CN117909908B - 一种共享按摩椅的运行状态智能监测方法 - Google Patents

一种共享按摩椅的运行状态智能监测方法 Download PDF

Info

Publication number
CN117909908B
CN117909908B CN202410299342.1A CN202410299342A CN117909908B CN 117909908 B CN117909908 B CN 117909908B CN 202410299342 A CN202410299342 A CN 202410299342A CN 117909908 B CN117909908 B CN 117909908B
Authority
CN
China
Prior art keywords
original posture
posture data
data
massage
original
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.)
Active
Application number
CN202410299342.1A
Other languages
English (en)
Other versions
CN117909908A (zh
Inventor
张鑫
秦伯炜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
First Class Interconnect Technology Shenzhen Co ltd
Original Assignee
First Class Interconnect Technology Shenzhen Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by First Class Interconnect Technology Shenzhen Co ltd filed Critical First Class Interconnect Technology Shenzhen Co ltd
Priority to CN202410299342.1A priority Critical patent/CN117909908B/zh
Publication of CN117909908A publication Critical patent/CN117909908A/zh
Application granted granted Critical
Publication of CN117909908B publication Critical patent/CN117909908B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Massaging Devices (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种共享按摩椅的运行状态智能监测方法，包括：获取按摩椅原始姿态数据集；根据按摩椅原始姿态数据集中每个按摩椅原始姿态数据的加速度值得到每一按摩椅原始姿态数据在不同尺度下的噪声程度；根据不同尺度下每一按摩椅原始姿态数据的噪声程度，得到每一按摩椅原始姿态数据的最终噪声程度；进一步得到修正后的按摩椅原始姿态数据集；通过对修正后的按摩椅原始姿态数据集进行异常识别，完成共享按摩椅运行状态的智能监测。本发明通过滤波算法对按摩椅原始姿态数据集进行修正时只对噪声数据的加速度值进行修正未对正常数据的加速度值进行修正，使得修正后数据集更接近真实情况。

Description

一种共享按摩椅的运行状态智能监测方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种共享按摩椅的运行状态智能监测方法。
背景技术
随着人们生活水平的提高和健康意识的增强，按摩服务作为一种缓解身体疲劳、促进健康的方式变得越来越受欢迎。共享按摩椅的出现为人们提供了一种便捷的按摩体验方式，可以随时随地享受。共享按摩椅作为一种服务设备，其性能和状态对用户体验至关重要。因为共享按摩椅通常会在公共场所长时间运行，频繁的使用可能导致设备的磨损和故障。及时监测设备的运行状态，发现潜在问题，并进行预防性维护，有助于提高用户的体验。因此使用各种传感器（如压力传感器、温度传感器、加速度传感器等）监测按摩椅的运行状态，将传感器获取的数据进行实时采集和处理，识别设备的运行状态，实现对设备状态的智能监测。但是因为在采集数据时，数据存在噪声，因此需要对获得的监测数据进行去噪处理。
在现有技术中，对数据进行去噪主要是通过对数据进行平滑操作，使出现较大异常波动的数据的异常程度减小，来达到数据去噪的目的。但是因为在对共享按摩椅的运行状态进行监测时，其运行状态可能会出现异常，因此获得的监测数据中会存在异常数据，而异常数据与正常数据之间存在较大的差异，若直接对其进行平滑，会改变异常数据的异常程度，从而在后续对其进行异常检测时，无法准确的检测出监测数据中存在的异常数据，降低了异常检测结果的准确率。
发明内容
本发明提供一种共享按摩椅的运行状态智能监测方法，以解决现有的问题。
本发明的一种共享按摩椅的运行状态智能监测方法采用如下技术方案：
本发明一个实施例提供了一种共享按摩椅的运行状态智能监测方法，该方法包括以下步骤：
获取共享按摩椅对应的多个预处理后的姿态数据集，从多个预处理后的姿态数据集中任选一个作为按摩椅原始姿态数据集；所述姿态数据集中每个姿态数据对应一个加速度值；
根据按摩椅原始姿态数据集中每个按摩椅原始姿态数据的加速度值得到每个按摩椅原始姿态数据的初始邻域数据区间与每个按摩椅原始姿态数据的初始噪声程度；
根据每一按摩椅原始姿态数据的初始邻域数据区间内的所有按摩椅原始姿态数据，得到每一按摩椅原始姿态数据在不同尺度下的噪声程度；
根据不同尺度下每一按摩椅原始姿态数据的噪声程度，得到每一按摩椅原始姿态数据的最终噪声程度；
根据每一按摩椅原始姿态数据的最终噪声程度，完成共享按摩椅运行状态的监测。
进一步地，所述根据按摩椅原始姿态数据集中每个按摩椅原始姿态数据的加速度值得到每个按摩椅原始姿态数据的初始邻域数据区间与每个按摩椅原始姿态数据的初始噪声程度，包括的具体步骤如下：
根据按摩椅原始姿态数据集内每一按摩椅原始姿态数据的加速度值，得到每个按摩椅原始姿态数据为其他按摩椅原始姿态数据的邻域数据的可能性；
根据每个按摩椅原始姿态数据为其他按摩椅原始姿态数据的邻域数据的可能性，得到每个按摩椅原始姿态数据的初始邻域数据区间；
根据每个按摩椅原始姿态数据的初始邻域数据区间，得到每个按摩椅原始姿态数据的初始噪声程度。
进一步地，所述根据按摩椅原始姿态数据集内每一按摩椅原始姿态数据的加速度值，得到每个按摩椅原始姿态数据为其他按摩椅原始姿态数据的邻域数据的可能性，包括的具体公式如下：式中，/>表示第/>个按摩椅原始姿态数据为第/>个按摩椅原始姿态数据的邻域数据的可能性，/>表示第/>个按摩椅原始姿态数据的加速度值，/>表示第/>个按摩椅原始姿态数据的加速度值，/>表示第/>个按摩椅原始姿态数据与第/>个按摩椅原始姿态数据的采集时间的差值绝对值，表示第/>个按摩椅原始姿态数据的加速度值，/>表示按摩椅原始姿态数据集中第个按摩椅原始姿态数据与第/>个按摩椅原始姿态数据的采集时间的先后，/>表示以自然常数为底的指数函数，/>表示线性归一化函数，/>为绝对值函数，/>为预设的比较数据个数，/>的获取方式为：当第/>个按摩椅原始姿态数据的采集时间晚于第/>个按摩椅原始姿态数据的采集时间时/>；当第/>个按摩椅原始姿态数据的采集时间早于第/>个按摩椅原始姿态数据的采集时间时/>。
进一步地，所述根据每个按摩椅原始姿态数据为其他按摩椅原始姿态数据的邻域数据的可能性，得到每个按摩椅原始姿态数据的初始邻域数据区间，包括的具体步骤如下：
从第个按摩椅原始姿态数据开始依次向左遍历，当任意一个按摩椅原始姿态数据为第/>个按摩椅原始姿态数据的邻域数据的可能性小于预设可能性阈值/>时，停止遍历，将所述任意一个按摩椅原始姿态数据，记为第/>个按摩椅原始姿态数据的左边界数据；
根据第个按摩椅原始姿态数据的左边界数据的获取方式，得到第/>个按摩椅原始姿态数据的右边界数据；
将第个按摩椅原始姿态数据的左边界数据到右边界数据之间的区间，记为第/>个按摩椅原始姿态数据的初始邻域数据区间。
进一步地，所述根据每个按摩椅原始姿态数据的初始邻域数据区间，得到每个按摩椅原始姿态数据的初始噪声程度，包括的具体公式如下：式中，/>表示第/>个按摩椅原始姿态数据的初始噪声程度，/>表示第/>个按摩椅原始姿态数据的加速度值，/>表示按摩椅原始姿态数据集内所有按摩椅原始姿态数据的均值，/>表示第/>个按摩椅原始姿态数据的初始邻域数据区间内第/>个按摩椅原始姿态数据的加速度值，/>表示第/>个按摩椅原始姿态数据的初始邻域数据区间内所含按摩椅原始姿态数据的个数，/>表示第/>个按摩椅原始姿态数据的初始邻域数据区间内所有按摩椅原始姿态数据的加速度值方差，/>为绝对值函数。
进一步地，所述根据每一按摩椅原始姿态数据的初始邻域数据区间内的所有按摩椅原始姿态数据，得到每一按摩椅原始姿态数据在不同尺度下的噪声程度，包括的具体步骤如下：
根据每个按摩椅原始姿态数据的初始邻域数据区间内每个按摩椅原始姿态数据的加速度值，得到每个按摩椅原始姿态数据与每个按摩椅原始姿态数据的初始邻域数据区间内每一按摩椅原始姿态数据的相似性；
根据每个按摩椅原始姿态数据与每个按摩椅原始姿态数据的初始邻域数据区间内每一按摩椅原始姿态数据的相似性，得到每个按摩椅原始姿态数据在多个尺度下的邻域数据区间；
根据第个按摩椅原始姿态数据在多个尺度下的邻域数据区间，计算第/>个按摩椅原始姿态数据在不同尺度下的噪声程度，其中第/>个按摩椅原始姿态数据在不同尺度下的噪声程度的计算方式与第/>个按摩椅原始姿态数据的初始噪声程度的计算方式相同。
进一步地，所述根据每个按摩椅原始姿态数据的初始邻域数据区间内每个按摩椅原始姿态数据的加速度值，得到每个按摩椅原始姿态数据与每个按摩椅原始姿态数据的初始邻域数据区间内每一按摩椅原始姿态数据的相似性，包括的具体公式如下：式中，/>表示/>个按摩椅原始姿态数据的初始邻域数据区间内第/>个按摩椅原始姿态数据与第/>个按摩椅原始姿态数据的相似性，/>表示第/>个按摩椅原始姿态数据的初始邻域数据区间内第/>个按摩椅原始姿态数据的加速度值，/>表示第/>个按摩椅原始姿态数据的初始邻域数据区间内第/>个按摩椅原始姿态数据的加速度值，/>表示第/>个按摩椅原始姿态数据的初始邻域数据区间的所有按摩椅原始姿态数据的均值，/>表示第/>个按摩椅原始姿态数据的加速度值，/>表示/>个按摩椅原始姿态数据的初始邻域数据区间内所含按摩椅原始姿态数据的个数，/>表示以自然常数为底的指数函数，/>为绝对值函数。
进一步地，所述根据每个按摩椅原始姿态数据与每个按摩椅原始姿态数据的初始邻域数据区间内每一按摩椅原始姿态数据的相似性，得到每个按摩椅原始姿态数据在多个尺度下的邻域数据区间，包括的具体步骤如下：
当第个按摩椅原始姿态数据的初始邻域数据区间内任意一个按摩椅原始姿态数据与第/>个按摩椅原始姿态数据的相似性大于预设阈值/>时，将第/>个按摩椅原始姿态数据的初始邻域数据区间内所述任意一个按摩椅原始姿态数据，记为第/>个按摩椅原始姿态数据的强相似性数据；
根据第个按摩椅原始姿态数据的所有强相似性数据的加速度值大小对第/>个按摩椅原始姿态数据的所有强相似性数据进行层次聚类，得到多个聚类簇，将每一个聚类簇内的按摩椅原始姿态数据集视为第/>个按摩椅原始姿态数据在每一个尺度下的邻域数据区间。
进一步地，所述根据不同尺度下每一按摩椅原始姿态数据的噪声程度，得到每一按摩椅原始姿态数据的最终噪声程度，包括的具体公式如下：式中，/>表示第/>个按摩椅原始姿态数据的最终噪声程度，/>表示第个按摩椅原始姿态数据在第/>个按摩椅原始姿态数据在第/>个尺度下的噪声程度，/>表示第/>个按摩椅原始姿态数据在第/>个尺度下的邻域数据区间内所有按摩椅原始姿态数据的均值，/>表示第/>个按摩椅原始姿态数据的加速度值，/>表示不同尺度的数量，/>表示第/>个按摩椅原始姿态数据的初始噪声程度，/>为线性归一化函数，/>为绝对值函数。
进一步地，所述根据每一按摩椅原始姿态数据的最终噪声程度，完成共享按摩椅运行状态的监测，包括的具体步骤如下：
当任意一个按摩椅原始姿态数据的最终噪声程度大于预设噪声阈值时，将所述任意一个按摩椅原始姿态数据记为噪声数据；
通过加权平均滤波算法对按摩椅原始姿态数据集中所有噪声数据的加速度值进行修正，得到修正后的按摩椅原始姿态数据集；
在修正后的按摩椅原始姿态数据集中，当任意一个修正后的按摩椅原始姿态数据的加速度值大于修正后的按摩椅原始姿态数据集的中值时，将所述任意一个修正后的按摩椅原始姿态数据，记为异常数据，当存在异常数据时，判定按摩椅运行状态存在异常。
本发明的技术方案的有益效果是：获取共享按摩椅对应的多个预处理后的姿态数据集，从多个预处理后的姿态数据集中任选一个作为按摩椅原始姿态数据集，在获取共享按摩椅的姿态数据集时通过近邻插值算法对获得的姿态数据集进行了预处理，从而使得预处理后的姿态数据集更接近真实情况；并且所述姿态数据集中每个姿态数据对应一个加速度值；根据按摩椅原始姿态数据集中每个按摩椅原始姿态数据的加速度值得到每个按摩椅原始姿态数据的初始邻域数据区间与每个按摩椅原始姿态数据的初始噪声程度时，对每个按摩椅原始姿态数据的初始邻域数据区间进行自适应，从而使得每个按摩椅原始姿态数据的初始邻域数据区间与每个按摩椅原始姿态数据的初始噪声程度更接近真实情况；根据每一按摩椅原始姿态数据的初始邻域数据区间内的所有按摩椅原始姿态数据，得到每一按摩椅原始姿态数据在不同尺度下的噪声程度时，因为是自适应每一按摩椅原始姿态数据在不同尺度下的邻域数据区间，使得每一按摩椅原始姿态数据在不同尺度下的噪声程度更加准确；根据不同尺度下每一按摩椅原始姿态数据的噪声程度，得到每一按摩椅原始姿态数据的最终噪声程度时，因为每一按摩椅原始姿态数据在不同尺度下的噪声程度更加准确，使得每一按摩椅原始姿态数据的最终噪声程度更加准确；从而使得共享按摩椅运行状态的监测结果更加准确。
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，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地介绍，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他的附图。
图1为本发明一种共享按摩椅的运行状态智能监测方法的步骤流程图。
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共享按摩椅的运行状态智能监测方法，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。
下面结合附图具体的说明本发明所提供的一种共享按摩椅的运行状态智能监测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种共享按摩椅的运行状态智能监测方法的步骤流程图，该方法包括以下步骤：
步骤S001：获取共享按摩椅对应的多个预处理后的姿态数据集，从多个预处理后的姿态数据集中任选一个作为按摩椅原始姿态数据集；所述姿态数据集中每个姿态数据对应一个加速度值；根据按摩椅原始姿态数据集中每个按摩椅原始姿态数据的加速度值得到每个按摩椅原始姿态数据的初始邻域数据区间与每个按摩椅原始姿态数据的初始噪声程度。
本实施例的主要目的是为了对共享按摩椅的运行状态进行监测，但是在采集共享按摩椅的监测数据时，数据可能存在噪声，因此需要对监测数据去噪。而对共享按摩椅的运行状态进行监测时，共享按摩椅的姿态数据即共享按摩椅每一部位的加速度为一项重要监测指标，关乎到用户的按摩体验，因此通过内置加速度计采集按摩椅的姿态数据，得到多个姿态数据集。需要说明的是，共享按摩椅中的内置加速度计在每一采集时刻采集的姿态数据包括横向、纵向、竖直方向三个方向上的加速度数据，即通过一个内置加速度计可以得到3个姿态数据集。因为在采集姿态数据时可能会存在部分采集时刻的数据缺失，因此分别通过近邻插值算法对获得的多个姿态数据序列进行数据插值，保证其周期性特征没有较大的损失，从而获得多个预处理后的姿态数据集，之后从其中任选一个预处理后的姿态数据集将其记为按摩椅原始姿态数据集。
因为共享按摩椅的使用频次较高，从而使得在运行时为了防止共享按摩椅对用户造成不好的享受，需要对按摩椅的运行状态进行监测。通过共享按摩椅上的每一内置加速度计实时获取每一部位的加速度数据，得到多个加速度数据集，对每一加速度数据集进行处理，从而来识别加速度数据集中是否存在对用户造成不好感觉的异常数据，若存在异常数据，则表明贡献按摩椅在运行的过程中存在异常，就需要触发报警系统，通知运维人员及时的检修。但是因为获得的加速度数据集中可能存在数据噪声，影响对加速度数据集中异常数据的识别，因此需要对获得的加速度数据集进行去噪处理。但是现有算法对数据集进行去噪主要是通过对数据集中的每一数据进行平滑操作的方式进行去噪的。而在获取共享按摩椅每一加速度数据集采集的加速度时，共享按摩椅的运行状态可能会出现异常，造成获取的加速度数据集中可能会存在异常数据，而异常数据与正常数据之间存在较大的加速度值差异，若直接对其进行平滑，会改变异常数据的异常程度，从而在后续对其进行异常检测时，无法准确的检测出加速度数据集中存在的异常数据。因此本实施例通过对加速度数据集进行分析，获得加速度数据集中可能存在的噪声数据，然后将噪声数据进行去除。之后对去除噪声后的数据集进行异常检测，获得异常数据。
进一步的，本实施例对按摩椅原始姿态数据集进行噪声检测时，通过显著性检测算法即CA算法来检测出按摩椅原始姿态数据集中存在的噪声数据。该算法通过对每一按摩椅原始姿态数据与其邻域数据的加速度值进行分析，获得每一按摩椅原始姿态数据的初始显著性值即初始噪声程度，之后结合多尺度分析来获得每一按摩椅原始姿态数据在不同尺度下的噪声程度，得到每一按摩椅原始姿态数据的最终噪声程度，然后根据每一按摩椅原始姿态数据的最终噪声程度，获得按摩椅原始姿态数据集中存在的噪声数据。但是在传统的CA算法中对每一按摩椅原始姿态数据进行多尺度分析时，采用的是固定尺度，而当按摩椅原始姿态数据集受到噪声影响时，噪声的叠加是随机的，使得对每一按摩椅原始姿态数据进行固定尺度分析时，会造成部分按摩椅原始姿态数据的最终噪声程度与实际情况有较大差异，因此本实施例根据每个按摩椅原始姿态数据的邻域数据变化进行自适应尺度，从而能够更加准确的检测出按摩椅原始姿态数据集中存在的噪声数据。
具体的，首先根据按摩椅原始姿态数据集的变化确定每个按摩椅原始姿态数据的初始邻域数据区间，该初始邻域数据区间内所含数据是根据每个按摩椅原始姿态数据的加速度值与其周围其余按摩椅原始姿态数据的加速度值决定的，当一个按摩椅原始姿态数据与其周围其余按摩椅原始姿态数据的加速度值越接近，则所述按摩椅原始姿态数据的初始邻域数据区间内所含按摩椅原始姿态数据越多。第个按摩椅原始姿态数据为第/>个按摩椅原始姿态数据的邻域数据的可能性的计算公式如下：式中，/>表示第/>个按摩椅原始姿态数据为第/>个按摩椅原始姿态数据的邻域数据的可能性，/>表示第/>个按摩椅原始姿态数据的加速度值，/>表示第/>个按摩椅原始姿态数据的加速度值，/>表示第/>个按摩椅原始姿态数据与第/>个按摩椅原始姿态数据的采集时间的差值绝对值，/>表示第/>个按摩椅原始姿态数据的加速度值，n表示预设的比较数据个数，/>表示按摩椅原始姿态数据集中第/>个按摩椅原始姿态数据与第/>个按摩椅原始姿态数据的采集时间的先后，当第/>个按摩椅原始姿态数据的采集时间晚于第/>个按摩椅原始姿态数据的采集时间时/>；当第/>个按摩椅原始姿态数据的采集时间早于第/>个按摩椅原始姿态数据的采集时间时/>，n表示预设的比较数据个数，本实施例预设的比较数据个数/>，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定，/>表示以自然常数为底的指数函数，表示线性归一化函数，/>为绝对值函数。
具体的，表示第/>个按摩椅原始姿态数据与第/>个按摩椅原始姿态数据的加速度值差异，其差异程度越小，则说明第/>个按摩椅原始姿态数据的采集时间与第/>个按摩椅原始姿态数据的采集时间上的数据变化程度越相近，因此第/>个按摩椅原始姿态数据为第/>个按摩椅原始姿态数据的邻域数据的可能性越大。并且第/>个按摩椅原始姿态数据与第/>个按摩椅原始姿态数据的采集时间越近，说明所述两个按摩椅原始姿态数据之间采集时间较早的数据对采集时间较晚的数据的加速度值影响较大，因此第/>个按摩椅原始姿态数据作为第/>个按摩椅原始姿态数据的邻域数据的可能性越大。/>表示第/>个按摩椅原始姿态数据与第/>个按摩椅原始姿态数据的加速度值差异，其差值越大，说明第/>个按摩椅原始姿态数据与其采集时间较为接近的另一个按摩椅原始姿态数据的差异越大，则第/>个数据点的邻域数据有较大可能在第/>个按摩椅原始姿态数据处出现了转折，因此比较与/>的差异，其比值越大，则说明邻域数据/>为数据转折点的可能性越大。
根据上述计算获得第个按摩椅原始姿态数据为第/>个按摩椅原始姿态数据的邻域数据的可能性，预设可能性阈值/>，当第/>个按摩椅原始姿态数据为第i个按摩椅原始姿态数据的邻域数据的可能性/>大于等于/>时，第/>个按摩椅原始姿态数据作为第/>个按摩椅原始姿态数据的邻域数据，然后依次进行判断，直至一个按摩椅原始姿态数据为第/>个按摩椅原始姿态数据的邻域数据的可能性小于/>时，将所述任意按摩椅原始姿态数据，记为第/>个按摩椅原始姿态数据的边界数据，进而获得第/>个按摩椅原始姿态数据的左右两侧邻域数据，构成第/>个按摩椅原始姿态数据的初始邻域数据区间。需要说明的时，在获取第/>个按摩椅原始姿态数据的邻域数据时，是从第/>个按摩椅原始姿态数据的左侧或右侧第一个按摩椅原始姿态数据开始计算之后依次向左或向右遍历，以向左遍历为例，若左侧第一个按摩椅原始姿态数据的邻域可能性大于或等于预设可能性阈值/>，则再计算左侧第二个按摩椅原始姿态数据的邻域可能性是否大于或等于预设可能性阈值/>，当左侧有一个按摩椅原始姿态数据的的邻域可能性小于预设可能性阈值/>时，停止遍历，将所述任意一个按摩椅原始姿态数据，记为第/>个按摩椅原始姿态数据的左边界数据；根据第/>个按摩椅原始姿态数据的左边界数据的获取方式，得到第/>个按摩椅原始姿态数据的右边界数据；最终得到第/>个按摩椅原始姿态数据的初始邻域数据区间。
根据获得的每个按摩椅原始姿态数据的初始邻域数据区间，进而得到每个按摩椅原始姿态数据的初始噪声程度，其计算公式如下：式中，/>表示第个按摩椅原始姿态数据的初始噪声程度，/>表示第/>个按摩椅原始姿态数据的加速度值，/>表示按摩椅原始姿态数据集内所有按摩椅原始姿态数据的加速度均值，/>表示第/>个按摩椅原始姿态数据的初始邻域数据区间内第/>个按摩椅原始姿态数据的加速度值，/>表示第/>个按摩椅原始姿态数据的初始邻域数据区间内所含按摩椅原始姿态数据的个数，/>表示第/>个按摩椅原始姿态数据的初始邻域数据区间内所有按摩椅原始姿态数据的加速度值方差，为绝对值函数。
步骤S002：根据每一按摩椅原始姿态数据的初始邻域数据区间内的所有按摩椅原始姿态数据，得到每一按摩椅原始姿态数据在不同尺度下的噪声程度。
进一步的，根据获得的每个按摩椅原始姿态数据的初始邻域数据区间，对每个按摩椅原始姿态数据进行不同尺度的分析，来获得不同尺度下每个按摩椅原始姿态数据的噪声程度。因为进行不同尺度计算的目的是为了判断某一按摩椅原始姿态数据在邻域范围不同时，其噪声程度的变化，若变化程度越大，则说明该按摩椅原始姿态数据与其邻域数据差异越大，因此该按摩椅原始姿态数据越可能是噪声数据。因此通过每一按摩椅原始姿态数据在不同尺度下的噪声程度，从而来获得每一按摩椅原始姿态数据的最终噪声程度。
具体的，在进行多尺度计算时，通过对每个数据的邻域数据区间进行调整，从而来获得每个按摩椅原始姿态数据在不同尺度的邻域数据区间。其计算公式如下：式中，/>表示/>个按摩椅原始姿态数据的初始邻域数据区间内第/>个按摩椅原始姿态数据与第/>个按摩椅原始姿态数据的相似性，/>表示第/>个按摩椅原始姿态数据的初始邻域数据区间内第/>个按摩椅原始姿态数据的加速度值，/>表示第个按摩椅原始姿态数据的初始邻域数据区间内第/>个按摩椅原始姿态数据的加速度值，/>表示第/>个按摩椅原始姿态数据的初始邻域数据区间的所有按摩椅原始姿态数据的加速度均值，/>表示第/>个按摩椅原始姿态数据的加速度值，/>表示/>个按摩椅原始姿态数据的初始邻域数据区间内所含按摩椅原始姿态数据的个数，/>表示以自然常数为底的指数函数，需要说明的是不需要对第/>个按摩椅原始姿态数据进行上述操作。
具体的，表示第/>个按摩椅原始姿态数据的初始邻域数据区间内第/>个按摩椅原始姿态数据的加速度值与第/>按摩椅原始姿态数据的初始邻域数据区间的所有按摩椅原始姿态数据的均值的差异，其差异程度越小，则说明第/>个按摩椅原始姿态数据的初始邻域数据区间内第/>个按摩椅原始姿态数据的加速度值与第/>个数据的邻域数据区间的整体加速度值差异越小；/>表示第/>个按摩椅原始姿态数据的初始邻域数据区间内第/>个按摩椅原始姿态数据的加速度值与第/>个按摩椅原始姿态数据的加速度值差异，/>表示第/>个按摩椅原始姿态数据的初始邻域数据区间内第c个按摩椅原始姿态数据的加速度值与第/>个按摩椅原始姿态数据的初始邻域数据区间的所有按摩椅原始姿态数据的均值的差值比上第/>个按摩椅原始姿态数据的初始邻域数据区间内第c个按摩椅原始姿态数据的加速度值与第/>个数据的差值，其比值越趋近于1，则说明数据的一致性越好，因此第/>个按摩椅原始姿态数据的初始邻域数据区间内第/>个按摩椅原始姿态数据与第/>个按摩椅原始姿态数据的相似性越强。/>表示第/>个按摩椅原始姿态数据的初始邻域数据区间内第c个按摩椅原始姿态数据与其余按摩椅原始姿态数据的差异，其差异越小，第/>个按摩椅原始姿态数据的初始邻域数据区间内第/>个按摩椅原始姿态数据越可能作为邻域数据。
根据上述计算获得的第个按摩椅原始姿态数据的初始邻域数据区间内每一按摩椅原始姿态数据与第/>个按摩椅原始姿态数据的相似性，当第/>个按摩椅原始姿态数据的初始邻域数据区间内每一按摩椅原始姿态数据与第/>个按摩椅原始姿态数据的相似性大于预设阈值/>时，将所述按摩椅原始姿态数据记为强相似性数据，得到第/>个按摩椅原始姿态数据的强相似性数据集。然后根据第/>个按摩椅原始姿态数据的强相似性数据集内每一按摩椅原始姿态数据的加速度值大小对其进行层次聚类，在聚类过程中预设聚类层数为/>，获得个聚类簇，将每一个聚类簇视为一个尺度，将每一个聚类簇内的按摩椅原始姿态数据集视为第/>个按摩椅原始姿态数据在一个尺度下的邻域数据区间，从而获得第/>个按摩椅原始姿态数据在多个尺度下的邻域数据区间。需要说明的是在上述聚类过程中不需要对第/>个按摩椅原始姿态数据进行聚类。本实施例预设阈值/>，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。本实施例预设聚类层数/>，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
根据上述获得的每一个按摩椅原始姿态数据的在不同尺度下的邻域数据区间，计算每一按摩椅原始姿态数据在每个尺度下的噪声程度，具体公式如下：式中：/>表示第/>个按摩椅原始姿态数据在第/>个尺度下的噪声程度，/>表示第/>个按摩椅原始姿态数据的加速度值，/>表示第/>个按摩椅原始姿态数据在第/>个尺度下的邻域数据区间内所有按摩椅原始姿态数据的加速度均值，/>表示第/>个按摩椅原始姿态数据在第/>个尺度下的邻域数据区间内所有按摩椅原始姿态数据的个数，/>表示第/>个按摩椅原始姿态数据在第/>个尺度下的邻域数据区间内第/>个按摩椅原始姿态数据的加速度值，/>表示第/>个按摩椅原始姿态数据在第/>个尺度下的邻域数据区间内所有按摩椅原始姿态数据的加速度值方差，/>为绝对值函数。
步骤S003：根据不同尺度下每一按摩椅原始姿态数据的噪声程度，得到每一按摩椅原始姿态数据的最终噪声程度。
进一步的通过对每一按摩椅原始姿态数据在不同尺度下的噪声程度进行加权得到每一按摩椅原始姿态数据的最终噪声程度，其计算公式如下：式中，/>表示第/>个按摩椅原始姿态数据的最终噪声程度，/>表示第/>个按摩椅原始姿态数据在第/>个尺度下的噪声程度，/>表示第/>个按摩椅原始姿态数据在第/>个尺度下的邻域数据区间内所有按摩椅原始姿态数据的加速度均值，/>表示第/>个按摩椅原始姿态数据的加速度值，/>表示聚类过程中预设聚类层数，/>也表示不同尺度的数量。/>表示第/>个按摩椅原始姿态数据在第/>个尺度下的噪声程度对第/>个按摩椅原始姿态数据的最终噪声程度的权重，需要说明的是当/>时，/>，/>，/>表示第个按摩椅原始姿态数据的初始邻域数据区间的所有按摩椅原始姿态数据的均值，/>表示第个按摩椅原始姿态数据的初始噪声程度。/>为线性归一化函数，/>为绝对值函数。
至此，获得了按摩椅原始姿态数据集中每个按摩椅原始姿态数据的最终噪声程度。
步骤S004、根据每一按摩椅原始姿态数据的最终噪声程度，完成共享按摩椅运行状态的监测。
根据上述计算获得的按摩椅原始姿态数据集中每个按摩椅原始姿态数据的最终噪声程度，预设噪声阈值，当某一按摩椅原始姿态数据的最终噪声程度大于/>时，该数据为噪声数据，从而获取按摩椅原始姿态数据集中的所有噪声数据。然后使用加权平均滤波算法对噪声数据的加速度值进行修正，得到修正后的按摩椅原始姿态数据集。需要说明的是加权平均滤波算法为现有公知技术，在此不再进行赘述。
本实施例预设噪声阈值，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
然后根据修正后的按摩椅原始姿态数据集对其进行异常识别，当按摩椅原始姿态数据的加速度值大于预设的异常阈值时，修正后的按摩椅原始姿态数据集的中值时，表面该按摩椅原始姿态数据存在异常，将其标记为异常数据，当存在异常数据时，判定按摩椅运行状态存在异常，按摩椅的报警系统向运维人员的终端设备上推送报警信息，通知运维人员进行检修。
本实施例预设的异常阈值为修正后的按摩椅原始姿态数据集的中值，以此为例进行叙述，其它实施方式中可设置为其它值，本实施例不进行限定。
至此，本发明完成。
综上所述，在本发明实施例中，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种共享按摩椅的运行状态智能监测方法，其特征在于，该方法包括以下步骤：
获取共享按摩椅对应的多个预处理后的姿态数据集，从多个预处理后的姿态数据集中任选一个作为按摩椅原始姿态数据集；所述姿态数据集中每个姿态数据对应一个加速度值；
根据按摩椅原始姿态数据集中每个按摩椅原始姿态数据的加速度值得到每个按摩椅原始姿态数据的初始邻域数据区间与每个按摩椅原始姿态数据的初始噪声程度；
根据每一按摩椅原始姿态数据的初始邻域数据区间内的所有按摩椅原始姿态数据，得到每一按摩椅原始姿态数据在不同尺度下的噪声程度；
根据不同尺度下每一按摩椅原始姿态数据的噪声程度，得到每一按摩椅原始姿态数据的最终噪声程度；
根据每一按摩椅原始姿态数据的最终噪声程度，完成共享按摩椅运行状态的监测；
所述根据按摩椅原始姿态数据集中每个按摩椅原始姿态数据的加速度值得到每个按摩椅原始姿态数据的初始邻域数据区间与每个按摩椅原始姿态数据的初始噪声程度，包括的具体步骤如下：
根据按摩椅原始姿态数据集内每一按摩椅原始姿态数据的加速度值，得到每个按摩椅原始姿态数据为其他按摩椅原始姿态数据的邻域数据的可能性；
根据每个按摩椅原始姿态数据为其他按摩椅原始姿态数据的邻域数据的可能性，得到每个按摩椅原始姿态数据的初始邻域数据区间；
根据每个按摩椅原始姿态数据的初始邻域数据区间，得到每个按摩椅原始姿态数据的初始噪声程度；
所述根据每个按摩椅原始姿态数据的初始邻域数据区间，得到每个按摩椅原始姿态数据的初始噪声程度，包括的具体公式如下：
式中，qi表示第i个按摩椅原始姿态数据的初始噪声程度，Fi表示第i个按摩椅原始姿态数据的加速度值，表示按摩椅原始姿态数据集内所有按摩椅原始姿态数据的均值，Fi,b表示第i个按摩椅原始姿态数据的初始邻域数据区间内第b个按摩椅原始姿态数据的加速度值，N表示第i个按摩椅原始姿态数据的初始邻域数据区间内所含按摩椅原始姿态数据的个数，si表示第i个按摩椅原始姿态数据的初始邻域数据区间内所有按摩椅原始姿态数据的加速度值方差，| |为绝对值函数；
所述根据每一按摩椅原始姿态数据的初始邻域数据区间内的所有按摩椅原始姿态数据，得到每一按摩椅原始姿态数据在不同尺度下的噪声程度，包括的具体步骤如下：
根据每个按摩椅原始姿态数据的初始邻域数据区间内每个按摩椅原始姿态数据的加速度值，得到每个按摩椅原始姿态数据与每个按摩椅原始姿态数据的初始邻域数据区间内每一按摩椅原始姿态数据的相似性；
根据每个按摩椅原始姿态数据与每个按摩椅原始姿态数据的初始邻域数据区间内每一按摩椅原始姿态数据的相似性，得到每个按摩椅原始姿态数据在多个尺度下的邻域数据区间；
根据第i个按摩椅原始姿态数据在多个尺度下的邻域数据区间，计算第i个按摩椅原始姿态数据在不同尺度下的噪声程度。
2.根据权利要求1所述一种共享按摩椅的运行状态智能监测方法，其特征在于，所述根据按摩椅原始姿态数据集内每一按摩椅原始姿态数据的加速度值，得到每个按摩椅原始姿态数据为其他按摩椅原始姿态数据的邻域数据的可能性，包括的具体公式如下：
式中，p(i,j)表示第j个按摩椅原始姿态数据为第i个按摩椅原始姿态数据的邻域数据的可能性，Fi表示第i个按摩椅原始姿态数据的加速度值，Fj表示第j个按摩椅原始姿态数据的加速度值，d(i,j)表示第i个按摩椅原始姿态数据与第j个按摩椅原始姿态数据的采集时间的差值绝对值，Fj+a×t表示第j+a×t个按摩椅原始姿态数据的加速度值，a表示按摩椅原始姿态数据集中第j个按摩椅原始姿态数据与第i个按摩椅原始姿态数据的采集时间的先后，exp[]表示以自然常数为底的指数函数，norm{}表示线性归一化函数，| |为绝对值函数，n为预设的比较数据个数，a的获取方式为：当第j个按摩椅原始姿态数据的采集时间晚于第i个按摩椅原始姿态数据的采集时间时a＝1；当第j个按摩椅原始姿态数据的采集时间早于第i个按摩椅原始姿态数据的采集时间时a＝-1。
3.根据权利要求1所述一种共享按摩椅的运行状态智能监测方法，其特征在于，所述根据每个按摩椅原始姿态数据为其他按摩椅原始姿态数据的邻域数据的可能性，得到每个按摩椅原始姿态数据的初始邻域数据区间，包括的具体步骤如下：
从第i个按摩椅原始姿态数据开始依次向左遍历，当任意一个按摩椅原始姿态数据为第i个按摩椅原始姿态数据的邻域数据的可能性小于预设可能性阈值T1时，停止遍历，将所述任意一个按摩椅原始姿态数据，记为第i个按摩椅原始姿态数据的左边界数据；
根据第i个按摩椅原始姿态数据的左边界数据的获取方式，得到第i个按摩椅原始姿态数据的右边界数据；
将第i个按摩椅原始姿态数据的左边界数据到右边界数据之间的区间，记为第i个按摩椅原始姿态数据的初始邻域数据区间。
4.根据权利要求1所述一种共享按摩椅的运行状态智能监测方法，其特征在于，所述根据每个按摩椅原始姿态数据的初始邻域数据区间内每个按摩椅原始姿态数据的加速度值，得到每个按摩椅原始姿态数据与每个按摩椅原始姿态数据的初始邻域数据区间内每一按摩椅原始姿态数据的相似性，包括的具体公式如下：
式中，Ki,c表示i个按摩椅原始姿态数据的初始邻域数据区间内第c个按摩椅原始姿态数据与第i个按摩椅原始姿态数据的相似性，Fi,c表示第i个按摩椅原始姿态数据的初始邻域数据区间内第c个按摩椅原始姿态数据的加速度值，Fi,b表示第i个按摩椅原始姿态数据的初始邻域数据区间内第b个按摩椅原始姿态数据的加速度值，表示第i个按摩椅原始姿态数据的初始邻域数据区间的所有按摩椅原始姿态数据的均值，Fi表示第i个按摩椅原始姿态数据的加速度值，N表示i个按摩椅原始姿态数据的初始邻域数据区间内所含按摩椅原始姿态数据的个数，exp()表示以自然常数为底的指数函数，||为绝对值函数。
5.根据权利要求1所述一种共享按摩椅的运行状态智能监测方法，其特征在于，所述根据每个按摩椅原始姿态数据与每个按摩椅原始姿态数据的初始邻域数据区间内每一按摩椅原始姿态数据的相似性，得到每个按摩椅原始姿态数据在多个尺度下的邻域数据区间，包括的具体步骤如下：
当第i个按摩椅原始姿态数据的初始邻域数据区间内任意一个按摩椅原始姿态数据与第i个按摩椅原始姿态数据的相似性大于预设阈值T2时，将第i个按摩椅原始姿态数据的初始邻域数据区间内所述任意一个按摩椅原始姿态数据，记为第i个按摩椅原始姿态数据的强相似性数据；
根据第i个按摩椅原始姿态数据的所有强相似性数据的加速度值大小对第i个按摩椅原始姿态数据的所有强相似性数据进行层次聚类，得到多个聚类簇，将每一个聚类簇内的按摩椅原始姿态数据集视为第i个按摩椅原始姿态数据在每一个尺度下的邻域数据区间。
6.根据权利要求1所述一种共享按摩椅的运行状态智能监测方法，其特征在于，所述根据不同尺度下每一按摩椅原始姿态数据的噪声程度，得到每一按摩椅原始姿态数据的最终噪声程度，包括的具体公式如下：
式中，q'i表示第i个按摩椅原始姿态数据的最终噪声程度，表示第i个按摩椅原始姿态数据在第r个尺度下的噪声程度，/>表示第i个按摩椅原始姿态数据在第r个尺度下的邻域数据区间内所有按摩椅原始姿态数据的均值，Fi表示第i个按摩椅原始姿态数据的加速度值，u表示不同尺度的数量，qi表示第i个按摩椅原始姿态数据的初始噪声程度，norm()为线性归一化函数，| |为绝对值函数。
7.根据权利要求1所述一种共享按摩椅的运行状态智能监测方法，其特征在于，所述根据每一按摩椅原始姿态数据的最终噪声程度，完成共享按摩椅运行状态的监测，包括的具体步骤如下：
当任意一个按摩椅原始姿态数据的最终噪声程度大于预设噪声阈值T3时，将所述任意一个按摩椅原始姿态数据记为噪声数据；
通过加权平均滤波算法对按摩椅原始姿态数据集中所有噪声数据的加速度值进行修正，得到修正后的按摩椅原始姿态数据集；
在修正后的按摩椅原始姿态数据集中，当任意一个修正后的按摩椅原始姿态数据的加速度值大于修正后的按摩椅原始姿态数据集的中值时，将所述任意一个修正后的按摩椅原始姿态数据，记为异常数据，当存在异常数据时，判定按摩椅运行状态存在异常。
CN202410299342.1A 2024-03-15 2024-03-15 一种共享按摩椅的运行状态智能监测方法 Active CN117909908B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410299342.1A CN117909908B (zh) 2024-03-15 2024-03-15 一种共享按摩椅的运行状态智能监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410299342.1A CN117909908B (zh) 2024-03-15 2024-03-15 一种共享按摩椅的运行状态智能监测方法

Publications (2)

Publication Number Publication Date
CN117909908A CN117909908A (zh) 2024-04-19
CN117909908B true CN117909908B (zh) 2024-05-28

Family

ID=90692840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410299342.1A Active CN117909908B (zh) 2024-03-15 2024-03-15 一种共享按摩椅的运行状态智能监测方法

Country Status (1)

Country Link
CN (1) CN117909908B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118410450B (zh) * 2024-07-02 2024-09-06 艾力斯特健康科技有限公司 基于云计算的按摩椅远程健康监测方法
CN118410371B (zh) * 2024-07-04 2024-09-24 豪中豪健康科技有限公司 基于机器学习的按摩椅运行状态监测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018040695A1 (zh) * 2016-08-31 2018-03-08 浙江玛拉蒂智能家具科技有限公司 基于姿态识别控制游戏的智能座椅、智能交互系统及方法
WO2022252505A1 (zh) * 2021-06-02 2022-12-08 杭州安脉盛智能技术有限公司 一种基于多指标集群分析的设备状态监测方法
CN116150592A (zh) * 2023-04-20 2023-05-23 江阴华士医疗器械有限公司 基于人工智能的轮椅智能监测预警方法及系统
CN117148784A (zh) * 2023-10-27 2023-12-01 山东山森数控技术有限公司 一种多轴多通道数控系统运行故障分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018040695A1 (zh) * 2016-08-31 2018-03-08 浙江玛拉蒂智能家具科技有限公司 基于姿态识别控制游戏的智能座椅、智能交互系统及方法
WO2022252505A1 (zh) * 2021-06-02 2022-12-08 杭州安脉盛智能技术有限公司 一种基于多指标集群分析的设备状态监测方法
CN116150592A (zh) * 2023-04-20 2023-05-23 江阴华士医疗器械有限公司 基于人工智能的轮椅智能监测预警方法及系统
CN117148784A (zh) * 2023-10-27 2023-12-01 山东山森数控技术有限公司 一种多轴多通道数控系统运行故障分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
资源三号卫星原始姿态数据预处理方法探讨;莫凡;谢俊峰;何昭宁;尹烁;何源浩;;测绘科学;20160120(第01期);第128页至第132页 *

Also Published As

Publication number Publication date
CN117909908A (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN117909908B (zh) 一种共享按摩椅的运行状态智能监测方法
CN108670200B (zh) 一种基于深度学习的睡眠鼾声分类检测方法及系统
CN111631688B (zh) 睡眠自动分期的算法
CN117540238B (zh) 一种工业数字化信息采集装置用数据安全管理方法
CN117786429B (zh) 基于可穿戴设备的老人健康监测数据处理方法
CN111493828A (zh) 基于全卷积网络的序列到序列的睡眠障碍检测方法
CN109583331B (zh) 基于深度学习的人手腕脉口位置精准定位方法
CN112509696A (zh) 基于卷积自编码器高斯混合模型的健康数据检测方法
CN117807551B (zh) 基于智能戒指的心率异常捕获方法及系统
CN117473351B (zh) 基于物联网的电源信息远程传输系统
CN116595465A (zh) 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统
CN117951630A (zh) 一种呼吸重症患者异常呼吸模式识别方法
CN116311497A (zh) 一种基于机器视觉的隧道工人异常行为检测方法及系统
CN112155549A (zh) 基于深度卷积脉冲神经网络的adhd疾病诊断辅助决策系统
CN114004258B (zh) 一种半监督的心电异常检测方法
CN111166286A (zh) 一种梦游检测方法、存储介质以及梦游检测装置
Jansi et al. Hierarchical evolutionary classification framework for human action recognition using sparse dictionary optimization
CN113951868A (zh) 机械通气患者人机不同步检测方法及装置
CN116451104B (zh) 一种共享单车头盔容置检测及消杀系统
Teng et al. Multimedia monitoring system of obstructive sleep apnea via a deep active learning model
CN114680879B (zh) 体动伪迹信号的检测方法以及装置
CN113456027B (zh) 一种基于无线信号的睡眠参数评估方法
CN112308831B (zh) 一种基于复杂网络时序特征的脑网络分析方法
CN118356189B (zh) 基于智能陪护机器人的异常行为监控识别方法
CN118471554B (zh) 一种身体数据采集系统及方法

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