CN110349373B - 基于二元传感器的行为识别方法、装置及存储介质 - Google Patents
基于二元传感器的行为识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110349373B CN110349373B CN201910635047.8A CN201910635047A CN110349373B CN 110349373 B CN110349373 B CN 110349373B CN 201910635047 A CN201910635047 A CN 201910635047A CN 110349373 B CN110349373 B CN 110349373B
- Authority
- CN
- China
- Prior art keywords
- equal
- data
- binary sensor
- space
- behavior pattern
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 78
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 4
- 230000000474 nursing effect Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
Images
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
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
-
- 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
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
Landscapes
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Character Input (AREA)
Abstract
本发明公开了一种基于二元传感器的行为识别方法,包括以下步骤:S1:对二元传感器采集到的数据进行预处理,得到预处理后的二元传感器数据;S2:基于空间约束和时间约束对步骤S1得到的预处理后的二元传感器数据进行分段处理,得到分段后的二元传感器数据;S3:将步骤S2得到的分段后的二元传感器数据映射并转换成一维字符串,对一维字符串进行处理,得到行为模式候选集合;S4:从步骤S3得到的行为模式候选集合中识别出具体的行为模式。本发明还公开了基于二元传感器的行为识别装置及计算机存储介质。本发明使用方便,不会侵犯隐私,准确性高,计算复杂度低,成本低。
Description
技术领域
本发明涉及行为识别,特别是涉及养老院或者独居老人的行为识别。
背景技术
现有技术公开了申请号为201310489096.8、发明名称为“一种养老院老人危险行为监测方法”的发明专利申请,其中提出了基于目标跟踪和行为识别相结合的方法对养老院老人日常生活中的活动状态进行监测并对老人的危险和异常行为进行报警的方案。但该方案需要将大量摄像机布置于居家环境中,进行全方位多角度的监控,容易侵犯老人的隐私。
现有技术还公开了一种基于可穿戴传感器的监测方法,但是需要每天都穿戴,使用起来很不方便。
发明内容
发明目的:本发明的目的是提供一种基于二元传感器的行为识别方法、装置及存储介质,能够解决现有技术中存在的“容易侵犯隐私”、“使用不方便”的技术问题。
技术方案:本发明所述的基于二元传感器的行为识别方法,包括以下步骤:
S1:对二元传感器采集到的数据进行预处理,得到预处理后的二元传感器数据;
S2:基于空间约束和时间约束对步骤S1得到的预处理后的二元传感器数据进行分段处理,得到分段后的二元传感器数据;
S3:将步骤S2得到的分段后的二元传感器数据映射并转换成一维字符串,对一维字符串进行处理,得到行为模式候选集合;
S4:从步骤S3得到的行为模式候选集合中识别出具体的行为模式。
进一步,所述步骤S1中,预处理的过程为:对二元传感器采集到的数据中的无效数据进行过滤;所述无效数据满足以下三个条件中的至少一个条件:
条件1:数据为空值;
条件2:数据生成时间大于上限或者小于下限;
条件3:数据中的二元传感器ID不正确。
进一步,所述步骤S2具体包括以下步骤:
S21:令i=1;
S22;将第i天预处理后的二元传感器数据Di按照空间进行划分:Di={Di,1,…,Di ,a};其中,Di,j表示第i天第j个空间内的预处理后的二元传感器数据,1≤j≤a,a表示将第i天预处理后的二元传感器数据Di划分出的空间总数,表示第i天第j个空间内的预处理后的二元传感器数据中的第k个数据,1≤k≤βi,j,βi,j表示第i天第j个空间内的预处理后的二元传感器数据的总量,βi,j≥1;
S23:令j=1;
S25:如果βi,j=1,则进行步骤S29;如果βi,j>1,则进行步骤S26;
S26:令k1=1;
S27:判断这一条件是否成立,表示第i天第j个空间内的预处理后的二元传感器数据中的第k1+1个数据,time表示这一数据采集的时刻,表示第i天第j个空间内的预处理后的二元传感器数据中的第k1个数据,time表示这一数据采集的时刻,λ表示时间阈值:如果条件成立,则将划分到与相同的数据子集合中,然后判断k1+1是否等于βi,j,如果等于则进行步骤S29,不等于则进行步骤S28;如果条件不成立,则将划分到序号比所在数据子集合的序号多1的数据子集合中,然后判断k1+1是否等于βi,j,如果等于则进行步骤S29,不等于则进行步骤S28;
S28:令k1=k1+1,然后返回步骤S27;
S29:判断j是否等于a:如果是,则进行步骤210;否则,令j=j+1,然后返回步骤S24;
S210:判断i是否等于最大天数:如果是,则结束;否则,令i=i+1,然后返回步骤S22。
进一步,所述步骤S3具体包括以下步骤:
S31:令j=1;
S32:令i=1;
S33:令r=1;
S34:将步骤S2得到的第i天第j个空间内的第r个数据子集合Di,j,r转换为第i天第j个空间内的第r个字符串Si,j,r,Di,j,r中的各元素分别转换成Si ,j,r中的字符,其中表示Si,j,r中的第w个字符,也即由Di,j,r中第w个元素转换而来,βi,j,r表示Si,j,r中字符的总个数;
S35:令m=1;
S39:判断m是否等于βi,j,r:如果是,则进行步骤S310;否则,令m=m+1,然后返回步骤S36;
S310:判断r是否等于第i天第j个空间内数据子集合的总个数:如果等于,则进行步骤S311;否则,令r=r+1,然后返回步骤S34;
S311:判断i是否等于最大天数:如果等于,则进行步骤S312;否则,令i=i+1,然后返回步骤S34;
S312:根据连续x天第j个空间内所有有效子字符串转换成的哈希值,统计每个有效子字符串出现的次数,将出现次数不小于次数阈值的有效子字符串存入到第j个空间的潜在行为模式集合中;x≥2;
S313:如果第j个空间的潜在行为模式集合中包含一个完整的字符串,则将该字符串的所有有效子字符串剔除,从而形成第j个空间的行为模式候选集合;
S314:判断j是否等于a:如果是,则结束;否则,令j=j+1,然后返回步骤S34。
进一步,所述步骤S4具体包括以下步骤:
S41:令j=1;
S42:将第j个空间的行为模式候选集合中的各个元素分别与第j个空间的预定义行为模式集合中的各个元素进行比较:如果第j个空间的行为模式候选集合中的一个元素与第j个空间的预定义行为模式集合中的一个元素之间的相似度为1,则判定第j个空间的行为模式候选集合中的该元素为一个行为模式;如果第j个空间的行为模式候选集合中所有元素与第j个空间的预定义行为模式集合中所有元素之间的相似度均不为1,则判断第j个空间的行为模式候选集合中所有元素与第j个空间的预定义行为模式集合中所有元素之间的最大相似度是否超过相似度阈值,如果超过则将最大相似度所对应的第j个空间的行为模式候选集合中的元素判定为一个行为模式,如果未超过则将最大相似度所对应的第j个空间的行为模式候选集合中的元素存入人工检测集合中;
S43:通过人工检测的方式判断人工检测集合中的各元素是否为行为模式:如果是,则将相应元素加入到预定义行为模式集合中;否则,则丢弃;
S44:判断j是否等于a:如果是,则结束;否则,令j=j+1,然后返回步骤S42。
本发明所述的基于二元传感器的行为识别装置,包括:
数据预处理模块:用于对二元传感器采集到的数据进行预处理,得到预处理后的二元传感器数据;
数据分段模块:用于基于空间约束和时间约束对数据预处理模块得到的预处理后的二元传感器数据进行分段处理,得到分段后的二元传感器数据;
行为模式候选集合生成模块:用于将数据分段模块得到的分段后的二元传感器数据映射并转换成一维字符串,对一维字符串进行处理,得到行为模式候选集合;
行为模式识别模块:用于从行为模式候选集合生成模块得到的行为模式候选集合中识别出具体的行为模式。
本发明所述的计算机存储介质,所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现所述的基于二元传感器的行为识别方法的步骤。
有益效果:本发明与现有技术相比,具有如下的有益效果:
1)本发明是基于二元传感器进行行为识别,不需要穿戴,使用方便,也不需要大量摄像机,不会侵犯用户隐私;
2)本发明综合考虑了空间约束和时间约束,这样能够提高行为识别的准确性;
3)本发明将二元传感器数据映射并转换成一维字符串,而不是多维字符串,这样能够降低计算复杂度;
4)本发明基于智能家居中普遍存在的二元传感器,不用新增大量的二元传感器,这样能够降低成本。
附图说明
图1为本发明具体实施方式中方法的流程图;
图2为本发明具体实施方式中基于空间约束的数据分段示意图;
图3为本发明具体实施方式中基于时间约束和空间约束的数据分段示意图;
图4为本发明具体实施方式中装置的结构示意图。
具体实施方式
本具体实施方式公开了一种基于二元传感器的行为识别方法,如图1所示,包括以下步骤:
S1:对二元传感器采集到的数据进行预处理,得到预处理后的二元传感器数据;
S2:基于空间约束和时间约束对步骤S1得到的预处理后的二元传感器数据进行分段处理,得到分段后的二元传感器数据;
S3:将步骤S2得到的分段后的二元传感器数据映射并转换成一维字符串,对一维字符串进行处理,得到行为模式候选集合;
S4:从步骤S3得到的行为模式候选集合中识别出具体的行为模式。
步骤S1中,预处理的过程为:对二元传感器采集到的数据中的无效数据进行过滤;所述无效数据满足以下三个条件中的至少一个条件:
条件1:数据为空值;
条件2:数据生成时间大于上限或者小于下限;
条件3:数据中的二元传感器ID不正确。
步骤S2具体包括以下步骤:
S21:令i=1;
S22;将第i天预处理后的二元传感器数据Di按照空间进行划分,如图2所示:Di={Di,1,…,Di,a};其中,Di,j表示第i天第j个空间内的预处理后的二元传感器数据,1≤j≤a,a表示将第i天预处理后的二元传感器数据Di划分出的空间总数,表示第i天第j个空间内的预处理后的二元传感器数据中的第k个数据,1≤k≤βi,j,βi,j表示第i天第j个空间内的预处理后的二元传感器数据的总量,βi,j≥1;
S23:令j=1;
S25:如果βi,j=1,则进行步骤S29;如果βi,j>1,则进行步骤S26;
S26:令k1=1;
S27:判断这一条件是否成立,表示第i天第j个空间内的预处理后的二元传感器数据中的第k1+1个数据,time表示这一数据采集的时刻,表示第i天第j个空间内的预处理后的二元传感器数据中的第k1个数据,time表示这一数据采集的时刻,λ表示时间阈值:如果条件成立,则将划分到与相同的数据子集合中,然后判断k1+1是否等于βi,j,如果等于则进行步骤S29,不等于则进行步骤S28;如果条件不成立,则将划分到序号比所在数据子集合的序号多1的数据子集合中,然后判断k1+1是否等于βi,j,如果等于则进行步骤S29,不等于则进行步骤S28;
S28:令k1=k1+1,然后返回步骤S27;
S29:判断j是否等于a:如果是,则进行步骤210;否则,令j=j+1,然后返回步骤S24;
S210:判断i是否等于最大天数:如果是,则结束;否则,令i=i+1,然后返回步骤S22。
图2是基于空间约束进行数据分段的示意图,可见,图2将第i天预处理后的二元传感器数据Di划分成了厨房、卧室和卫生间这3个空间的数据,斜纹线填充的球代表厨房的数据,方格线填充的球代表卧室的数据,无填充的球代表卫生间的数据。其中厨房的数据卧室的数据卫生间的数据
图3是基于时间约束和空间约束进行数据分段的示意图,斜纹线填充的球代表厨房的数据,方格线填充的球代表卧室的数据,无填充的球代表卫生间的数据。可见,图3将3个空间内的数据分别划分成了多个数据子集合,例如将厨房的数据划分成了Di,1,1和Di,1,2这两个数据子集合,将卧室的数据划分成了Di,2,1和Di,2,2这两个数据子集合,将卫生间的数据划分成了Di,3,1这一个数据子集合。其中,
步骤S2得到的所有数据子集合共同构成了分段后的二元传感器数据。
步骤S3具体包括以下步骤:
S31:令j=1;
S32:令i=1;
S33:令r=1;
S34:将步骤S2得到的第i天第j个空间内的第r个数据子集合Di,j,r转换为第i天第j个空间内的第r个字符串Si,j,r,Di,j,r中的各元素分别转换成Si ,j,r中的字符,其中表示Si,j,r中的第w个字符,也即由Di,j,r中第w个元素转换而来,βi,j,r表示Si,j,r中字符的总个数;
S35:令m=1;
S39:判断m是否等于βi,j,r:如果是,则进行步骤S310;否则,令m=m+1,然后返回步骤S36;
S310:判断r是否等于第i天第j个空间内数据子集合的总个数:如果等于,则进行步骤S311;否则,令r=r+1,然后返回步骤S34;
S311:判断i是否等于最大天数:如果等于,则进行步骤S312;否则,令i=i+1,然后返回步骤S34;
S312:根据连续x天第j个空间内所有有效子字符串转换成的哈希值,统计每个有效子字符串出现的次数,将出现次数不小于次数阈值的有效子字符串存入到第j个空间的潜在行为模式集合中;x≥2;
S313:如果第j个空间的潜在行为模式集合中包含一个完整的字符串,则将该字符串的所有有效子字符串剔除,从而形成第j个空间的行为模式候选集合;
S314:判断j是否等于a:如果是,则结束;否则,令j=j+1,然后返回步骤S34。
关于步骤S34,这里给出一个实施例:可以基于二元传感器的ID将二元传感器的数据转换为字符,如表1所示。
表1映射表
步骤S36-S37可采用现有技术中的滑动窗口方法抽取出所有有效子字符串,这里给出一个实施例:假设Si,j,k={a,e,d,f},长度阈值τ=2,则将滑动窗口方法中的窗口阈值设为2,也即有2、3和4这三种不同的窗口尺寸。当窗口尺寸为2时,有效子字符串为当窗口尺寸为3时,有效子字符串为当窗口尺寸为4时,有效子字符串为可见,字符串Si,j,k={a,e,d,f}的所有有效子字符串为:
步骤S313中,如果第j个空间的潜在行为模式集合中包含一个完整的字符串,之所以可将该字符串的所有有效子字符串剔除,是因为如果一个完整的字符串出现在了潜在行为模式集合中,那么该字符串的所有有效子字符串也会存在于潜在行为模式集合中。例如:一个行为“淋浴”可被表示为字符串“abcd”,其中a代表“开灯”,b代表“被红外传感器感知到”,c代表“被压力传感器感知到”,d代表“关灯”。如果每年“淋浴”出现的次数大于300次,那么它的子字符串a、b、c、d出现的次数也会是大于300次。因此,为了进一步降低计算复杂度,本具体实施方式将潜在行为模式集合中已包含的完整字符串中的所有有效子字符串剔除。
步骤S4具体包括以下步骤:
S41:令j=1;
S42:将第j个空间的行为模式候选集合中的各个元素分别与第j个空间的预定义行为模式集合中的各个元素进行比较:如果第j个空间的行为模式候选集合中的一个元素与第j个空间的预定义行为模式集合中的一个元素之间的相似度为1,则判定第j个空间的行为模式候选集合中的该元素为一个行为模式;如果第j个空间的行为模式候选集合中所有元素与第j个空间的预定义行为模式集合中所有元素之间的相似度均不为1,则判断第j个空间的行为模式候选集合中所有元素与第j个空间的预定义行为模式集合中所有元素之间的最大相似度是否超过相似度阈值,如果超过则将最大相似度所对应的第j个空间的行为模式候选集合中的元素判定为一个行为模式,如果未超过则将最大相似度所对应的第j个空间的行为模式候选集合中的元素存入人工检测集合中;
S43:通过人工检测的方式判断人工检测集合中的各元素是否为行为模式:如果是,则将相应元素加入到预定义行为模式集合中;否则,则丢弃;
S44:判断j是否等于a:如果是,则结束;否则,令j=j+1,然后返回步骤S42。
步骤S42中的相似度通过现有技术中的相似度函数计算得到。
本具体实施方式还公开了基于二元传感器的行为识别装置,如图4所示,包括:
数据预处理模块:用于对二元传感器采集到的数据进行预处理,得到预处理后的二元传感器数据;
数据分段模块:用于基于空间约束和时间约束对数据预处理模块得到的预处理后的二元传感器数据进行分段处理,得到分段后的二元传感器数据;
行为模式候选集合生成模块:用于将数据分段模块得到的分段后的二元传感器数据映射并转换成一维字符串,对一维字符串进行处理,得到行为模式候选集合;
行为模式识别模块:用于从行为模式候选集合生成模块得到的行为模式候选集合中识别出具体的行为模式。
本具体实施方式还公开了一种计算机存储介质,计算机存储介质上存储有计算机程序,计算机程序被处理器执行时,实现所述的基于二元传感器的行为识别方法的步骤。
Claims (5)
1.基于二元传感器的行为识别方法,其特征在于:包括以下步骤:
S1:对二元传感器采集到的数据进行预处理,得到预处理后的二元传感器数据;
S2:基于空间约束和时间约束对步骤S1得到的预处理后的二元传感器数据进行分段处理,得到分段后的二元传感器数据;
S3:将步骤S2得到的分段后的二元传感器数据映射并转换成一维字符串,对一维字符串进行处理,得到行为模式候选集合;
S4:从步骤S3得到的行为模式候选集合中识别出具体的行为模式;
所述步骤S2具体包括以下步骤:
S21:令i=1;
S22;将第i天预处理后的二元传感器数据Di按照空间进行划分:Di={Di,1,…,Di,a};其中,Di,j表示第i天第j个空间内的预处理后的二元传感器数据,1≤j≤a,a表示将第i天预处理后的二元传感器数据Di划分出的空间总数, 表示第i天第j个空间内的预处理后的二元传感器数据中的第k1个数据,1≤k1≤βi,j,βi,j表示第i天第j个空间内的预处理后的二元传感器数据的总量,βi,j≥1;
S23:令j=1;
S25:如果βi,j=1,则进行步骤S29;如果βi,j>1,则进行步骤S26;
S26:令k1=1;
S27:判断这一条件是否成立,表示第i天第j个空间内的预处理后的二元传感器数据中的第k1+1个数据,表示这一数据采集的时刻,表示第i天第j个空间内的预处理后的二元传感器数据中的第k1个数据,表示这一数据采集的时刻,λ表示时间阈值:如果条件成立,则将划分到与相同的数据子集合中,然后判断k1+1是否等于βi,j,如果等于则进行步骤S29,不等于则进行步骤S28;如果条件不成立,则将划分到序号比所在数据子集合的序号多1的数据子集合中,然后判断k1+1是否等于βi,j,如果等于则进行步骤S29,不等于则进行步骤S28;
S28:令k1=k1+1,然后返回步骤S27;
S29:判断j是否等于a:如果是,则进行步骤S210;否则,令j=j+1,然后返回步骤S24;
S210:判断i是否等于最大天数:如果是,则结束;否则,令i=i+1,然后返回步骤S22。
2.根据权利要求1所述的基于二元传感器的行为识别方法,其特征在于:所述步骤S1中,预处理的过程为:对二元传感器采集到的数据中的无效数据进行过滤;所述无效数据满足以下三个条件中的至少一个条件:
条件1:数据为空值;
条件2:数据生成时间大于上限或者小于下限;
条件3:数据中的二元传感器ID不正确。
3.根据权利要求1所述的基于二元传感器的行为识别方法,其特征在于:所述步骤S3具体包括以下步骤:
S31:令j=1;
S32:令i=1;
S33:令r=1;
S34:将步骤S2得到的第i天第j个空间内的第r个数据子集合Di,j,r转换为第i天第j个空间内的第r个字符串Si,j,r,Di,j,r中的各元素分别转换成Si,j,r中的字符,其中表示Si,j,r中的第w个字符,也即由Di,j,r中第w个元素转换而来,βi,j,r表示Si,j,r中字符的总个数;
S35:令m=1;
S39:判断m是否等于βi,j,r:如果是,则进行步骤S310;否则,令m=m+1,然后返回步骤S36;
S310:判断r是否等于第i天第j个空间内数据子集合的总个数:如果等于,则进行步骤S311;否则,令r=r+1,然后返回步骤S34;
S311:判断i是否等于最大天数:如果等于,则进行步骤S312;否则,令i=i+1,然后返回步骤S34;
S312:根据连续x天第j个空间内所有有效子字符串转换成的哈希值,统计每个有效子字符串出现的次数,将出现次数不小于次数阈值的有效子字符串存入到第j个空间的潜在行为模式集合中;x≥2;
S313:如果第j个空间的潜在行为模式集合中包含一个完整的字符串,则将该字符串的所有有效子字符串剔除,从而形成第j个空间的行为模式候选集合;
S314:判断j是否等于a:如果是,则结束;否则,令j=j+1,然后返回步骤S34。
4.根据权利要求3所述的基于二元传感器的行为识别方法,其特征在于:所述步骤S4具体包括以下步骤:
S41:令j=1;
S42:将第j个空间的行为模式候选集合中的各个元素分别与第j个空间的预定义行为模式集合中的各个元素进行比较:如果第j个空间的行为模式候选集合中的一个元素与第j个空间的预定义行为模式集合中的一个元素之间的相似度为1,则判定第j个空间的行为模式候选集合中的该元素为一个行为模式;如果第j个空间的行为模式候选集合中所有元素与第j个空间的预定义行为模式集合中所有元素之间的相似度均不为1,则判断第j个空间的行为模式候选集合中所有元素与第j个空间的预定义行为模式集合中所有元素之间的最大相似度是否超过相似度阈值,如果超过则将最大相似度所对应的第j个空间的行为模式候选集合中的元素判定为一个行为模式,如果未超过则将最大相似度所对应的第j个空间的行为模式候选集合中的元素存入人工检测集合中;
S43:通过人工检测的方式判断人工检测集合中的各元素是否为行为模式:如果是,则将相应元素加入到预定义行为模式集合中;否则,则丢弃;
S44:判断j是否等于a:如果是,则结束;否则,令j=j+1,然后返回步骤S42。
5.一种计算机存储介质,所述计算机存储介质上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时,实现权利要求1-4中任意一项所述的基于二元传感器的行为识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910635047.8A CN110349373B (zh) | 2019-07-15 | 2019-07-15 | 基于二元传感器的行为识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910635047.8A CN110349373B (zh) | 2019-07-15 | 2019-07-15 | 基于二元传感器的行为识别方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110349373A CN110349373A (zh) | 2019-10-18 |
CN110349373B true CN110349373B (zh) | 2021-04-09 |
Family
ID=68176324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910635047.8A Active CN110349373B (zh) | 2019-07-15 | 2019-07-15 | 基于二元传感器的行为识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349373B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111766793A (zh) * | 2020-06-29 | 2020-10-13 | 滁州学院 | 基于座椅使用习惯的建模方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334845A (zh) * | 2007-06-27 | 2008-12-31 | 中国科学院自动化研究所 | 一种基于轨迹序列分析和规则归纳的视频行为识别方法 |
CN101739568A (zh) * | 2009-11-04 | 2010-06-16 | 北京交通大学 | 基于分层观测向量分解的隐马尔科夫模型的行为识别方法 |
KR20150128006A (ko) * | 2014-05-08 | 2015-11-18 | 한양대학교 산학협력단 | 계층적 은닉 마르코프 모델을 이용한 행동 인식 방법 및 장치 |
CN107402921A (zh) * | 2016-05-18 | 2017-11-28 | 阿里巴巴集团控股有限公司 | 识别用户行为的事件时序数据处理方法、装置及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2528016A1 (en) * | 2011-05-26 | 2012-11-28 | Fujitsu Limited | A method for analysing sensor data |
US10327670B2 (en) * | 2014-03-26 | 2019-06-25 | GestureLogic Inc. | Systems, methods and devices for exercise and activity metric computation |
CN104035396B (zh) * | 2014-04-18 | 2016-08-17 | 重庆大学 | 基于无线传感器网络的分布式行为识别方法 |
CN107886103B (zh) * | 2016-09-29 | 2023-12-08 | 日本电气株式会社 | 用于识别行为模式的方法、设备和*** |
CN109697434B (zh) * | 2019-01-07 | 2021-01-08 | 腾讯科技(深圳)有限公司 | 一种行为识别方法、装置和存储介质 |
-
2019
- 2019-07-15 CN CN201910635047.8A patent/CN110349373B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334845A (zh) * | 2007-06-27 | 2008-12-31 | 中国科学院自动化研究所 | 一种基于轨迹序列分析和规则归纳的视频行为识别方法 |
CN101739568A (zh) * | 2009-11-04 | 2010-06-16 | 北京交通大学 | 基于分层观测向量分解的隐马尔科夫模型的行为识别方法 |
KR20150128006A (ko) * | 2014-05-08 | 2015-11-18 | 한양대학교 산학협력단 | 계층적 은닉 마르코프 모델을 이용한 행동 인식 방법 및 장치 |
CN107402921A (zh) * | 2016-05-18 | 2017-11-28 | 阿里巴巴集团控股有限公司 | 识别用户行为的事件时序数据处理方法、装置及*** |
Non-Patent Citations (2)
Title |
---|
基于层次隐马尔科夫的行为识别研究;梁璐;《中国优秀硕士学位论文全文数据库 信息科技辑》;20121215(第12期);全文 * |
时间序列的行为匹配与评估技术研究;李鸿利;《中国优秀硕士学位论文全文数据库 基础科学辑》;20160715(第7期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110349373A (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108348160B (zh) | 监测人的日常生活活动 | |
Lamb et al. | Indices for monitoring biodiversity change: are some more effective than others? | |
CN107194184B (zh) | 基于时间序列相似性分析的在院人次异常检测方法及*** | |
CN106974361B (zh) | 一种具有健康诊断功能的可穿戴式智能鞋垫 | |
El-Attar et al. | Discrete wavelet transform-based freezing of gait detection in Parkinson’s disease | |
CN109190698B (zh) | 一种网络数字虚拟资产的分类识别***及方法 | |
Gu et al. | Mining emerging patterns for recognizing activities of multiple users in pervasive computing | |
CN111000553A (zh) | 一种基于投票集成学习的心电数据智能分类方法 | |
CN104269025B (zh) | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 | |
Kleynhans et al. | Land cover change detection using autocorrelation analysis on MODIS time-series data: Detection of new human settlements in the Gauteng province of South Africa | |
CN114732361A (zh) | 基于生理信号的睡眠分期预测方法、设备以及存储介质 | |
CN110349373B (zh) | 基于二元传感器的行为识别方法、装置及存储介质 | |
Xu et al. | Analysis of financial time series using multiscale entropy based on skewness and kurtosis | |
Ashourloo et al. | A novel automatic method for alfalfa mapping using time series of Landsat-8 OLI data | |
Toda et al. | Machine learning-based fall detection system for the elderly using passive RFID sensor tags | |
Karayaneva et al. | Unsupervised Doppler radar based activity recognition for e-healthcare | |
CN113377845B (zh) | 基于大数据的智慧养老数据处理方法及*** | |
CN110826490A (zh) | 一种基于脚步分类的轨迹跟踪方法和装置 | |
CN111317458A (zh) | 一种基于深度学习的血压检测*** | |
CN116842330B (zh) | 一种可对比历史记录的保健信息处理方法及装置 | |
CN107067649B (zh) | 一种基于无线可穿戴式感知平台的典型行为实时识别方法 | |
CN112057053A (zh) | 一种基于svm的异常体温序列检测装置及方法 | |
CN108182974B (zh) | 病症评估方法、终端设备及计算机可读介质 | |
Ortiz et al. | Dilation aware multi-image enrollment for iris biometrics | |
CN113208573B (zh) | 一种支持ppg+ecg功能的可穿戴设备 |
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 |