-
公开(公告)号：CN103970271B
公开(公告)日：2017-06-20
申请号：CN201410135953.9
申请日：2014-04-04
申请人： 浙江大学
IPC分类号： G06F3/01
摘要： 本发明公开了一种融合运动和生理传感数据的日常活动识别方法。该方法首先利用智能手机和可穿戴式生理传感设备采集运动传感数据和生理传感数据。然后，分别提取时域、频域的统计特征以及非线性特征，并通过序列浮动前向选择方法进行特征选择。通过支持向量机和混合高斯模型分别训练运动传感数据和生理传感数据的活动识别子模型。最后，通过分数级融合方法将子模型进行加权整合，得到最终的日常活动分类模型。本发明融合运动传感数据和生理传感数据，能提高日常活动识别的准确率，在智慧家庭、医疗保健、老年人辅助等领域具有广阔的应用前景。
-
公开(公告)号：CN103970271A
公开(公告)日：2014-08-06
申请号：CN201410135953.9
申请日：2014-04-04
申请人： 浙江大学
IPC分类号： G06F3/01
摘要： 本发明公开了一种融合运动和生理传感数据的日常活动识别方法。该方法首先利用智能手机和可穿戴式生理传感设备采集运动传感数据和生理传感数据。然后，分别提取时域、频域的统计特征以及非线性特征，并通过序列浮动前向选择方法进行特征选择。通过支持向量机和混合高斯模型分别训练运动传感数据和生理传感数据的活动识别子模型。最后，通过分数级融合方法将子模型进行加权整合，得到最终的日常活动分类模型。本发明融合运动传感数据和生理传感数据，能提高日常活动识别的准确率，在智慧家庭、医疗保健、老年人辅助等领域具有广阔的应用前景。
-
公开(公告)号：CN104850225B
公开(公告)日：2017-10-24
申请号：CN201510209648.4
申请日：2015-04-28
申请人： 浙江大学
摘要： 本发明公开了一种基于多传感器融合的活动识别方法，包括如下步骤：获取用户在日常活动时的数据，并对得到的数据进行数据成帧处理得到数据帧；数据包括生理数据和运动数据，相应的得到的数据帧包括生理帧和运动帧；对所述的数据帧进行数据级融合、特征级融合和分数级融合，分别得到数据级融合特征矩阵、特征级融合特征矩阵和分数级融合特征矩阵；并根据数据级融合特征矩阵、特征级融合特征矩阵和分数级融合特征矩阵进行活动识别。本发明在信号、特征、分类结果三个不同层次上进行融合，根据不同层次的融合结果进行活动识别，提高了识别的准确率，且随着层次的变化该融合方法具有很好的可扩展性，有利于提高该方法的对应用环境的普适性。
-
公开(公告)号：CN104850735A
公开(公告)日：2015-08-19
申请号：CN201510207815.1
申请日：2015-04-28
申请人： 浙江大学
IPC分类号： G06F19/00
摘要： 本发明公开了一种基于栈式自编码的活动识别方法，包括：获取用户在日常活动时的数据点形成时序数据，每个数据点包括信号值和对应的采集时间；对时序数据进行预处理得到若干时序数据帧；采用栈式自编码神经网络法根据预处理后得到的时序数据帧求解全局模型，并利用所述的全局模型确定各个时序数据帧对应的深度特征向量，并将所有时序数据帧对应的深度特征向量组合为深度特征矩阵；基于若干个正确标记活动的深度特征矩阵进行训练识别模型以进行活动识别。本发明采用基于栈式自编码法和深度特征学习法结合构建全局网络求解深度特征向量，有利于提高识别速度和识别精度。
-
公开(公告)号：CN104850225A
公开(公告)日：2015-08-19
申请号：CN201510209648.4
申请日：2015-04-28
申请人： 浙江大学
摘要： 本发明公开了一种基于多传感器融合的活动识别方法，包括如下步骤：获取用户在日常活动时的数据，并对得到的数据进行数据成帧处理得到数据帧；数据包括生理数据和运动数据，相应的得到的数据帧包括生理帧和运动帧；对所述的数据帧进行数据级融合、特征级融合和分数级融合，分别得到数据级融合特征矩阵、特征级融合特征矩阵和分数级融合特征矩阵；并根据数据级融合特征矩阵、特征级融合特征矩阵和分数级融合特征矩阵进行活动识别。本发明在信号、特征、分类结果三个不同层次上进行融合，根据不同层次的融合结果进行活动识别，提高了识别的准确率，且随着层次的变化该融合方法具有很好的可扩展性，有利于提高该方法的对应用环境的普适性。
-
-
-
-
搜索结果
5 条记录 (耗时 0.022 秒)
