CN113936335B - 一种智能坐姿提醒方法和装置 - Google Patents
一种智能坐姿提醒方法和装置 Download PDFInfo
- Publication number
- CN113936335B CN113936335B CN202111181174.9A CN202111181174A CN113936335B CN 113936335 B CN113936335 B CN 113936335B CN 202111181174 A CN202111181174 A CN 202111181174A CN 113936335 B CN113936335 B CN 113936335B
- Authority
- CN
- China
- Prior art keywords
- sitting posture
- information
- obtaining
- model
- preset model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种智能坐姿提醒方法和装置,其中,所述方法包括:通过联邦学习方法对神经网络模型进行训练,获得第三坐姿预设模型;获得第一用户的身高信息和骨骼信息;并输入所述第三坐姿预设模型,获得所述第一用户的标准坐姿信息;通过所述图像采集装置对所述第一用户进行多角度图像采集,获得N个第一图像信息;构建所述第一用户的三维坐姿模型;获得所述第一用户的第一坐姿信息;将所述第一坐姿信息与所述标准坐姿信息进行比对,获得第一比对结果;根据所述第一比对结果,确定是否获得第一提醒信息。解决了现有技术中无法对小学生的不端坐姿进行实时监测、智能提醒、及时校正,进而影响后期骨骼的发育校正的技术问题。
Description
技术领域
本发明涉及人工智能领域,具体地,涉及一种智能坐姿提醒方法和装置。
背景技术
一个良好的坐姿对孩子的学习和成长至关重要,而现在小学阶段学生的坐姿还存在诸多问题,小学生良好坐姿的培养,成为小学健康教育的重要内容,也是一项重要而迫切的任务。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在无法对小学生的不端坐姿进行实时监测、智能提醒、及时校正,进而影响后期骨骼的发育校正的技术问题。
发明内容
针对现有技术中的缺陷,本申请实施例的目的是,通过提供一种智能坐姿提醒方法和装置,解决了现有技术中无法对小学生的不端坐姿进行实时监测、智能提醒、及时校正,进而影响后期骨骼的发育校正的技术问题。通过联邦学习,生成小学生的标准坐姿信息,进而将小学生的实际坐姿信息与标准坐姿信息进行比对,对不标准的坐姿进行提醒,达到了对小学生的坐姿进行智能图像监测,同时对不标准的坐姿进行及时提醒和有效调整,使得养成良好的坐姿习惯,为后天的骨骼生长发育及其校正打下良好基础的技术效果。
一方面,本申请实施例提供一种智能坐姿提醒方法,其中,所述方法应用于一智能坐姿提醒***,所述***包括一图像采集装置,所述方法包括:通过联邦学习方法对神经网络模型进行训练,获得第三坐姿预设模型;获得第一用户的身高信息和骨骼信息;将所述身高信息和所述骨骼信息输入所述第三坐姿预设模型,获得所述第一用户的标准坐姿信息;通过所述图像采集装置对所述第一用户进行多角度图像采集,获得N个第一图像信息,所述第一图像信息包括所述第一用户的坐姿图像信息;根据所述N个第一图像信息,构建所述第一用户的三维坐姿模型;根据所述三维坐姿模型,获得所述第一用户的第一坐姿信息;将所述第一坐姿信息与所述标准坐姿信息进行比对,获得第一比对结果;根据所述第一比对结果,确定是否获得第一提醒信息,所述第一提醒信息用于提醒所述第一用户调整坐姿。
另一方面,本申请还提供了一种智能坐姿提醒***,其中,所述***包括:第一获得单元:所述第一获得单元用于通过联邦学习方法对神经网络模型进行训练,获得第三坐姿预设模型;第二获得单元:所述第二获得单元用于获得第一用户的身高信息和骨骼信息;第一输入单元:所述第一输入单元用于将所述身高信息和所述骨骼信息输入所述第三坐姿预设模型,获得所述第一用户的标准坐姿信息;第一采集单元:所述第一采集单元用于通过图像采集装置对所述第一用户进行多角度图像采集,获得N个第一图像信息,所述第一图像信息包括所述第一用户的坐姿图像信息;第一构建单元:所述第一构建单元用于根据所述N个第一图像信息,构建所述第一用户的三维坐姿模型;第三获得单元:所述第三获得单元用于根据所述三维坐姿模型,获得所述第一用户的第一坐姿信息;第一比对单元:所述第一比对单元用于将所述第一坐姿信息与所述标准坐姿信息进行比对,获得第一比对结果;第一确定单元:所述第一确定单元用于根据所述第一比对结果,确定是否获得第一提醒信息,所述第一提醒信息用于提醒所述第一用户调整坐姿。
第三方面,本申请实施例提供了一种智能坐姿提醒装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过联邦学习方法对神经网络模型进行训练,获得第三坐姿预设模型;获得第一用户的身高信息和骨骼信息;将所述身高信息和所述骨骼信息输入所述第三坐姿预设模型,获得所述第一用户的标准坐姿信息;通过所述图像采集装置对所述第一用户进行多角度图像采集,获得N个第一图像信息;构建所述第一用户的三维坐姿模型;获得所述第一用户的第一坐姿信息;将所述第一坐姿信息与所述标准坐姿信息进行比对,获得第一比对结果;根据所述第一比对结果,确定是否获得第一提醒信息。通过联邦学习,生成小学生的标准坐姿信息,进而将小学生的实际坐姿信息与标准坐姿信息进行比对,对不标准的坐姿进行提醒,达到了对小学生的坐姿进行智能图像监测,同时对不标准的坐姿进行及时提醒和有效调整,使得养成良好的坐姿习惯,为后天的骨骼生长发育及其校正打下良好基础的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读参照以下附图对非限制性实施例所做的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本申请实施例一种智能坐姿提醒方法的流程示意图;
图2为本申请实施例一种智能坐姿提醒方法的通过联邦学习方法对神经网络模型进行训练的流程示意图;
图3为本申请实施例一种智能坐姿提醒方法的通过所述第一训练数据集对所述初始坐姿预设模型进行训练的流程示意图;
图4为本申请实施例一种智能坐姿提醒方法的对所述第一训练数据集进行分类的流程示意图;
图5为本申请实施例一种智能坐姿提醒***的结构示意图;
图6为本申请实施例示例性电子设备的结构示意图。
具体实施方式
本申请实施例通过提供一种智能坐姿提醒方法和装置,解决了现有技术中无法对小学生的不端坐姿进行实时监测、智能提醒、及时校正,进而影响后期骨骼的发育校正的技术问题。通过联邦学习,生成小学生的标准坐姿信息,进而将小学生的实际坐姿信息与标准坐姿信息进行比对,对不标准的坐姿进行提醒,达到了对小学生的坐姿进行智能图像监测,同时对不标准的坐姿进行及时提醒和有效调整,使得养成良好的坐姿习惯,为后天的骨骼生长发育及其校正打下良好基础的技术效果。
下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
一个良好的坐姿对孩子的学习和成长至关重要,而现在小学阶段学生的坐姿还存在诸多问题,小学生良好坐姿的培养,成为小学健康教育的重要内容,也是一项重要而迫切的任务。现有技术中存在无法对小学生的不端坐姿进行实时监测、智能提醒、及时校正,进而影响后期骨骼的发育校正的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供一种智能坐姿提醒方法,其中,所述方法应用于一智能坐姿提醒***,所述***包括一图像采集装置,所述方法包括:通过联邦学习方法对神经网络模型进行训练,获得第三坐姿预设模型;获得第一用户的身高信息和骨骼信息;将所述身高信息和所述骨骼信息输入所述第三坐姿预设模型,获得所述第一用户的标准坐姿信息;通过所述图像采集装置对所述第一用户进行多角度图像采集,获得N个第一图像信息,所述第一图像信息包括所述第一用户的坐姿图像信息;根据所述N个第一图像信息,构建所述第一用户的三维坐姿模型;根据所述三维坐姿模型,获得所述第一用户的第一坐姿信息;将所述第一坐姿信息与所述标准坐姿信息进行比对,获得第一比对结果;根据所述第一比对结果,确定是否获得第一提醒信息,所述第一提醒信息用于提醒所述第一用户调整坐姿。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例一
如图1所示,本申请实施例提供了一种智能坐姿提醒方法,其中,所述方法应用于透析室治疗匹配***,所述方法包括:
步骤S100:通过联邦学习方法对神经网络模型进行训练,获得第三坐姿预设模型;
具体而言,一个良好的坐姿对孩子的学习和成长至关重要,而现在小学阶段学生的坐姿还存在诸多问题,小学生良好坐姿的培养,成为小学健康教育的重要内容,也是一项重要而迫切的任务。为了解决小学生因坐姿不端正而影响后期骨骼的发育校正,在本申请实施例中,提供了一种智能坐姿提醒方法,可对小学生的不端坐姿进行提醒,从而避免此类问题的发生。进一步的,可基于联邦学习,对神经网络模型剂进行训练,其中,所述联邦学习本质上是一种分布式机器学习技术,或机器学习框架,其目标是在保证数据隐私安全及合法合规的基础上,实现共同建模,提升AI模型的效果,基于不同区域的用户的相似表现特征,可采用横向联邦学习对神经网络模型进行训练,横向联邦学习的本质是样本的联合,适用于参与者间业态相同但触达客户不同,即特征重叠多,用户重叠少时的场景,进而获得的所述第三坐姿预设模型为从第三方服务器下载的坐姿预设模型,通过所述第三坐姿预设模型,可对用户的坐姿进行预设。
步骤S200:获得第一用户的身高信息和骨骼信息;
步骤S300:将所述身高信息和所述骨骼信息输入所述第三坐姿预设模型,获得所述第一用户的标准坐姿信息;
具体而言,因用户的身高和骨骼生长状态会影响用户的坐姿,因此,可获得所述第一用户的身高信息和骨骼信息,其中,所述第一用户在此以小学生为例进行说明,进而将所述身高信息和所述骨骼信息输入所述第三坐姿预设模型进行预测训练,可获得所述第一用户的标准坐姿信息,其中,所述标准坐姿信息为基于小学生的既有身高信息和骨骼生长信息,经过模型的科学精准预测训练得出。
步骤S400:通过所述图像采集装置对所述第一用户进行多角度图像采集,获得N个第一图像信息,所述第一图像信息包括所述第一用户的坐姿图像信息;
步骤S500:根据所述N个第一图像信息,构建所述第一用户的三维坐姿模型;
具体而言,为了对小学生的坐姿进行多角度采集,还可通过所述图像采集装置对所述第一用户进行多角度图像采集,即对小学生的坐姿进行各个角度的图像采集,举例而言,可以通过背面的图像采集,确定小学生的脊背是否停止,通过正面的图像采集,确定小学生的手肘是否支撑着脑袋等,所述N个第一图像信息即为对小学生进行多角度采集得到的N个图像集合,进而根据所述N个第一图像信息,构建所述第一用户的三维坐姿模型,其中,所述三维坐姿模型中包含了小学生的尽可能多的坐姿。
步骤S600:根据所述三维坐姿模型,获得所述第一用户的第一坐姿信息;
步骤S700:将所述第一坐姿信息与所述标准坐姿信息进行比对,获得第一比对结果;
步骤S800:根据所述第一比对结果,确定是否获得第一提醒信息,所述第一提醒信息用于提醒所述第一用户调整坐姿。
具体而言,所述第一坐姿信息为从所述三维坐姿模型中选取的所述第一用户的任一坐姿信息,通过将所述第一坐姿信息与所述标准坐姿信息进行比对,即将小学生的任一坐姿信息与标准的坐姿信息进行比较,小学生的标准坐姿为:上身与站立姿势基本相同,头正、肩平、身正、立腰挺胸。下身应当是臀部坐在椅子或凳子上,两腿上半部(即大腿部分)自然平放,从膝盖以下的小腿部分自然垂直。两脚自然平放在地上,两臂自然张开,两臂平放桌面,右臂在上。所述第一比对结果包括两种情况,即小学生的坐姿符合标准坐姿、小学生的坐姿不符合标准坐姿,进而根据所述第一比对结果,确定是否获得第一提醒信息,如果小学生的坐姿不符合标准坐姿,可提醒小学生调整自己的坐姿,养成良好的坐姿习惯,为后天的骨骼生长发育及其校正打下好的基础。
进一步的,如图2所示,所述通过联邦学习方法对神经网络模型进行训练,获得第三坐姿预设模型,步骤S100包括:
步骤S110:获得第一区域的第一用户集合的第一基础数据,所述第一基础数据包括第一身高信息、第一骨骼信息;
步骤S120:根据所述第一身高信息、所述第一骨骼信息构建第一训练数据集;
步骤S130:获得第二区域的第二用户集合的第二基础数据,所述第二基础数据包括第二身高信息、第二骨骼信息;
步骤S140:根据所述第二身高信息、所述第二骨骼信息构建第二训练数据集;
步骤S150:从第三方平台获得初始坐姿预设模型;
步骤S160:通过所述第一训练数据集对所述初始坐姿预设模型进行训练,获得第一坐姿预设模型;
步骤S170:通过所述第二训练数据集对所述初始坐姿预设模型进行训练,获得第二坐姿预设模型;
步骤S180:根据所述第一坐姿预设模型,获得第一模型参数,根据所述第二坐姿预设模型,获得第二模型参数;
步骤S190:根据所述第一模型参数和所述第二模型参数,对所述初始坐姿预设模型进行更新,获得第三坐姿预设模型。
具体而言,在通过联邦学***台获得初始坐姿预设模型,所述第三方平台可理解为虚拟的第三方,所述初始坐姿预设模型可理解为所述第三方平台固有的模型,进而基于所述第一训练数据集和所述第二训练数据集,分别对所述初始坐姿预设模型进行训练,即通过实际的基础训练数据对模型进行实际训练,可依次获得第一坐姿预设模型、第二坐姿预设模型,其中,所述第一坐姿预设模型对应于所述第一用户集合,所述第二坐姿预设模型对应于所述第二用户集合,进而,基于所述第一坐姿预设模型,可获得所述第一用户集合的梯度更新模型参数,即所述第一模型参数,同理,所述第二模型参数为所述第二用户集合的梯度更新模型参数,最终根据所述第一模型参数和所述第二模型参数,对所述初始坐姿预设模型进行更新,获得第三坐姿预设模型,通过采用横向联邦学习的方式,对不同区域的小学生身高信息以及骨骼信息进行数据采集和交互更新,使得获得的所述第三坐姿预设模型更加准确、全面、且具有一定说服性。
进一步的,如图3所示,所述通过所述第一训练数据集对所述初始坐姿预设模型进行训练,获得第一坐姿预设模型,步骤S160包括:
步骤S161:对所述第一训练数据集进行分类,获得不同类别的子训练数据集;
步骤S162:分别利用所述不同类别的子训练数据集对所述述初始坐姿预设模型进行训练,获得多个子初始坐姿预设模型;
步骤S163:根据所述多个子初始坐姿预设模型,获得多个子模型参数;
步骤S164:通过所述多个子模型参数对所述初始坐姿预设模型进行更新,获得所述第一坐姿预设模型。
具体而言,在通过所述第一训练数据集对所述初始坐姿预设模型进行训练时,更具体的,可对所述第一训练数据集进行分类,获得不同类别的子训练数据集,因所述第一训练数据集由所述第一身高信息、所述第一骨骼信息搭建而成,因此,可对所述第一训练数据集中的数据进行分类,举例而言,可根据身高的不同、骨骼发育态势的不同对其进行分类,所述子训练数据集即包括不同类别的分类数据集,可以是身高较矮、骨骼发育较迟缓的一类子训练数据集,可以是身高适中、骨骼发育正常的一类子训练数据集,也可以是身高较高、骨骼发育超前的一类子训练数据集,进而分别利用所述不同类别的子训练数据集对所述述初始坐姿预设模型进行训练,获得多个子初始坐姿预设模型,所述多个子初始坐姿预设模型与所述不同类别的子训练数据集一一对应,进而获得所述多个子初始坐姿预设模型对应的梯度更新模型参数,即为所述多个子模型参数,进而通过所述多个子模型参数对所述初始坐姿预设模型进行更新,获得所述第一坐姿预设模型,实现了通过所述第一训练数据集对所述初始坐姿预设模型进行训练的目的。
进一步的,如图4所示,所述对所述第一训练数据集进行分类,获得不同类别的子训练数据集,步骤S161包括:
步骤S1611:获得所述第一训练数据集的年龄特征、兴趣特征;
步骤S1612:构建直角坐标系,以所述年龄特征作为横坐标,以所述兴趣特征作为纵坐标;
步骤S1613:对所述直角坐标系进行区域标签化分类,获得第一标签分类结果;
步骤S1614:将所述第一用户集合的所述年龄特征和所述兴趣特征输入所述直角坐标系,获得第一向量集合;
步骤S1615:对所述第一向量集合进行距离计算,获得欧氏距离数据集;
步骤S1616:根据所述欧氏距离数据集,获得第一分类数据集,所述第一分类数据集为所述欧氏距离数据集中最短k个距离;
步骤S1617:根据所述第一分类数据集和所述第一标签分类结果进行映射匹配,获得第一分类结果;
步骤S1618:根据所述第一分类结果,获得不同类别的所述子训练数据集。
具体而言,在对所述第一训练数据集进行分类时,更具体的,可获得所述第一训练数据集的年龄特征、兴趣特征,因小学生的年龄特征及其兴趣特征,一定程度会影响其骨骼发育态势,进而影响坐姿,例如,爱好运动的小学生,其骨骼发育态势较好,进而影响其坐姿,进一步的,以所述年龄特征作为横坐标,以所述兴趣特征作为纵坐标,构建直角坐标系。对所述直角坐标系进行区域标签化分类,不同的区域对应不同的标签分类结果,如不同区域对应小学生不同坐姿。将所述第一用户集合的所述年龄特征和所述兴趣特征输入所述直角坐标系,获得第一向量集合,根据所述第一向量集合在所述第一标签分类结果进行映射匹配,获得相匹配的小学生坐姿信息。
所述欧氏距离数据集为欧几里得度量距离数据集合,即坐标系中两点之间的直线距离,对所述第一向量集合进行距离计算,获得所述欧氏距离数据集。所述第一分类数据集为所述欧氏距离数据集中最短的k个距离,k值为所述欧氏距离数据集的一部分,可自行设定。根据所述第一分类数据集和所述第一标签分类结果进行映射匹配,获得第一分类结果,并根据所述第一分类结果,获得不同类别的所述子训练数据集。达到通过构建直角坐标系进行向量映射的方法,使得方案分类结果更加准确,确保不同类别的所述子训练数据集的分类更加明确的技术效果。
进一步的,所述将所述身高信息和所述骨骼信息输入所述第三坐姿预设模型,获得所述第一用户的标准坐姿信息,步骤S300还包括:
步骤S310:将所述身高信息和所述骨骼信息作为输入信息输入所述第三坐姿预设模型;
步骤S320:所述第三坐姿预设模型通过多组训练数据训练至收敛获得,其中,所述多组训练数据中的每组数据中均包括所述身高信息和所述骨骼信息和用于标识标准坐姿的标识信息;
步骤S330:获得所述第三坐姿预设模型的输出信息,所述输出信息包括所述第一用户的标准坐姿信息。
具体而言,为了将所述身高信息和所述骨骼信息输入所述第三坐姿预设模型,更具体的,所述第三坐姿预设模型即机器学习中的神经网络模型,神经网络(NeuralNetworks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络***,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习***。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial NeuralNetworks,ANN),是对人类大脑***的一阶特性的一种描述。简单地讲,它是一个数学模型。通过大量训练数据的训练,将所述身高信息和所述骨骼信息作为输入信息输入所述第三坐姿预设模型,则输出所述第一用户的标准坐姿信息。
更进一步而言,所述训练的过程实质为监督学习的过程,每一组监督数据均包括所述身高信息、所述骨骼信息和用于标识标准坐姿的标识信息,将所述身高信息和所述骨骼信息作为输入信息输入所述第三坐姿预设模型,根据用来标识标准坐姿的标识信息,所述神经网络模型进行不断的自我修正、调整,直至获得的所述输出信息与所述标识信息一致,则结束本组数据监督学习,进行下一组数据监督学习;当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束。通过对所述神经网络模型的监督学习,进而使得所述神经网络模型处理所述输入信息更加准确,进而使得输出的所述第一用户的标准坐姿信息更加合理、准确,进而达到基于所述标准坐姿信息纠正小学生的坐姿的技术效果。
进一步的,所述将所述第一坐姿信息与所述标准坐姿信息进行比对,获得第一比对结果,步骤S700包括:
步骤S710:获得预定误差阈值;
步骤S720:根据所述第一坐姿信息与所述标准坐姿信息,获得所述第一坐姿信息与所述标准坐姿信息的误差量;
步骤S730:判断所述误差量是否在所述预定误差阈值之内,获得所述第一比对结果。
具体而言,在将所述第一坐姿信息与所述标准坐姿信息进行比对时,更具体的,可获得预定误差阈值,其中,所述预定误差阈值为***设定的小学生的实际坐姿与标准坐姿之间的可接受的误差信息,进而根据所述第一坐姿信息与所述标准坐姿信息,获得所述第一坐姿信息与所述标准坐姿信息的误差量,所述误差量为小学生的实际坐姿与标准坐姿之间的实际误差信息,通过判断所述误差量是否在所述预定误差阈值之内,来确定小学生的坐姿是否标准,即所述第一比对结果包括两种情况,其一,所述误差量在所述预定误差阈值之内,说明,小学生的坐姿较为标准,反之,则不标准,例如,小学生的手臂可以是平放于桌子上,适用于上课听讲,也可以手臂微抬,适用于朗读,因此,手臂的放置方式可以是平放于桌面、也可以是微抬,这种变化包含于所述预定误差阈值,通过将实际误差与预定误差阈值相比较,进一步限定了小学生的标准坐姿。
进一步的,本申请实施例还包括:
步骤S711:获得所述第一用户的学习时长历史数据;
步骤S712:根据马尔科夫特性,预测所述第一用户的第一学习时长;
步骤S713:根据所述第一学习时长,获得第一坐姿误差调整参数;
步骤S714:根据所述第一坐姿误差调整参数,对所述预定误差阈值进行调整。
具体而言,在获得预定误差阈值时,进一步的,可获得所述第一用户的学习时长历史数据,所述学习时长历史数据由小学生的不同学习时长分布数据累积而成,同时,根据马尔科夫特性,预测所述第一用户的第一学习时长,其中,所述马尔科夫特性可理解为,当一个随机过程在给定现在状态及所有过去状态情况下,其未来状态的条件概率分布仅依赖于当前状态;换句话说,在给定现在状态时,它与过去状态(即该过程的历史路径)是条件独立的,基于所述马尔科夫特性,可获得小学生的当前坐姿信息与上一时刻的学习时长之间的映射关系,因此,可基于所述学习时长历史数据,获得最近一次的小学生的学习时长,进而基于此,预测所述第一用户的第一学习时长,所述第一学习时长可理解为小学生在未来某一时间的学习时长,进而基于已经确定的映射关系,可反向获得小学生的与所述第一学习时长相对应的预设坐姿信息,所述第一坐姿误差调整参数即为小学生的当前坐姿信息与所述预设坐姿信息之间的可调整坐姿误差参数,进而根据所述第一坐姿误差调整参数,对所述预定误差阈值进行调整,使得调整后的预定误差阈值更为科学,便于对小学生的坐姿信息进一步的把握和纠正。
与现有技术相比,本发明具有如下的有益效果:
1、通过联邦学习方法对神经网络模型进行训练,获得第三坐姿预设模型;获得第一用户的身高信息和骨骼信息;将所述身高信息和所述骨骼信息输入所述第三坐姿预设模型,获得所述第一用户的标准坐姿信息;通过所述图像采集装置对所述第一用户进行多角度图像采集,获得N个第一图像信息;构建所述第一用户的三维坐姿模型;获得所述第一用户的第一坐姿信息;将所述第一坐姿信息与所述标准坐姿信息进行比对,获得第一比对结果;根据所述第一比对结果,确定是否获得第一提醒信息。通过联邦学习,生成小学生的标准坐姿信息,进而将小学生的实际坐姿信息与标准坐姿信息进行比对,对不标准的坐姿进行提醒,达到了对小学生的坐姿进行智能图像监测,同时对不标准的坐姿进行及时提醒和有效调整,使得养成良好的坐姿习惯,为后天的骨骼生长发育及其校正打下良好基础的技术效果。
2、基于马尔科夫特性,可对小学生的坐姿误差进行科学调整,使得调整参数具有一定的科学性和说服性。
实施例二
基于与前述实施例中一种智能坐姿提醒方法同样发明构思,本发明还提供了一种智能坐姿提醒***,如图5所示,所述***包括:
第一获得单元11:所述第一获得单元11用于通过联邦学习方法对神经网络模型进行训练,获得第三坐姿预设模型;
第二获得单元12:所述第二获得单元12用于获得第一用户的身高信息和骨骼信息;
第一输入单元13:所述第一输入单元13用于将所述身高信息和所述骨骼信息输入所述第三坐姿预设模型,获得所述第一用户的标准坐姿信息;
第一采集单元14:所述第一采集单元14用于通过图像采集装置对所述第一用户进行多角度图像采集,获得N个第一图像信息,所述第一图像信息包括所述第一用户的坐姿图像信息;
第一构建单元15:所述第一构建单元15用于根据所述N个第一图像信息,构建所述第一用户的三维坐姿模型;
第三获得单元16:所述第三获得单元16用于根据所述三维坐姿模型,获得所述第一用户的第一坐姿信息;
第一比对单元17:所述第一比对单元17用于将所述第一坐姿信息与所述标准坐姿信息进行比对,获得第一比对结果;
第一确定单元18:所述第一确定单元18用于根据所述第一比对结果,确定是否获得第一提醒信息,所述第一提醒信息用于提醒所述第一用户调整坐姿。
进一步的,所述***还包括:
第四获得单元:所述第四获得单元用于获得第一区域的第一用户集合的第一基础数据,所述第一基础数据包括第一身高信息、第一骨骼信息;
第二构建单元:所述第二构建单元用于根据所述第一身高信息、所述第一骨骼信息,构建第一训练数据集;
第五获得单元:所述第五获得单元用于获得第二区域的第二用户集合的第二基础数据,所述第二基础数据包括第二身高信息、第二骨骼信息;
第三构建单元:所述第三构建单元用于根据所述第二身高信息、所述第二骨骼信息,构建第二训练数据集;
第六获得单元:所述第六获得单元用于从第三方平台获得初始坐姿预设模型;
第七获得单元:所述第七获得单元用于通过所述第一训练数据集对所述初始坐姿预设模型进行训练,获得第一坐姿预设模型;
第八获得单元:所述第八获得单元用于通过所述第二训练数据集对所述初始坐姿预设模型进行训练,获得第二坐姿预设模型;
第九获得单元:所述第九获得单元用于根据所述第一坐姿预设模型,获得第一模型参数;
第十获得单元:所述第十获得单元用于根据所述第二坐姿预设模型,获得第二模型参数;
第一更新单元:所述第一更新单元用于根据所述第一模型参数和所述第二模型参数,对所述初始坐姿预设模型进行更新,获得第三坐姿预设模型。
进一步的,所述***还包括:
第一分类单元:所述第一分类单元用于对所述第一训练数据集进行分类,获得不同类别的子训练数据集;
第十一获得单元:所述第十一获得单元用于分别利用所述不同类别的子训练数据集对所述述初始坐姿预设模型进行训练,获得多个子初始坐姿预设模型;
第十二获得单元:所述第十二获得单元用于根据所述多个子初始坐姿预设模型,获得多个子模型参数;
第二更新单元:所述第二更新单元用于通过所述多个子模型参数对所述初始坐姿预设模型进行更新,获得所述第一坐姿预设模型。
进一步的,所述***还包括:
第十三获得单元:所述第十三获得单元用于获得所述第一训练数据集的年龄特征、兴趣特征;
第四构建单元:所述第四构建单元用于构建直角坐标系,以所述年龄特征作为横坐标,以所述兴趣特征作为纵坐标;
第二分类单元:所述第二分类单元用于对所述直角坐标系进行区域标签化分类,获得第一标签分类结果;
第二输入单元:所述第二输入单元用于将所述第一用户集合的所述年龄特征和所述兴趣特征输入所述直角坐标系,获得第一向量集合;
第十四获得单元:所述第十四获得单元用于对所述第一向量集合进行距离计算,获得欧氏距离数据集;
第十五获得单元:所述第十五获得单元用于根据所述欧氏距离数据集,获得第一分类数据集,所述第一分类数据集为所述欧氏距离数据集中最短k个距离;
第十六获得单元:所述第十六获得单元用于根据所述第一分类数据集和所述第一标签分类结果进行映射匹配,获得第一分类结果;
第十七获得单元:所述第十七获得单元用于根据所述第一分类结果,获得不同类别的所述子训练数据集。
进一步的,所述***还包括:
第三输入单元:所述第三输入单元用于将所述身高信息和所述骨骼信息作为输入信息输入所述第三坐姿预设模型;
第一训练单元:所述第一训练单元用于所述第三坐姿预设模型通过多组训练数据训练至收敛获得,其中,所述多组训练数据中的每组数据中均包括所述身高信息和所述骨骼信息和用于标识标准坐姿的标识信息;
第十八获得单元:所述第十八获得单元用于获得所述第三坐姿预设模型的输出信息,所述输出信息包括所述第一用户的标准坐姿信息。
进一步的,所述***还包括:
第十九获得单元:所述第十九获得单元用于获得预定误差阈值;
第二十获得单元:所述第二十获得单元用于根据所述第一坐姿信息与所述标准坐姿信息,获得所述第一坐姿信息与所述标准坐姿信息的误差量;
第一判断单元:所述第一判断单元用于判断所述误差量是否在所述预定误差阈值之内,获得所述第一比对结果。
进一步的,所述***还包括:
第二十一获得单元:所述第二十一获得单元用于获得所述第一用户的学习时长历史数据;
第一预测单元:所述第一预测单元用于根据马尔科夫特性,预测所述第一用户的第一学习时长;
第二十二获得单元:所述第二十二获得单元用于根据所述第一学习时长,获得第一坐姿误差调整参数;
第一调整单元:所述第一调整单元用于根据所述第一坐姿误差调整参数,对所述预定误差阈值进行调整。
前述图1实施例一中的一种智能坐姿提醒方法的各种变化方式和具体实例同样适用于本实施例的一种智能坐姿提醒***,通过前述对一种智能坐姿提醒方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种智能坐姿提醒***的实施方法,所以为了说明书的简洁,再次不再详述。
实施例三
下面参考图6来描述本申请实施例的电子设备。
图6图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实例施中一种智能坐姿提醒方法的发明构思,本发明还提供一种智能坐姿提醒***,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种智能坐姿提醒***的任一方法的步骤。
其中,在图6中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他***通信的单元。处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例提供一种智能坐姿提醒方法,其中,所述方法应用于一智能坐姿提醒***,所述***包括一图像采集装置,所述方法包括:通过联邦学习方法对神经网络模型进行训练,获得第三坐姿预设模型;获得第一用户的身高信息和骨骼信息;将所述身高信息和所述骨骼信息输入所述第三坐姿预设模型,获得所述第一用户的标准坐姿信息;通过所述图像采集装置对所述第一用户进行多角度图像采集,获得N个第一图像信息,所述第一图像信息包括所述第一用户的坐姿图像信息;根据所述N个第一图像信息,构建所述第一用户的三维坐姿模型;根据所述三维坐姿模型,获得所述第一用户的第一坐姿信息;将所述第一坐姿信息与所述标准坐姿信息进行比对,获得第一比对结果;根据所述第一比对结果,确定是否获得第一提醒信息,所述第一提醒信息用于提醒所述第一用户调整坐姿。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的***。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令***的制造品,该指令***实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种智能坐姿提醒方法,其中,所述方法应用于一智能坐姿提醒***,所述***包括一图像采集装置,所述方法包括:
通过联邦学习方法对神经网络模型进行训练,获得第三坐姿预设模型;
获得第一用户的身高信息和骨骼信息;
将所述身高信息和所述骨骼信息输入所述第三坐姿预设模型,获得所述第一用户的标准坐姿信息;
通过所述图像采集装置对所述第一用户进行多角度图像采集,获得N个第一图像信息,所述第一图像信息包括所述第一用户的坐姿图像信息;
根据所述N个第一图像信息,构建所述第一用户的三维坐姿模型;
根据所述三维坐姿模型,获得所述第一用户的第一坐姿信息;
将所述第一坐姿信息与所述标准坐姿信息进行比对,获得第一比对结果;
根据所述第一比对结果,确定是否获得第一提醒信息,所述第一提醒信息用于提醒所述第一用户调整坐姿;
其中,所述通过联邦学习方法对神经网络模型进行训练,获得第三坐姿预设模型,包括:
获得第一区域的第一用户集合的第一基础数据,所述第一基础数据包括第一身高信息、第一骨骼信息;
根据所述第一身高信息、所述第一骨骼信息,构建第一训练数据集;
获得第二区域的第二用户集合的第二基础数据,所述第二基础数据包括第二身高信息、第二骨骼信息;
根据所述第二身高信息、所述第二骨骼信息,构建第二训练数据集;
从第三方平台获得初始坐姿预设模型;
通过所述第一训练数据集对所述初始坐姿预设模型进行训练,获得第一坐姿预设模型;
通过所述第二训练数据集对所述初始坐姿预设模型进行训练,获得第二坐姿预设模型;
根据所述第一坐姿预设模型,获得第一模型参数,根据所述第二坐姿预设模型,获得第二模型参数;
根据所述第一模型参数和所述第二模型参数,对所述初始坐姿预设模型进行更新,获得第三坐姿预设模型;
所述通过所述第一训练数据集对所述初始坐姿预设模型进行训练,获得第一坐姿预设模型,包括:
对所述第一训练数据集进行分类,获得不同类别的子训练数据集;
分别利用所述不同类别的子训练数据集对所述初始坐姿预设模型进行训练,获得多个子初始坐姿预设模型;
根据所述多个子初始坐姿预设模型,获得多个子模型参数;
通过所述多个子模型参数对所述初始坐姿预设模型进行更新,获得所述第一坐姿预设模型。
2.如权利要求1所述的方法,其中,所述对所述第一训练数据集进行分类,获得不同类别的子训练数据集,包括:
获得所述第一训练数据集的年龄特征、兴趣特征;
构建直角坐标系,以所述年龄特征作为横坐标,以所述兴趣特征作为纵坐标;
对所述直角坐标系进行区域标签化分类,获得第一标签分类结果;
将所述第一用户集合的所述年龄特征和所述兴趣特征输入所述直角坐标系,获得第一向量集合;
对所述第一向量集合进行距离计算,获得欧氏距离数据集;
根据所述欧氏距离数据集,获得第一分类数据集,所述第一分类数据集为所述欧氏距离数据集中最短k个距离;
根据所述第一分类数据集和所述第一标签分类结果进行映射匹配,获得第一分类结果;
根据所述第一分类结果,获得不同类别的所述子训练数据集。
3.如权利要求1所述的方法,其中,所述将所述身高信息和所述骨骼信息输入所述第三坐姿预设模型,获得所述第一用户的标准坐姿信息,包括:
将所述身高信息和所述骨骼信息作为输入信息输入所述第三坐姿预设模型;
所述第三坐姿预设模型通过多组训练数据训练至收敛获得,其中,所述多组训练数据中的每组数据中均包括所述身高信息和所述骨骼信息和用于标识标准坐姿的标识信息;
获得所述第三坐姿预设模型的输出信息,所述输出信息包括所述第一用户的标准坐姿信息。
4.如权利要求1所述的方法,其中,所述将所述第一坐姿信息与所述标准坐姿信息进行比对,获得第一比对结果,包括:
获得预定误差阈值;
根据所述第一坐姿信息与所述标准坐姿信息,获得所述第一坐姿信息与所述标准坐姿信息的误差量;
判断所述误差量是否在所述预定误差阈值之内,获得所述第一比对结果。
5.如权利要求4所述的方法,其中,所述方法还包括:
获得所述第一用户的学习时长历史数据;
根据马尔科夫特性,预测所述第一用户的第一学习时长;
根据所述第一学习时长,获得第一坐姿误差调整参数;
根据所述第一坐姿误差调整参数,对所述预定误差阈值进行调整。
6.一种智能坐姿提醒***,其中,所述***包括:
第一获得单元:所述第一获得单元用于通过联邦学习方法对神经网络模型进行训练,获得第三坐姿预设模型;
第二获得单元:所述第二获得单元用于获得第一用户的身高信息和骨骼信息;
第一输入单元:所述第一输入单元用于将所述身高信息和所述骨骼信息输入所述第三坐姿预设模型,获得所述第一用户的标准坐姿信息;
第一采集单元:所述第一采集单元用于通过图像采集装置对所述第一用户进行多角度图像采集,获得N个第一图像信息,所述第一图像信息包括所述第一用户的坐姿图像信息;
第一构建单元:所述第一构建单元用于根据所述N个第一图像信息,构建所述第一用户的三维坐姿模型;
第三获得单元:所述第三获得单元用于根据所述三维坐姿模型,获得所述第一用户的第一坐姿信息;
第一比对单元:所述第一比对单元用于将所述第一坐姿信息与所述标准坐姿信息进行比对,获得第一比对结果;
第一确定单元:所述第一确定单元用于根据所述第一比对结果,确定是否获得第一提醒信息,所述第一提醒信息用于提醒所述第一用户调整坐姿;
其中,所述第一获得单元用于通过联邦学习方法对神经网络模型进行训练,获得第三坐姿预设模型,包括:
第四获得单元:所述第四获得单元用于获得第一区域的第一用户集合的第一基础数据,所述第一基础数据包括第一身高信息、第一骨骼信息;
第二构建单元:所述第二构建单元用于根据所述第一身高信息、所述第一骨骼信息,构建第一训练数据集;
第五获得单元:所述第五获得单元用于获得第二区域的第二用户集合的第二基础数据,所述第二基础数据包括第二身高信息、第二骨骼信息;
第三构建单元:所述第三构建单元用于根据所述第二身高信息、所述第二骨骼信息,构建第二训练数据集;
第六获得单元:所述第六获得单元用于从第三方平台获得初始坐姿预设模型;
第七获得单元:所述第七获得单元用于通过所述第一训练数据集对所述初始坐姿预设模型进行训练,获得第一坐姿预设模型;
第八获得单元:所述第八获得单元用于通过所述第二训练数据集对所述初始坐姿预设模型进行训练,获得第二坐姿预设模型;
第九获得单元:所述第九获得单元用于根据所述第一坐姿预设模型,获得第一模型参数;
第十获得单元:所述第十获得单元用于根据所述第二坐姿预设模型,获得第二模型参数;
第一更新单元:所述第一更新单元用于根据所述第一模型参数和所述第二模型参数,对所述初始坐姿预设模型进行更新,获得第三坐姿预设模型;
所述第七获得单元用于通过所述第一训练数据集对所述初始坐姿预设模型进行训练,获得第一坐姿预设模型,包括:
第一分类单元:所述第一分类单元用于对所述第一训练数据集进行分类,获得不同类别的子训练数据集;
第十一获得单元:所述第十一获得单元用于分别利用所述不同类别的子训练数据集对所述初始坐姿预设模型进行训练,获得多个子初始坐姿预设模型;
第十二获得单元:所述第十二获得单元用于根据所述多个子初始坐姿预设模型,获得多个子模型参数;
第二更新单元:所述第二更新单元用于通过所述多个子模型参数对所述初始坐姿预设模型进行更新,获得所述第一坐姿预设模型。
7.一种智能坐姿提醒***,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111181174.9A CN113936335B (zh) | 2021-10-11 | 2021-10-11 | 一种智能坐姿提醒方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111181174.9A CN113936335B (zh) | 2021-10-11 | 2021-10-11 | 一种智能坐姿提醒方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113936335A CN113936335A (zh) | 2022-01-14 |
CN113936335B true CN113936335B (zh) | 2022-08-23 |
Family
ID=79278165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111181174.9A Active CN113936335B (zh) | 2021-10-11 | 2021-10-11 | 一种智能坐姿提醒方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113936335B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114572068A (zh) * | 2022-01-28 | 2022-06-03 | 中国第一汽车股份有限公司 | 一种基于卷积神经网络的电动座椅调节方法、装置及车辆 |
WO2023220916A1 (zh) * | 2022-05-17 | 2023-11-23 | 华为技术有限公司 | 一种部位定位方法及装置 |
CN116092129B (zh) * | 2023-04-06 | 2023-06-16 | 合肥工业大学 | 一种智能书架及其控制方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5820366B2 (ja) * | 2010-10-08 | 2015-11-24 | パナソニック株式会社 | 姿勢推定装置及び姿勢推定方法 |
KR102575147B1 (ko) * | 2018-04-25 | 2023-09-06 | 현대자동차주식회사 | 자세 교정 알림 장치 및 방법 |
CN111881886A (zh) * | 2020-08-21 | 2020-11-03 | 董秀园 | 基于姿态识别的智能座椅控制方法及装置 |
CN112016497A (zh) * | 2020-09-04 | 2020-12-01 | 王海 | 基于人工智能的单视角太极拳动作分析及考核*** |
CN113128031A (zh) * | 2021-03-27 | 2021-07-16 | 南京林业大学 | 一种坐具舒适度等级测量装置与评定方法 |
CN113052097A (zh) * | 2021-03-31 | 2021-06-29 | 开放智能机器(上海)有限公司 | 一种人体坐姿实时监测***以及监测方法 |
-
2021
- 2021-10-11 CN CN202111181174.9A patent/CN113936335B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113936335A (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113936335B (zh) | 一种智能坐姿提醒方法和装置 | |
CN109102857B (zh) | 一种智能化肢体康复训练***和方法 | |
Cang et al. | An intelligent pig weights estimate method based on deep learning in sow stall environments | |
CN109829971B (zh) | 一种创建人体虚拟模型的方法及其装置 | |
WO2021217848A1 (zh) | 人体摔倒检测方法、装置、计算机设备和存储介质 | |
CN111341450B (zh) | 一种基于人工智能的脊柱畸形矫形预测方法、装置及终端 | |
US20220262036A1 (en) | Computer-implemented method, data processing apparatus, and computer program for generating three-dimensional pose-estimation data | |
Ebrahimi et al. | Effects of anthropomorphic fidelity of self-avatars on reach boundary estimation in immersive virtual environments | |
CN114098284B (zh) | 一种红外感应身高的高度调节方法及学习桌 | |
JP2019191974A (ja) | 情報処理装置、情報処理プログラム、及び、情報処理方法 | |
CN112148758A (zh) | 一种基于大数据的社区饮食健康管理方法及*** | |
CN108426349B (zh) | 基于复杂网络与图像识别的空调个性化健康管理方法 | |
CN110717972A (zh) | 一种基于vr局域网联机***的变电站异常处理模拟*** | |
CN110119723A (zh) | 一种基于acnn进行遮挡人脸表情识别方法 | |
CN113902989A (zh) | 直播场景检测方法、存储介质及电子设备 | |
CN110838179B (zh) | 基于体测数据的人体建模方法、装置及电子设备 | |
CN111695614A (zh) | 一种动态监测的传感器布局与多源信息融合方法和及*** | |
US20220023717A1 (en) | Matching system, matching method, and matching program | |
CN113869186B (zh) | 模型训练方法、装置、电子设备和计算机可读存储介质 | |
CN105354665A (zh) | 在移动医疗***中更符合患者需求的医生绩效评估方法 | |
CN115797972A (zh) | 一种居于ai图像识别判定四肢运动能力的*** | |
CN113192186B (zh) | 基于单帧图像的3d人体姿态估计模型建立方法及其应用 | |
Doljanin et al. | Adaptive intelligent agent for e-learning: First report on enabling technology solutions | |
CN114519865A (zh) | 一种融合集成注意力的2d人体姿态估计方法 | |
CN112133405A (zh) | 一种智慧社区的儿童营养状态评定方法及*** |
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 |