-
公开(公告)号：CN106600000A
公开(公告)日：2017-04-26
申请号：CN201611102793.3
申请日：2016-12-05
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供了一种人‑机器人运动数据映射的方法。该方法包括：获取训练数据，所述训练数据包括人体运动数据和相应运动的机器人样本数据；以所述人体运动数据作为输入，以所述机器人样本数据作为期望的输出，通过训练深度学习网络获得深度学习模型，以得到人‑机器人运动数据之间的映射关系。本发明基于深度学习的方法实现人‑机器人运动数据的映射，避免了大量反复的运动学求解，可以更灵活精确地驱动机器人进行运动。
-
公开(公告)号：CN105310696A
公开(公告)日：2016-02-10
申请号：CN201510751929.2
申请日：2015-11-06
Applicant: 中国科学院计算技术研究所
IPC: A61B5/11
Abstract: 本发明提供一种跌倒检测模型构建方法，包括：1)基于所述初始训练数据集，采用加权SVM算法训练第一两类分类模型，并且通过调整跌倒行为和正常行为的类别权重使得同时满足：a：确保初始训练数据集中所有跌倒行为样本能够被正确识别，b：使初始训练数据集中被误识别为跌倒的正常行为样本数目尽可能小；2)将所有被识别为跌倒的训练样本从初始训练数据集取出，构建第二阶段训练数据集；3)基于所述第二阶段训练数据集，采用加权SVM算法训练第二两类分类模型，并且通过调整类别权重使得：所有正常行为样本都能够被正确识别。本发明还提供了相应的跌倒检测方法及装置。本发明能够减少检测装置对用户生活的干扰；且检测率高，误警率低。
-
公开(公告)号：CN107016233A
公开(公告)日：2017-08-04
申请号：CN201710148529.1
申请日：2017-03-14
Applicant: 中国科学院计算技术研究所
CPC classification number: G06K9/6228 , G06K9/6267 , G16H50/20
Abstract: 本发明提供一种运动行为和认知能力的关联分析方法。该方法包括：从运动行为数据中提取反映行为特点的运动特征集；采用迭代随机森林从所述运动特征集中选出用于检测认知能力的最优特征子集；利用所述最优特征子集采用分类器获得运动行为和认知能力的关联分析结果。根据本发明的方法，能够有效的分析运动行为和认知能力的关联，尤其对于小样本不均衡的数据集，能够提高认知障碍患者的识别率。
-
公开(公告)号：CN107007263A
公开(公告)日：2017-08-04
申请号：CN201710277177.X
申请日：2017-04-25
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种普适化的睡眠质量测评方法和系统，包括：通过智能手环、手机内置的加速度传感器，分别采集并合成手环合成加速度、手机合成加速度；采用特征提取窗口分别提取手环合成加速度、手机合成加速度的手环运动特征、手机运动特征，并将手环运动特征和手机运动特征做时序上的动态对齐，生成测试样本；将测试样本输入睡眠状态识别模型，获取睡眠状态，以提取睡眠特征；将睡眠特征添加至测试样本，并将测试样本输入睡眠质量评估模型，得到睡眠质量评估等级。本发明融合了手环与手机的多元信息，利用两个同构运动传感器当穿戴于用户腕部和放置于用户睡眠环境中时的特征互补优势，从而获得高精度的睡眠状态识别结果和睡眠质量评估结果。
-
公开(公告)号：CN106875630A
公开(公告)日：2017-06-20
申请号：CN201710144772.6
申请日：2017-03-13
Applicant: 中国科学院计算技术研究所
IPC: G08B21/04
CPC classification number: G08B21/043 , G08B21/0446
Abstract: 本发明涉及一种基于层次分类的可穿戴跌倒检测方法和系统，该跌倒检测方法包括：采集用户的日常行为数据；对该日常行为数据进行合成、滤波等处理生成原始数据；利用滑动窗口机制提取该原始数据的时频域特征，生成样本，并将该样本组合成样本集；利用第一层一类分类模型对该样本集中的每一个样本进行识别，将识别后的结果发送至第二层的加权二类分类模型；第二层的加权二类分类模型负责对加权分配处理，生成加权跌倒样本，并将其送至第三层的规则二类分类模型；第三层的规则二类分类模型根据该加权跌倒样本是否符合跌倒规则，判断用户是否发生跌倒行为。本发明通过以上方法实现了对用户跌倒行为的准确判断。
-
Patent Agency Ranking
公开(公告)号：CN107316052A
公开(公告)日：2017-11-03
申请号：CN201710374301.4
申请日：2017-05-24
Applicant: 中国科学院计算技术研究所
IPC: G06K9/62
CPC classification number: G06K9/6256
Abstract: 本发明涉及一种基于低成本传感器的鲁棒行为识别方法和系统，包括：通过安装于用户鞋中的低成本距离传感器，采集用户脚到地面的实时距离数据；采用滑动窗口法对该实时距离数据进行分割，生成数据集；对该数据集按照特性的预处理方式进行特征提取，生成预处理数据，并根据预先训练完成的数据模型对该预处理数据进行识别，得到用户的行为结果，最后将该行为结果显示反馈给用户。由此发明具有穿戴便利、测量精度高且不受环境影响的技术效果。
-
公开(公告)号：CN107007263B
公开(公告)日：2019-11-19
申请号：CN201710277177.X
申请日：2017-04-25
Applicant: 中国科学院计算技术研究所
Abstract: 本发明涉及一种普适化的睡眠质量测评方法和系统，包括：通过智能手环、手机内置的加速度传感器，分别采集并合成手环合成加速度、手机合成加速度；采用特征提取窗口分别提取手环合成加速度、手机合成加速度的手环运动特征、手机运动特征，并将手环运动特征和手机运动特征做时序上的动态对齐，生成测试样本；将测试样本输入睡眠状态识别模型，获取睡眠状态，以提取睡眠特征；将睡眠特征添加至测试样本，并将测试样本输入睡眠质量评估模型，得到睡眠质量评估等级。本发明融合了手环与手机的多元信息，利用两个同构运动传感器当穿戴于用户腕部和放置于用户睡眠环境中时的特征互补优势，从而获得高精度的睡眠状态识别结果和睡眠质量评估结果。
-
公开(公告)号：CN106875630B
公开(公告)日：2018-12-04
申请号：CN201710144772.6
申请日：2017-03-13
Applicant: 中国科学院计算技术研究所
IPC: G08B21/04
Abstract: 本发明涉及一种基于层次分类的可穿戴跌倒检测方法和系统，该跌倒检测方法包括：采集用户的日常行为数据；对该日常行为数据进行合成、滤波等处理生成原始数据；利用滑动窗口机制提取该原始数据的时频域特征，生成样本，并将该样本组合成样本集；利用第一层一类分类模型对该样本集中的每一个样本进行识别，将识别后的结果发送至第二层的加权二类分类模型；第二层的加权二类分类模型负责对加权分配处理，生成加权跌倒样本，并将其送至第三层的规则二类分类模型；第三层的规则二类分类模型根据该加权跌倒样本是否符合跌倒规则，判断用户是否发生跌倒行为。本发明通过以上方法实现了对用户跌倒行为的准确判断。
-
公开(公告)号：CN105310696B
公开(公告)日：2018-06-26
申请号：CN201510751929.2
申请日：2015-11-06
Applicant: 中国科学院计算技术研究所
IPC: A61B5/11
Abstract: 本发明提供一种跌倒检测模型构建方法，包括：1)基于所述初始训练数据集，采用加权SVM算法训练第一两类分类模型，并且通过调整跌倒行为和正常行为的类别权重使得同时满足：a：确保初始训练数据集中所有跌倒行为样本能够被正确识别，b：使初始训练数据集中被误识别为跌倒的正常行为样本数目尽可能小；2)将所有被识别为跌倒的训练样本从初始训练数据集取出，构建第二阶段训练数据集；3)基于所述第二阶段训练数据集，采用加权SVM算法训练第二两类分类模型，并且通过调整类别权重使得：所有正常行为样本都能够被正确识别。本发明还提供了相应的跌倒检测方法及装置。本发明能够减少检测装置对用户生活的干扰；且检测率高，误警率低。
-
公开(公告)号：CN106599922A
公开(公告)日：2017-04-26
申请号：CN201611165253.X
申请日：2016-12-16
Applicant: 中国科学院计算技术研究所
IPC: G06K9/62
CPC classification number: G06K9/6269 , G06K9/6227 , G06K9/6282
Abstract: 本发明提供一种迁移学习方法，该方法利用基于已标定的源域数据训练的至少两个分类器对待标定的目标域数据进行初次标定，根据标定结果将目标域数据划分为候选集和余部；在具有相同标定的源域数据组和候选集中目标域数据组之间进行迁移变换，生成新源域和新候选集；基于在新源域上训练的分类器对新候选集中的目标域数据进行标定，并利用新候选集中各数据的标定结果更新对未经变换的候选集中各数据的二次标定；以及基于经更新标定后的候选集训练分类器，并利用该分类器完成对余部中目标数据的标定。该方法缩短了迁移的时间，提高了迁移标定的效率，更适用于大规模数据的标定。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.032 seconds)
