CN109189221A - 一种跨手机平台的用户行为识别方法 - Google Patents
一种跨手机平台的用户行为识别方法 Download PDFInfo
- Publication number
- CN109189221A CN109189221A CN201810967532.0A CN201810967532A CN109189221A CN 109189221 A CN109189221 A CN 109189221A CN 201810967532 A CN201810967532 A CN 201810967532A CN 109189221 A CN109189221 A CN 109189221A
- Authority
- CN
- China
- Prior art keywords
- data
- data acquisition
- acquisition platform
- platform
- acceleration
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000001133 acceleration Effects 0.000 claims abstract description 103
- 230000000694 effects Effects 0.000 claims abstract description 24
- 238000012952 Resampling Methods 0.000 claims abstract description 15
- 238000003672 processing method Methods 0.000 claims abstract description 12
- 230000003068 static effect Effects 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 17
- 239000000523 sample Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005484 gravity Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/03—Arrangements for converting the position or the displacement of a member into a coded form
- G06F3/033—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor
- G06F3/0346—Pointing devices displaced or positioned by the user, e.g. mice, trackballs, pens or joysticks; Accessories therefor with detection of the device orientation or free movement in a 3D space, e.g. 3D mice, 6-DOF [six degrees of freedom] pointers using gyroscopes, accelerometers or tilt-sensors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Computer Interaction (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Telephone Function (AREA)
Abstract
本发明提供一种跨手机平台的用户行为识别方法,包括以下步骤:S1:在数据采集平台A上采集数据并对采集到的数据集DataA进行标注;S2:采用基于时频域变换的加速度传感器数据处理方法对标注后的数据集DataA进行处理,然后建立行为识别模型ModelA,S3:在数据采集平台B上采集数据以得到数据集DataB,采用基于时频域变换的加速度传感器数据处理方法对数据集DataB进行处理;S4:将行为识别模型ModelA直接在数据采集平台B上实现,然后采用行为识别模型ModelA对处理后的数据集DataB进行识别,以预测用户的实时行为,本发明对不同数据平台所采集的加速度数据在时域上进行归一化,在频域上进行重采样,能够有效提高模型的设备普适性。
Description
技术领域
本发明涉及模式识别与传感器技术领域,具体涉及一种跨手机平台的用户行为识别方法。
背景技术
在“智能养老”研究领域,监控老人的动作行为,如静止、散步、慢跑、上楼梯、下楼梯等行为,具有重要的意义。利用传统的机器学***台)和华为Mate8(Android平台)的数据不满足一致性的要求,如图3和图4所示,从图3可以看出,静止时iphone7手机的合成加速度大约为为1左右,由静止时重力加速度的大小为1g可知iphone7手机读取到加速度的单位是g;Mate8手机的合成加速度为10左右,由静止时重力加速度的大小为9.8米/秒2可知Mate8手机读取到的加速度的单位是米/秒2。这些读数的不同可以理解为不同手机平台下的API接口度量加速度的量纲不同。两种平台的手机通过各自的加速度数据采集程序读取到的静止时数据为什么存在这么明显的差距,我们想探究其原因,然而通过查阅相关的资料,并没有官方明确的声明。虽然如此,两种不同手机平台下采集的加速度传感器数据的量纲不同,是一个客观存在的现实,图4中所描绘的曲线表现的是Mate8、iphone7平台手机在随用户慢跑时分别采集到的200个数据的合成加速度值。慢跑是周期性的运动,表现在加速度数据的波形图上,呈现出波峰波谷交替的形态。从图4可以清楚地看出,两手机在200个数据内感知到的波峰波谷数目是不同的,也就是所包含的用户慢跑经过的步数是不同的。由于两手机是绑定在一起的,因此无论是哪个手机,每两个波峰之间的时间差是相同的,于是可推算出两个手机采集200个数据所耗费的时间是不同的,从而可进一步推知两个手机的加速度采样频率是不同的;训练数据和预测数据分布的不同,导致基于其中一个平台上采集的数据训练的行为识别模型不能有效的区分另一个平台上采集到的数据。
发明内容
本发明的目的是提供一种跨手机平台的用户行为识别方法,本发明对不同数据平台所采集的加速度数据在时域上进行归一化,在频域上进行重采样,能够有效提高模型的设备普适性,以解决上述技术问题。
为了达到上述目的,本发明所采用的技术方案是:一种跨手机平台的用户行为识别方法,包括以下步骤:
S1:在数据采集平台A上采集数据并对采集到的数据集DataA进行标注;
S2:采用基于时频域变换的加速度传感器数据处理方法对标注后的数据集DataA进行处理,然后建立行为识别模型ModelA,并将建立的行为识别模型ModelA的参数β记录下来;
S3:在数据采集平台B上采集数据以得到数据集DataB,采用基于时频域变换的加速度传感器数据处理方法对数据集DataB进行处理;
S4:将具有参数β的行为识别模型ModelA直接在数据采集平台B上实现,然后采用行为识别模型ModelA对处理后的数据集DataB进行识别,以预测用户的实时行为。
进一步的,所述的步骤S2中在建立行为识别模型ModelA时采用决策树分类方法或神经网络分类方法。
进一步的,所述的步骤S1与步骤S3中所采用的基于时频域变换的加速度传感器数据处理方法均包括以下步骤:
S11:原始三轴加速度数据采集,将数据采集平台A或数据采集平台B固定配置在用户身上,通过内置在数据采集平台A或数据采集平台B内部的三轴加速度传感器对用户在任意状态下的三轴加速度数据进行采集;
S12:加速度信号合成,假设步骤S11所采集到的三轴加速度数据为(a′x,a′y,a′z),则用户在任意状态下三轴加速度的合成值为
S13:静止状态检测,用户将数据采集平台A或数据采集平台B静止放置,通过内置在数据采集平台A或数据采集平台B内部的三轴加速度传感器对数据采集平台A或数据采集平台B在静止时自身的三轴加速度数据进行采集;
S14:计算静止合成加速度的众值S,假设步骤S13所采集到的三轴加速度数据为(ax,ay,az),则数据采集平台A或数据采集平台B在静止时自身的三轴加速度的合成值为S,且
S15:合成加速度归一化,将用户在任意状态下的三轴加速度数据进行归一化后得到的合成加速度为:
S16:一秒数据内数据重采样,以T为时间窗口,将数据采集平台A或数据采集平台B在该时间窗口内所采集到的合成加速度数据生成合成加速度数据波形图,然后将数据重采样频率设定为F,即如果数据采集平台A或数据采集平台B所生成的合成加速度数据波形图的采样频率低于F则进行插值操作,如果采样频率高于F则进行下采样操作。
S17:后续特征提取,采用滑动窗口法对步骤S16所生成的合成加速度数据波形图中的特征进行提取。
进一步的,所述的时间窗口T为2秒钟。
进一步的,所述的数据重采样频率F为32Hz。
进一步的,所述的数据采集平台A与数据采集平台B为两部不同操作***的手机。
与现有技术相比,本发明的有益效果是:本发明对不同数据平台所采集的加速度数据在时域上进行归一化,在频域上进行重采样,能够有效提高模型的设备普适性。
附图说明
图1是传统的机器学习方法构建基于加速度传感器的行为识别模型的流程示意图;
图2是传统的行为识别模型在线识别用户行为的流程示意图;
图3是静止时苹果iphone7(iOS平台)和华为Mate8(Android平台)的合成加速度数据波形图;
图4是慢跑时苹果iphone7(iOS平台)和华为Mate8(Android平台)的合成加速度数据波形图;
图5是本发明所构建的基于加速度传感器的行为识别模型的流程示意图;
图6是本发明所构建的行为识别模型在线识别用户行为的流程示意图;
图7是基于时频域变换的加速度传感器数据处理方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种跨手机平台的用户行为识别方法,如图5和图6所示,包括以下步骤:
S1:在数据采集平台A上采集数据并对采集到的数据集DataA进行标注;
S2:采用基于时频域变换的加速度传感器数据处理方法对标注后的数据集DataA进行处理,然后建立行为识别模型ModelA,并将建立的行为识别模型ModelA的参数β记录下来;
S3:在数据采集平台B上采集数据以得到数据集DataB,采用基于时频域变换的加速度传感器数据处理方法对数据集DataB进行处理;
S4:将具有参数β的行为识别模型ModelA直接在数据采集平台B上实现,然后采用行为识别模型ModelA对处理后的数据集DataB进行识别,以预测用户的实时行为。
所述的步骤S2中在建立行为识别模型ModelA时采用决策树分类方法或神经网络分类方法,此处需要说明的是,在建立行为识别模型ModelA时所采用的分类方法可以为以上两种中的任意一种,当然也不局限于上述两种分类方法,本领域技术人员可以采用很多种不同的分类方法来建立行为识别模型ModelA,故在此处不一一进行限定。
如图7所示,所述的步骤S1与步骤S3中所采用的基于时频域变换的加速度传感器数据处理方法均包括以下步骤:
S11:原始三轴加速度数据采集,将数据采集平台A或数据采集平台B固定配置在用户身上,通过内置在数据采集平台A或数据采集平台B内部的三轴加速度传感器对用户在任意状态下的三轴加速度数据进行采集;
S12:加速度信号合成,假设步骤S11所采集到的三轴加速度数据为(a′x,a′y,a′z),则用户在任意状态下三轴加速度的合成值为
S13:静止状态检测,用户将数据采集平台A或数据采集平台B静止放置,通过内置在数据采集平台A或数据采集平台B内部的三轴加速度传感器对数据采集平台A或数据采集平台B在静止时自身的三轴加速度数据进行采集;
S14:计算静止合成加速度的众值S,假设步骤S13所采集到的三轴加速度数据为(ax,ay,az),则数据采集平台A或数据采集平台B在静止时自身的三轴加速度的合成值为S,且
S15:合成加速度归一化,将用户在任意状态下的三轴加速度数据进行归一化后得到的合成加速度为:
S16:一秒数据内数据重采样,以T为时间窗口,将数据采集平台A或数据采集平台B在该时间窗口内所采集到的合成加速度数据生成合成加速度数据波形图,然后将数据重采样频率设定为F,即如果数据采集平台A或数据采集平台B所生成的合成加速度数据波形图的采样频率低于F则进行插值操作,如果采样频率高于F则进行下采样操作。
S17:后续特征提取,采用滑动窗口法对步骤S16所生成的合成加速度数据波形图中的特征进行提取。
进一步优化本方案,所述的时间窗口T为2秒钟。
进一步优化本方案,所述的数据重采样频率F为32Hz。
进一步优化本方案,所述的数据采集平台A与数据采集平台B为两部不同操作***的手机。
以下对本发明进行详细说明:
(1)合成加速度的规范化方法
设备在静止的条件下,其合成加速度应为重力加速度1g,根据这一准则,可以将不同量纲的传感器数据统一起来;
假设静止时x、y、z轴的加速度数值构成向量(ax,ay,az),各个轴的偏置值(offset)为(ox,oy,oz),各个轴的标度因子(scale factor)分别为(sx,sy,sz),则它们满足公式:
在实际实验中我们发现的值,或者说它们的存在不足以影响后续数据的精度,即可认为它们可以忽略不计,而且,随着生产工艺的提高,这个偏置会越来越小,则公式(1)可近似转换为:
在通常情况下,x、y、z轴的标度因子(scale factor)近似相同,我们用s表示,则公式2可演变为:
即
公式4可进一步转化为:
s即为静止时的加速度的合成值;
于是,对于任意状态下的合成加速度数据(a′x,a′y,a′z),其经过规范化的合成加速度为:
即,可以采用除以静止时合成加速度的方法将加速度数据规范化到静止时量纲为1的情境,使得不同偏置值(offset)和标度因子(scale factor)的传感器数据有了可比性。
(2)静止状态检测
如果需要用户参与搜集静止时加速度数据,***的负担就会小一些。只需要提供一个交互界面,提示用户将手机静止放置,按下开始按钮和终止按钮,***记录下这个时间间隔内的加速度数据即可;
如果从***的易用性考虑,不需要用户参与,那么***可以搜集凌晨2-3时的数据,并且统计一秒钟内的数据,当每个轴上数据的方差均不超过均值的0.5%时,认为设备处于静止状态,然后计算该一秒钟内合成加速度的众值作为静止时的合成加速度的估计值。
(3)基于时间窗的采样频率一致化方法:
1)重采样前时间窗口的选定
散步、跑步、上楼梯、下楼梯等动作具有周期性,在根据加速度传感器采集到的数据所描绘的曲线上,表现为该曲线呈现波峰波谷交替出现的形态。当我们考虑对这些行为数据进行操作或者处理的时候,最直观的想法是以一个行为周期为单位进行处理。现有文献中大多采用2秒钟的时间窗口,即大家普遍认为在2秒钟的时间窗口中采集到的数据足以涵盖一个动作周期;在加速度传感器采样频率恒定的情况下,每秒钟采集到的数据个数是相同的,因此可以直接采集数量为采样频率2倍的数据,作为2秒钟时间窗口内的数据。然而目前我们面临的问题是采样频率是变化的,这样就不能简单地以固定数量作为时间窗口;在数据采集过程中,每一个数据对应有一个时间戳,带有时间戳的数据格式如下:
(year,month,day,hour,minute,sencond,ax,ay,az),
我们将具有相同时间戳的数据视为同一秒,取出其中的数据:
其中m是该1秒窗口中的数据个数,按照这样划分时间窗口的方式,由于采样频率不稳定,则不同的时间窗口内的数据个数是变化的;
2)重采样后数据窗口长度的选定
对于基于加速度传感器数据的应用,从原始数据提取特征是必不可少的阶段,常用的提取特征的方法是滑动窗口法。而滑动窗口的大小是恒定不变的,并且为了应用快速傅里叶变换(Fast Fourier Transform,FFT),通常取窗口的大小为2的整数幂。根据在研究过程中积累的经验,我们将窗口的大小设定为64,即加速度传感器的采样频率为32;
3)一秒钟时间窗口内的重采样操作
即将具有不同采样频率的加速度传感器采集的数据重采样到频率为32Hz,即:如果采样频率低于32Hz则进行插值操作,如果采样频率高于32Hz则进行下采样操作。采取线性插值的方法将数据插值到频率为32Hz,线性插值的方法不仅能够有效的补齐数据,很好地保持原有的波形,而且时间复杂度低,计算量小。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种跨手机平台的用户行为识别方法,其特征在于,包括以下步骤:
S1:在数据采集平台A上采集数据并对采集到的数据集DataA进行标注;
S2:采用基于时频域变换的加速度传感器数据处理方法对标注后的数据集DataA进行处理,然后建立行为识别模型ModelA,并将建立的行为识别模型ModelA的参数β记录下来;
S3:在数据采集平台B上采集数据以得到数据集DataB,采用基于时频域变换的加速度传感器数据处理方法对数据集DataB进行处理;
S4:将具有参数β的行为识别模型ModelA直接在数据采集平台B上实现,然后采用行为识别模型ModelA对处理后的数据集DataB进行识别,以预测用户的实时行为。
2.根据权利要求1所述的一种跨手机平台的用户行为识别方法,其特征在于:所述的步骤S2中在建立行为识别模型ModelA时采用决策树分类方法或神经网络分类方法。
3.根据权利要求1所述的一种跨手机平台的用户行为识别方法,其特征在于,所述的步骤S1与步骤S3中所采用的基于时频域变换的加速度传感器数据处理方法均包括以下步骤:
S11:原始三轴加速度数据采集,将数据采集平台A或数据采集平台B固定配置在用户身上,通过内置在数据采集平台A或数据采集平台B内部的三轴加速度传感器对用户在任意状态下的三轴加速度数据进行采集;
S12:加速度信号合成,假设步骤S11所采集到的三轴加速度数据为(a’x,a’y,a’z),则用户在任意状态下三轴加速度的合成值为
S13:静止状态检测,用户将数据采集平台A或数据采集平台B静止放置,通过内置在数据采集平台A或数据采集平台B内部的三轴加速度传感器对数据采集平台A或数据采集平台B在静止时自身的三轴加速度数据进行采集;
S14:计算静止合成加速度的众值S,假设步骤S13所采集到的三轴加速度数据为(ax,ay,az),则数据采集平台A或数据采集平台B在静止时自身的三轴加速度的合成值为S,且
S15:合成加速度归一化,将用户在任意状态下的三轴加速度数据进行归一化后得到的合成加速度为:
S16:一秒数据内数据重采样,以T为时间窗口,将数据采集平台A或数据采集平台B在该时间窗口内所采集到的合成加速度数据生成合成加速度数据波形图,然后将数据重采样频率设定为F,即如果数据采集平台A或数据采集平台B所生成的合成加速度数据波形图的采样频率低于F则进行插值操作,如果采样频率高于F则进行下采样操作。
S17:后续特征提取,采用滑动窗口法对步骤S16所生成的合成加速度数据波形图中的特征进行提取。
4.根据权利要求3所述的一种跨手机平台的用户行为识别方法,其特征在于:所述的时间窗口T为2秒钟。
5.根据权利要求3所述的一种跨手机平台的用户行为识别方法,其特征在于:所述的数据重采样频率F为32Hz。
6.根据权利要求3所述的一种跨手机平台的用户行为识别方法,其特征在于:所述的数据采集平台A与数据采集平台B为两部不同操作***的手机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810967532.0A CN109189221B (zh) | 2018-08-23 | 2018-08-23 | 一种跨手机平台的用户行为识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810967532.0A CN109189221B (zh) | 2018-08-23 | 2018-08-23 | 一种跨手机平台的用户行为识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109189221A true CN109189221A (zh) | 2019-01-11 |
CN109189221B CN109189221B (zh) | 2021-07-16 |
Family
ID=64919682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810967532.0A Active CN109189221B (zh) | 2018-08-23 | 2018-08-23 | 一种跨手机平台的用户行为识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109189221B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102681893A (zh) * | 2011-03-09 | 2012-09-19 | 腾讯科技(深圳)有限公司 | 可执行程序的跨平台实现方法及移动终端 |
CN103984416A (zh) * | 2014-06-10 | 2014-08-13 | 北京邮电大学 | 一种基于加速度传感器的手势识别方法 |
CN105046215A (zh) * | 2015-07-07 | 2015-11-11 | 中国科学院上海高等研究院 | 不受个体佩戴位置和佩戴方式影响的姿态行为识别方法 |
CN106095099A (zh) * | 2016-06-12 | 2016-11-09 | 南京邮电大学 | 一种用户行为动作检测识别方法 |
CN106643722A (zh) * | 2016-10-28 | 2017-05-10 | 华南理工大学 | 一种基于三轴加速度计的宠物运动识别方法 |
CN107277222A (zh) * | 2016-12-20 | 2017-10-20 | 浙江从泰网络科技有限公司 | 基于手机内置传感器的用户行为状态判断方法 |
CN107270931A (zh) * | 2016-12-23 | 2017-10-20 | 浙江从泰网络科技有限公司 | 一种IOS和android平台通用的步态自相关计步器 |
US20180089431A1 (en) * | 2012-10-19 | 2018-03-29 | Srikanth Nalluri | Mobile application management |
US20180109494A1 (en) * | 2015-04-03 | 2018-04-19 | Infoblox Inc. | Behavior analysis based dns tunneling detection and classification framework for network security |
-
2018
- 2018-08-23 CN CN201810967532.0A patent/CN109189221B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102681893A (zh) * | 2011-03-09 | 2012-09-19 | 腾讯科技(深圳)有限公司 | 可执行程序的跨平台实现方法及移动终端 |
US20180089431A1 (en) * | 2012-10-19 | 2018-03-29 | Srikanth Nalluri | Mobile application management |
CN103984416A (zh) * | 2014-06-10 | 2014-08-13 | 北京邮电大学 | 一种基于加速度传感器的手势识别方法 |
US20180109494A1 (en) * | 2015-04-03 | 2018-04-19 | Infoblox Inc. | Behavior analysis based dns tunneling detection and classification framework for network security |
CN105046215A (zh) * | 2015-07-07 | 2015-11-11 | 中国科学院上海高等研究院 | 不受个体佩戴位置和佩戴方式影响的姿态行为识别方法 |
CN106095099A (zh) * | 2016-06-12 | 2016-11-09 | 南京邮电大学 | 一种用户行为动作检测识别方法 |
CN106643722A (zh) * | 2016-10-28 | 2017-05-10 | 华南理工大学 | 一种基于三轴加速度计的宠物运动识别方法 |
CN107277222A (zh) * | 2016-12-20 | 2017-10-20 | 浙江从泰网络科技有限公司 | 基于手机内置传感器的用户行为状态判断方法 |
CN107270931A (zh) * | 2016-12-23 | 2017-10-20 | 浙江从泰网络科技有限公司 | 一种IOS和android平台通用的步态自相关计步器 |
Also Published As
Publication number | Publication date |
---|---|
CN109189221B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Trifa et al. | Automated species recognition of antbirds in a Mexican rainforest using hidden Markov models | |
CN104567912B (zh) | 一种在Android手机上实现计步器的方法 | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN110069199A (zh) | 一种基于智能手表的皮肤式手指手势识别方法 | |
CN106228200A (zh) | 一种不依赖于动作信息采集设备的动作识别方法 | |
CN108196998A (zh) | 一种状态识别方法、移动设备及服务器 | |
CN109800720A (zh) | 情绪识别模型训练方法、情绪识别方法、装置、设备及存储介质 | |
CN103747477A (zh) | 网络流量分析与预测方法和装置 | |
CN108937866B (zh) | 睡眠状态的监测方法及装置 | |
CN107688790A (zh) | 人体行为识别方法、装置、存储介质及电子设备 | |
CN112304611A (zh) | 一种基于深度学习的轴承故障的诊断方法 | |
CN108958482A (zh) | 一种基于卷积神经网络的相似性动作识别装置及方法 | |
CN107582077A (zh) | 一种基于手机触摸行为的人体精神状态分析方法 | |
CN110286774A (zh) | 一种基于手腕运动传感器的手语识别方法 | |
CN107105092A (zh) | 一种基于动态时间规整的人体跌倒识别方法 | |
CN112464738A (zh) | 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法 | |
CN110111815A (zh) | 动物异常声音监控方法及装置、存储介质、电子设备 | |
CN107132311A (zh) | 一种基于频域特征提取的快速气体识别算法 | |
CN109766855A (zh) | 一种移动智能设备传感器指纹识别方法 | |
CN114238033A (zh) | 板卡运行状态预警方法、装置、设备及可读存储介质 | |
CN103267652A (zh) | 一种智能早期设备故障在线诊断方法 | |
JP2012003322A (ja) | グループ行動推定方法及びそのプログラム | |
CN109189221A (zh) | 一种跨手机平台的用户行为识别方法 | |
CN110796188B (zh) | 一种多类型惯性传感器协同的建设工人工效监控方法 | |
Saleh et al. | A highly reliable wrist-worn acceleration-based fall detector |
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 |