CN108433728A - 一种基于智能手机和ann识别施工人员跌落险兆事故的方法 - Google Patents

一种基于智能手机和ann识别施工人员跌落险兆事故的方法 Download PDF

Info

Publication number
CN108433728A
CN108433728A CN201810181235.3A CN201810181235A CN108433728A CN 108433728 A CN108433728 A CN 108433728A CN 201810181235 A CN201810181235 A CN 201810181235A CN 108433728 A CN108433728 A CN 108433728A
Authority
CN
China
Prior art keywords
data
mobile phone
smart mobile
danger
neural network
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
Application number
CN201810181235.3A
Other languages
English (en)
Inventor
张明媛
曹天卓
赵雪峰
曹志颖
朱密
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201810181235.3A priority Critical patent/CN108433728A/zh
Publication of CN108433728A publication Critical patent/CN108433728A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A61B5/1117—Fall detection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • G01C21/16—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 by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/18—Stabilised platforms, e.g. by gyroscope
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Artificial Intelligence (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Remote Sensing (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Geometry (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Alarm Systems (AREA)

Abstract

一种基于智能手机和ANN识别施工人员跌落险兆事故的方法属于筑施工安全管理领域。通过智能手机内置的加速度计和陀螺仪传感器，以三轴加速度和三轴角度信息描述施工人员经历跌落险兆事故和正常行走时的运动状态。建立初始采集数据与运动信息数据流的转换模型，选择合适的时间窗口分割数据流并提取平均值、标准差、极大值和极差作为数据流特征值，构建输入矩阵，并导入训练完成的人工神经网络，由人工神经网络对动作类型进行分类和识别。本发明能够为构建基于智能手机的交互式信息管理平台提供良好的契机；采用人工神经网络算法，消除人为识别的主观因素干扰，具有较强的鲁棒性和容错性，能够更好地适应施工安全管理粗放的环境特点；具有良好的可扩展性。

Description

一种基于智能手机和ANN识别施工人员跌落险兆事故的方法
技术领域
本发明涉及建筑施工安全管理领域，具体涉及一种基于智能手机和人工神经网络(ANN)识别施工人员跌落险兆事故的方法。
背景技术
现有统计数据表明，跌落事故(绊倒、滑倒和高空坠落)是造成建筑业伤亡事故的首要原因，减少跌落事故的发生，对提升建筑施工安全管理水平具有重要意义。如何主动地在跌落事故发生前采取措施，干预跌落事故的形成过程，成为当前研究人员关注的焦点。而对跌落险兆事故的认识和研究，为解决上述问题提供了新的思路。跌落险兆事故与跌落事故都是由于失稳造成的，跌落事故可视作跌落险兆事故的进一步演化，环境条件的不同则决定了上述演化过程是否发生。只有在各方面的环境条件均相当恶劣时，施工人员无法及时调整身体姿态、恢复身体平衡从而脱离失稳状态，跌落事故才会发生。因此，跌落险兆事故的发生频率大大高于跌落事故，对各种环境条件下发生的跌落险兆事故进行探究，将为深入认知跌落事故提供新的、更具有实际价值的视角。
然而，跌落险兆事故样本的传统获取方式通常局限于人为识别和主观判断，且难以保证充足的样本数量和可信的样本质量。如何提供一种高效、低成本、降低人为主观因素干扰的样本获取方法，并选择适用于施工现场环境的信息采集工具，成为当前亟需解决的问题。
发明内容
为解决上述问题，本发明提供一种基于智能手机和人工神经网络识别施工人员跌落险兆事故的方法。解决了复杂、动态的施工现场环境下，施工人员跌落险兆事故的动作信息数据流采集、特征值提取、跌落险兆事故识别的实现问题。
为了达到上述目的，本发明的技术方案为：
一种基于智能手机和ANN识别施工人员跌落险兆事故的方法，通过智能手机内置的加速度计和陀螺仪传感器，以三轴加速度和三轴角度信息描述施工人员经历跌落险兆事故和正常行走时的运动状态。建立初始采集数据与运动信息数据流的转换模型，选择合适的时间窗口分割数据流并提取平均值、标准差、极大值和极差作为数据流特征值，构建输入矩阵，并导入训练完成的人工神经网络，由人工神经网络对动作类型进行分类和识别。通过对跌落险兆事故的识别，为深入认知跌落险兆事故发生机理、主动预防跌落事故发生及推广传感技术在建筑施工管理领域的应用打下了坚实的基础。具体包括以下步骤：
(1)打开智能手机传感器数据提取软件，设定数据采集工作频率。将智能手机固定在施工人员的骶部(脊柱的最底端，最接近人体的重心)进行三轴加速度和三轴角度数据采集。
(2)将智能手机采集的传感数据上传至电脑端。
(3)电脑端对传感数据进行初步处理，去除异样数据点等数据噪音。
(4)通过初始采集数据与运动信息数据流的转换模型，获取运动信息数据流。
(5)选择合适的时间窗口对运动信息数据流进行分割。
(6)对分割后的数据流，提取加速度信息和角度信息对应的特征值，构建输入矩阵。
(7)将输入矩阵导入训练完成的人工神经网络，由人工神经网络对动作类型进行判断和识别。
所述步骤1中的传感器数据提取软件选用Orion CC(开源软件)；数据采集频率设定为20Hz。
所述步骤5中的时间窗口设定为1s。
所述步骤6中的特征值包括平均值、标准差、极大值和极差，输入矩阵包含8个数据特征向量。
所述步骤7中训练完成的人工神经网络具备实现跌落险兆事故和正常行走动作的二元分类功能。
与现有技术相比，本发明具有以下优势：
1)智能手机本身是多项传感技术的集成平台，大幅提升的智能手机普及率及价格的下行趋势，为构建基于智能手机的交互式信息管理平台提供了良好的契机。
2)采用人工神经网络算法，消除人为识别的主观因素干扰，其较强的鲁棒性和容错性，更好地适应施工安全管理粗放的环境特点。
3)具有良好的可扩展性。
附图说明
图1是基于智能手机和人工神经网络识别施工人员跌落险兆事故的流程图。
具体的实施方式
结合具体实施例对本发明做进一步说明，以下仅为发明的一个优选实例，以便更好地说明基于智能手机和人工神经网络识别跌落险兆事故的流程。
步骤一：基于智能手机，采集施工人员的三轴加速度、三轴角度数据
跌落险兆事故发生时，由于失稳和恢复平衡时身体姿态的调整，涉及到施工人员不同程度的能量释放，内置于智能手机中的加速度计能较好地识别上述能量变化情况。同时，以陀螺仪提供的三轴角度信息作为描述方向感应及人员所处位置信息的辅助手段，能够更好地满足施工人员运动状态判定的信息维度需求。
为尽可能地减少施工人员无关运动产生的加速度、角度信号对识别跌落险兆事故的影响，将智能手机固定在施工人员的骶部(脊柱的最底端，最接近人体的重心)进行数据采集。在加速度、角度信息采集工具的选择上，使用Orion CC软件调用智能手机内置的加速度计和陀螺仪传感器，获取并记录相应的传感数据，数据读取后以txt的格式保存在手机中。第k次实验任务所采集的初始数据保存在矩阵Wk中。
式中，ax、ay和az分别表示x、y和z轴的加速度值；wx、wy和wz分别表示x、y和z轴的角度值；N为每个维度上数据采样点的总数。
使用平衡板模拟跌落险兆事故发生时的失稳状态，获取跌落险兆事故样本。
跌落险兆事故的发生原因是失稳，表现特征为一系列为恢复身体平衡、调整身体姿态所采取的反常动作。被广泛用于平衡功能评定及康复训练的平衡板，能够较好地模拟平衡干扰小时上肢、踝关节动作，平衡干扰大时上肢、髋关节动作及重心偏移过远，达稳定极限时的跨步模式和平衡反应；同时，其能够模拟多个方向(360°)的失稳场景。因此，使用平衡板模拟跌落险兆事故发生时的失稳状态，不仅提升了与真实条件下所发生跌落险兆事故间的契合程度，还以高效、低成本的方式提供了训练人工神经网络所需的充足样本量。
步骤二：初始采集数据与施工人员运动信息数据流的转换模型
对矩阵Wk中的数据，需要借助初始采集数据与施工人员运动信息数据流的转换模型，以期正确地描述施工人员经历跌落险兆事故时的不同运动状态。提取加速度信号幅度向量SVMa对三轴加速度信息进行处理；提取角度信号幅度向量SVMw三轴角度信息进行处理。基于此，使得矩阵Wk转为矩阵SVMTk，完成了初始采集数据向运动信息数据流的转换，为数据流分割及数据流特征值提取工作提供基础。
步骤三：数据流分割
由于运动信息数据流包含不同状态下的跌落险兆事故，因此，需要通过选择合适的时间窗口对运动信息数据流进行分割，识别不同状态和不同种类的动作特性，便于特征提取、特征分类及机器学习算法运行等工作的开展。
由于失稳及恢复平衡所采取调整动作的平均持续时间在1-2秒之间，因此，将时间窗口设置为1秒能够满足对不同状态和不同种类动作特性的识别，较好地实现不同动作数据特征切换的过渡，并将单次信息数据流划分为若干个子数据流。即第k次信息数据流的持续时间为t秒，可得到t个子数据流。
步骤四：数据流特征值的提取
在完成对运动信息数据流的分割后，需要借助统计特征识别不同种类动作间的偏差。选择平均值标准差(STDk)、极大值(Pk)和极差(Rk)作为数据流的统计特征值。
Pk＝max(SVMk)
Rk＝max(SVMk)-min(SVMk)
进一步地，将第k次运动信息数据流中的加速度统计特征值和角度统计特征值放置于同一个矩阵Inputk中，作为人工神经网络的输入矩阵，该矩阵的维度为8×1。
步骤五：人工神经网络ANN的训练
获取人工神经网络的训练样本时，包括跌落险兆事故样本和正常行走样本。前者借助平衡板模拟跌落险兆事故发生时反复的失、复稳状态，以高效、低成本的方式提供了训练人工神经网络所需的充足样本量。
人工神经网络算法借助Python 3.5编译实现，包含2个隐含层、每个隐含层中含有8个神经元；使用线性整流函数(ReLU)作为激活函数、Softmax为损失函数、Adam为参数更新算法，完成对人工神经网络的训练，使其具备实现跌落险兆和正常行走的二元分类功能。
训练时，设置迭代次数为1000次；为避免梯度下降过快导致曲线扭曲信息及数据多样化的丢失，设置学习率为0.001；训练集与测试集的比例为8:2。
步骤六：人工神经网络识别跌落险兆事故
将输入矩阵导入训练完成的人工神经网络，由人工神经网络对其动作类型进行识别和判定。

Claims (3)

1.一种基于智能手机和ANN识别施工人员跌落险兆事故的方法，其特征在于，包括以下步骤：
(1)基于智能手机，采集施工人员的三轴加速度、角度数据
打开智能手机传感器数据提取软件，设定数据采集工作频率；将智能手机固定在施工人员的骶部，采集三轴加速度和三轴角度数据，并将数据保存在智能手机中，其中，第k次实验任务所采集的初始数据保存在矩阵Wk中；
式中，ax、ay和az分别表示x、y和z轴的加速度值；wx、wy和wz分别表示x、y和z轴的角度值；N为每个维度上数据采样点的总数；
(2)将智能手机采集的传感数据上传至电脑端；
(3)电脑端对传感数据进行初步处理，去除异样数据点数据噪音；
(4)对矩阵Wk中的数据，通过初始采集数据与运动信息数据流的转换模型，获取运动信息数据流；具体为：
提取加速度信号幅度向量SVMa对三轴加速度信息进行处理；提取角度信号幅度向量SVMw三轴角度信息进行处理；使矩阵Wk转为矩阵SVMTk，完成初始采集数据向运动信息数据流的转换；
(5)选择合适的时间窗口对运动信息数据流进行分割；
(6)对分割后的数据流，提取加速度信息和角度信息对应的特征值，构建输入矩阵；
所述的特征值包括平均值标准差STDk、极大值Pk和极差Rk，公式表达如下：
Pk＝max(SVMk)
Rk＝max(SVMk)-min(SVMk)
所述的输入矩阵包含8个数据特征向量，如下所示：
(7)将输入矩阵导入训练完成的人工神经网络，由人工神经网络对动作类型进行判断和识别；其中，训练完成的人工神经网络具备实现跌落险兆事故和正常行走动作的二元分类功能。
2.根据权利要求1所述的一种基于智能手机和ANN识别施工人员跌落险兆事故的方法，其特征在于，所述的步骤(1)中传感器数据提取软件选用开源软件；数据采集频率设定为20Hz。
3.根据权利要求1或2所述的一种基于智能手机和ANN识别施工人员跌落险兆事故的方法，其特征在于，所述的步骤(5)中时间窗口设定为1s。
CN201810181235.3A 2018-03-06 2018-03-06 一种基于智能手机和ann识别施工人员跌落险兆事故的方法 Pending CN108433728A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810181235.3A CN108433728A (zh) 2018-03-06 2018-03-06 一种基于智能手机和ann识别施工人员跌落险兆事故的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810181235.3A CN108433728A (zh) 2018-03-06 2018-03-06 一种基于智能手机和ann识别施工人员跌落险兆事故的方法

Publications (1)

Publication Number Publication Date
CN108433728A true CN108433728A (zh) 2018-08-24

Family

ID=63193578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810181235.3A Pending CN108433728A (zh) 2018-03-06 2018-03-06 一种基于智能手机和ann识别施工人员跌落险兆事故的方法

Country Status (1)

Country Link
CN (1) CN108433728A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110916984A (zh) * 2019-12-03 2020-03-27 上海交通大学医学院附属第九人民医院 一种预防冻结步态的穿戴设备及其实现方法
CN111814681A (zh) * 2020-07-09 2020-10-23 清华大学 基于传感器的施工工人失稳险兆事件自动识别方法与装置
CN112241746A (zh) * 2019-07-16 2021-01-19 北京中科天演科技有限责任公司 一种人员操作行动识别方法及***
CN112790760A (zh) * 2021-01-05 2021-05-14 北京诺亦腾科技有限公司 一种三维运动姿态捕捉方法、装置、处理设备及***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040021569A1 (en) * 2001-11-21 2004-02-05 Robert Lepkofker Personnel and resource tracking method and system for enclosed spaces
US20060270949A1 (en) * 2003-08-15 2006-11-30 Mathie Merryn J Monitoring apparatus for ambulatory subject and a method for monitoring the same
WO2010105379A1 (fr) * 2009-03-20 2010-09-23 Synapse S.A.R.L. Dispositif de detection de chute
JP2013092923A (ja) * 2011-10-26 2013-05-16 Seiko Epson Corp 転落検出装置及び転落監視システム
US8665097B2 (en) * 2011-05-10 2014-03-04 Honeywell International Inc. System and method of worker fall detection and remote alarm notification
CN105956558A (zh) * 2016-04-26 2016-09-21 陶大鹏 一种基于三轴加速度传感器人体动作识别方法
KR101721546B1 (ko) * 2016-05-26 2017-03-30 김대용 Ｒｔｌｓ를 이용한 산업 안전관리 시스템
CN106981174A (zh) * 2017-04-27 2017-07-25 南京邮电大学 一种基于智能手机的老人跌倒检测方法
WO2017155543A1 (en) * 2016-03-11 2017-09-14 Honeywell International Inc. Fall protection radio frequency emergency beacon
CN107358248A (zh) * 2017-06-07 2017-11-17 南京邮电大学 一种提高跌倒检测***精度的方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040021569A1 (en) * 2001-11-21 2004-02-05 Robert Lepkofker Personnel and resource tracking method and system for enclosed spaces
US20060270949A1 (en) * 2003-08-15 2006-11-30 Mathie Merryn J Monitoring apparatus for ambulatory subject and a method for monitoring the same
WO2010105379A1 (fr) * 2009-03-20 2010-09-23 Synapse S.A.R.L. Dispositif de detection de chute
US8665097B2 (en) * 2011-05-10 2014-03-04 Honeywell International Inc. System and method of worker fall detection and remote alarm notification
JP2013092923A (ja) * 2011-10-26 2013-05-16 Seiko Epson Corp 転落検出装置及び転落監視システム
WO2017155543A1 (en) * 2016-03-11 2017-09-14 Honeywell International Inc. Fall protection radio frequency emergency beacon
CN105956558A (zh) * 2016-04-26 2016-09-21 陶大鹏 一种基于三轴加速度传感器人体动作识别方法
KR101721546B1 (ko) * 2016-05-26 2017-03-30 김대용 Ｒｔｌｓ를 이용한 산업 안전관리 시스템
CN106981174A (zh) * 2017-04-27 2017-07-25 南京邮电大学 一种基于智能手机的老人跌倒检测方法
CN107358248A (zh) * 2017-06-07 2017-11-17 南京邮电大学 一种提高跌倒检测***精度的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
卓从彬: "跌倒检测***的研究及应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
毛立昱: "基于手机的跌倒监测***设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112241746A (zh) * 2019-07-16 2021-01-19 北京中科天演科技有限责任公司 一种人员操作行动识别方法及***
CN110916984A (zh) * 2019-12-03 2020-03-27 上海交通大学医学院附属第九人民医院 一种预防冻结步态的穿戴设备及其实现方法
CN111814681A (zh) * 2020-07-09 2020-10-23 清华大学 基于传感器的施工工人失稳险兆事件自动识别方法与装置
CN112790760A (zh) * 2021-01-05 2021-05-14 北京诺亦腾科技有限公司 一种三维运动姿态捕捉方法、装置、处理设备及***

Similar Documents

Publication Publication Date Title
CN108433728A (zh) 一种基于智能手机和ann识别施工人员跌落险兆事故的方法
CN100487720C (zh) 人脸对照装置
CN107212890B (zh) 一种基于步态信息的运动识别和疲劳检测方法及***
CN103827891B (zh) 使用全球生成的多维姿势数据检测身体运动的***和方法
CN110478883B (zh) 一种健身动作教学及矫正***及方法
CN105184325A (zh) 一种人体动作识别方法和移动智能终端
CN108304820A (zh) 一种人脸检测方法、装置及终端设备
CN108090510A (zh) 一种基于间隔优化的集成学习方法及装置
CN108446733A (zh) 一种基于多传感器数据的人体行为监测及智能识别方法
CN106127164A (zh) 基于显著性检测和卷积神经网络的行人检测方法及装置
CN105224104B (zh) 基于智能手机持握方式的行人运动状态识别方法
CN106210269A (zh) 一种基于智能手机的人体动作识别***及方法
CN108960430A (zh) 为人体运动活动生成个性化分类器的方法和设备
CN109919252A (zh) 利用少数标注图像生成分类器的方法
CN105868779A (zh) 一种基于特征增强和决策融合的行为识别方法
CN111722713A (zh) 多模态融合的手势键盘输入方法、设备、***及存储介质
CN110119746A (zh) 一种特征识别方法及装置、计算机可读存储介质
CN111966217A (zh) 基于手势和眼动的无人机控制方法和***
CN112489129A (zh) 位姿识别模型训练方法、装置、位姿识别方法和终端设备
CN103984921A (zh) 一种用于人体动作识别的三轴特征融合方法
Yuan et al. Smartphone-based activity recognition using hybrid classifier
CN116226727A (zh) 一种基于ai的运动识别***
CN108717548A (zh) 一种面向传感器动态增加的行为识别模型更新方法及***
Ergene et al. Robotic hand grasping of objects classified by using support vector machine and bag of visual words
CN114384999A (zh) 基于自适应学习的用户无关肌电手势识别***

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: 20180824

RJ01 Rejection of invention patent application after publication