公开(公告)号：CN111967362A

公开(公告)日：2020-11-20

申请号：CN202010792637.4

申请日：2020-08-09

Applicant: 电子科技大学

Inventor： 叶娅兰 ,  潘桐杰 ,  鲁力 ,  何文文 ,  杨珂

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种面向可穿戴设备的超图特征融合和集成学习的人体行为识别方法。本发明首先对原始加速度数据和陀螺仪数据提取时域和频域特征，然后基于卷积神经网络提取深度特征，再进行标准化处理后降维。利用Saito超图学习对传感器行为特征和个性因素进行融合，并利用稳定变换矩阵实现实时特征融合，同时考虑到传感器信号存在时间差异性，对稳定变换矩阵进行周期更新。最后将所获得的最终规定特征向量输入到集成学习分类器中，对人体行为进行分类，得到人体行为状态。本发明利用Saito超图学习来高效融合传感器数据与个性因素即充分地利用不同类型信息间的互补特性达到更好的融合效果，有效提高行为识别模型的普适性。

公开(公告)号：CN107147397B

公开(公告)日：2020-06-16

申请号：CN201710269603.5

申请日：2017-04-24

Applicant: 电子科技大学 ,  内江市下一代互联网数据处理技术研究所

Inventor： 叶娅兰 ,  侯孟书 ,  程云飞 ,  陈暘 ,  何文文 ,  徐海津 ,  邓雪松

IPC: H03M7/30

Abstract: 本发明公开了一种面向可穿戴设备的快速压缩感知重构方法，属于信号处理领域。本发明通过构造的m*n维随机稀疏二值观测矩阵Ф，对原始心电信号x进行压缩测量，得到长度为m的观测向量y；再基于观测矩阵Ф和观测向量y，利用基于交替方向乘子法和块稀疏贝叶斯学习的压缩感知重构方法对原始信号进行重构，得到原始信号的估计向量。与现有块稀疏贝叶斯学习类压缩感知重构算法相比，本发明的优点在于在保证重构精度的前提下可以达到更快的重构速度。