CN109584521A - 一种基于Notch传感器的不良坐姿监测方法 - Google Patents
一种基于Notch传感器的不良坐姿监测方法 Download PDFInfo
- Publication number
- CN109584521A CN109584521A CN201811194692.2A CN201811194692A CN109584521A CN 109584521 A CN109584521 A CN 109584521A CN 201811194692 A CN201811194692 A CN 201811194692A CN 109584521 A CN109584521 A CN 109584521A
- Authority
- CN
- China
- Prior art keywords
- sitting posture
- data
- sitting
- angle
- user
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/24—Reminder alarms, e.g. anti-loss alarms
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于Notch传感器的不良坐姿监测方法。包括步骤：基于Notch传感器采集坐姿数据；对采集到的数据进行预处理，去除脏数据，提高数据的可靠性与准确性，使数据格式符合要求；将经过处理的数据进行特征提取和选择，将提取出来的特征组成特征矢量；通过提取特征，建立各类坐姿模型，然后基于各类坐姿模型，实时对被监测者进行坐姿监测，最后得到分类识别的结果；设计移动应用对用户进行坐姿提醒，并提出纠正建议。本发明具有较好的准确度和便捷性，有利于从源头保护颈椎、腰椎、近视等因不良坐姿造成的疾病，改善人们的亚健康，降低社会的医疗负担。
Description
技术领域
本发明属于行为识别领域，具体涉及一种基于Notch传感器的不良坐姿监测方法。
背景技术
在日常工作和学***衡感和协调能力。据统计坐姿不正产生的脊椎弯曲人数已超过50％,学生近视率还以每年6％的速度递增。
随着传感器技术的发展，使得现阶段传感器体积小且重量轻，更易于制成可穿戴设备，便于携带，不会限制使用者活动场景更不会对使用者的日常生活造成影响。传感器的发展解决了数据采集即坐姿监督的问题，智能手机的普及则解决了提醒的问题。采用Notch传感器采集数据，成本更低且对环境要求低、易于携带和长期使用。通过Android手机实时提醒，帮助用户及时改正不良坐姿。因此，具有更高的实用性和便捷性，可以有效预防不当坐姿带来的亚健康，以及导致的各类疾病。
发明内容
本发明的目的在于提供一种基于Notch传感器的不良坐姿监测方法，以解决上述技术问题。
为实现上述目的本发明采用以下技术方案：
一种基于Notch传感器的不良坐姿监测方法，包括步骤：
步骤1：基于Notch传感器采集坐姿数据；
步骤2：对采集到的数据进行预处理，去除脏数据，提高数据的可靠性与准确性，使数据格式符合要求；
步骤3：将经过处理的数据进行特征提取和选择，将提取出来的特征组成特征矢量；
步骤4：通过提取特征，建立各类坐姿模型，然后基于各类坐姿模型，实时对被监测者进行坐姿监测，最后得到分类识别的结果；
步骤5：设计移动应用对用户进行坐姿提醒，并提出纠正建议。
作为本发明进一步的方案，步骤1具体包括如下内容：将Notch传感器固定于人体的腰椎和胸椎两处，然后采集基本数据信息，Notch传感器内置加速度传感器、陀螺仪和磁力计，捕捉到的数据以欧拉角的Z、X、Y的数据格式存储，在三维空间内建立一个独立的运动坐标系以记录此坐标系中的运动情况。
作为本发明进一步的方案，步骤2具体包括如下内容：通过Notch传感器采集到的用户坐姿数据，包括时间和欧拉角，并通过蓝牙进行传输，对接收到的数据进行了离散化处理，将连续的数据分成等长的离散数据段，数据离散化后能够减小计算带来的空间资源消耗，而且能够提高抵御噪声的能力。
作为本发明进一步的方案，所述步骤3选择8个特征包括：
步骤3.1：提取欧拉角之俯仰角X，俯仰角又称仰视角，是物体绕定点转动时与X轴之间的夹角，代表人体前倾和后仰的角度；
步骤3.2：提取欧拉角之偏航角Y，偏航角又称左右角，是物体绕定点转动时与Y轴之间的夹角，代表人体左右转动的角度；
步骤3.3：提取欧拉角之滚转角Z，转滚角是物体绕定点转动时与Z轴之间的夹角，代表人体重心的上下偏移量；
步骤3.4：提取坐姿的俯仰角X方差D(X)；方差是可以衡量一个样本波动大小的数值，方差越大波动越大，相反的方差越小反应的数据波动情况就越小，若在一段时间内数据波动变化较小即证明此段时间内用户正保持一个坐姿，且因为多数人保持坐姿均是由正确坐姿开始，正确坐姿的俯仰角X值范围较小，所以方差较小时即可确定此时用户可能在保持正确的坐姿；
步骤3.5：提取坐姿的偏航角Y方差D(Y)，确定在此段时间内使用者的坐姿偏航角Y的变化幅度，即使用者在保持此坐姿时的左右转动范围；
步骤3.6：提取坐姿的转滚角Z方差D(Z)，确定此段时间内的使用者的坐姿转滚角变化幅度，即使用者在保持此坐姿时重心的变化幅度；
步骤3.7：提取三轴夹角绝对值之和Sum(x,y,z)，由于在使用不良坐姿时欧拉角的三轴夹角均发生不同程度变化，所以Sum(x,y,z)的值可以反应此时坐姿的不良程度；
Sum(x，y，z)＝|X|+|Y|+|Z| (4)；
步骤3.8：提取三轴夹角平方和Sum(w)，平方和用来放大特征三轴绝对值之和的数值和不同坐姿下的特征的偏差；
选取8个特征值，体现出坐姿种类与数据之间关系，其中，欧拉角是一种唯一识别三维坐标系中运动物***置的值。
作为本发明进一步的方案，步骤4具体包括如下内容：
步骤4.1：确定5类坐姿类别，如表1，根据5类坐姿类别描述，建立坐姿模型；
表1坐姿分类
步骤4.2：基于阈值进行坐姿识别方法，实时监测使用的数据是通过传感器采集到测试者坐姿的欧拉角——Z、X、Y，当人体保持不良坐姿时，胸背部会以臀部为圆心发生转动，欧拉角Z、X、Y会不同程度发生偏移，可以通过欧拉角的阈值判断用户是否存在不良坐姿行为，但是只能大致判断出用户此时偏移程度，不能够准确判断用户的具体坐姿类型；
步骤4.3：对于不能明确的坐姿类别，再通过K近邻算法进一步识别，KNN是一种基于实例的监督学习，通过计算新数据与训练数据特征值之间的距离，然后选取K(K>＝1)个距离最近的邻居进行分类判断(投票法)或者回归。
作为本发明进一步的方案，根据坐姿识别，在用户长时间坐姿不当时给予提醒，提醒方式通过振动或响铃，移动终端可以采用智能手机或平板电脑，且支持IOS或Android操作***，同时，通过长期的坐姿监测数据，对用户健康进行指导，进而减轻或消除坐姿不当带来的疾病问题。
本发明的有益效果是：本发明一种基于Notch传感器的不良坐姿监测方法，通过基于Notch的可穿戴设备采集坐姿数据，经过离散化等预处理传输至移动终端，提取并选择了与坐姿相关的特征。然后基于阈值的分类识别方法进行坐姿分类，对于分类模糊的坐姿行为，进一步使用K近邻的方法进行识别。该方法具有较好的准确度和便捷性，有利于从源头保护颈椎、腰椎、近视等因不良坐姿造成的疾病，改善人们的亚健康，降低社会的医疗负担。
附图说明
图1是本发明监测方法流程图。
图2是本发明基于Notch传感器的坐姿识别过程。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的阐述。
如图1-2所示，本发明一种一种基于Notch传感器的不良坐姿监测方法，具体按照以下步骤实施：
步骤1：基于Notch传感器采集被监测人员的坐姿数据；
步骤1.1：佩戴Notch可穿戴设备，即将两个传感器分别置于被监测人员胸椎和腰椎处来采集坐姿数据；
步骤1.2：数据的预处理。通过Notch传感器采集到的用户坐姿数据，包括时间和欧拉角，并通过蓝牙进行传输。传感器采集到的数据由于易受外界干扰，稳定性和数据精度有些不足。受到外界干扰采集到的脏数据会造成计算结果的差异，本发明对接收到的数据进行了离散化处理，将连续的数据分成等长的离散数据段。数据离散化后能够减小计算带来的空间资源消耗，而且能够提高抵御噪声的能力；
步骤2：特征的提取和选择；
这是解决行为识别准确度的关键。选择合适的特征是建立动作识别与所采集到的数据之间联系的重要环节。运用机器学习算法进行动作识别的准确度和计算复杂度与特征选取密不可分。通过提取的特征便于发现数据与行为变化间的关系。特征主要有时域特征、频域特征和小波特征等三类。为了使坐姿分析更加准确，结合Notch传感器采集数据的特点和特征的特点，选择了8个特征；
步骤2.1：提取欧拉角之俯仰角X，俯仰角又称仰视角，是物体绕定点转动时与X轴之间的夹角，代表人体前倾和后仰的角度；
步骤2.2：提取欧拉角之偏航角Y，偏航角又称左右角，是物体绕定点转动时与Y轴之间的夹角，代表人体左右转动的角度；
步骤2.3：提取欧拉角之滚转角Z，转滚角是物体绕定点转动时与Z轴之间的夹角，代表人体重心的上下偏移量；
步骤2.4：提取坐姿的俯仰角X方差D(X)；方差是可以衡量一个样本波动大小的数值，方差越大波动越大，相反的方差越小反应的数据波动情况就越小。若在一段时间内数据波动变化较小即证明此段时间内用户正保持一个坐姿。且因为多数人保持坐姿均是由正确坐姿开始，正确坐姿的俯仰角X值范围较小。所以方差较小时即可确定此时用户可能在保持正确的坐姿；
步骤2.5：提取坐姿的偏航角Y方差D(Y)，确定在此段时间内使用者的坐姿偏航角Y的变化幅度。即使用者在保持此坐姿时的左右转动范围；
步骤2.6：提取坐姿的转滚角Z方差D(Z)，确定此段时间内的使用者的坐姿转滚角变化幅度，即使用者在保持此坐姿时重心的变化幅度；
步骤2.7：提取三轴夹角绝对值之和Sum(x,y,z)，由于在使用不良坐姿时欧拉角的三轴夹角均发生不同程度变化，所以Sum(x,y,z)的值可以反应此时坐姿的不良程度；
Sum(x，y，z)＝|X|+|Y|+|Z| (4)；
步骤2.8：提取三轴夹角平方和Sum(w)，平方和用来放大特征三轴绝对值之和的数值和不同坐姿下的特征的偏差；
本发明共选取8个特征值，体现出坐姿种类与数据之间关系。其中，欧拉角是一种唯一识别三维坐标系中运动物***置的值。
步骤3：通过提取特征，建立各类坐姿模型，然后基于各类坐姿模型，实时对被监测者进行坐姿监测；
步骤3.1：确定5类坐姿类别，根据5类坐姿类别描述，建立坐姿模型；
表1坐姿分类
步骤3.2：基于阈值进行坐姿识别方法，实时监测使用的数据是通过传感器采集到测试者坐姿的欧拉角——Z、X、Y。当人体保持不良坐姿时，胸背部会以臀部为圆心发生转动，欧拉角Z、X、Y会不同程度发生偏移。可以通过欧拉角的阈值判断用户是否存在不良坐姿行为。但是只能大致判断出用户此时偏移程度，不能够准确判断用户的具体坐姿类型；
基于阈值的坐姿监测部分，优势在于计算速度快，计算占用空间小，逻辑清晰利于理解；劣势在于不能够明确区分坐姿类别。
步骤3.3：对于不能明确的坐姿类别，再通过K近邻算法进一步识别。KNN是一种基于实例的监督学习，通过计算新数据与训练数据特征值之间的距离，然后选取K(K>＝1)个距离最近的邻居进行分类判断(投票法)或者回归。
步骤4：设计移动应用对用户进行坐姿提醒，并提出纠正建议。
根据坐姿识别，在用户长时间坐姿不当时给予提醒，提醒方式通过振动或响铃。移动终端可以采用智能手机或平板电脑，且支持IOS或Android操作***。同时，通过长期的坐姿监测数据，对用户健康进行指导，进而减轻或消除坐姿不当带来的疾病问题。
以上所述为本发明较佳实施例，对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理与精神的情况下，对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。
Claims (6)
1.一种基于Notch传感器的不良坐姿监测方法，其特征在于，包括步骤：
步骤1：基于Notch传感器采集坐姿数据；
步骤2：对采集到的数据进行预处理，去除脏数据，提高数据的可靠性与准确性，使数据格式符合要求；
步骤3：将经过处理的数据进行特征提取和选择，将提取出来的特征组成特征矢量；
步骤4：通过提取特征，建立各类坐姿模型，然后基于各类坐姿模型，实时对被监测者进行坐姿监测，最后得到分类识别的结果；
步骤5：设计移动应用对用户进行坐姿提醒，并提出纠正建议。
2.如权利要求1所述的一种基于Notch传感器的不良坐姿监测方法，其特征在于，步骤1具体包括如下内容：将Notch传感器固定于人体的腰椎和胸椎两处，然后采集基本数据信息，Notch传感器内置加速度传感器、陀螺仪和磁力计，捕捉到的数据以欧拉角的Z、X、Y的数据格式存储，在三维空间内建立一个独立的运动坐标系以记录此坐标系中的运动情况。
3.如权利要求1所述的一种基于Notch传感器的不良坐姿监测方法，其特征在于，步骤2具体包括如下内容：通过Notch传感器采集到的用户坐姿数据，包括时间和欧拉角，并通过蓝牙进行传输，对接收到的数据进行了离散化处理，将连续的数据分成等长的离散数据段，数据离散化后能够减小计算带来的空间资源消耗，而且能够提高抵御噪声的能力。
4.如权利要求1所述的一种基于Notch传感器的不良坐姿监测方法，其特征在于，所述步骤3选择8个特征包括：
步骤3.1：提取欧拉角之俯仰角X，俯仰角又称仰视角，是物体绕定点转动时与X轴之间的夹角，代表人体前倾和后仰的角度；
步骤3.2：提取欧拉角之偏航角Y，偏航角又称左右角，是物体绕定点转动时与Y轴之间的夹角，代表人体左右转动的角度；
步骤3.3：提取欧拉角之滚转角Z，转滚角是物体绕定点转动时与Z轴之间的夹角，代表人体重心的上下偏移量；
步骤3.4：提取坐姿的俯仰角X方差D(X)；方差是可以衡量一个样本波动大小的数值，方差越大波动越大，相反的方差越小反应的数据波动情况就越小，若在一段时间内数据波动变化较小即证明此段时间内用户正保持一个坐姿，且因为多数人保持坐姿均是由正确坐姿开始，正确坐姿的俯仰角X值范围较小，所以方差较小时即可确定此时用户可能在保持正确的坐姿；
步骤3.5：提取坐姿的偏航角Y方差D(Y)，确定在此段时间内使用者的坐姿偏航角Y的变化幅度，即使用者在保持此坐姿时的左右转动范围；
步骤3.6：提取坐姿的转滚角Z方差D(Z)，确定此段时间内的使用者的坐姿转滚角变化幅度，即使用者在保持此坐姿时重心的变化幅度；
步骤3.7：提取三轴夹角绝对值之和Sum(x,y,z)，由于在使用不良坐姿时欧拉角的三轴夹角均发生不同程度变化，所以Sum(x,y,z)的值可以反应此时坐姿的不良程度；
Sum(x，y，z)＝|X|+|Y|+|Z| (4)；
步骤3.8：提取三轴夹角平方和Sum(w)，平方和用来放大特征三轴绝对值之和的数值和不同坐姿下的特征的偏差；
选取8个特征值，体现出坐姿种类与数据之间关系，其中，欧拉角是一种唯一识别三维坐标系中运动物***置的值。
5.如权利要求1所述的一种基于Notch传感器的不良坐姿监测方法，其特征在于，步骤4具体包括如下内容：
步骤4.1：确定5类坐姿类别，如表1，根据5类坐姿类别描述，建立坐姿模型；
表1坐姿分类
步骤4.2：基于阈值进行坐姿识别方法，实时监测使用的数据是通过传感器采集到测试者坐姿的欧拉角——Z、X、Y，当人体保持不良坐姿时，胸背部会以臀部为圆心发生转动，欧拉角Z、X、Y会不同程度发生偏移，可以通过欧拉角的阈值判断用户是否存在不良坐姿行为，但是只能大致判断出用户此时偏移程度，不能够准确判断用户的具体坐姿类型；
步骤4.3：对于不能明确的坐姿类别，再通过K近邻算法进一步识别，KNN是一种基于实例的监督学习，通过计算新数据与训练数据特征值之间的距离，然后选取K(K>＝1)个距离最近的邻居进行分类判断(投票法)或者回归。
6.如权利要求1所述的一种基于Notch传感器的不良坐姿监测方法，其特征在于，根据坐姿识别，在用户长时间坐姿不当时给予提醒，提醒方式通过振动或响铃，移动终端可以采用智能手机或平板电脑，且支持IOS或Android操作***，同时，通过长期的坐姿监测数据，对用户健康进行指导，进而减轻或消除坐姿不当带来的疾病问题。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811194692.2A CN109584521A (zh) | 2018-10-15 | 2018-10-15 | 一种基于Notch传感器的不良坐姿监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811194692.2A CN109584521A (zh) | 2018-10-15 | 2018-10-15 | 一种基于Notch传感器的不良坐姿监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109584521A true CN109584521A (zh) | 2019-04-05 |
Family
ID=65920013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811194692.2A Pending CN109584521A (zh) | 2018-10-15 | 2018-10-15 | 一种基于Notch传感器的不良坐姿监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109584521A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111657621A (zh) * | 2020-06-04 | 2020-09-15 | 厉晨宇 | 一种检测穿戴时间和运动力度的运动鞋及预防损伤方法 |
| WO2021138964A1 (zh) * | 2020-01-10 | 2021-07-15 | 鄢家厚 | 基于智能手表的读写距离识别方法 |
| CN113288122A (zh) * | 2021-05-21 | 2021-08-24 | 河南理工大学 | 一种可穿戴坐姿监测装置和坐姿监测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010038707A (ja) * | 2008-08-05 | 2010-02-18 | Shimadzu Corp | モーショントラッカ装置 |
| CN104392583A (zh) * | 2014-11-27 | 2015-03-04 | 北京工业大学 | 一种基于knn算法的跌倒检测与报警***及方法 |
| CN105769210A (zh) * | 2016-05-09 | 2016-07-20 | 中科院合肥技术创新工程院 | 一种可穿戴式家居人体姿态检测物联终端 |
| CN106643708A (zh) * | 2016-09-21 | 2017-05-10 | 苏州坦特拉自动化科技有限公司 | 一种基于imu的交互式坐姿矫正装置、坐姿矫正器及监测软件 |
| CN107478223A (zh) * | 2016-06-08 | 2017-12-15 | 南京理工大学 | 一种基于四元数和卡尔曼滤波的人体姿态解算方法 |
| CN207055578U (zh) * | 2017-02-28 | 2018-03-02 | 王泽宇 | 一种基于三轴加速度传感器的儿童坐姿矫正装置 |
| CN108209929A (zh) * | 2016-12-22 | 2018-06-29 | 欧普照明股份有限公司 | 一种坐姿识别***和坐姿识别方法 |
| CN108509897A (zh) * | 2018-03-29 | 2018-09-07 | 同济大学 | 一种人体姿态识别方法和*** |
-
2018
- 2018-10-15 CN CN201811194692.2A patent/CN109584521A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010038707A (ja) * | 2008-08-05 | 2010-02-18 | Shimadzu Corp | モーショントラッカ装置 |
| CN104392583A (zh) * | 2014-11-27 | 2015-03-04 | 北京工业大学 | 一种基于knn算法的跌倒检测与报警***及方法 |
| CN105769210A (zh) * | 2016-05-09 | 2016-07-20 | 中科院合肥技术创新工程院 | 一种可穿戴式家居人体姿态检测物联终端 |
| CN107478223A (zh) * | 2016-06-08 | 2017-12-15 | 南京理工大学 | 一种基于四元数和卡尔曼滤波的人体姿态解算方法 |
| CN106643708A (zh) * | 2016-09-21 | 2017-05-10 | 苏州坦特拉自动化科技有限公司 | 一种基于imu的交互式坐姿矫正装置、坐姿矫正器及监测软件 |
| CN108209929A (zh) * | 2016-12-22 | 2018-06-29 | 欧普照明股份有限公司 | 一种坐姿识别***和坐姿识别方法 |
| CN207055578U (zh) * | 2017-02-28 | 2018-03-02 | 王泽宇 | 一种基于三轴加速度传感器的儿童坐姿矫正装置 |
| CN108509897A (zh) * | 2018-03-29 | 2018-09-07 | 同济大学 | 一种人体姿态识别方法和*** |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021138964A1 (zh) * | 2020-01-10 | 2021-07-15 | 鄢家厚 | 基于智能手表的读写距离识别方法 |
| CN111657621A (zh) * | 2020-06-04 | 2020-09-15 | 厉晨宇 | 一种检测穿戴时间和运动力度的运动鞋及预防损伤方法 |
| CN113288122A (zh) * | 2021-05-21 | 2021-08-24 | 河南理工大学 | 一种可穿戴坐姿监测装置和坐姿监测方法 |
| CN113288122B (zh) * | 2021-05-21 | 2023-12-19 | 河南理工大学 | 一种可穿戴坐姿监测装置和坐姿监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aziz et al. | An analysis of the accuracy of wearable sensors for classifying the causes of falls in humans | |
| CN109069066A (zh) | 可穿戴和连接的步态分析*** | |
| US8246555B2 (en) | Method and system for monitoring sport related fitness by estimating muscle power and joint force of limbs | |
| JP5674766B2 (ja) | 着用位置を検出するためのセンシングデバイス | |
| Bonato et al. | Data mining of motor patterns recorded with wearable technology | |
| CN105051799A (zh) | 用于检测跌倒的方法和跌倒检测器 | |
| CN109584521A (zh) | 一种基于Notch传感器的不良坐姿监测方法 | |
| Hamäläinen et al. | Jerk-based feature extraction for robust activity recognition from acceleration data | |
| CN108514421A (zh) | 提升混合现实与日常健康监测的方法 | |
| CN107506706A (zh) | 一种基于三维摄像头的人体跌倒检测方法 | |
| CN106210269A (zh) | 一种基于智能手机的人体动作识别***及方法 | |
| Rodríguez-Martín et al. | Posture transition identification on PD patients through a SVM-based technique and a single waist-worn accelerometer | |
| WO2014153665A1 (en) | System and method for monitoring a subject | |
| CN109805935A (zh) | 一种基于人工智能分层分级运动识别方法的智能腰带 | |
| CN103785157A (zh) | 人体运动类型识别准确度提高方法 | |
| Bi et al. | Smartge: identifying pen-holding gesture with smartwatch | |
| CN114818952A (zh) | 一种基于手机传感器的智能跌倒姿态分类与识别方法 | |
| Ma et al. | Smart cushion-based activity recognition: Prompting users to maintain a healthy seated posture | |
| CN110477924A (zh) | 适应性运动姿态感测***与方法 | |
| EP4146068A1 (en) | Systems, devices, and methods for determining movement variability, illness and injury prediction and recovery readiness | |
| CN114341947A (zh) | 用于使用可穿戴设备的锻炼类型辨识的***和方法 | |
| Viana et al. | GymApp: A real time physical activity trainner on wearable devices | |
| CN117109567A (zh) | 用于动感单车运动的骑行姿态监测方法、***以及穿戴式骑行姿态监测设备 | |
| Loose et al. | A Public Dataset of Overground and Treadmill Walking in Healthy Individuals Captured by Wearable IMU and sEMG Sensors. | |
| Meng et al. | A review of accelerometer-based physical activity measurement |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190405 |