CN107766930B - 基于dtw群集模糊分群som神经元的等效rom距离计算方法 - Google Patents

基于dtw群集模糊分群som神经元的等效rom距离计算方法 Download PDF

Info

Publication number
CN107766930B
CN107766930B CN201710795124.7A CN201710795124A CN107766930B CN 107766930 B CN107766930 B CN 107766930B CN 201710795124 A CN201710795124 A CN 201710795124A CN 107766930 B CN107766930 B CN 107766930B
Authority
CN
China
Prior art keywords
rom
community
distance
equivalent
cluster
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
CN201710795124.7A
Other languages
English (en)
Other versions
CN107766930A (zh
Inventor
刘彦博
徐文超
杨艳琴
高崇杰
郭琳琳
柳康
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.)
Shanghai Mingfeng Information Technology Co ltd
East China Normal University
Original Assignee
Shanghai Mingfeng Information Technology Co ltd
East China Normal University
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 Shanghai Mingfeng Information Technology Co ltd, East China Normal University filed Critical Shanghai Mingfeng Information Technology Co ltd
Priority to CN201710795124.7A priority Critical patent/CN107766930B/zh
Publication of CN107766930A publication Critical patent/CN107766930A/zh
Application granted granted Critical
Publication of CN107766930B publication Critical patent/CN107766930B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Computational Mathematics (AREA)
  • User Interface Of Digital Computer (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于DTW群集模糊分群SOM神经元ROM等效距离计算方法，建立针对所述特征向量经过初态卡尔曼滤波算法二次高斯协方差白噪声后的数据，获得用于动态时间规整算法的样本序列；将样本序列转换成加速度信号加速度幅值SVM的X和Y轴的幅值，使用模糊分群神经元算法将SVM幅值分成不同的群落；结合上述SVM(x)和SVM(y)两轴向的群落值以及相对群落值对应的群聚落中心点和重心点；结合上述群聚落重心和中心得到ROM等效数值计算距离。本发明能够找出不同群落传感器的空间偏离距离，降低了端到端体态传感器路径时间。

Description

基于DTW群集模糊分群SOM神经元的等效ROM距离计算方法
技术领域
本发明涉及传感器信息处理和手势识别技术领域，尤其涉及一种基于动态时间归整的模糊分群SOM神经元的ROM等效距离计算方法。
背景技术
智能手环，具有可穿戴、体积小、多传感器、无线传输等特点，可以抽象成节点用于人体感知网络，即可以通过双手环或者多个腕带传感器组成有限无线传感器网络。通过无线传输模块实时传送数据，无线传感器网络结合神经元拓扑结构，可以动态监测网络节点的移动性、律动性来对人体多维姿态感知信息进行处理。通过腕带传感器的加速度传感器、角速度传感器进行多体态建模，对用户腕带传感器的行为轨迹协同运算模型的建立，记录人体姿态行为，可以对人体姿态上进行测试和情景分析。
现有技术中，对于姿态识别多数是基于角度的方向和加速度的变化来作为判断依据。但是没有对角度变化量化处理，无法对姿态识别进行量化判据和跟踪。
为了克服现有技术的缺陷，本发明提出了一种基于动态时间归整的模糊分群SOM神经元的ROM等效距离计算方法。本发明将传感器节点网络化，通过SOM神经网络元动态检测传感器节点，网络拓扑处于动态变化之中。根据动态时间规整识别手势方向，根据ROM等效距离识别手势偏移角度。通过传感器数据建模与多通道智能控制传输结合，实现人体动态感知最优律动距离检测。提高检测人体姿态感知效率。
发明内容
本发明提出了一种基于DTW群集模糊分群SOM神经元的等效ROM距离计算方法，该方法包括如下步骤：
a.使用至少二个运动传感器组建传感器网络，同步获取人体运动的运动信号，所述运动信号包括三维加速度信号和三维角速度信号；
b.建立所述运动信号的特征向量，所述特征向量经过初态卡尔曼滤波单元去除二次高斯协方差白噪声后，得到用于动态时间规整算法的样本序列；
c.将所述样本序列转换为第一加速度幅值和第二加速度幅值，使用模糊分群神经元计算单元将所述第一加速度幅值和所述第二加速度幅值聚集形成对应的第一群落和第二群落；
d.结合所述第一群落和所述第二群落的群落值，获得所述第一群落的第一群落中心点和第一群落重心点，以及所述第二群落的第二群落中心点和第二群落重心点；
e.根据所述第一群落中心点、所述第一群落重心点、所述第二群落中心点和所述第二群落重心点计算得到等效ROM距离值，所述等效ROM距离值用于指导人体动态感知最优律动距离检测选择。
本发明提出的所述基于DTW群集模糊分群SOM神经元的等效ROM距离计算方法中，计算得到等效ROM距离值之后进一步包括：
f.根据SOM神经元判据获得权重；权重大的等效ROM距离值为优先输出值；
g.根据权重值求得节点轨迹长度；
h.输出节点轨迹长度及等效ROM距离值。
本发明提出的所述基于DTW群集模糊分群SOM神经元的等效ROM距离计算方法中，所述权重值如以下公式表示：
Figure GDA0002868112750000021
其中，
Figure GDA0002868112750000022
式中，H(i)表示当前群落偏离幅值，
Figure GDA0002868112750000023
表示等效距离均值；ROM(i，k)表示等效ROM距离值；t表示当前时间；i表示当前群落；k表示当前群落节点。
本发明提出的所述基于DTW群集模糊分群SOM神经元的等效ROM距离计算方法中，所述节点轨迹长度如以下公式表示：
S(t,i)＝L(t,i)×ROM(t,(i,k))×F(t,(i,k))×NET(k)；
式中，L(t,i)表示群落i中心点Fcm(i)与原点的距离，NET(k)表示权重，F(t,(i,k))是判据信息。
本发明提出的所述基于DTW群集模糊分群SOM神经元的等效ROM距离计算方法中，等效ROM距离计算时通过筛选提取传感器角度变化特征值，量化分析，角度量值转化距离，将原有方位角度和移动判据进行量化处理。
本发明提出的所述基于DTW群集模糊分群SOM神经元的等效ROM距离计算方法中，经过初态卡尔曼滤波单后通过DTW可以对所需姿态识别样本进行筛选，筛选后的样本序列经过模糊分群SOM算法有助于将细化的姿态再次的分组。
本发明在腕带传感器获取运动信号通过初级KALMAN和二次高斯协方差白噪声矩阵滤波后进行处理，得到人体腕部的方位运动特征向量信息的基础上，对特征向量信息动态时间归整映射得到手势方位姿态信息D(i)，然后针对基于腕带传感器的无线网络节点等效模糊分群得到节点ROM(i)值，然后运用SOM神经元算法结合获得腕部姿态信息D(i)和ROM(i)的判据得到人体手部运动等效距离信息。本发明通过DTW可以对所需姿态识别样本进行筛选，筛选后的样本序列经过模糊分群SOM算法有助于将细化的姿态再次的分组，能够提高群集分析效率，能够对筛选后多元变量降维，加快角度量化处理。区别于传统人体姿态跟踪需要视频流分析姿态信息，本发明不需要视频流采集处理后判据，降低了硬件成本。
本发明中，DTW是指于动态时间规整，全称是Dynamic Time Warping；ROM是指角度跟踪，全称为Range of Motion；SOM是一种自组织(竞争型)神经网络，全称为Self-Organizing Maps。
附图说明
图1是本发明中基于动态时间归整的模糊分群SOM神经元ROM等效距离算法整体***架构图。
图2是本发明中双节点传感器ROM计算图。
图3是本发明中多节点传感器ROM计算图。
图4是本发明中SOM神经元排序图。
具体实施方式
本发明中无线网络节点数据采集融合加速度计和陀螺仪传感器信息。根据采集运动信号，获得构造每个手环上的特征向量中，MEMs模块获取的数据被传送到***，本发明在欧拉角的基础上计算旋转矩阵(滚动、俯仰和航向)，通过这个旋转矩阵可以转换得到来自人的加速度数据。
腕带传感器对加速度传感器数据处理后的数据信息将进行第一次处理，对数据进行量化处理，这是软件实现的，具有可行性。根据所采集到的运动信号,通过多态卡尔曼滤波，对所得到的信息进行处理，根据初步采集的运动信号检测人体上肢手腕的运动,进而获得人体的手部的方位运动信息。卡尔曼滤波是一种线性高斯***的滤波和预测技术。它由一个处理模型和一个测量模型组成。数据处理原理主要就是双通道数据的融合，延续了一种基于双手环传感器融合的智能遥感控制***及其方法，检测和估计***状态的技术将传感器数据进行融合。为了连续地估计手部动作状态空间模型如下：
x(k-1)＝Mz(k-1)+u(k-1) (1)
Figure GDA0002868112750000031
进行再一步数据处理时进行的空间状态分配处理。x(k-1)表示进行第一步数据处理时的输出结果，M是定义的量化映射表，z(k-1)是传感器的原始输出数据，u(k-1)是***的噪声。本发明延续了一种基于双手环传感器融合的智能遥感控制***及其方法得到了融合映射表，y(k-1)＝(x1(k-1),x2(k-1))，表示双通道的信息集合。y(k-1)通过融合映射表后，得到手势运动方向。手势运动方向的控制，BDFLR分别代表后(B代表back)、下(D代表down)、前(F代表forward)、左(L代表left)和右(R代表right)。设定只有两通道发送状态如下的控制字符时控制字符才有效，否则无效。比如只有两个手环控制，融合姿态处理判断字符状态转换因子Ri(i＝12,3,4)为
Figure GDA0002868112750000041
如图1所示，基于动态时间归整的ROM等效模糊分群SOM神经元算法：腕带传感器三轴加速计对人体加速度进行采样，并把采样获得的加速度信号转换成加速度信号幅值作为动态时间规整的样本序列。
D(i,j)＝d(i,j)+min(D(i-1,j),D(i,j-1),D(i-1,j))(3.1)其中：
Figure GDA0002868112750000042
上述公式中D(i,j)是连续加速度信号幅值的中最小累计距离，d(i,j)是连续加速度信号幅值的欧几里距离。
关联系数：
Figure GDA0002868112750000043
其中，ε∈(0,2)是可调参数根据传感器1、传感器2、传感器3、传感器4不同取值不同。
传感器1、传感器2、传感器3、传感器4的加速度信号加速度幅值SVM，损失严重Z轴的摇摆不影响X和Y轴的幅值趋势，因此只记录SVM(x)和SVM(y)两个值，对加速度信号幅值(SVM)进行端点检测，预测腕部运动状态。
如图2所示，使用模糊分群神经元算法根据DTW关联系数将传感器1、传感器2的数据分成3个群，分别求出其群众中心点(Fcm1,Fcm2)。对情境1中每一组传感器求出群聚中心点，并求出其重心位置(GM1,GM2)。
如图3所示，使用模糊分群神经元算法根据DTW关联系数将传感器1、传感器2、传感器3、传感器4的数据分成六个群，分别求出其群众中心点(Fcm1,Fcm2,Fcm3,Fcm4)。对情境2中每一组传感器求出群聚中心点，并求出其重心位置(GM1,GM2,GM3,GM4)。
如图2所示，分别计算出重心位置的SVM(x)和SVM(y)值的反三角：
Figure GDA0002868112750000044
Figure GDA0002868112750000051
两者相减得到等效ROM：
ROM(1,1)＝θG(1+1)-θG(1) (6)
如图3所示，分别计算出重心位置(GM1,GM2,GM3,GM4)所对应的SVM(x)和SVM(y)值的反三角：
Figure GDA0002868112750000052
Figure GDA0002868112750000053
两者相减得到等效ROM(i)：
ROM(i,k)＝θG(k+i)-θG(k) (9)
将连续获得的连续序列的等效ROM(t,(i,k))和ROM(t+Δt,(i,k))差分，并且阈值化得到:
u(t,(i,k))＝ROM(t+Δt,(i,k))-ROM(t,(i,k)) (10)
Figure GDA0002868112750000054
ξ表示是差分阈值。F(t,(i,k))是判据信息。
SOM是一种自组织(竞争型)神经网络，自组织(竞争型)神经网络的结构及其学习规则与其他神经网络相比有自己的特点。在网络结构上，它一般是由输入层和竞争层构成的两层网络；两层之间各神经元实现双向连接。
如图4所示，由输入层、竞争层和输出层组成。输入层是重心位置(GM1,GM2,GM3,GM4)不同腕带传感器采集后处理状态。网络神经元之间相互竞争以求被激活，结果在每一时刻只有一个输出神经元被激活。这个被激活的神经元称为竞争获胜神经元，而其它神经元的状态被抑制。权值大或者波动大的将被优先输出NET(t,k)。作为体态检测的第一输出值，依次第二输出值，第三输出值，进而显示体态变化。
Figure GDA0002868112750000061
Figure GDA0002868112750000062
相对距离S(t,i)代表腕带传感器节点轨迹长度:
S(t,i)＝L(t,i)×ROM(t,(i,k))×F(t,(i,k))×NET(k) (14)
L(t,i)代表如图3或者图4中Fcm(i)与原点的距离。
基于动态时间归整的ROM等效模糊分群SOM神经元算法获取判据信息的过程具体包含如下步骤：
步骤1：每个手环的所述特征向量经过初态卡尔曼滤波算法二次高斯协方差白噪声后，获得用于动态时间规整算法的样本序列；
步骤2：通过手环传感器三轴加速计对人体加速度进行采样，并把采样获得的加速度信号转换成加速度信号加速度幅值SVM；
步骤3：记录传感器1、传感器2、传感器3、传感器4的加速度信号加速度幅值SVM，损失严重Z轴的摇摆不影响X和Y轴的幅值趋势，因此只记录SVM(x)和SVM(y)两个值；
步骤4：使用模糊分群神经元算法将传感器1、传感器2、传感器3、传感器4的数据分成六个群，分别求出其群众中心点Fcm(i)(即Fcm1,Fcm2,Fcm3,Fcm4)和中心点与原点的距离L(t,i)；
步骤5：对情境1中每一组传感器求出群聚中心点，并求出其重心位置(GA1,GA2,GA3,GA4)。对情境2中每一组传感器求出群聚中心点，并求出其重心位置(GB1,GB2,GB3,GB4)；
步骤6：对所求出其重心位置进行运算处理，得到ROM(i)等效数值；
步骤7：根据SOM神经元判据得到权重NET(t,k)；
步骤8：求得节点轨迹长度S(t,i)；
步骤9：将所得到的S(t,i)和ROM(t,(i,k))的等效值通过串口传输到移动终端和电脑终端。
本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保护范围。

Claims (6)

1.一种基于DTW群集模糊分群SOM神经元的等效ROM距离计算方法，其特征在于，该方法包括如下步骤：
a.使用至少二个运动传感器组建传感器网络，同步获取人体运动的运动信号，所述运动信号包括三维加速度信号和三维角速度信号；
b.建立所述运动信号的特征向量，所述特征向量经过初态卡尔曼滤波单元去除二次高斯协方差白噪声后，得到用于动态时间规整算法的样本序列；
c.将所述样本序列转换为第一加速度幅值和第二加速度幅值，使用模糊分群神经元计算单元将所述第一加速度幅值和所述第二加速度幅值聚集形成对应的第一群落和第二群落；
d.结合所述第一群落和所述第二群落的群落值，获得所述第一群落的第一群落中心点和第一群落重心点，以及所述第二群落的第二群落中心点和第二群落重心点；
e.根据所述第一群落中心点、所述第一群落重心点、所述第二群落中心点和所述第二群落重心点计算得到等效ROM距离值，所述等效ROM距离值用于指导人体动态感知最优律动距离检测选择。
2.如权利要求1所述的基于DTW群集模糊分群SOM神经元的等效ROM距离计算方法，其特征在于，计算得到等效ROM距离值之后进一步包括：
f.根据SOM神经元判据获得权重；权重大的等效ROM距离值为优先输出值；
g.根据权重值求得节点轨迹长度；
h.输出节点轨迹长度及等效ROM距离值。
3.如权利要求2所述的基于DTW群集模糊分群SOM神经元的等效ROM距离计算方法，其特征在于，所述权重值如以下公式表示：
Figure FDA0002868112740000011
其中，
Figure FDA0002868112740000012
式中，H(i)表示当前群落偏离幅值，
Figure FDA0002868112740000013
表示等效距离均值；ROM(i，k)表示等效ROM距离值；t表示当前时间；i表示当前群落；k表示当前群落节点。
4.如权利要求2所述的基于DTW群集模糊分群SOM神经元的等效ROM距离计算方法，其特征在于，所述节点轨迹长度如以下公式表示：
S(t,i)＝L(t,i)×ROM(t,(i,k))×F(t,(i,k))×NET(k)；
式中，L(t,i)表示群落i中心点Fcm(i)与原点的距离，NET(k)表示权重，F(t,(i,k))是判据信息。
5.如权利要求1所述的基于DTW群集模糊分群SOM神经元的等效ROM距离计算方法，其特征在于，等效ROM距离计算时通过筛选提取传感器角度变化特征值，量化分析，角度量值转化距离，将原有方位角度和移动判据进行量化处理。
6.如权利要求1所述的基于DTW群集模糊分群SOM神经元的等效ROM距离计算方法，其特征在于，经过初态卡尔曼滤波单后通过DTW可以对所需姿态识别样本进行筛选，筛选后的样本序列经过模糊分群SOM算法有助于将细化的姿态再次的分组。
CN201710795124.7A 2017-09-06 2017-09-06 基于dtw群集模糊分群som神经元的等效rom距离计算方法 Active CN107766930B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710795124.7A CN107766930B (zh) 2017-09-06 2017-09-06 基于dtw群集模糊分群som神经元的等效rom距离计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710795124.7A CN107766930B (zh) 2017-09-06 2017-09-06 基于dtw群集模糊分群som神经元的等效rom距离计算方法

Publications (2)

Publication Number Publication Date
CN107766930A CN107766930A (zh) 2018-03-06
CN107766930B true CN107766930B (zh) 2021-03-26

Family

ID=61265414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710795124.7A Active CN107766930B (zh) 2017-09-06 2017-09-06 基于dtw群集模糊分群som神经元的等效rom距离计算方法

Country Status (1)

Country Link
CN (1) CN107766930B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108712760B (zh) * 2018-03-29 2019-11-19 北京邮电大学 基于随机自动学习机与模糊算法的高吞吐量中继选择方法
CN110095120A (zh) * 2019-04-03 2019-08-06 河海大学 自治水下航行器在海洋环流下的生物启发自组织映射路径规划方法
CN110319829B (zh) * 2019-07-08 2022-11-18 河北科技大学 基于自适应多态融合蚁群算法的无人机航迹规划方法
CN110415336B (zh) * 2019-07-12 2021-12-14 清华大学 高精度人体体态重建方法及***
CN113065604B (zh) * 2021-04-15 2022-10-21 北京理工大学 一种基于dtw-dbscan算法的空中目标分群方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7855684B2 (en) * 2007-11-15 2010-12-21 Samsung Electronics Co., Ltd. Method and system for locating sensor node in sensor network using distance determining algorithm
WO2013096954A1 (en) * 2011-12-23 2013-06-27 The Trustees Of Dartmouth College Wearable computing device for secure control of physiological sensors and medical devices, with secure storage of medical records, and bioimpedance biometric
CN103543826A (zh) * 2013-07-30 2014-01-29 广东工业大学 一种基于加速度传感器的手势识别方法
CN106500695A (zh) * 2017-01-05 2017-03-15 大连理工大学 一种基于自适应扩展卡尔曼滤波的人体姿态识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7855684B2 (en) * 2007-11-15 2010-12-21 Samsung Electronics Co., Ltd. Method and system for locating sensor node in sensor network using distance determining algorithm
WO2013096954A1 (en) * 2011-12-23 2013-06-27 The Trustees Of Dartmouth College Wearable computing device for secure control of physiological sensors and medical devices, with secure storage of medical records, and bioimpedance biometric
CN103543826A (zh) * 2013-07-30 2014-01-29 广东工业大学 一种基于加速度传感器的手势识别方法
CN106500695A (zh) * 2017-01-05 2017-03-15 大连理工大学 一种基于自适应扩展卡尔曼滤波的人体姿态识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Content-Based Retrieval for Human Motion Data;Chih-Yi Chiu et al.;《Journal of Visual Communication and Image Representation》;20041231;第1-36页 *
Localization with Single Stationary Anchor for Mobile Node in Wireless Sensor Networks;Haipeng Qu et al.;《Hindawi》;20131231;第1-12页 *
加权DTW距离的自动步态识别;张浩 等;《中国图象图形学报》;20100531;第15卷(第5期);第830-836页 *

Also Published As

Publication number Publication date
CN107766930A (zh) 2018-03-06

Similar Documents

Publication Publication Date Title
CN107766930B (zh) 基于dtw群集模糊分群som神经元的等效rom距离计算方法
AU2020273327B2 (en) Systems and methods of swimming analysis
CN112153736B (zh) 一种基于信道状态信息的人员动作识别和位置估计方法
CN106714110B (zh) 一种Wi-Fi位置指纹地图自动构建方法及***
CN105184325B (zh) 一种移动智能终端
US10061389B2 (en) Gesture recognition system and gesture recognition method
Furukawa et al. Noise correlation matrix estimation for improving sound source localization by multirotor UAV
CN112114665B (zh) 一种基于多模态融合的手部追踪方法
CN102640085A (zh) 用于识别手势的***和方法
CN108245880A (zh) 基于多穿戴环带传感器融合的体感检测可视化方法和***
Ahmed et al. An approach to classify human activities in real-time from smartphone sensor data
Javeed et al. Body-worn hybrid-sensors based motion patterns detection via bag-of-features and Fuzzy logic optimization
CN110113116A (zh) 基于wifi信道信息的人体行为识别方法
WO2017185222A1 (zh) 一种基于球类运动的运动轨迹采集和分析的***与方法
CN110929242B (zh) 基于无线信号进行姿态无关的连续用户认证方法及***
Zhang et al. Positioning method of pedestrian dead reckoning based on human activity recognition assistance
CN107392106B (zh) 一种基于双门限的人体活动端点检测方法
CN109190762A (zh) 基于遗传算法编码的上肢姿态识别算法
CN110929766B (zh) 一种基于高斯混合聚类算法的自适应行人手机姿态识别方法
Akan et al. Hand gesture classification using inertial based sensors via a neural network
Bao et al. Mobile phone-based internet of things human action recognition for E-health
Sung et al. Motion quaternion-based motion estimation method of MYO using K-means algorithm and Bayesian probability
Shu et al. Research on human motion recognition based on Wi-Fi and inertial sensor signal fusion
CN116009695A (zh) 一种基于数据手套的动态手势识别方法及***
CN110926467B (zh) 一种基于均值聚类算法的自适应行人手机姿态识别方法

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
CP02 Change in the address of a patent holder

Address after: 200241 No. 500, Dongchuan Road, Shanghai, Minhang District

Patentee after: EAST CHINA NORMAL University

Patentee after: SHANGHAI MINGFENG INFORMATION TECHNOLOGY Co.,Ltd.

Address before: 200062 No. 3663, Putuo District, Shanghai, Zhongshan North Road

Patentee before: EAST CHINA NORMAL University

Patentee before: SHANGHAI MINGFENG INFORMATION TECHNOLOGY Co.,Ltd.

CP02 Change in the address of a patent holder