CN112582063A - Bmi预测方法、装置、系统及计算机存储介质、电子设备 - Google Patents
Bmi预测方法、装置、系统及计算机存储介质、电子设备 Download PDFInfo
- Publication number
- CN112582063A CN112582063A CN201910942098.5A CN201910942098A CN112582063A CN 112582063 A CN112582063 A CN 112582063A CN 201910942098 A CN201910942098 A CN 201910942098A CN 112582063 A CN112582063 A CN 112582063A
- Authority
- CN
- China
- Prior art keywords
- data
- motion sensor
- sensor data
- motion
- sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 56
- 230000009471 action Effects 0.000 claims description 51
- 238000005070 sampling Methods 0.000 claims description 48
- 230000000875 corresponding effect Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 32
- 230000001133 acceleration Effects 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 17
- 238000012952 Resampling Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 11
- 238000003491 array Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims 2
- 230000036541 health Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 17
- 238000013527 convolutional neural network Methods 0.000 description 8
- 208000008589 Obesity Diseases 0.000 description 6
- 235000020824 obesity Nutrition 0.000 description 6
- 230000001351 cycling effect Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000037396 body weight Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种BMI预测方法、装置、系统及计算机存储介质、电子设备，包括：获取用户当前动作状态下的动作传感器数据；根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI。采用本申请中的方案，将BMI作为一个独立的健康指标直接预测，相比现有技术中单独预测身高和体重后再换算成BMI对的准确度更高、更精准。
Description
技术领域
本申请涉及计算机技术，具体地，涉及一种BMI预测方法、装置、系统及计算机存储介质、电子设备。
背景技术
身体质量指数(BMI，Body Mass Index)又称体重指数，BMI＝体重/身高的平方(国际单位kg/m2)，是国际上常用的衡量人体肥胖程度和是否健康的重要标准。肥胖程度的判断不能采用体重的绝对值，它天然与身高有关，因此，BMI通过人体体重和身高两个数值获得相对客观的参数，并用这个参数所处范围衡量身体质量。
按照世界卫生组织公布的标准，根据BMI数值成年人可分为六类健康状况，如下表所示：
| BMI | 健康状况 |
| ＜18.5 | 超瘦 |
| 18.5-24.9 | 正常体重 |
| 25.0-29.9 | 预肥胖 |
| 30.0-34.9 | 肥胖一期 |
| 35.0-39.9 | 肥胖二期 |
| ＞40 | 肥胖三期 |
BMI不仅被用于评估个人健康状况，也是各国政府部门制定公共卫生政策的一项重要依据。统计全民BMI数据单纯靠个体坚持测量身高体重并定期汇总上报是非常困难的，移动通信网络的全面覆盖和智能移动终端的日益普及，为远程测量个体BMI提供了硬件基础。
目前存在利用手机加速度传感器预测用户性别、身高和体重的研究，具体是使用均值、方差在内的统计特征训练传统的及其学习模型。这种方式只能针对特定运动状态下(步行)，利用加速度传感器数据进行单一的身高和体重的预测。
现有技术中存在的问题：
目前采用手机动作传感器只能在特定运动状态已知的情况下预测身高和体重，适用场景有较大局限性；而且是将用户的身高和体重作为独立问题单独预测，然后再进行求比值计算得到BMI，导致预测准确度较低。
发明内容
本申请实施例中提供了一种BMI预测方法、装置、系统及计算机存储介质、电子设备，以解决上述技术问题。
根据本申请实施例的第一个方面，提供了一种BMI预测方法，包括如下步骤：
获取用户当前运动状态下的动作传感器数据；
根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI。
根据本申请实施例的第二个方面，提供了一种BMI预测装置，包括：
数据获取模块，用于获取用户当前运动状态下的动作传感器数据；
BMI预测模块，用于根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI。
根据本申请实施例的第三个方面，提供了一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述BMI预测方法的步骤。
根据本申请实施例的第四个方面，提供了一种电子设备，包括存储器、以及一个或多个处理器，所述存储器用于存储一个或多个程序；所述一个或多个程序被所述一个或多个处理器执行时，实现如上所述的BMI预测方法。
根据本申请实施例的第五个方面，提供了一种BMI预测系统，包括：移动终端、以及包括如上所述BMI预测装置的服务器，所述移动终端，包括：
动作传感器，用于采集用户动作时的动作传感器数据；
数据通信模块，用于将所述动作传感器数据发送至所述服务器，并接收所述服务器反馈的BMI。
采用本申请实施例中提供的BMI预测方法、装置、系统及计算机存储介质、电子设备，本申请实施例将用户的身高体重比值(BMI)直接作为预测目标，将BMI作为一个独立的健康指标，相比现有技术中单独预测身高和体重后再换算成BMI对的准确度更高、更精准。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1示出了本申请实施例一中BMI预测方法实施的流程示意图；
图2示出了本申请实施例二中BMI预测装置的结构示意图；
图3示出了本申请实施例四中电子设备的结构示意图；
图4示出了本申请实施例五中BMI预测系统的结构示意图；
图5示出了本申请实施例六中动作传感器数据的序列示意图；
图6示出了本申请实施例六中动作传感器数据的波形示意图；
图7示出了本申请实施例六中滑动窗口划分的示意图；
图8示出了本申请实施例六中模型训练的过程示意图。
具体实施方式
在实现本申请的过程中，发明人发现：
现有技术中还包括利用脸部照片或语音来预测BMI数值的研究方案，但是，使用手机摄像头获取面部照片、或者使用手机麦克风记录语音这两种方式都存在隐私泄露的担忧。
因此，上述预测BMI的方法都有一定的隐私局限性，制约其大规模使用。
针对上述问题，本申请实施例中提供了一种BMI预测方法、装置、系统及计算机存储介质、电子设备，可以在用户动作状态未知的情况下使用，更符合日常生活的设定，且将用户的身高体重比值直接作为预测目标，比现有的单独预测身高和体重后再换算BMI的方式预测结果更精准，验证了BMI作为一个独立的健康指标对步态的影响超出了单独的身高或体重指标；此外，使用基于深度学习的预测模型较传统模型在性能上有明显提升。
本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
为了使本申请实施例中的技术方案及优点更加清楚明白，以下结合附图对本申请的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本申请的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例一
图1示出了本申请实施例一中BMI预测方法实施的流程示意图。
如图所示，所述BMI预测方法包括：
步骤101、获取用户当前动作状态下的动作传感器数据；
步骤102、根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI。
具体实施时，动作传感器数据可以由传感器组件记录得到，传感器组件可以包括加速度计、重力传感器、陀螺仪、姿态传感器等。所述用户可以携带具备这些传感器组件的设备进行任意活动，本申请实施例将这些传感器组件采集或记录得到的动作传感器数据获取到并进行后续模型预测。
所述预先建立的BMI识别模型为以若干携带具有动作传感器的设备的用户执行某一指定动作时采集的动作传感器数据作为样本进行深度学习训练得到，所述BMI识别模型的训练样本携带有动作标签以及该用户的BMI值两个标签。
采用本申请实施例中提供的BMI预测方法，可以在用户动作状态未知的情况下使用，更符合日常生活的设定；而且，本申请实施例将用户的身高体重比值(BMI)直接作为预测目标，将BMI作为一个独立的健康指标，相比现有技术中单独预测身高和体重后再换算成BMI对的准确度更高、更精准。
在具体实施时，可能并不知晓用户当前具体处于何种运动状态，因此，本申请实施例还可以采用如下方式实施。
在一种实施方式中，所述获取用户当前运动状态下的动作传感器数据，包括：
获取用户当前的动作传感器数据；
根据所述动作传感器数据以及预先建立的动作识别模型，确定所述用户当前的动作状态。
所述预先建立的动作识别模型为以若干携带具有动作传感器的设备的用户分别执行不同的动作时采集的动作传感器数据作为样本进行深度学习训练得到，所述动作识别模型的训练样本携带有动作标签；
采用本申请实施例中提供的BMI预测方法，可以在用户动作状态未知的情况下使用，更符合日常生活的设定。
在一种实施方式中，在所述获取用户的动作传感器数据之后、根据所述动作传感器数据以及预先建立的动作识别模型确定所述用户的动作状态之前，进一步包括：
根据预先设定的采样率φ对所述动作传感器数据进行重采样，得到与所述预先设定的采样率φ相同的动作传感器数据；
对所述与所述预先设定的采样率相同的动作传感器数据按照预先设定的时间窗口w和交叠θ进行滑动窗口划分；
在滑动窗口划分后对所述动作传感器数据进行标准化，生成若干子序列。
具体实施时，不同的终端中动作传感器的采样率可能是不同的，例如：在某些型号的手机中加速度计的采样率为88Hz，陀螺仪的采样率则为122Hz等，本申请实施例为了确保后续不同传感器(例如：加速度计和陀螺仪、或者不同手机中的加速度计、不同手机中的陀螺仪等)的数据能够同时处理，通过上采样、下采样和内插等方式来对动作传感器数据进行重采样，使得它们的采样率一致。
此外，由于采集到的动作传感器数据在时间上是连续的，本申请实施例根据给定的时间窗口大小将基于时间序列的动作传感器数据拆分为若干小块，使用固定大小的滑动窗口快速分割数据。
本领域技术人员应当知晓，还可以存在其他类型的分割方法，本申请实施例只是以上述分割方式为例进行说明，并不能限制本申请的保护范围。
最后，在数据分割后，本申请实施例可以将滑动窗口中的数据归一化为0～1的范围，通过规范化可以在不改变数据分布的情况下对不同数据进行标准化，生成若干子序列。具体的，子序列的结构可以采用多维数组结构。
现有技术认为所有的动作传感器数据都能用于训练模型，这样导致很多不具备鲜明运动特征的数据影响了模型的识别效果，本申请实施例为了解决这一问题，还可以采用如下方式实施。
在一种实施方式中，在所述根据动作传感器数据以及预先建立的动作识别模型确定所述用户的动作状态之后、根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI之前，进一步包括：
计算所述动作传感器数据的运动信息熵；
将所述动作传感器数据中低于与所述动作状态对应的预设运动信息熵阈值的数据删除。
具体实施时，每个动作状态可以预先设置有与该动作状态对应的运动信息熵(MotionEn)阈值，该阈值的具体数值可以根据实际需要设置，本申请对此不作限制。
具体的，信息熵的计算可以采用现有技术实现，本申请对现有的信息熵计算方式在此不做赘述。
本申请实施例通过基于信息熵的动作传感器数据过滤机制，可以过滤掉那些无法或不能明显确定用户特征的动作传感器数据，从而极大缩减了预测数据所需的窗口大小，相比现有技术中基于所有数据预测用户特征的方式，减少了后续计算量、提高了预测准确度。
在一种实施方式中，所述计算所述动作传感器数据的运动信息熵，具体利用下式计算：
其中，racc,rgyro分别为预设的加速度传感器各分量、角速度传感器各分量的向量模相似容限；Bm(racc,rgyro)为序列Xm(i)和序列Xm(j)在相似容限racc,rgyro下匹配m个点的概率，Am(racc,rgyro)为序列Xm+1(i)和序列Xm+1(j)在相似容限racc,rgyro下匹配m+1个点的概率；
Bi为与序列Xm(i)的各传感器向量模分量间距离小于等于racc,rgyro的Xm(j)的数量；
Xm(i)为所述动作传感器向量模数据组成的序列{x(n)}中从第i点开始的m个连续值的子序列；Xm(j)为所述动作传感器向量模数据组成的序列{x(n)}中从第j点开始的m个连续值的子序列；Xm+1(i)为所述动作传感器向量模数据组成的序列{x(n)}中从第i点开始的m+1个连续值的子序列；Xm+1(j)为所述动作传感器向量模数据组成的序列{x(n)}中从第j点开始的m+1个连续值的子序列。
在一种实施方式中，所述序列Xm(i)与序列Xm(j)的距离：
所述序列Xm+1(i)与序列Xm+1(j)的距离：
其中，k为大于等于0的增量。
在一种实施方式中，动作传感器向量模数据组成的序列{x(n)}为：
其中，
ax,t、ay,t和az,t分别表示t时刻x、y和z三个方向上的加速度大小，ωx,t、ωy,t和ωz,t分别表示t时刻x、y和z三个方向上的角速度大小，t时刻w个采样点的动作传感器数据组成的序列ST为：
本申请的发明人在发明过程中发现：并不是所有时刻的动作传感器数据都能用于识别所述用户的BMI，因此，本申请实施例通过运动信息熵(MotionEn)定义筛选满足运动信息熵预设阈值的部分传感器数据做为训练数据，得到了准确度更高的BMI识别模型。
在一种实施方式中，所述动作识别模型的建立过程，包括：
采集若干分别在不同预设动作状态下预设时长的动作传感器数据，得到若干组数据序列；所述数据序列带有对应的动作状态标签；
将所述数据序列重采样为同一采样率后按照预设的滑动窗口生成动作传感器数据的多维数组；
将所述动作传感器数据的多维数组分别作为输入向量输入至初始深度卷积神经网络，经多次迭代训练得到动作识别模型。
具体实施时，假设预设动作状态包括跑步、慢走、骑行、静止等，本申请实施例可以预先设定各种动作状态的具体属性，例如在速度多少的情况下视为跑步、在速度多少的情况下视为慢走等，具体属性值可以根据实际需要设置，本申请实施例只需要将不同的动作状态进行区分即可。
采集数据时不同动作状态下的时长可以不同，例如：跑步状态下采集2分钟的动作传感器数据，慢走状态下采集2分钟或4分钟的动作传感器数据等。
对于不同的用户(或者称为动作传感器的携带者)可以采集到若干上述数据，具体动作传感器数据可以如下表所示：
可以看出，每个用户每个动作状态下的动作传感器数据为6组时间序列值，每组时间序列值包括若干按照时间先后排列的数值。
将这些动作传感器数据进行预处理后输入到深度卷积神经网络进行迭代训练，最终得到动作识别模型。
在一种实施方式中，所述BMI识别模型的建立过程，包括：
采集若干在预设动作状态下预设时长的动作传感器数据，得到若干组数据序列；所述数据序列带有对应的动作状态标签和BMI标签；
将所述数据序列重采样为同一采样率后按照预设的滑动窗口生成动作传感器数据的多维数组；
将所述动作传感器数据的多维数组分别作为输入向量输入至初始深度残差神经网络，经多次迭代训练得到BMI识别模型。
本申请实施例中将动作传感器数据视为多个“图片”，从多维时间序列中生成多个通道，每个通道中分别执行卷积和子采样等操作，最后的特征标识通过组合来自各个通道的信息获取得到。
以用户a跑步时的数据为例，具体动作传感器数据可以如下表所示：
具体实施时，在模型初始化时可以预先设置模型各个参数的值，通过后续不断的迭代、优化，调整各个参数的值，最终得到训练后的模型。
具体的，模型的参数可以包括学习速率、周期数、丢失率、批量大小等，具体参数优化过程以及参数的具体数值可以参考现有技术，本申请在此不做赘述。
在一种实施方式中，迭代训练过程，包括：
利用下式进行卷积层的计算：
其中，
为第l卷积层带有第i个特征映射的输出，n为实例索引，
为激活函数，m为内核或过滤器的大小，
为带有第i个特征图和第m个过滤器索引的权重向量，sm+n-1为运动传感器数据，bi为第i个特征映射的偏差项；
将卷积区域划分为若干子区域，通过子采样确定滑动窗口邻域内的最大输出，利用下式进行池化层的计算：
其中，γ为池的步长；
将池化层的输出输入到全连接层，利用下述损失函数编译网络：
其中，RMSE为样本标准差，
为预测值，yi为实际数据值。
具体实施时，本申请实施例在模型训练时的输入为一系列滑动窗口大小的6维数据(三轴加速度和三轴角速度的数值)，经过多个卷积层、池化层的特征学习得到特征图，输入至全连接层进行回归，输出模型的最终预测结果。
在一种实施方式中，所述获取用户的动作传感器数据包括获取预设时长的三轴加速度传感器数据和三轴角速度传感器数据，所述动作传感器数据为若干组6维数据序列；所述动作状态为慢跑、步行、骑行、上楼、下楼、站立、或坐姿。
在具体实施时，本申请的发明人考虑到在某些特定场景下可以大概率的确定用户当前具体处于何种动作状态，因此，本申请实施例还可以采用如下方式实施。
在一种实施方式中，所述获取用户当前动作状态下的动作传感器数据，包括：
监控到用户终端上的应用程序的运行情况；
根据应用程序的运行情况以及所述应用程序的类别确定触发获取用户当前动作状态下的动作传感器数据。
具体实施时，本申请实施例可以监控用户终端上的应用程序的运行情况，根据应用程序的运行情况以及应用程序的类别确定用户当前可能大概率的在执行什么动作，此时，触发获取用户的动作传感器数据，仍然可以确保动作传感器与动作状态之间的关系是比较准确的，进而确保后续BMI预测是准确的。
在一种实施方式中，所述根据应用程序的运行情况以及所述应用程序的类别确定触发获取用户当前运动状态下的动作传感器数据，包括在监测到以下任意一种场景时确定触发获取用户预设时间段内的动作传感器数据：
共享交通工具类应用程序开始计时；
共享交通工具类应用程序计时结束；
共享交通工具类应用程序调用支付应用程序完成支付操作；
餐饮类应用程序完成支付操作；
支付类应用程序完成向餐饮类商家支付操作。
具体实施时，本申请实施例为了更准确的获取运动传感器数据，可以结合某些特定场景下使用特定类型APP的情况来触发获取未来一段时间内的动作传感器数据。例如：在监测到用户使用共享交通工具APP开始骑行和结束骑行的一段时间内，可以采集较为准确的骑行数据和步行数据；或者，在使用线下支付软件完成线下支付操作后一段时间，可以采集较为准确的步行数据；或者，用户使用餐饮类应用程序进行支付操作后可以确定用户接下来的动作可能为步行；或者，用户使用支付类应用程序完成向餐饮类商家支付操作后，可以基本确定用户接下来的动作可能为步行等。
实施例二
基于同一发明构思，本申请实施例提供了一种BMI预测装置，该装置解决技术问题的原理与一种BMI预测方法相似，重复之处不再赘述。
图2示出了本申请实施例二中BMI预测装置的结构示意图。
如图所示，所述BMI预测装置包括：
数据获取模块201，用于获取用户当前运动状态下的动作传感器数据；
BMI预测模块202，用于根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI。
采用本申请实施例中提供的BMI预测装置，本申请实施例将用户的身高体重比值(BMI)直接作为预测目标，将BMI作为一个独立的健康指标，相比现有技术中单独预测身高和体重后再换算成BMI对的准确度更高、更精准。
在一种实施方式中，所述数据获取模块，包括：
获取单元，用于获取用户当前的动作传感器数据；
动作状态确定单元，用于根据所述动作传感器数据以及预先建立的动作识别模型，确定所述用户当前的动作状态。
采用本申请实施例中提供的BMI预测装置，可以在用户动作状态未知的情况下使用，更符合日常生活的设定。
在一种实施方式中，所述数据获取模块，进一步包括：
重采样单元，用于在所述获取用户的动作传感器数据之后、根据所述动作传感器数据以及预先建立的动作识别模型确定所述用户的动作状态之前，根据预先设定的采样率φ对所述动作传感器数据进行重采样，得到与所述预先设定的采样率φ相同的动作传感器数据；
窗口划分单元，用于对所述与所述预先设定的采样率相同的动作传感器数据按照预先设定的时间窗口w和交叠θ进行滑动窗口划分；
标准化单元，用于在滑动窗口划分后对所述动作传感器数据进行标准化，生成若干子序列。
在一种实施方式中，所述数据获取模块，进一步包括：
数据过滤单元，用于在所述根据动作传感器数据以及预先建立的动作识别模型确定所述用户的动作状态之后、根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI之前，计算所述动作传感器数据的运动信息熵(MotionEn)，将所述动作传感器数据中低于与所述动作状态对应的预设运动信息熵(MotionEn)阈值的数据删除。
在一种实施方式中，所述数据过滤单元具体利用下式计算所述子序列的运动信息熵(MotionEn)，具体利用下式计算：
以三轴加速度传感器和三轴角速度传感器构成的动作传感器数据为例，其子序列ST可以表示为：
其中：子序列ST起始时刻为t，一共w个采样点；
分别对所述子序列各种动作传感器采集的数据分别求向量模；
其中：ax,t、ay,t和az,t分别表示t时刻x、y和z三个方向上的加速度大小，而Acct表示t时刻加速度各种分量的向量模；
其中：ωx,t、ωy,t和ωz,t分别表示t时刻x、y和z三个方向上的角速度大小，而Gyrot表示t时刻角速度各种分量的向量模；
子序列ST转换为向量模序列XT＝[x(n)]，可以表示为：
所述运动信息熵(MotionEn)的公式可以表示为：
其中，racc,rgyro分别是Acct(n)和Gyrot(n)对应的相似容限；
Bm(racc,rgyro)为子序列Xm(i)和子序列Xm(j)在相似容限racc,rgyro下匹配m个点的概率，Am(racc,rgyro)为子序列Xm+1(i)和子序列Xm+1(j)在相似容限racc,rgyro下匹配m+1个点的概率；
所述，Xm(i)为所述动作传感器向量模数据组成的序列x(n)中的子序列，表示从第i点开始的m个连续值；Xm(j)为所述动作传感器向量模数据组成的序列x(n)中的子序列，表示从第j点开始的m个连续值；Xm+1(i)为所述动作传感器数据向量模数据组成的序列x(n)中的子序列，表示从第i点开始的m+1个连续值；Xm+1(j)为所述动作传感器数据组成的序列x(n)中的子序列，表示从第j点开始的m+1个连续值；
具体实施时，w为设定的时间窗口大小；w为有限值。
在一种实施方式中，所述序列Xm(i)与序列Xm(j)的距离：
所述序列Xm+1(i)与序列Xm+1(j)的距离：
其中，k为大于等于0的增量。
在一种实施方式中，所述装置进一步包括：
动作识别模型建立模块，用于采集若干分别在不同预设动作状态下预设时长的动作传感器数据，得到若干组数据序列；所述数据序列带有对应的动作状态标签；将所述数据序列重采样为同一采样率后按照预设的滑动窗口生成动作传感器数据的多维数组；将所述动作传感器数据的多维数组分别作为输入向量输入至初始深度卷积神经网络，经多次迭代训练得到动作识别模型。
在一种实施方式中，所述装置进一步包括：
BMI识别模型建立模块，用于采集若干在预设动作状态下预设时长的动作传感器数据，得到若干组数据序列；所述数据序列带有对应的动作状态标签和BMI标签；将所述数据序列重采样为同一采样率后按照预设的滑动窗口生成动作传感器数据的多维数组；将所述动作传感器数据的多维数组分别作为输入向量输入至初始深度残差神经网络，经多次迭代训练得到BMI识别模型。
在一种实施方式中，迭代训练过程，包括：
利用下式进行卷积层的计算：
其中，
为第l卷积层带有第i个特征映射的输出，n为实例索引，
为激活函数，m为内核或过滤器的大小，
为带有第i个特征图和第m个过滤器索引的权重向量，sm+n-1为运动传感器数据，bi为第i个特征映射的偏差项；
将卷积区域划分为若干子区域，通过子采样确定滑动窗口邻域内的最大输出，利用下式进行池化层的计算：
其中，γ为池的步长；
将池化层的输出输入到全连接层，利用下述损失函数编译网络：
其中，RMSE为样本标准差，
为预测值，yi为实际数据值。
在一种实施方式中，所述数据获取模块用于获取用户的三轴加速度传感器数据和三轴角速度传感器数据，所述三轴加速度传感器数据和三轴角速度传感器数据构成若干组6维数据序列；所述动作状态为慢跑、步行、骑行、上楼、下楼、站立、或坐姿。
在一种实施方式中，所述数据获取模块，进一步包括：
监控单元，用于监控到用户终端上的应用程序的运行情况；
触发单元，用于根据应用程序的运行情况以及所述应用程序的类别确定触发获取用户当前运动状态下的动作传感器数据。
在一种实施方式中，所述触发单元用于在以下任意一种场景下触发获取用户预设时间段内的动作传感器数据：
共享交通工具类应用程序开始计时；
共享交通工具类应用程序计时结束；
共享交通工具类应用程序调用支付应用程序完成支付操作；
餐饮类应用程序完成支付操作；
支付类应用程序完成向餐饮类商家支付操作。
实施例三
基于同一发明构思，本申请实施例还提供一种计算机存储介质，下面进行说明。
所述计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如实施例一所述BMI预测方法的步骤。
采用本申请实施例中提供的计算机存储介质，本申请实施例将用户的身高体重比值(BMI)直接作为预测目标，将BMI作为一个独立的健康指标，相比现有技术中单独预测身高和体重后再换算成BMI对的准确度更高、更精准。
实施例四
基于同一发明构思，本申请实施例还提供一种电子设备，下面进行说明。
图3示出了本申请实施例四中电子设备的结构示意图。
如图所示，所述电子设备包括存储器301、以及一个或多个处理器302，所述存储器用于存储一个或多个程序；所述一个或多个程序被所述一个或多个处理器执行时，实现如实施例一所述的BMI预测方法。
采用本申请实施例中提供的电子设备，本申请实施例将用户的身高体重比值(BMI)直接作为预测目标，将BMI作为一个独立的健康指标，相比现有技术中单独预测身高和体重后再换算成BMI对的准确度更高、更精准。
实施例五
基于同一发明构思，本申请实施例还提供一种BMI预测系统，下面进行说明。
图4示出了本申请实施例五中BMI预测系统的结构示意图。
如图所示，所述BMI预测系统，包括：移动终端401、以及包括如实施例二所述的BMI预测装置的服务器402；所述移动终端，包括：
动作传感器，用于采集用户动作时的动作传感器数据；
数据通信模块，用于将所述动作传感器数据发送至所述服务器，并接收所述服务器反馈的BMI。
采用本申请实施例中提供的BMI预测系统，本申请实施例将用户的身高体重比值(BMI)直接作为预测目标，将BMI作为一个独立的健康指标，相比现有技术中单独预测身高和体重后再换算成BMI对的准确度更高、更精准。
在一种实施方式中，所述动作传感器包括加速度传感器、以及角速度传感器等。
在一种实施方式中，所述移动终端为手持式通信设备(例如：智能手机等)或者可穿戴设备。
具体实施时，移动终端可以采集人体的动作传感器数据，并进行预处理，将预处理后的动作传感器数据发送给服务器，服务器对移动终端发送来的数据依次进行动作识别、显著性筛选和BMI识别，并将结果反馈，移动终端向携带者反馈服务器回传的BMI。
实施例六
为了便于本申请的实施，本申请实施例以一智能手机为具体实例进行说明。
一、训练模型
本申请实施例首先进行模型训练，具体包括如下步骤：
1、训练数据采集
(1)记录个体a的基本属性，包括身高、体重，换算成具体BMI值。
(2)获取个体a在执行以下动作时的动作传感器数据，包括：
慢跑t时长的动作传感器数据、步行t时长的动作传感器数据、上楼t时长的动作传感器数据、下楼t时长的动作传感器数据、站立t时长的动作传感器数据和自然坐姿t时长的动作传感器数据；其中，t≥1min。
具体实施时，不同动作采集的时长t可以不同。
(3)采集N个个体(N≥100)的上述步骤1和2的数据。
(4)以智能手机最常见的三轴加速度传感器和三轴角速度传感器为例，获取数据为若干组6维时间序列，图5仅显示了部分6维时间序列作为示例，如图5所示，1、2、3行可以为三轴加速度传感器数据值，4、5、6行可以为三轴角速度传感器数据值；为了便于观察，本申请实施例采用波形图方式展示该时间序列，如图6所示，横坐标为时间、纵坐标为数值，ACC表示三轴加速度传感器数据、GYRO表示三轴角速度传感器数据。
2、动作传感器数据进行预处理
(1)预先设定统一的传感器数据采样率，对那些与预设采样率不同的动作传感器数据进行重采样处理。
以100Hz为例，对于原始采样率高于100Hz的动作传感器进行降采样，原始采样率低于100Hz的动作传感器进行升采样，最终保证所有输入的传感器数据在相同时间周期内拥有相同数量的采样点。
具体的，假设手机A的采样率为100Hz，手机B的采样率为120Hz，手机C的采样率为80Hz，预设采样率为100Hz，那么手机A的传感器数据可以不作处理，对手机B的传感器数据进行抽值得到降采样后的数据，对手机C的传感器数据进行插值得到升采样后的数据。
具体抽值和插值技术可以采用现有技术实现，本申请对此不做赘述。
(2)对完成重采样处理的动作传感器数据进行滑动窗口划分(sliding windows)，按照固定大小的时间窗口(w)和交叠(θ)进行划分，得到可供动作识别模型和BMI识别模型训练和验证的数据样例，如图7所示，假设时间窗口w＝90s、交叠θ＝50s(滑动窗口的移动是有交叠的)，将数据划分为多个小矩形(即滑动窗口)，那么，90*6的滑动窗口的数据样例可以依次送到模型中进行训练。
(3)对数据样例进行标准化
3、将数据样例转换为训练模型的数据
每个个体经过上述预处理所得到的全部数据样例为一组m*6的二维数组，其中，m为每个样例的采样点个数，6为每个采样点对应的三轴加速度传感器数据(ax，ay，az)和三轴角速度传感器数据(gx，gy，gz)，将样例Ii a(表示个体a的第i个数据样例)转换为具有动作和BMI值两个标签的二维数组。
4、训练动作识别模型
(1)每次随机选取N-1个个体，将这N-1个个体所有对应的二维数组附带对应的动作标签送入一个p层的深度卷积神经网络；具体实施时，还可以采用反向传播算法和随机梯度下降法减小该二维数组与对应的人标注比较得到的分类误差以训练该深度卷积神经网络，经过多次迭代训练得到用于动作识别模型，并将模型复制保存。
具体的，本申请实施例在训练深度卷积神经网络时，与现有技术的区别还包括：现有技术中深度卷积神经网络的数据都是图像，即一个个的正方形，因此，现有技术中卷积神经网络的卷积核也是正方形(例如3*3、5*5等)；然而，本申请实施例的滑动窗口是矩形，卷积核为较大的长方比(例如9*6)。
(2)测试时，选取没有送入训练步骤的个体的二维数组连同对应的动作标签送入云连号的动作识别模型，在所述的soft-max分类器得到最大响应所在的动作标签类别(比如：慢跑、步行、上楼梯、下楼梯、站立和坐姿)，作为个体动作状态的分类结果。
5、训练BMI预测模型
(1)每次随机选取N-1个个体，将这N-1个个体所有筛选后的二维数组附带对应的BMI标签送入一个q层的深度残差神经网络；具体实施时，可以采用反向传播算法和随机梯度下降法减小该二维矩阵与对应的人标注比较得到的预测误差以训练该深度残差神经网络，经过多次迭代训练得到用于BMI预测模型，并将模型复制保存，模型的具体训练过程如图8所示，输入90*6的数据序列，然后进行多个卷积层、池化层的特征学习，最后进行全连接层的回归，输出模型预测值。具体的，在池化层与全连接层之间可能还需要压平层flattenlayer将多维的数据一维化。
(2)测试时，可以选取没有送入上述训练步骤的个体的二维数组连同对应的BMI标签送入训练好的所述BMI预测模型中，在所述的soft-max分类器得到最大响应所在的BMI值，作为个体BMI值的预测结果。
在具体实施时，为了进一步减少计算量、提高预测效率，还可以采用如下方式对每个个体的数据样例进行筛选。
计算每个个体的二维数组的运动信息熵，将低于对应动作的运动信息熵标准要求的所有二维数组删除。
对于由w个数据组成的向量模序列x(n)＝{x(1)，x(2)，...，x(w)}，有如下产生过程和运动信息熵计算过程：
所述向量模序列的产生过程如下：
以三轴加速度传感器和三轴角速度传感器构成的动作传感器数据为例，其子序列ST可以表示为：
其中：子序列ST起始时刻为t，一共w个采样点；
分别对所述子序列各种动作传感器采集的数据分别求向量模；
其中：ax,t、ay,t和az,t分别表示t时刻x、y和z三个方向上的加速度大小，而Acct表示t时刻加速度各种分量的向量模；
其中：ωx,t、ωy,t和ωz,t分别表示t时刻x、y和z三个方向上的角速度大小，而Gyrot表示t时刻角速度各种分量的向量模；
子序列ST转换为向量模序列XT＝[x(n)]，可以表示为：
所述运动信息熵的具体计算过程如下：
其中，racc,rgyro分别是Acct(n)和Gyrot(n)对应的相似容限；
Bm(racc,rgyro)为子序列Xm(i)和子序列Xm(j)在相似容限racc,rgyro下匹配m个点的概率，Am(racc,rgyro)为子序列Xm+1(i)和子序列Xm+1(j)在相似容限racc,rgyro下匹配m+1个点的概率；
所述，Xm(i)为所述动作传感器向量模数据组成的序列x(n)中的子序列，表示从第i点开始的m个连续值；Xm(j)为所述动作传感器向量模数据组成的序列x(n)中的子序列，表示从第j点开始的m个连续值；Xm+1(i)为所述动作传感器数据向量模数据组成的序列x(n)中的子序列，表示从第i点开始的m+1个连续值；Xm+1(j)为所述动作传感器数据组成的序列x(n)中的子序列，表示从第j点开始的m+1个连续值；
Bi为与子序列Xm(i)的的各传感器向量模分量间距离小于等于racc,rgyro的Xm(j)的数量，满足w>m+1；
具体实施时，w为设定的时间窗口大小；w为有限值。
在一种实施方式中，所述序列Xm(i)与序列Xm(j)的距离：
所述序列Xm+1(i)与序列Xm+1(j)的距离：
其中，k为大于等于0的增量。
本申请实施例提出运动信息熵作为衡量样例信息量大小的指标，可以不依赖数据长度，且具有更好的一致性。
实施例七
为了更清楚的展示本申请的使用场景，本申请实施例以一具体实例进行说明。
假设小王出了地铁之后想要骑共享单车回家，此时，小王可能会进行如下操作：
打开手机上的共享单车APP，共享单车APP启动；
小王通过扫描共享单车上的二维码等方式解锁共享单车，此时共享单车APP开始计时。
本申请实施例可以在监测到共享单车开始计时，认为用户已开始骑行动作，可以在2分钟后，开始获取用户一段时间内的动作传感器数据。
本申请实施例将这段时间的动作传感器数据进行BMI预测，由于数据为用户骑行时数据的概率非常大，因此，动作状态识别更为准确、特征不明显的无效数据更少，预测准确度更高。
当小王到了小区门口时，下车锁定共享单车后，通过点击手机上的共享单车APP，结束行程，或者，进一步的通过支付APP完成这段骑行的费用支付。此时，本申请实施例监测到共享单车APP结束计时(或者调用支付APP进行了支付操作)，认为用户已经由骑行转为步行，1分钟后开始获取一段时间内用户手机的动作传感器数据。
本申请实施例将这段时间的动作传感器数据进行BMI预测，由于数据为用户步行时数据的概率非常大，因此，动作状态识别更为准确、特征不明显的无效数据更少，预测准确度更高。
实施例八
为了更清楚的展示本申请的使用场景，本申请实施例以一具体实例进行说明。
假设小明在上班的路上，路过咖啡店买了一杯咖啡，此时，小明可能会进行如下操作：
打开手机上的该品牌咖啡APP，选择想要购买的咖啡后或者直接口头表达想要购买的咖啡后，利用该品牌咖啡APP向店员扫码支付咖啡的费用；
或者，
口头表达想要购买的咖啡后，向店员以其他支付类APP支付咖啡的费用。
此时，本申请实施例监控到小明手机上该品牌咖啡APP完成了支付操作、或者小明手机上某支付类APP向该品牌咖啡商家支付了咖啡的费用，在这种情况下，基本可以确定在此后的一段时间内小明是手里端着咖啡、处于步行状态的，因此，可以触发获取小明手机上三轴加速度传感器和三轴角速度传感器的数据。
本申请实施例将这段时间的动作传感器数据进行BMI预测，由于数据为用户步行时数据的概率非常大，因此，动作状态识别更为准确、特征不明显的无效数据更少，预测准确度更高。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (31)
1.一种BMI预测方法，其特征在于，包括：
获取用户当前动作状态下的动作传感器数据；
根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI。
2.根据权利要求1所述的方法，其特征在于，所述获取用户当前运动状态下的动作传感器数据，包括：
获取用户当前的动作传感器数据；
根据所述动作传感器数据以及预先建立的动作识别模型，确定所述用户当前的动作状态。
3.根据权利要求2所述的方法，其特征在于，在所述获取用户的动作传感器数据之后、根据所述动作传感器数据以及预先建立的动作识别模型确定所述用户的动作状态之前，进一步包括：
根据预先设定的采样率φ对所述动作传感器数据进行重采样，得到与所述预先设定的采样率φ相同的动作传感器数据；
对所述与所述预先设定的采样率相同的动作传感器数据按照预先设定的时间窗口w和交叠θ进行滑动窗口划分；
在滑动窗口划分后对所述动作传感器数据进行标准化，生成若干子序列。
4.根据权利要求2所述的方法，其特征在于，在所述根据动作传感器数据以及预先建立的动作识别模型确定所述用户的动作状态之后、根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI之前，进一步包括：
计算所述动作传感器数据的运动信息熵；
将所述动作传感器数据中低于与所述动作状态对应的预设运动信息熵阈值的数据删除。
5.根据权利要求4所述的方法，其特征在于，所述计算所述动作传感器数据的运动信息熵，具体利用下式计算：
其中，racc,rgyro分别为预设的加速度传感器各分量、角速度传感器各分量的向量模相似容限；Bm(racc,rgyro)为序列Xm(i)和序列Xm(j)在相似容限racc,rgyro下匹配m个点的概率，Am(racc,rgyro)为序列Xm+1(i)和序列Xm+1(j)在相似容限racc,rgyro下匹配m+1个点的概率；
Bi为与序列Xm(i)的各传感器向量模分量间距离小于等于racc,rgyro的Xm(j)的数量；
Xm(i)为所述动作传感器向量模数据组成的序列{x(n)}中从第i点开始的m个连续值的子序列；Xm(j)为所述动作传感器向量模数据组成的序列{x(n)}中从第j点开始的m个连续值的子序列；Xm+1(i)为所述动作传感器向量模数据组成的序列{x(n)}中从第i点开始的m+1个连续值的子序列；Xm+1(j)为所述动作传感器向量模数据组成的序列{x(n)}中从第j点开始的m+1个连续值的子序列。
6.根据权利要求5所述的方法，其特征在于，所述序列Xm(i)与序列Xm(j)的距离d[Xm(i)，Xm(j)]＝maxk＝0,...,m-1(|x(i+k)-x(j+k)|)；所述序列Xm+1(i)与序列Xm+1(j)的距离d[Xm+1(i)，Xm+1(j)]＝maxk＝0,...,m(|x(i+k)-x(j+k)|)。
7.根据权利要求5所述的方法，其特征在于，动作传感器向量模数据组成的序列{x(n)}为：
其中，
ax,t、ay,t和az,t分别表示t时刻x、y和z三个方向上的加速度大小，ωx,t、ωy,t和ωz,t分别表示t时刻x、y和z三个方向上的角速度大小。
8.根据权利要求2所述的方法，其特征在于，所述动作识别模型的建立过程，包括：
采集若干分别在不同预设动作状态下预设时长的动作传感器数据，得到若干组数据序列；所述数据序列带有对应的动作状态标签；
将所述数据序列重采样为同一采样率后按照预设的滑动窗口生成动作传感器数据的多维数组；
将所述动作传感器数据的多维数组分别作为输入向量输入至初始深度卷积神经网络，经多次迭代训练得到动作识别模型。
9.根据权利要求1所述的方法，其特征在于，所述BMI识别模型的建立过程，包括：
采集若干在预设动作状态下预设时长的动作传感器数据，得到若干组数据序列；所述数据序列带有对应的动作状态标签和BMI标签；
将所述数据序列重采样为同一采样率后按照预设的滑动窗口生成动作传感器数据的多维数组；
将所述动作传感器数据的多维数组分别作为输入向量输入至初始深度残差神经网络，经多次迭代训练得到BMI识别模型。
10.根据权利要求8或9所述的方法，其特征在于，迭代训练过程，包括：
利用下式进行卷积层的计算：
其中，
为第l卷积层带有第i个特征映射的输出，n为实例索引，
为激活函数，m为内核或过滤器的大小，
为带有第i个特征图和第m个过滤器索引的权重向量，sm+n-1为运动传感器数据，bi为第i个特征映射的偏差项；
将卷积区域划分为若干子区域，通过子采样确定滑动窗口邻域内的最大输出，利用下式进行池化层的计算：
其中，γ为池的步长；
将池化层的输出输入到全连接层，利用下述损失函数编译网络：
其中，RMSE为样本标准差，
为预测值，yi为实际数据值。
11.根据权利要求1所述的方法，其特征在于，所述获取用户的动作传感器数据包括获取预设时长的三轴加速度传感器数据和三轴角速度传感器数据，所述动作传感器数据为若干组6维数据序列；所述动作状态为慢跑、步行、骑行、上楼、下楼、站立、或坐姿。
12.根据权利要求1所述的方法，其特征在于，所述获取用户当前动作状态下的动作传感器数据，包括：
监控到用户终端上的应用程序的运行情况；
根据应用程序的运行情况以及所述应用程序的类别确定触发获取用户当前动作状态下的动作传感器数据。
13.根据权利要求12所述的方法，其特征在于，所述根据应用程序的运行情况以及所述应用程序的类别确定触发获取用户当前运动状态下的动作传感器数据，包括在监测到以下任意一种场景时确定触发获取用户预设时间段内的动作传感器数据：
共享交通工具类应用程序开始计时；
共享交通工具类应用程序计时结束；
共享交通工具类应用程序调用支付应用程序完成支付操作；
餐饮类应用程序完成支付操作；
支付类应用程序完成向餐饮类商家支付操作。
14.一种BMI预测装置，其特征在于，包括：
数据获取模块，用于获取用户当前运动状态下的动作传感器数据；
BMI预测模块，用于根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI。
15.根据权利要求14所述的装置，其特征在于，所述数据获取模块，包括：
获取单元，用于获取用户当前的动作传感器数据；
动作状态确定单元，用于根据所述动作传感器数据以及预先建立的动作识别模型，确定所述用户当前的动作状态。
16.根据权利要求15所述的装置，其特征在于，所述数据获取模块，进一步包括：
重采样单元，用于在所述获取用户的动作传感器数据之后、根据所述动作传感器数据以及预先建立的动作识别模型确定所述用户的动作状态之前，根据预先设定的采样率φ对所述动作传感器数据进行重采样，得到与所述预先设定的采样率相同的动作传感器数据；
窗口划分单元，用于对所述与所述预先设定的采样率相同的动作传感器数据按照预先设定的时间窗口w和交叠θ进行滑动窗口划分；
标准化单元，用于在滑动窗口划分后对所述动作传感器数据进行标准化，生成若干子序列。
17.根据权利要求15所述的装置，其特征在于，所述数据获取模块，进一步包括：
数据过滤单元，用于在所述根据动作传感器数据以及预先建立的动作识别模型确定所述用户的动作状态之后、根据所述动作传感器数据以及预先建立的与所述动作状态对应的BMI识别模型，预测所述用户的BMI之前，计算所述动作传感器数据的运动信息熵，将所述动作传感器数据中低于与所述动作状态对应的预设运动信息熵阈值的数据删除。
18.根据权利要求17所述的装置，其特征在于，所述数据过滤单元具体利用下式计算信息熵：
其中，racc,rgyro分别为预设的加速度传感器各分量、角速度传感器各分量的向量模相似容限；Bm(racc,rgyro)为序列Xm(i)和序列Xm(j)在相似容限racc,rgyro下匹配m个点的概率，Am(racc,rgyro)为序列Xm+1(i)和序列Xm+1(j)在相似容限racc,rgyro下匹配m+1个点的概率；
Bi为与序列Xm(i)的各传感器向量模分量间距离小于等于racc,rgyro的Xm(j)的数量；
Ai为与序列Xm+1(i)的各传感器向量模分量间距离小于等于racc,rgyro的Xm+1(j)的数量；w为设定的时间窗口大小；w>m+1；
Xm(i)为所述动作传感器向量模数据组成的序列{x(n)}中从第i点开始的m个连续值的子序列；Xm(j)为所述动作传感器向量模数据组成的序列{x(n)}中从第j点开始的m个连续值的子序列；Xm+1(i)为所述动作传感器向量模数据组成的序列{x(n)}中从第i点开始的m+1个连续值的子序列；Xm+1(j)为所述动作传感器向量模数据组成的序列{x(n)}中从第j点开始的m+1个连续值的子序列。
19.根据权利要求18所述的装置，其特征在于，所述序列Xm(i)与序列Xm(j)的距离d[Xm(i)，Xm(j)]＝maxk＝0,...,m-1(|x(i+k)-x(j+k)|)；所述序列Xm+1(i)与序列Xm+1(j)的距离d[Xm+1(i)，Xm+1(j)]＝maxk＝0,...,m(|x(i+k)-x(j+k)|)。
20.根据权利要求18所述的装置，其特征在于，动作传感器向量模数据组成的序列{x(n)}为：
其中，
ax,t、ay,t和az,t分别表示t时刻x、y和z三个方向上的加速度大小，ωx,t、ωy,t和ωz,t分别表示t时刻x、y和z三个方向上的角速度大小。
21.根据权利要求15所述的装置，其特征在于，进一步包括：
动作识别模型建立模块，用于采集若干分别在不同预设动作状态下预设时长的动作传感器数据，得到若干组数据序列；所述数据序列带有对应的动作状态标签；将所述数据序列重采样为同一采样率后按照预设的滑动窗口生成动作传感器数据的多维数组；将所述动作传感器数据的多维数组分别作为输入向量输入至初始深度卷积神经网络，经多次迭代训练得到动作识别模型。
22.根据权利要求14所述的装置，其特征在于，进一步包括：
BMI识别模型建立模块，用于采集若干在预设动作状态下预设时长的动作传感器数据，得到若干组数据序列；所述数据序列带有对应的动作状态标签和BMI标签；将所述数据序列重采样为同一采样率后按照预设的滑动窗口生成动作传感器数据的多维数组；将所述动作传感器数据的多维数组分别作为输入向量输入至初始深度残差神经网络，经多次迭代训练得到BMI识别模型。
23.根据权利要求21或22所述的装置，其特征在于，迭代训练过程，包括：
利用下式进行卷积层的计算：
其中，
为第l卷积层带有第i个特征映射的输出，n为实例索引，
为激活函数，m为内核或过滤器的大小，
为带有第i个特征图和第m个过滤器索引的权重向量，sm+n-1为运动传感器数据，bi为第i个特征映射的偏差项；
将卷积区域划分为若干子区域，通过子采样确定滑动窗口邻域内的最大输出，利用下式进行池化层的计算：
其中，γ为池的步长；
将池化层的输出输入到全连接层，利用下述损失函数编译网络：
其中，RMSE为样本标准差，
为预测值，yi为实际数据值。
24.根据权利要求14所述的装置，其特征在于，所述数据获取模块用于获取用户的三轴加速度传感器数据和三轴角速度传感器数据，所述三轴加速度传感器数据和三轴角速度传感器数据构成若干组6维数据序列；所述动作状态为慢跑、步行、骑行、上楼、下楼、站立、或坐姿。
25.根据权利要求14所述的装置，其特征在于，所述数据获取模块，包括：
监控单元，用于监控到用户终端上的应用程序的运行情况；
触发单元，用于根据应用程序的运行情况以及所述应用程序的类别确定触发获取用户当前运动状态下的动作传感器数据。
26.根据权利要求25所述的装置，其特征在于，所述触发单元用于在以下任意一种场景下触发获取用户预设时间段内的动作传感器数据：
共享交通工具类应用程序开始计时；
共享交通工具类应用程序计时结束；
共享交通工具类应用程序调用支付应用程序完成支付操作；
餐饮类应用程序完成支付操作；
支付类应用程序完成向餐饮类商家支付操作。
27.一种计算机存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至13任一所述方法的步骤。
28.一种电子设备，其特征在于，包括存储器、以及一个或多个处理器，所述存储器用于存储一个或多个程序；所述一个或多个程序被所述一个或多个处理器执行时，实现如权利要求1至13任一所述的方法。
29.一种BMI预测系统，其特征在于，包括：移动终端、以及包括如权利要求14至26任一所述的BMI预测装置的服务器；所述移动终端，包括：
动作传感器，用于采集用户动作时的动作传感器数据；
数据通信模块，用于将所述动作传感器数据发送至所述服务器，并接收所述服务器反馈的BMI。
30.根据权利要求29所述的系统，其特征在于，所述动作传感器包括加速度传感器、以及角速度传感器。
31.根据权利要求29所述的系统，其特征在于，所述移动终端为手持式通信设备或者可穿戴设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910942098.5A CN112582063A (zh) | 2019-09-30 | 2019-09-30 | Bmi预测方法、装置、系统及计算机存储介质、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910942098.5A CN112582063A (zh) | 2019-09-30 | 2019-09-30 | Bmi预测方法、装置、系统及计算机存储介质、电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112582063A true CN112582063A (zh) | 2021-03-30 |
Family
ID=75116293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910942098.5A Pending CN112582063A (zh) | 2019-09-30 | 2019-09-30 | Bmi预测方法、装置、系统及计算机存储介质、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112582063A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114496263A (zh) * | 2022-04-13 | 2022-05-13 | 杭州研极微电子有限公司 | 用于体重估计的神经网络模型建立方法及可读存储介质 |
Citations (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101853510A (zh) * | 2010-04-20 | 2010-10-06 | 上海大学 | 基于时空域的运动感知模型提取方法 |
| WO2012018535A2 (en) * | 2010-07-26 | 2012-02-09 | Wellness Indicators, Inc. | Wellness panel |
| JP2013514850A (ja) * | 2009-12-21 | 2013-05-02 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | Ｂｏｄｅインデックス測定 |
| KR20140034666A (ko) * | 2012-09-12 | 2014-03-20 | 전남대학교산학협력단 | 비동작 신호 및 동작 신호에 기반한 제어 장치 및 그 장치 제어 방법 |
| CN103785157A (zh) * | 2012-10-30 | 2014-05-14 | 莫凌飞 | 人体运动类型识别准确度提高方法 |
| CN104662487A (zh) * | 2012-09-20 | 2015-05-27 | 苹果公司 | 根据应用程序活动来预测用户意图和未来交互 |
| CN104679382A (zh) * | 2013-11-29 | 2015-06-03 | 华为技术有限公司 | 应用程序显示方法和装置 |
| CN104702950A (zh) * | 2011-04-01 | 2015-06-10 | 苗太平洋控股有限公司 | 以帧内预测模式解码图像的方法 |
| GB2524730A (en) * | 2014-03-30 | 2015-10-07 | Robert Faulkner | Predicting application user behaviour and interests in real-time using predictive analytics as a service |
| KR20150117070A (ko) * | 2014-04-09 | 2015-10-19 | (주)메이벨솔루션 | 건강 관리를 기반한 캐릭터 육성 장치 및 서비스 방법 |
| CN105260093A (zh) * | 2015-09-15 | 2016-01-20 | 广东欧珀移动通信有限公司 | 一种智能设置屏幕旋转的方法、装置及移动终端 |
| DE112014005880T5 (de) * | 2013-12-24 | 2016-09-08 | Huaqin Telecom Technology Co., Ltd | Eine Armbanduhr und ein Verfahren zum Ausführen ihrer Anwendungsprogramme |
| JP2016220174A (ja) * | 2015-05-26 | 2016-12-22 | 株式会社東芝 | 家電制御方法及び家電制御装置 |
| US20160378942A1 (en) * | 2015-06-29 | 2016-12-29 | Srinivas Neela | System and method to estimate reduction of lifetime healthcare costs based on body mass index |
| WO2017007707A1 (en) * | 2015-07-03 | 2017-01-12 | Vid Scale, Inc. | Methods, apparatus and systems for predicting user traits using non-camera sensors in a mobile device |
| CN106897562A (zh) * | 2017-02-28 | 2017-06-27 | 镇江市高等专科学校 | 一种旅游随身健康终端的工作方法 |
| US9721066B1 (en) * | 2016-04-29 | 2017-08-01 | Centene Corporation | Smart fitness tracker |
| CN107122767A (zh) * | 2017-05-27 | 2017-09-01 | 辽宁大学 | 一种基于信息熵的人体活动端点检测方法 |
| US20170311883A1 (en) * | 2014-11-14 | 2017-11-02 | Koninklijke Philips N.V. | Cardio-respiratory fitness assessment |
| CN107438398A (zh) * | 2015-01-06 | 2017-12-05 | 大卫·伯顿 | 移动式可穿戴的监控系统 |
| CN107438088A (zh) * | 2016-05-29 | 2017-12-05 | 姚昱旻 | 呼吸机云平台的异常状态报警方法和系统 |
| US9839376B1 (en) * | 2015-04-20 | 2017-12-12 | Massachusetts Mutual Life Insurance | Systems and methods for automated body mass index calculation to determine value |
| CN107464363A (zh) * | 2017-08-01 | 2017-12-12 | 杭州大众自行车租赁有限公司 | 共享单车还车停车管理方法及系统 |
| CN107665093A (zh) * | 2016-07-29 | 2018-02-06 | 深圳市深信服电子科技有限公司 | 数据存储方法及装置 |
| CA3040972A1 (en) * | 2016-10-20 | 2018-04-26 | Datapult, Inc. | Sickness prediction application system |
| CA2984267A1 (en) * | 2016-11-01 | 2018-05-01 | Medarchon, Inc. | Patient handoff device, system and predictive method |
| CN107990901A (zh) * | 2017-11-28 | 2018-05-04 | 元力云网络有限公司 | 一种基于传感器的用户方向定位方法 |
| CN108064004A (zh) * | 2018-01-08 | 2018-05-22 | 南宁市浩发科技有限公司 | 一种鼠标轨迹智能音箱调音及其控制方法 |
| CN108392208A (zh) * | 2018-02-23 | 2018-08-14 | 大同公元三九八智慧养老服务有限公司 | 一种基于多阶段模型的跌倒判断方法 |
| KR101899129B1 (ko) * | 2017-11-07 | 2018-10-31 | 전자부품연구원 | 섬유센서를 이용한 운동자세 분석 장치 및 방법 |
| CN109054841A (zh) * | 2018-08-10 | 2018-12-21 | 长沙昱旻信息科技有限公司 | 一种pH敏感型农业用菌剂 |
| CN109308545A (zh) * | 2018-08-21 | 2019-02-05 | 中国平安人寿保险股份有限公司 | 预测患糖尿病几率的方法、装置、计算机设备及存储介质 |
| CN109637664A (zh) * | 2018-11-20 | 2019-04-16 | 平安科技（深圳）有限公司 | 一种bmi评测方法、装置及计算机可读存储介质 |
| CN109993118A (zh) * | 2019-03-30 | 2019-07-09 | 骞一凡 | 一种动作的识别方法及其识别系统 |
| CN110084286A (zh) * | 2019-04-10 | 2019-08-02 | 武汉理工大学 | 一种基于传感器的ecoc技术的人体动作识别方法 |
| CN209448412U (zh) * | 2019-04-11 | 2019-09-27 | 倪二宝 | 一种应用于电机多功能智能远程监控保护系统 |
| US20210004705A1 (en) * | 2019-07-01 | 2021-01-07 | Lg Electronics Inc. | User behavior predicting method and device for executing predicted user behavior |
-
2019
- 2019-09-30 CN CN201910942098.5A patent/CN112582063A/zh active Pending
Patent Citations (37)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013514850A (ja) * | 2009-12-21 | 2013-05-02 | コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ | Ｂｏｄｅインデックス測定 |
| CN101853510A (zh) * | 2010-04-20 | 2010-10-06 | 上海大学 | 基于时空域的运动感知模型提取方法 |
| WO2012018535A2 (en) * | 2010-07-26 | 2012-02-09 | Wellness Indicators, Inc. | Wellness panel |
| CN104702950A (zh) * | 2011-04-01 | 2015-06-10 | 苗太平洋控股有限公司 | 以帧内预测模式解码图像的方法 |
| KR20140034666A (ko) * | 2012-09-12 | 2014-03-20 | 전남대학교산학협력단 | 비동작 신호 및 동작 신호에 기반한 제어 장치 및 그 장치 제어 방법 |
| CN104662487A (zh) * | 2012-09-20 | 2015-05-27 | 苹果公司 | 根据应用程序活动来预测用户意图和未来交互 |
| CN103785157A (zh) * | 2012-10-30 | 2014-05-14 | 莫凌飞 | 人体运动类型识别准确度提高方法 |
| CN104679382A (zh) * | 2013-11-29 | 2015-06-03 | 华为技术有限公司 | 应用程序显示方法和装置 |
| DE112014005880T5 (de) * | 2013-12-24 | 2016-09-08 | Huaqin Telecom Technology Co., Ltd | Eine Armbanduhr und ein Verfahren zum Ausführen ihrer Anwendungsprogramme |
| GB2524730A (en) * | 2014-03-30 | 2015-10-07 | Robert Faulkner | Predicting application user behaviour and interests in real-time using predictive analytics as a service |
| KR20150117070A (ko) * | 2014-04-09 | 2015-10-19 | (주)메이벨솔루션 | 건강 관리를 기반한 캐릭터 육성 장치 및 서비스 방법 |
| US20170311883A1 (en) * | 2014-11-14 | 2017-11-02 | Koninklijke Philips N.V. | Cardio-respiratory fitness assessment |
| CN107438398A (zh) * | 2015-01-06 | 2017-12-05 | 大卫·伯顿 | 移动式可穿戴的监控系统 |
| US9839376B1 (en) * | 2015-04-20 | 2017-12-12 | Massachusetts Mutual Life Insurance | Systems and methods for automated body mass index calculation to determine value |
| JP2016220174A (ja) * | 2015-05-26 | 2016-12-22 | 株式会社東芝 | 家電制御方法及び家電制御装置 |
| US20160378942A1 (en) * | 2015-06-29 | 2016-12-29 | Srinivas Neela | System and method to estimate reduction of lifetime healthcare costs based on body mass index |
| WO2017007707A1 (en) * | 2015-07-03 | 2017-01-12 | Vid Scale, Inc. | Methods, apparatus and systems for predicting user traits using non-camera sensors in a mobile device |
| CN105260093A (zh) * | 2015-09-15 | 2016-01-20 | 广东欧珀移动通信有限公司 | 一种智能设置屏幕旋转的方法、装置及移动终端 |
| US9721066B1 (en) * | 2016-04-29 | 2017-08-01 | Centene Corporation | Smart fitness tracker |
| CN107438088A (zh) * | 2016-05-29 | 2017-12-05 | 姚昱旻 | 呼吸机云平台的异常状态报警方法和系统 |
| CN107665093A (zh) * | 2016-07-29 | 2018-02-06 | 深圳市深信服电子科技有限公司 | 数据存储方法及装置 |
| CA3040972A1 (en) * | 2016-10-20 | 2018-04-26 | Datapult, Inc. | Sickness prediction application system |
| CA2984267A1 (en) * | 2016-11-01 | 2018-05-01 | Medarchon, Inc. | Patient handoff device, system and predictive method |
| CN106897562A (zh) * | 2017-02-28 | 2017-06-27 | 镇江市高等专科学校 | 一种旅游随身健康终端的工作方法 |
| CN107122767A (zh) * | 2017-05-27 | 2017-09-01 | 辽宁大学 | 一种基于信息熵的人体活动端点检测方法 |
| CN107464363A (zh) * | 2017-08-01 | 2017-12-12 | 杭州大众自行车租赁有限公司 | 共享单车还车停车管理方法及系统 |
| KR101899129B1 (ko) * | 2017-11-07 | 2018-10-31 | 전자부품연구원 | 섬유센서를 이용한 운동자세 분석 장치 및 방법 |
| CN107990901A (zh) * | 2017-11-28 | 2018-05-04 | 元力云网络有限公司 | 一种基于传感器的用户方向定位方法 |
| CN108064004A (zh) * | 2018-01-08 | 2018-05-22 | 南宁市浩发科技有限公司 | 一种鼠标轨迹智能音箱调音及其控制方法 |
| CN108392208A (zh) * | 2018-02-23 | 2018-08-14 | 大同公元三九八智慧养老服务有限公司 | 一种基于多阶段模型的跌倒判断方法 |
| CN109054841A (zh) * | 2018-08-10 | 2018-12-21 | 长沙昱旻信息科技有限公司 | 一种pH敏感型农业用菌剂 |
| CN109308545A (zh) * | 2018-08-21 | 2019-02-05 | 中国平安人寿保险股份有限公司 | 预测患糖尿病几率的方法、装置、计算机设备及存储介质 |
| CN109637664A (zh) * | 2018-11-20 | 2019-04-16 | 平安科技（深圳）有限公司 | 一种bmi评测方法、装置及计算机可读存储介质 |
| CN109993118A (zh) * | 2019-03-30 | 2019-07-09 | 骞一凡 | 一种动作的识别方法及其识别系统 |
| CN110084286A (zh) * | 2019-04-10 | 2019-08-02 | 武汉理工大学 | 一种基于传感器的ecoc技术的人体动作识别方法 |
| CN209448412U (zh) * | 2019-04-11 | 2019-09-27 | 倪二宝 | 一种应用于电机多功能智能远程监控保护系统 |
| US20210004705A1 (en) * | 2019-07-01 | 2021-01-07 | Lg Electronics Inc. | User behavior predicting method and device for executing predicted user behavior |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114496263A (zh) * | 2022-04-13 | 2022-05-13 | 杭州研极微电子有限公司 | 用于体重估计的神经网络模型建立方法及可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khatun et al. | Deep CNN-LSTM with self-attention model for human activity recognition using wearable sensor | |
| Yao et al. | Deepsense: A unified deep learning framework for time-series mobile sensing data processing | |
| CN106846729B (zh) | 一种基于卷积神经网络的跌倒检测方法和系统 | |
| Xu et al. | Channel attention for sensor-based activity recognition: embedding features into all frequencies in dct domain | |
| CN111797858A (zh) | 模型训练方法、行为预测方法、装置、存储介质及设备 | |
| WO2019147918A1 (en) | Method for training fraudulent transaction detection model, detection method, and corresponding apparatus | |
| CA3028630A1 (en) | Systems and methods for identifying risky driving behavior | |
| CN110020714B (zh) | 模型训练及数据分析方法、装置、设备以及存储介质 | |
| CN113642432B (zh) | 一种基于协方差矩阵变换的卷积神经网络用于人体姿态识别的方法 | |
| CN110674875A (zh) | 一种基于深度混合模型的行人运动模式识别方法 | |
| CN111797861A (zh) | 信息处理方法、装置、存储介质及电子设备 | |
| CN113269612A (zh) | 物品推荐方法、装置、电子设备及存储介质 | |
| CN107609501A (zh) | 人体相近动作识别方法及装置、存储介质、电子设备 | |
| CN111797849A (zh) | 用户活动识别方法、装置、存储介质及电子设备 | |
| El-Adawi et al. | Wireless body area sensor networks based human activity recognition using deep learning | |
| Sarveshwaran et al. | Investigation on human activity recognition using deep learning | |
| CN111796925A (zh) | 算法模型的筛选方法、装置、存储介质和电子设备 | |
| Chen et al. | Vision-based elderly fall detection algorithm for mobile robot | |
| CN112582063A (zh) | Bmi预测方法、装置、系统及计算机存储介质、电子设备 | |
| Li | [Retracted] Design and Implementation of Human Motion Recognition Information Processing System Based on LSTM Recurrent Neural Network Algorithm | |
| CN115081334B (zh) | 用于预测用户的年龄段或性别的方法、系统、装置和介质 | |
| CN107203259B (zh) | 用于使用单和/或多传感器数据融合确定移动设备使用者的概率性内容感知的方法和装置 | |
| Lu et al. | Temporal Convolutional Network with Wavelet Transform for Fall Detection | |
| Zhang et al. | Stacked LSTM-based dynamic hand gesture recognition with six-axis motion sensors | |
| Kothamachu Ramesh et al. | Person authentication by gait data from smartphone sensors using convolutional autoencoder |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210330 |