CN117838099A - 一种基于多参数融合的老人健康运动评估系统 - Google Patents
一种基于多参数融合的老人健康运动评估系统 Download PDFInfo
- Publication number
- CN117838099A CN117838099A CN202311778008.6A CN202311778008A CN117838099A CN 117838099 A CN117838099 A CN 117838099A CN 202311778008 A CN202311778008 A CN 202311778008A CN 117838099 A CN117838099 A CN 117838099A
- Authority
- CN
- China
- Prior art keywords
- user
- information
- health
- triaxial
- module
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000011156 evaluation Methods 0.000 title claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims abstract description 69
- 230000036541 health Effects 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 11
- 230000000737 periodic effect Effects 0.000 claims abstract description 4
- 230000033001 locomotion Effects 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000036544 posture Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000000386 athletic effect Effects 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 238000001914 filtration Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000005484 gravity Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- 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
- A61B5/1116—Determining posture transitions
-
- 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
- A61B5/1118—Determining activity level
-
- 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
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Geometry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于多参数融合的老人健康运动评估系统,包括可穿戴设备、终端设备和云端服务器;可穿戴设备集成有行为姿态识别装置和无线通信模块;姿态识别装置包括:采集模块,用于采集用户的三轴加速度信息和三轴角速度信息,处理模块,用于根据采集的三轴加速度信息和三轴角速度信息,确定用户的姿态信息;无线通信模块,用于将用户的姿态信息、三轴加速度信息和三轴角速度信息传输至终端设备;终端设备用于对用户的姿态信息、三轴加速度信息和三轴角速度信息进行统计,得到统计结果,并将统计结果传输至云端服务器;云端服务器根据统计结果给出定期个性化运动健康建议。本发明实现了全面、准确、个性化的运动监测和健康建议。
Description
技术领域
本发明涉及老年人运动健康技术领域,特别是涉及一种基于多参数融合的老人健康运动评估系统。
背景技术
随着全球老龄化趋势的不断加剧,老年人群体的健康关切日益成为社会关注的焦点。保持良好的运动习惯对老年人的身体健康至关重要。WHO提出超过60岁以上的老年人建议每日步数在6000-8000步;另外有大量医学研究证明单次步行时间、步速、中高强度的运动、运动量等系列因素都对老年人的健康产生影响。然而,传统的健康监测方法和设备在老年人中存在一些明显的不足,限制了其在实际应用中的效果。
当前技术领域中,虽然已经存在一些老年人健康监测的设备,但它们普遍存在一定的问题。首先,传统的计步器只能提供有限的步数信息,而无法全面评估老年人的运动状态、运动强度等多个参数。这对于需要更全面健康监测的老年人来说是不够的。其次,一些依赖于智能手机应用的健康监测系统,由于采集的信息不全、使用的不便、依赖外设或操作繁琐,限制了老年人的长期使用。此外,这些设备通常只提供简单的数据显示,缺乏对运动状态的细致分析,更缺乏个性化的运动健康建议。
发明内容
本发明所要解决的技术问题是提供一种基于多参数融合的老人健康运动评估系统,实现了全面、准确、个性化的运动监测和健康建议。
本发明解决其技术问题所采用的技术方案是:提供一种基于多参数融合的老人健康运动评估系统,包括可穿戴设备、终端设备和云端服务器;
所述可穿戴设备集成有行为姿态识别装置和无线通信模块;所述姿态识别装置包括:采集模块,用于采集用户的三轴加速度信息和三轴角速度信息,处理模块,用于根据采集的三轴加速度信息和三轴角速度信息,确定用户的姿态信息;所述无线通信模块,用于将用户的姿态信息、三轴加速度信息和三轴角速度信息传输至所述终端设备;
所述终端设备用于对用户的姿态信息、三轴加速度信息和三轴角速度信息进行统计,得到统计结果,并将所述统计结果传输至所述云端服务器;
所述云端服务器根据所述统计结果给出定期个性化运动健康建议。
所述处理模块包括:
姿态角计算单元,用于根据所述三轴加速度信息和三轴角速度信息计算姿态角数据;
步数计算单元,用于根据预设时间内采集的多个所述三轴加速度信息采用合加速度阈值法进行步数识别,得到用户在预设时间内的步数和步频;
姿态判断单元,用于根据用户在预设时间内的步数和步频、三轴加速度信息和姿态角数据,通过多参数融合处理判断用户的姿态信息。
所述步数计算单元包括:
合加速度计算子单元,用于根据所述三轴加速度信息计算合加速度,得到预设时间内的多个合加速度;
极值粗筛子单元,用于通过自动门限选取多个合加速度的极值点,并将选出的极值点作为候选极值点;
极值细筛子单元,用于将相邻候选极值点的横向距离小于距离阈值且相邻候选极值点的幅值差小于幅值阈值的候选极值点删除,得到最终极值点;
步数步频计算子单元,用于将最终极值点的数量作为预设时间内的步数,并根据步数计算步频。
所述自动门限通过以下方式得到:其中,Auto_Thr为自动门限,k门限因子,xN表示确定的前N个极值点幅值。
所述终端设备包括:
第一统计模块,用于统计用户在预设周期内不同姿态的时长;
第二统计模块,用于统计用户在预设周期内的步数;
第三统计模块,用于基于三轴加速度信息和三轴角速度信息计算用户的运动强度,并统计用户在预设周期内不同运动强度的时长;
传输模块,用于将用户在预设周期内不同姿态的时长、预设周期内的步数以及运动强度和用户在预设周期内不同运动强度的时长传输至所述云端服务器。
所述云端服务器用于将统计结果输入数字健康模型,得到用户的数字健康画像,并基于所述数字健康画像给出定期个性化运动健康建议;其中,所述数字健康模型是由运动数据和健康数据训练得到的。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明通过多参数融合,实现了对老年人运动状态的全面监测,包括姿态、运动强度和运动状态等多个方面;本发明通过云服务,基于长期数据进行趋势分析,形成个人数字健康画像,提供个性化、准确的运动健康建议,更符合老年人的实际需求。本发明通过蓝牙与移动设备通信,结合云服务,实现了对老年人运动状态的远程监测,方便家庭成员或医护人员实时关注老人的健康状况。
附图说明
图1是本发明基于多参数融合的老人健康运动评估系统的结构示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于多参数融合的老人健康运动评估系统,如图1所示,包括:可穿戴设备、终端设备和云端服务器。
其中,可穿戴设备集成有行为姿态识别装置和无线通信模块。
所述姿态识别装置包括:采集模块,用于采集用户的三轴加速度信息和三轴角速度信息,处理模块,用于根据采集的三轴加速度信息和三轴角速度信息,确定用户的姿态信息。
所述无线通信模块,用于将用户的姿态信息、三轴加速度信息和三轴角速度信息传输至所述终端设备。
本实施方式的可穿戴设备不仅包括核心模块IMU,还包括蓝牙传输模块(带主控)和电源管理、电池等模块。这些模块协同工作,实现对用户的三轴加速度信息和三轴角速度信息进行实时采集,并通过内置处理器进行算法处理,再通过蓝牙传输模块进行无线上传。此外,该可穿戴设备小巧轻便,可以以项链形式佩戴,也可以以磁吸、别针等形态佩戴,不影响老人正常的生活。
本实施方式中的处理模块包括:
姿态角计算单元,用于根据所述三轴加速度信息ax,ay,az和三轴角速度信息wx,wy,wz计算姿态角数据。本实施方式根据三轴加速度信息和三轴角速度信息,可以利用四元数方法和互补滤波处理实时准确计算出用户的实时姿态角,即俯仰角(pitch)、翻滚角(roll)和航向角(yaw)。
其中四元数方法具体为:
首先,获取三轴加速度信息ax,ay,az和三轴角速度信息wx,wy,wz。
接着,根据三轴加速度信息ax,ay,az计算采集设备的方向向量,并进行归一化,即设为加速度的模,然后计算单位向量,得到/>
然后,计算四元数,利用归一化加速度向量,计算参考四元数qref,这个四元数表示设备相对于重力方向的旋转,其计算方式为:其中,α是设备与重力方向的夹角(可通过静止合加速度方向与各个分量的力的关系计算获得)。qref代表初始四元数,经过dt时间,对应的四元数变化为:/>计算新的时刻的四元数:/>qnew_norm就是计算欧拉角时刻,即qnew_norm=q0+q1i+q2j+q3k,从而可以计算出当前时刻的欧拉角,每次dt时间更新迭代一次,从而可以不停的计算各个时刻的欧拉角度。
综上所述,四元数的表达式为:q=q0+q1i+q2j+q3k,其中,q表示四元数,q0=cos(α/2)、q1=sin(α/2)cos(φ)、q2=sin(α/2)cos(θ),q3=sin(α/2)cos(ψ),i,j,k为虚数单位。那么按照绕X轴的角度为φ(roll),绕Y轴的角度为θ(pitch),绕Z轴的角度为ψ(yaw),则欧拉角的对应关系为:该方法结合了加速度和陀螺仪的信息,能够在一定程度上抵抗角速度积分导致的漂移,并提高方向估计的稳定性。
其中,互补滤波处理是指将三轴加速度信息计算的计算姿态角数据和三轴角速度信息计算的姿态角数据进行互补加权处理,即将上述四元数法计算得到的姿态角数据(即根据三轴加速度信息计算的计算姿态角数据)和利用三轴角速度信息计算的姿态角数据进行互补加权求和。
步数计算单元,用于根据预设时间内采集的多个所述三轴加速度信息采用合加速度阈值法进行步数识别,得到用户在预设时间内的步数和步频;该步数计算单元具体包括:
合加速度计算子单元,用于根据所述三轴加速度信息ax,ay,az计算合加速度ta,得到预设时间内的多个合加速度;其中,合加速度ta的计算方式为:
极值粗筛子单元,用于通过自动门限选取多个合加速度的极值点,并将选出的极值点作为候选极值点。本实施方式的自动门限可以随着提取出来的有效极值峰值点的能量进行对应变化,其通过得到,其中,Auto_Thr为自动门限,k门限因子,xN表示确定的前N个极值点幅值。具体来说,从多个合加速度选出极值点时,首先将第一个合加速度作为第一个极值点,然后根据自动门限依次判断每个合加速度是否为极值点,以第二个合加速度为例,此时确定的极值点为1个,因此N取值为1,自动门限若第二个合加速度的幅值超过该自动门限,则第二个合加速也为极值点,否则第二个合加速度不作为极值点。通过自动门限的加入使得之前峰值点的幅值越大,自动门限越高,从而能快速响应信号的变化。
极值细筛子单元,用于将相邻候选极值点的横向距离小于距离阈值且相邻候选极值点的幅值差小于幅值阈值的候选极值点删除,得到最终极值点。该极值细筛子单元通过对相邻极值点的横向距离判断可以确定两个极值点之间的时间差,当时间差较小时且两个极值点的幅值差也较小时可以将该候选极值点排除,通过该方式可以减小错误信号引起的干扰。
步数步频计算子单元,用于将最终极值点的数量作为预设时间内的步数,并根据步数计算步频。
值得一提的是,为了确保数据更为准确,本实施方式在得到合加速度后,还对得到的合加速度进行滤波预处理,消除直流(重力加速度)和高频噪声,滤波器可以选择IIR的带通滤波器(巴特沃斯、椭圆等)或者FIR的低通和高通滤波器组合,通带频率范围根据步行速度可设置为(0.2Hz-5Hz),为适应分段计数,同时降低资源开销采用分段滤波,分段滤波需要考虑输入和输出的历史约束数据。
姿态判断单元,用于根据用户在预设时间内的步数和步频、三轴加速度信息和姿态角数据,通过多参数融合处理判断用户的姿态信息。本步骤中将预设时间内的步数和步频,多个三轴加速度信息ax,ay,az、多个合加速度的标准差,多个姿态角数据(pitch和roll)的标准差进行数据融合,通过融合后的数据综合判断用户的姿态,识别出当前时刻的姿态为站/坐、躺(平躺、侧躺、趴着)、走、跑等情况。该姿态判断单元可以将上述参数输入训练好的姿态识别模型,从而得到用户的姿态。
本实施方式中的终端设备可以是移动通信设备,其可以与可穿戴设备进行定期通讯,通讯周期可以自行设定,例如设置为1天。该终端设备包括:第一统计模块,用于统计用户在预设周期内不同姿态的时长;第二统计模块,用于统计用户在预设周期内的步数;第三统计模块,用于基于三轴加速度信息和三轴角速度信息计算用户的运动强度,并统计用户在预设周期内不同运动强度的时长;传输模块,用于将用户在预设周期内不同姿态的时长、预设周期内的步数以及运动强度和用户在预设周期内不同运动强度的时长传输至所述云端服务器。该终端设备实现了可穿戴设备与用户之间的即时互动,为用户提供了方便的使用体验。
本实施方式中的云端服务器用于将统计结果输入数字健康模型,得到用户的数字健康画像,并基于所述数字健康画像给出定期个性化运动健康建议;其中,所述数字健康模型是由运动数据和健康数据训练得到的。本实施方式的云端服务器实现了个性化数据分析,云端存储各个用户的信息和统计分析结果,根据各个用户长期的数据进行趋势分析,在初期,可以基于运动健康医学的临床指导下给出运动建议,随着个人运动数据和健康数据的累加,可以将统计结果输入数字健康模型,生成用户个人的数字健康画像,并针对数字健康画像实现针对性的个性化、准确的运动健康建议。
不难发现,本发明将可穿戴设备、终端设备和云服务器进行整合,提供了一种全面、准确、个性化的老人健康运动评估系统,这一系统既考虑了老年人的生活习惯和使用便捷性,又满足了全面监测和个性化健康建议的需求。本发明通过多参数融合,实现了对老年人运动状态的全面监测,包括姿态、运动强度和运动状态等多个方面;本发明通过云服务,基于长期数据进行趋势分析,形成个人数字健康画像,提供个性化、准确的运动健康建议,更符合老年人的实际需求。本发明通过蓝牙与移动设备通信,结合云服务,实现了对老年人运动状态的远程监测,方便家庭成员或医护人员实时关注老人的健康状况。
Claims (6)
1.一种基于多参数融合的老人健康运动评估系统,其特征在于,包括可穿戴设备、终端设备和云端服务器;
所述可穿戴设备集成有行为姿态识别装置和无线通信模块;所述姿态识别装置包括:采集模块,用于采集用户的三轴加速度信息和三轴角速度信息,处理模块,用于根据采集的三轴加速度信息和三轴角速度信息,确定用户的姿态信息;所述无线通信模块,
用于将用户的姿态信息、三轴加速度信息和三轴角速度信息传输至所述终端设备;
所述终端设备用于对用户的姿态信息、三轴加速度信息和三轴角速度信息进行统计,得到统计结果,并将所述统计结果传输至所述云端服务器;
所述云端服务器根据所述统计结果给出定期个性化运动健康建议。
2.根据权利要求1所述的基于多参数融合的老人健康运动评估系统,其特征在于,所述处理模块包括:
姿态角计算单元,用于根据所述三轴加速度信息和三轴角速度信息计算姿态角数据;步数计算单元,用于根据预设时间内采集的多个所述三轴加速度信息采用合加速度阈值法进行步数识别,得到用户在预设时间内的步数和步频;
姿态判断单元,用于根据用户在预设时间内的步数和步频、三轴加速度信息和姿态角数据,通过多参数融合处理判断用户的姿态信息。
3.根据权利要求2所述的基于多参数融合的老人健康运动评估系统,其特征在于,所述步数计算单元包括:
合加速度计算子单元,用于根据所述三轴加速度信息计算合加速度,得到预设时间内的多个合加速度;
极值粗筛子单元,用于通过自动门限选取多个合加速度的极值点,并将选出的极值点作为候选极值点;
极值细筛子单元,用于将相邻候选极值点的横向距离小于距离阈值且相邻候选极值点的幅值差小于幅值阈值的候选极值点删除,得到最终极值点;
步数步频计算子单元,用于将最终极值点的数量作为预设时间内的步数,并根据步数计算步频。
4.根据权利要求3所述的基于多参数融合的老人健康运动评估系统,其特征在于,所述自动门限通过以下方式得到:其中,Auto_Thr为自动门限,k门限因子,xN表示确定的前N个极值点幅值。
5.根据权利要求1所述的基于多参数融合的老人健康运动评估系统,其特征在于,所述终端设备包括:
第一统计模块,用于统计用户在预设周期内不同姿态的时长;
第二统计模块,用于统计用户在预设周期内的步数;
第三统计模块,用于基于三轴加速度信息和三轴角速度信息计算用户的运动强度,并统计用户在预设周期内不同运动强度的时长;
传输模块,用于将用户在预设周期内不同姿态的时长、预设周期内的步数以及运动强度和用户在预设周期内不同运动强度的时长传输至所述云端服务器。
6.根据权利要求1所述的基于多参数融合的老人健康运动评估系统,其特征在于,所述云端服务器用于将统计结果输入数字健康模型,得到用户的数字健康画像,并基于所述数字健康画像给出定期个性化运动健康建议;其中,所述数字健康模型是由运动数据和健康数据训练得到的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311778008.6A CN117838099A (zh) | 2023-12-22 | 2023-12-22 | 一种基于多参数融合的老人健康运动评估系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311778008.6A CN117838099A (zh) | 2023-12-22 | 2023-12-22 | 一种基于多参数融合的老人健康运动评估系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117838099A true CN117838099A (zh) | 2024-04-09 |
Family
ID=90537253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311778008.6A Pending CN117838099A (zh) | 2023-12-22 | 2023-12-22 | 一种基于多参数融合的老人健康运动评估系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117838099A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112291714A (zh) * | 2019-07-22 | 2021-01-29 | 西安中兴新软件有限责任公司 | 一种状态识别方法、装置和系统以及追踪类设备 |
-
2023
- 2023-12-22 CN CN202311778008.6A patent/CN117838099A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112291714A (zh) * | 2019-07-22 | 2021-01-29 | 西安中兴新软件有限责任公司 | 一种状态识别方法、装置和系统以及追踪类设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10687707B2 (en) | Detecting activity by a wheelchair user | |
Yen et al. | Human daily activity recognition performed using wearable inertial sensors combined with deep learning algorithms | |
KR102252269B1 (ko) | 수영 분석 시스템 및 방법 | |
CN108245172B (zh) | 一种不受位置约束的人体姿态识别方法 | |
Hsu et al. | Wearable sport activity classification based on deep convolutional neural network | |
CN107209807B (zh) | 疼痛管理可穿戴设备 | |
Lester et al. | A practical approach to recognizing physical activities | |
US20170238868A1 (en) | Alertness prediction system and method | |
Mikos et al. | A wearable, patient-adaptive freezing of gait detection system for biofeedback cueing in Parkinson's disease | |
CN108958482B (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
CN117838099A (zh) | 一种基于多参数融合的老人健康运动评估系统 | |
Jensen et al. | Classification of kinematic swimming data with emphasis on resource consumption | |
Wade et al. | Design and implementation of an instrumented cane for gait recognition | |
WO2021004510A1 (zh) | 基于传感器的分离式部署的人体行为识别健康管理系统 | |
WO2011092549A1 (en) | Method and apparatus for assigning a feature class value | |
WO2019095055A1 (en) | Method and system utilizing pattern recognition for detecting atypical movements during physical activity | |
Iwasawa et al. | Toward an automatic road accessibility information collecting and sharing based on human behavior sensing technologies of wheelchair users | |
Li et al. | Estimation of blood alcohol concentration from smartphone gait data using neural networks | |
US20230004795A1 (en) | Systems and methods for constructing motion models based on sensor data | |
CN109567814B (zh) | 刷牙动作的分类识别方法、计算设备、系统及存储介质 | |
Fu et al. | Ping pong motion recognition based on smart watch | |
CN111028488A (zh) | 一种基于pso-svm的智能久坐提醒的方法 | |
Gandomkar et al. | TrainingPal: An algorithm for recognition and counting popular exercises using smartphone sensors | |
Kumar et al. | Fall detection and activity recognition using hybrid convolution neural network and extreme gradient boosting classifier | |
Zheng et al. | Development of a human movement monitoring system based on wearable devices |
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 |