感器、GPS、麦克风,各个传感器均具备采集驾驶员相关数据的功能,并且各个传感器采集的数据可通过基于Xcode开发的苹果手表应用进行处理和上传。本实施例方法包括以下步骤:
步骤1、获取苹果手表采集的驾驶人的四类数据,包括生理特征类数据、手部运动类数据、车辆运动类数据、语音类数据。
本实施例中,通过苹果手表中传感器采集的数据分为四类,如图3所示,其中:
第一类为生理特征类,包含:心率传感器使用光检查手腕上的血流速度来计算每分钟的心跳数;ECG传感器检测驾驶人心脏在每次心跳时发出的微小电脉冲;皮肤点活动传感器检测皮肤汗液中的细微电子变化;皮肤温度传感器检测驾驶人皮肤温度的轻微变化。根据人因工程、心理学等相关研究,人在愤怒时相比正常稳定情绪下,在生理指标上会产生变化。
第二类为手部运动类,包括:加速度计检测手表坐标系三个轴的加速度,陀螺仪检测手表坐标系三个轴的角速度。生活中驾驶人在路怒症出现时常会出现打杂方向盘、猛按汽笛等动作,利用手表对手部动作的捕捉和识别也是路怒症检测的重要特征。
第三类为车辆运动状态类,包括利用手表GPS数据推断车辆的运动状态。驾驶人佩戴苹果手表驾驶车辆时,可利用GPS数据形成行车轨迹,推导出车辆速度和加速度,路怒症驾驶人也常出现激烈驾驶等行为。
第四类为语音类,包括利用麦克风记录驾驶人的语音信息。驾驶人在路怒症出现时常伴随有大声谩骂和秽语。语音识别作为重要部分,思路是通过独立的语音识别模块将驾驶人实时语音片段与秽语库进行对比,统计出秽语出现次数及音量大小,作为综合分类模型的部分输入,而不是直接输入原始语音素材。
得到四类数据后,根据专家数据库从定性的角度对四类数据中包含的传感器数据与驾驶人情绪相关性分析,逐一对比驾驶员正常状态和路怒症状态下的每类数据中的传感器数据,找出其中具有明显差异的传感器数据,由此筛选得到与驾驶员路怒症状态具有相关性的传感器数据,用于步骤2中的特征参数提取。
步骤2、对步骤1从筛选出的四类数据的传感器数据进行预处理,形成以固定时间窗为范围的均值、标准差、极值,作为特征参数。由此,分别从生理特征指标、手部运动指标、车辆运动相关指标以及语音信息指标四个方面进行特征参数选取。
然后,采用方差分析法对得到的特征参数进行方差分析,研究驾驶员不同状态(正常和路怒)下对特征参数的影响。具体的以路怒症状态作为影响因子,以四类数据中传感器数据提取的特征参数作为结果变量,通过计算方差分析的F值和P值,判断驾驶员正常状态、路怒症状态两种驾驶情况下是否对特征参数产生影响,并得到路怒症状态影响的各个特征参数。
接着,采用二元斯皮尔曼相关系数法,对受路怒症状态影响的各个特征参数进行分析,挑选出与路怒症状态相关性最强的特征参数,并对相关性最强的特征参数建立路怒症状态标签,通过二元斯皮尔曼相关系数法,减少后续分类模型的复杂度。
步骤3、采用步骤2得到的具有标签的特征参数,对监督学习分类器进行训练,得到训练好的分类模型。
路怒症驾驶是一种复杂的生理和心理行为,在不同外部刺激下表现出高度的不确定性。为准确辨识驾驶人的正常驾驶和路怒症驾驶状态,需要在客观确定驾驶路怒症的各个状态基础上,结合四方面特征指标,通过分类器进行识别。
本实施例中,选择支持向量机(SVM)作为分类器,因为SVM是一种具有高泛化性能的分类器,故本实施例采用支持向量机作为分类器。
在对支持向量机进行训练前,先对步骤2得到的具有标签的特征参数进行预处理。考虑每个驾驶人具有一定的个体差异,所以需降低个体差异对状态分类的干扰,因此以每名驾驶人在正常驾驶状态下的四个维度特征值的均值作为参考基准。然后将步骤2得到的每个驾驶人路怒症状态下的具有标签的特征参数减去对应的参考基准值,由此得到的数据再进行归一化处理后作为数据集用于支持向量机的训练。
训练时,将数据集中的数据中的60%作为训练集、20%作为验证集、20%作为测试集。将训练集输入至支持向量机进行训练;将验证集输入至支持向量机,以调整支持向量机的最优参数;将测试集输入至支持向量机,获取支持向量机的检测准确率,由此得到训练好的分类模型。
步骤4、将训练好的分类模型部署于苹果手表中,同时在苹果手机中增设特征参数提取功能,由苹果手表采集驾驶人的待识别四类数据,并由苹果手表提取待识别四类数据的特征参数后,送入训练好的分类模型,由分类模型输出路怒症检测结果,并由苹果手表在检测到驾驶人存在路怒症时进行告警。
同时,在苹果手机中增设模型训练功能,苹果手机完成路怒症检测后,利用当前完成路怒症检测的四类数据的特征参数对训练集、测试集、验证集进行扩展,并对分类模型进行训练,由此实现分类模型的迭代训练,以提高检测准确率。
以上结合附图详细描述了本发明的优选实施方式,本发明所述的实施例仅仅是对本发明的优选实施方式进行的描述,并非对本发明构思和范围进行限定。在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,这种组合只要其不违背本发明的思想,其同样应当视为本公开所公开的内容。为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内以及不脱离本发明设计思想的前提下,本领域技术人员对本发明的技术方案作出的各种变型和改进,均应落入本发明的保护范围,本发明请求保护的技术内容,已经全部记载在权利要求书中。
Claims (8)
1.基于智能手表的驾驶人路怒症检测方法,其特征在于,包括以下步骤:
步骤1、获取智能手表采集的驾驶人的四类数据,包括生理特征类数据、手部运动类数据、车辆运动类数据、语音类数据,每类数据包括至少一种传感器数据;然后从四类数据中筛选出与驾驶员路怒症状态具有相关性的传感器数据;
步骤2、对步骤1从筛选出的传感器数据进行预处理,以得到传感器数据的特征参数;然后对特征参数进行方差分析,以确定特征参数是否受驾驶员正常状态和路怒症状态影响,并得到路怒症状态影响的各个特征参数;接着采用二元斯皮尔曼相关系数法,对受路怒症状态影响的各个特征参数进行分析,得到与路怒症状态相关性最强的特征参数,并对相关性最强的特征参数建立路怒症状态标签;
步骤3、采用步骤2得到的具有标签的特征参数,对监督学习分类器进行训练,得到训练好的分类模型;
步骤4、采用步骤3得到的训练好的分类模型,对智能手表采集的驾驶人待识别的四类数据进行检测,得到路怒症检测结果。
2.根据权利要求1所述的基于智能手表的驾驶人路怒症检测方法,其特征在于,步骤1中对四类数据与驾驶人情绪进行相关性分析,相关系分析时逐一对比驾驶员正常状态和路怒症状态下的每类数据中的传感器数据,找出其中具有明显差异的传感器数据,即为筛选得到的与驾驶员路怒症状态具有相关性的传感器数据。
3.根据权利要求1所述的基于智能手表的驾驶人路怒症检测方法,其特征在于,步骤2中对步骤1从筛选出的传感器数据进行预处理时,按固定时间窗范围计算传感器数据的均值、标准差、极值,作为传感器数据的特征参数。
4.根据权利要求1所述的基于智能手表的驾驶人路怒症检测方法,其特征在于,步骤2中进行方差分析时,以路怒症状态作为影响因子,以特征参数作为结果变量,通过计算方差分析的F值和P值,判断驾驶员正常状态、路怒症状态两种驾驶情况下是否对特征参数产生影响。
5.根据权利要求1所述的基于智能手表的驾驶人路怒症检测方法,其特征在于,步骤3中,采用支持向量机作为分类器。
6.根据权利要求3所述的基于智能手表的驾驶人路怒症检测方法,其特征在于,步骤3中,以驾驶员正常状态下相应特征参数的均值作为参考基准,将步骤2得到的具有标签的特征参数减去对应的参考基准,由此得到的数据用于对监督学习分类器进行训练。
7.根据权利要求6所述的基于智能手表的驾驶人路怒症检测方法,其特征在于,步骤3中,对基于参考基准筛选后的数据进行归一化处理后,再用于对监督学习类分类器进行训练。
8.根据权利要求1所述的基于智能手表的驾驶人路怒症检测方法,其特征在于,步骤4中,将训练好的分类模型部署于智能手表中,用于进行路怒症检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311215789.8A CN117272155A (zh) | 2023-09-20 | 2023-09-20 | 基于智能手表的驾驶人路怒症检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311215789.8A CN117272155A (zh) | 2023-09-20 | 2023-09-20 | 基于智能手表的驾驶人路怒症检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117272155A true CN117272155A (zh) | 2023-12-22 |
Family
ID=89219011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311215789.8A Pending CN117272155A (zh) | 2023-09-20 | 2023-09-20 | 基于智能手表的驾驶人路怒症检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272155A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117687290A (zh) * | 2024-02-02 | 2024-03-12 | 深圳市锐赛科技有限公司 | 一种基于多源数据的秒表检测与评估方法及系统 |
-
2023
- 2023-09-20 CN CN202311215789.8A patent/CN117272155A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117687290A (zh) * | 2024-02-02 | 2024-03-12 | 深圳市锐赛科技有限公司 | 一种基于多源数据的秒表检测与评估方法及系统 |
CN117687290B (zh) * | 2024-02-02 | 2024-04-12 | 深圳市锐赛科技有限公司 | 一种基于多源数据的秒表检测与评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11055575B2 (en) | Intelligent health monitoring | |
Khodairy et al. | Driving behavior classification based on oversampled signals of smartphone embedded sensors using an optimized stacked-LSTM neural networks | |
US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
CN111741884A (zh) | 交通遇险和路怒症检测方法 | |
Wu et al. | Reasoning-based framework for driving safety monitoring using driving event recognition | |
KR101967342B1 (ko) | 웨어러블 기기 기반 운동 가이드 시스템 | |
US20180249967A1 (en) | Devices, systems, and associated methods for evaluating a potential stroke condition in a subject | |
CN117272155A (zh) | 基于智能手表的驾驶人路怒症检测方法 | |
CN111643092A (zh) | 一种癫痫报警装置及癫痫检测方法 | |
Panagopoulos et al. | Forecasting markers of habitual driving behaviors associated with crash risk | |
CN112057066A (zh) | 心率的检测方法、可穿戴设备及计算机存储介质 | |
CN112617835A (zh) | 一种基于迁移学习的多特征融合疲劳检测方法 | |
Tăuţan et al. | Freezing of gait detection for parkinson’s disease patients using accelerometer data: Case study | |
Jafarnejad et al. | Non-intrusive Distracted Driving Detection based on Driving Sensing Data. | |
Saleh et al. | Healthcare embedded system for predicting Parkinson's Disease based on AI of things | |
CN117668648A (zh) | 一种基于人工智能技术的宠物状态识别装置 | |
KR20200009595A (ko) | 온바디 센서 기반 감정-섭식 패턴 자동 생성 서버 및 그 방법 | |
CN114435373A (zh) | 疲劳驾驶检测方法、装置、计算机设备和存储介质 | |
Nissimagoudar et al. | Driver alertness detection using CNN-BiLSTM and implementation on ARM-based SBC | |
Lamichhane et al. | A Template Matching Based Cough Detection Algorithm Using IMU Data From Earbuds | |
Gandhi et al. | Detection of Parkinsons disease via a multi-modal approach | |
Nalini et al. | Detection of Parkinson's Disease Using Voice Changes and Hand-tremor | |
Aluru et al. | Parkinson’s Disease Detection Using Machine Learning Techniques | |
Sannino et al. | Effective supervised knowledge extraction for an mhealth system for fall detection | |
US20230172490A1 (en) | System and method for unsupervised monitoring in mobility related disorders |
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 |