[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN104490401A - 基于加速度数据的智能终端进行人体行为自动识别的方法 - Google Patents

基于加速度数据的智能终端进行人体行为自动识别的方法 Download PDF

Info

Publication number
CN104490401A
CN104490401A CN201510020940.1A CN201510020940A CN104490401A CN 104490401 A CN104490401 A CN 104490401A CN 201510020940 A CN201510020940 A CN 201510020940A CN 104490401 A CN104490401 A CN 104490401A
Authority
CN
China
Prior art keywords
intelligent terminal
human body
acceleration
body behavior
acceleration information
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
Application number
CN201510020940.1A
Other languages
English (en)
Other versions
CN104490401B (zh
Inventor
张�杰
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201510020940.1A priority Critical patent/CN104490401B/zh
Publication of CN104490401A publication Critical patent/CN104490401A/zh
Application granted granted Critical
Publication of CN104490401B publication Critical patent/CN104490401B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/103Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116Determining posture transitions
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/103Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116Determining posture transitions
    • A61B5/1117Fall detection
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/103Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112Gait analysis
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种基于加速度数据的智能终端进行人体行为自动识别的方法,涉及人体行为监控技术领域。该方法可以通过对人体行为加速度数据的分析,自动识别人体行为类别,包括直立或躺卧、坐立或站立、静止或运动以及是否摔倒等。通过采用本发明实施例提供的方法,可以使智能终端在使用的过程中,无需事先设定行为模式,而能够直接采集老人行为数据,并自动识别人体行为,从而解决了老人在使用智能终端的过程中,容易忘记设定模式的问题,使老人乐于佩戴和使用,进而保证了采集的数据准确、全面,以及智能终端的推广应用。

Description

基于加速度数据的智能终端进行人体行为自动识别的方法
技术领域
本发明涉及人体行为监控技术领域,尤其涉及一种基于加速度数据的智能终端进行人体行为自动识别的方法。
背景技术
现在,随着空巢老人的不断增多,社会上对空巢老人的关注和关爱也越来越多,市场上相关的用于采集老人行为数据的产品也越来越多,比如智能手表和智能手环等。
目前,对人体行为进行监控的产品,主要是使用加速度传感器采集特定模式下的行为数据,并将采集的数据及时的发送给监控者,出现摔倒等危险行为时及时的报警,以便监控者及时的发现老人的情况并能够及时的采取相应的措施,保证老人的安全。
但是,现有的人体行为的监控产品,一般在产品上设置相应的模式,佩戴者使用时,需要人工干预,在进入某个行为之前,先手动设定到相关的模式,从而采集到设定行为模式下的行为数据,监控者也会直接监控到老人某种行为下的数据,而佩戴者一般是老人,在使用过程中,很容易忘记设定模式,或者,认为使用不方便而不愿意设定,从而不仅会造成采集数据不全面或不准确,而且也会降低使用者的积极性,无法达到对其行为进行监控的目的,进而影响产品的推广。
发明内容
本发明的目的在于提供一种基于加速度数据的智能终端进行人体行为自动识别的方法,设备自动识别使用者的行为,而无需使用者进行模式设定,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明采用的技术方案如下:
一种基于加速度数据的智能终端进行人体行为自动识别的方法,包括如下步骤:
S1,获取人体行为的加速度数据;
S2,根据所述加速度数据判断所述人体行为是直立状态还是躺卧状态,如果是躺卧状态,则执行S4;如果是直立状态,则执行S3;
S3,判断是坐立状态还是站立状态,如果是坐立状态,则执行S7;如果是站立状态,则执行S4;
S4,判断是静止状态还是运动状态,如果是静止状态,则执行S7;如果是运动状态,则制作运动曲线;
S5,判断所述运动曲线是否类s ine曲线,如果不是,则执行S7;如果是,则获取所述运动曲线的参数;
S6,根据所述运动曲线的参数,判断所述运动状态的类别,并执行S7;
S7,判断是否摔倒,如果是,则报警,如果不是,则进入下一次循环。
优选地,所述加速度数据通过加速度传感器采集。
更优选地,所述加速度传感器为三轴加速度传感器,则S1中的所述加速度为三轴加速度。
具体地,所述运动曲线的参数包括斜率、起始点、终点、频率、峰值和中线值。
具体地,S5为,判断所述类s ine曲线是否规律性的穿过中线,如果是,则所述运动状态为走跑步;如果不是,则所述运动状态为原地运动。
具体地,S5为,判断所述类s ine曲线的峰值的个数,如果连续的所述峰值的个数达到设定值,则所述运动状态为走跑步;否则,所述运动状态为原地运动。
更具体地,S5中,如果所述运动状态为走跑步,则计算步态参数,根据所述步态参数和设定的阈值,确定所述走跑步为跑步还是走步。
具体地,所述步态参数,包括步频、步长、步宽、摆角和步速。
优选地,所述循环为每640ms循环32次。
具体地,S7中所述判断是否摔倒,包括:
S701,计算合加速度;
S702,判断所述合加速度是否低于阀值,如果是,则执行S703;如果不是,则进入下一次循环;
S703,判断所述和加速度是否符合摔倒特征,如果符合,则摔倒,如果不符合,则未摔倒。
本发明的有益效果是:通过采用本发明实施例提供的方法,可以使用于采集老人行为数据的智能终端,在使用的过程中,无需事先设定行为模式,再进行老人行为数据采集,而能够直接采集老人行为数据,并自动识别人体行为,从而解决了老人在使用智能终端的过程中,容易忘记设定模式的问题,使老人乐于佩戴和使用,进而保证了采集的数据准确、全面,以及智能终端的推广应用。
附图说明
图1是本发明实施例提供的基于加速度数据的智能终端进行人体行为自动识别的方法流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供的智能终端可以为本领域中常用的智能终端,其佩戴方法、自动同步、语音播报等特性和功能等为智能终端常规的特性和功能。
现有技术中,使用智能终端采集老人行为时,不能自动识别老人行为,也不能自动识别摔倒,只有佩戴者首先将智能终端设置在某个模式下,才能采集该模式下的老人行为,而本发明实施例中,提供了一种自动识别人体行为的方法,尤其能够自动识别摔倒,不需佩戴者的任何干预,因此,使用本实施例提供的方法的智能终端,更符合使用者(大多数为老人)的特点,从而更好的实现关心老人身体健康的目的。
如图1所示,本发明实施例提供了一种基于加速度数据的智能终端进行人体行为自动识别的方法,包括如下步骤:
S1,获取人体行为的加速度数据;
S2,根据所述加速度数据判断所述人体行为是直立状态还是躺卧状态,如果是躺卧状态,则执行S4;如果是直立状态,则执行S3;
S3,判断是坐立状态还是站立状态,如果是坐立状态,则执行S7;如果是站立状态,则执行S4;
S4,判断是静止状态还是运动状态,如果是静止状态,则执行S7;如果是运动状态,则制作运动曲线;
S5,判断所述运动曲线是否类s ine曲线,如果不是,则执行S7;如果是,则获取所述运动曲线的参数;
S6,根据所述运动曲线的参数,判断所述运动状态的类别,并执行S7;
S7,判断是否摔倒,如果是,则报警,如果不是,则进入下一次循环。
现有的智能终端产品,采用本发明实施例提供的人体行为自动识别的方法,可以使智能终端产品针对特定的用户群体(不善于使用手机的老人),不需要任何人为干预,就可以实现行为的自动识别,并将自动识别的数据自动与服务器同步,将老人佩戴数据上传到服务器,同时下载咨询、健康指导等播报内容,完全自动进行,不需要智能手机关联也不需要老人任何操作。从而方便了老人的使用。
在本发明实施例中,智能终端可以对采集到的人体行为进行识别,但是,该人体行为只是某个时刻点的行为,而不是某个时段内的连续的行为。通过将所有时刻点的人体行为自动同步到服务器上,则可以在服务器上查看一段连续时间内的人体行为,从而找到该连续时间内的人体行为规律,对使用者(老人)进行更好的行为监控。
本发明实施例中,在智能终端上,可以识别的行为包括:躺卧或直立、站立或坐立,静止或运动,原地运动或走跑步,是否有摔倒行为等。
如本领域技术人员可以理解的,根据本发明实施例提供的人体行为的自动识别方法,还可以将人体行为分为其他的类别,而根据加速度数据判断人体行为可以根据本领域的常用技术手段实现。
本发明实施例中,所述加速度数据通过加速度传感器采集。
本发明实施例中,所述加速度传感器为三轴加速度传感器,则S1中的所述加速度为三轴加速度。
如本领域技术人员可以理解的,智能终端采集的加速度数据还可以采用三轴之外的多轴加速度传感器,得到多轴加速度数据。
本发明实施例中,根据所述加速度数据判断所述人体行为类别,可以采用本领域的常规技术手段。
在本发明实施例中,判断运动状态时,可以采用如下方法:
制作时间点和加速度数据的运动曲线;
判断运动曲线是否为类s ine曲线;
如果是类s ine曲线,则找到所做的运动曲线的相关参数,其中,所述运动曲线的参数包括斜率、起始点、终点、频率、峰值和中线值。得到所述运动曲线的参数后,S5可以为,判断所述类s ine曲线是否规律性的穿过中线,如果是,则所述运动状态为走跑步;如果不是,则所述运动状态为原地运动。
本发明实施例中,所述规律性的穿过中线,可以为:类s ine曲线两次穿过中线代表1步,连续监测到5步后自动切换到记步模式,开始记步,两次记步的时间窗口为0.2到2s。小于或大于这个时间窗口则退出记步模式。
如本领域技术人员可以理解的,所述规律性的穿过中线还可以根据实际需求进行其他的规定;同时,还可以根据实际情况进行修正或调整。
本发明实施例中,S5也可以为,判断所述类s ine曲线的峰值的个数,如果连续的所述峰值的个数达到设定值,则所述运动状态为走跑步;否则,所述运动状态为原地运动。
比如,连续的峰值的个数达到5个,则可以判断运动状态为走跑步,如果连续的峰值的个数未达到5个,则可以判断运动状态为原地运动。
如本领域技术人员可以理解的,所述连续的所述峰值的个数的设定值还可以根据实际需求进行其他的规定;同时,还可以根据实际情况进行修正或调整。
本发明实施例中,S3中,所述如果是运动状态,则制作运动曲线,还包括步骤,计算运动量,则S5中,根据所述运动量和设定的阈值,确定所述走跑步为跑步还是走步。
本发明实施例中,S5中,如果所述运动状态为走跑步,则计算步态参数,根据所述步态参数和设定的阈值,确定所述走跑步为跑步还是走步。所述步态参数,包括步频、步长、步宽、摆角和步速。
本实施例中,阈值是通过对多个样本的实际行为数据进行统计后,设定的。比如运动量阈值的设定,通过采集多个实际生活中,跑步行为的运动量统计,和走步行为的运动量统计,得出了区别跑步和走步的运动量,该区别运动量即作为阈值用于对新的样本的行为判别中,当运动量大于阈值时,则为跑步,当运动量小于阈值时,则为走步。
如本领域技术人员可以理解的,在实际运用过程中,还可以不断的对阈值进行修正,通过采集样本数量不断的增多,以及通过对采集样本的分析,不断的对阈值进行修正,使人体行为识别更加准确,为后续的监控提供更加准确的信息。
本发明实施例中,所述循环为每640ms循环32次。
本发明实施例中,由于是不间断的连续的采集人体行为数据,所以为了对更多的数据进行行为识别,并保证系统能够顺畅,避免由于程序运行次数过多,导致系统速率下降,或者无法顺利进行,采用每640ms循环32次的方式对采集的行为数据进行识别。
本发明实施例中,S7中所述判断是否摔倒,包括:
S701,计算合加速度;
S702,判断所述合加速度是否低于阀值,如果是,则执行S703;如果不是,则进入下一次循环;
S703,判断所述和加速度是否符合摔倒特征,如果符合,则摔倒,如果不符合,则未摔倒。
本发明实施例中,可以通过对多个样本提取体征,得到摔倒曲线,其中,纵坐标为合加速度的摔倒曲线的特征较明显,所以可以通过合加速度的摔倒曲线识别作为摔倒的指标。本发明实施例中,当在处理采样的数据时,出现失重状态,即合加速度低于阀值,则进入识别摔倒的程序,根据后续采样,判断失重状态持续时间在阀值内,且出现大冲击,之后平躺静止持续时间在符合阀值,则认为符合摔倒特征,判断为摔倒。
目前,防摔倒的智能终端,一般是通过加速度传感器采集加速度数据,根据加速度数据的计算所得倾斜角或合加速度值变化来判断老人是否出现摔倒等危险情况。
但是,现有技术中的智能终端识别率较低,而本发明中,通过对老人摔倒数据线性特征的分析,并经过大量真实数据的验证、大规模数据测试对几个阀值点的修正,从而达到98%的识别率。
目前用于采集老人行为数据的终端,一般是通过加速度传感器采集加速度数据,根据加速度数据的变化来判断老人记步等数据,只能在设定了行为模式后,再采集该行为模式下的老人行为数据,而无法对老人行为进行自动识别。因此需要老人在使用只能终端的过程中,事先设定好行为模式。
而且,本发明实施例中,由于在采集人体行为的过程中,不需要人为干预,终端设备可以自动识别人体行为,所以,采用本发明实施例提供的方法,智能终端可以实现对老人行为数据的全天24小时的采集和行为识别,从而实现对老人全天24小时的监控,而不是只能采集监控到某个行为时段内的数据,所以,对老人行为的判断会更加准确。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:通过采用本发明实施例提供的方法,可以使用于采集老人行为数据的智能终端,在使用的过程中,无需事先设定行为模式,再进行老人行为数据采集,而能够直接采集老人行为数据,并自动识别人体行为,从而解决了老人在使用智能终端的过程中,容易忘记设定模式的问题,使老人乐于佩戴和使用,进而保证了采集的数据准确、全面,以及智能终端的推广应用。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域人员应该理解的是,上述实施例提供的方法步骤的时序可根据实际情况进行适应性调整,也可根据实际情况并发进行。
上述实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机设备可读取的存储介质中,用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备,例如:个人计算机、服务器、网络设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等;所述的存储介质,例如:RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。

Claims (10)

1.一种基于加速度数据的智能终端进行人体行为自动识别的方法,其特征在于,包括如下步骤:
S1,获取人体行为的加速度数据;
S2,根据所述加速度数据判断所述人体行为是直立状态还是躺卧状态,如果是躺卧状态,则执行S4;如果是直立状态,则执行S3;
S3,判断是坐立状态还是站立状态,如果是坐立状态,则执行S7;如果是站立状态,则执行S4;
S4,判断是静止状态还是运动状态,如果是静止状态,则执行S7;如果是运动状态,则制作运动曲线;
S5,判断所述运动曲线是否类s ine曲线,如果不是,则执行S7;如果是,则获取所述运动曲线的参数;
S6,根据所述运动曲线的参数,判断所述运动状态的类别,并执行S7;
S7,判断是否摔倒,如果是,则报警,如果不是,则进入下一次循环。
2.根据权利要求1所述的基于加速度数据的智能终端进行人体行为自动识别的方法,其特征在于,所述加速度数据通过加速度传感器采集。
3.根据权利要求2所述的基于加速度数据的智能终端进行人体行为自动识别的方法,其特征在于,所述加速度传感器为三轴加速度传感器,则S1中的所述加速度为三轴加速度。
4.根据权利要求1所述的基于加速度数据的智能终端进行人体行为自动识别的方法,其特征在于,所述运动曲线的参数包括斜率、起始点、终点、频率、峰值和中线值。
5.根据权利要求4所述的基于加速度数据的智能终端进行人体行为自动识别的方法,其特征在于,S5为,判断所述类s ine曲线是否规律性的穿过中线,如果是,则所述运动状态为走跑步;如果不是,则所述运动状态为原地运动。
6.根据权利要求4所述的基于加速度数据的智能终端进行人体行为自动识别的方法,其特征在于,S5为,判断所述类s ine曲线的峰值的个数,如果连续的所述峰值的个数达到设定值,则所述运动状态为走跑步;否则,所述运动状态为原地运动。
7.根据权利要求5或6所述的基于加速度数据的智能终端进行人体行为自动识别的方法,其特征在于,S5中,如果所述运动状态为走跑步,则计算步态参数,根据所述步态参数和设定的阈值,确定所述走跑步为跑步还是走步。
8.根据权利要求7所述的基于加速度数据的智能终端进行人体行为自动识别的方法,其特征在于,所述步态参数,包括步频、步长、步宽、摆角和步速。
9.根据权利要求1所述的基于加速度数据的智能终端进行人体行为自动识别的方法,其特征在于,所述循环为每640ms循环32次。
10.根据权利要求1所述的基于加速度数据的智能终端进行人体行为自动识别的方法,其特征在于,S7中所述判断是否摔倒,包括:
S701,计算合加速度;
S702,判断所述合加速度是否低于阀值,如果是,则执行S703;如果不是,则进入下一次循环;
S703,判断所述和加速度是否符合摔倒特征,如果符合,则摔倒,如果不符合,则未摔倒。
CN201510020940.1A 2015-01-15 2015-01-15 基于加速度数据的智能终端进行人体行为自动识别的方法 Expired - Fee Related CN104490401B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510020940.1A CN104490401B (zh) 2015-01-15 2015-01-15 基于加速度数据的智能终端进行人体行为自动识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510020940.1A CN104490401B (zh) 2015-01-15 2015-01-15 基于加速度数据的智能终端进行人体行为自动识别的方法

Publications (2)

Publication Number Publication Date
CN104490401A true CN104490401A (zh) 2015-04-08
CN104490401B CN104490401B (zh) 2017-05-24

Family

ID=52931929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510020940.1A Expired - Fee Related CN104490401B (zh) 2015-01-15 2015-01-15 基于加速度数据的智能终端进行人体行为自动识别的方法

Country Status (1)

Country Link
CN (1) CN104490401B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104841117A (zh) * 2015-05-05 2015-08-19 惠州Tcl移动通信有限公司 基于移动终端加速度传感器的运动次数的计数方法及系统
CN105212941A (zh) * 2015-08-25 2016-01-06 武汉理工大学 一种人体活动状态识别方法及系统
CN106295680A (zh) * 2016-07-29 2017-01-04 深圳云智优泊科技有限公司 低功耗驾车和步行状态识别系统
CN106598222A (zh) * 2016-11-14 2017-04-26 上海斐讯数据通信技术有限公司 一种场景模式的切换方法和系统
CN107358051A (zh) * 2017-07-18 2017-11-17 前海随身宝(深圳)科技有限公司 终端运动状态分析方法、移动终端及可读存储介质
CN108346469A (zh) * 2018-01-15 2018-07-31 维沃移动通信有限公司 用于确定人体健康状况的方法及移动终端
CN108446019A (zh) * 2018-02-13 2018-08-24 重庆大学 一种基于可穿戴设备传感器技术的用户行为测量方法及操作纠偏模型
CN108536158A (zh) * 2017-03-03 2018-09-14 北京小米移动软件有限公司 平衡车的控制方法及装置
CN109199355A (zh) * 2018-09-18 2019-01-15 深圳和而泰数据资源与云技术有限公司 心率信息检测方法、装置和检测设备
CN109447128A (zh) * 2018-09-29 2019-03-08 中国科学院自动化研究所 基于微惯性技术的行走和原地踏步运动分类方法和系统
CN110327050A (zh) * 2019-05-05 2019-10-15 北京理工大学 用于可穿戴装备的人跌倒状态嵌入式智能检测方法
CN111728327A (zh) * 2019-03-25 2020-10-02 深圳市贝沃电子科技有限公司 一种基于NB-loT的老人守护手环

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007160076A (ja) * 2005-11-15 2007-06-28 Univ Nihon 人の姿勢動作判別装置およびエネルギー消費量算出装置
US20090161915A1 (en) * 2007-12-24 2009-06-25 National Chiao Tung University Of Taiwan Multi-person pose recognition system using a zigbee wireless sensor network
WO2011055255A1 (en) * 2009-11-03 2011-05-12 Koninklijke Philips Electronics N.V. Method and system for revoking a fall alarm field of the invention
JP2011156099A (ja) * 2010-01-29 2011-08-18 Carecom Co Ltd ナースコールシステム
CN102302361A (zh) * 2011-06-24 2012-01-04 东北大学 一种心率及身体状态监测装置及方法
CN103006234A (zh) * 2011-09-22 2013-04-03 惠振宇 身体状态监测装置、安全提醒监测系统及监测方法
CN103886715A (zh) * 2014-02-28 2014-06-25 南京邮电大学 一种人体跌倒检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007160076A (ja) * 2005-11-15 2007-06-28 Univ Nihon 人の姿勢動作判別装置およびエネルギー消費量算出装置
US20090161915A1 (en) * 2007-12-24 2009-06-25 National Chiao Tung University Of Taiwan Multi-person pose recognition system using a zigbee wireless sensor network
WO2011055255A1 (en) * 2009-11-03 2011-05-12 Koninklijke Philips Electronics N.V. Method and system for revoking a fall alarm field of the invention
JP2011156099A (ja) * 2010-01-29 2011-08-18 Carecom Co Ltd ナースコールシステム
CN102302361A (zh) * 2011-06-24 2012-01-04 东北大学 一种心率及身体状态监测装置及方法
CN103006234A (zh) * 2011-09-22 2013-04-03 惠振宇 身体状态监测装置、安全提醒监测系统及监测方法
CN103886715A (zh) * 2014-02-28 2014-06-25 南京邮电大学 一种人体跌倒检测方法

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104841117B (zh) * 2015-05-05 2017-09-05 惠州Tcl移动通信有限公司 基于移动终端加速度传感器的运动次数的计数方法及系统
CN104841117A (zh) * 2015-05-05 2015-08-19 惠州Tcl移动通信有限公司 基于移动终端加速度传感器的运动次数的计数方法及系统
CN105212941A (zh) * 2015-08-25 2016-01-06 武汉理工大学 一种人体活动状态识别方法及系统
CN105212941B (zh) * 2015-08-25 2017-12-29 武汉理工大学 一种人体活动状态识别方法及系统
CN106295680A (zh) * 2016-07-29 2017-01-04 深圳云智优泊科技有限公司 低功耗驾车和步行状态识别系统
CN106598222A (zh) * 2016-11-14 2017-04-26 上海斐讯数据通信技术有限公司 一种场景模式的切换方法和系统
CN108536158A (zh) * 2017-03-03 2018-09-14 北京小米移动软件有限公司 平衡车的控制方法及装置
CN107358051A (zh) * 2017-07-18 2017-11-17 前海随身宝(深圳)科技有限公司 终端运动状态分析方法、移动终端及可读存储介质
CN107358051B (zh) * 2017-07-18 2018-07-10 前海随身宝(深圳)科技有限公司 终端运动状态分析方法、移动终端及可读存储介质
CN108346469A (zh) * 2018-01-15 2018-07-31 维沃移动通信有限公司 用于确定人体健康状况的方法及移动终端
CN108446019A (zh) * 2018-02-13 2018-08-24 重庆大学 一种基于可穿戴设备传感器技术的用户行为测量方法及操作纠偏模型
CN108446019B (zh) * 2018-02-13 2020-11-06 重庆大学 一种基于可穿戴设备传感器技术的用户行为测量方法及操作纠偏模型
CN109199355A (zh) * 2018-09-18 2019-01-15 深圳和而泰数据资源与云技术有限公司 心率信息检测方法、装置和检测设备
CN109199355B (zh) * 2018-09-18 2021-09-28 深圳和而泰数据资源与云技术有限公司 心率信息检测方法、装置和检测设备
CN109447128A (zh) * 2018-09-29 2019-03-08 中国科学院自动化研究所 基于微惯性技术的行走和原地踏步运动分类方法和系统
CN111728327A (zh) * 2019-03-25 2020-10-02 深圳市贝沃电子科技有限公司 一种基于NB-loT的老人守护手环
CN110327050A (zh) * 2019-05-05 2019-10-15 北京理工大学 用于可穿戴装备的人跌倒状态嵌入式智能检测方法

Also Published As

Publication number Publication date
CN104490401B (zh) 2017-05-24

Similar Documents

Publication Publication Date Title
CN104490401A (zh) 基于加速度数据的智能终端进行人体行为自动识别的方法
CN104539726A (zh) 一种用于子女关爱老人行为规律的系统和方法
CN104200234A (zh) 人体动作建模和识别方法
CN104406603B (zh) 一种基于加速度传感器的计步方法和装置
CN105310696A (zh) 一种跌倒检测模型构建方法及相应的跌倒检测方法和装置
CN103691102A (zh) 运动信息监控系统及其方法
Yang et al. Improving the validity of lifelogging physical activity measures in an internet of things environment
CN102246705A (zh) 一种利用信号处理技术分析动物行为的方法和系统
CN114343574B (zh) 一种睡眠质量评估方法及客户端、服务器、存储介质
CN105877719A (zh) 一种马拉松赛事选手身体状况监测系统
CN102663347B (zh) 学生学习行为采集与分析系统及其方法
CN115547497B (zh) 基于多源数据的近视防控系统及方法
CN105243285A (zh) 一种大数据健康预测系统
CN104519143A (zh) 一种基于智能终端提高老人作息健康的方法和系统
CN110705421A (zh) 体型数据的处理方法及装置
CN108231156A (zh) 一种基于可穿戴设备进行行为识别的患者活动情况分析系统及其方法
CN105212941A (zh) 一种人体活动状态识别方法及系统
Zhang et al. Digital twin perception and modeling method for feeding behavior of dairy cows
JP6774579B2 (ja) 歩行評価システム、歩行評価方法、そのプログラム、記憶媒体、携帯端末、及び、サーバ
CN104361361A (zh) 通过云计算和机器学习算法判断摔倒的方法和系统
CN113221776A (zh) 一种基于人工智能对反刍动物一般行为识别的方法
CN116269220B (zh) 一种睡眠数据持续监测和管理的方法及可穿戴设备
CN205250557U (zh) 一种智能阅读系统
CN112883939B (zh) 实时跌倒检测模型训练方法、实时跌倒检测方法及装置
CN208287003U (zh) 八段锦训练运动轨迹采集装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170524

Termination date: 20200115