-
公开(公告)号：CN109830271A
公开(公告)日：2019-05-31
申请号：CN201910035488.4
申请日：2019-01-15
Applicant: 安徽理工大学
Abstract: 本发明涉及一种基于边缘计算和云计算的健康数据管理系统及分析方法，将边缘计算和云计算有机结合的方式用于健康数据的管理和分析。为了有效管理健康数据的，采用健康数据云计算平台、健康数据边缘计算平台组和局部多模态健康数据采集组构建了基于边缘计算和云计算的健康数据管理系统，实现了多模态健康数据的采集和存储管理等。同时为了有效分析健康数据，使用PCA提取数据格式健康数据的特征，使用PCANet提取图像格式健康数据的特征，随后利用数据融合技术实现健康数据的有效融合，再借助随机森林算法分析健康状况。本发明硬件简单，采用的算法比较轻量化，可以在保障健康数据安全性的同时实现健康数据的实时、高精度分析。
-
公开(公告)号：CN109902558B
公开(公告)日：2022-12-20
申请号：CN201910035483.1
申请日：2019-01-15
Applicant: 安徽理工大学
Abstract: 本发明涉及一种基于CNN‑LSTM的人体健康深度学习预测方法，将先进的深度学习模型结合摄像头用于识别行人的病理步态，进而预测其健康状态。对行人步态的识别采用动态方式，用CNN提取视频图像中行人的步态特征，然后利用LSTM基于时序识别步态特征，进而判别其步态类型。为实现多人在线实时检测，在系统中加入一个视频行人检测模块，并构建一个轻量且特征映射能力强的复用型CNN模型，既用于视频检测中行人的识别，也用于行人步态的特征提取。本发明基于图像采用动态方式识别步态，硬件实现简单，但技术先进，对步态的识别准确率高，应用前景广阔，即可用于区域人体健康监测与分析，也可用于家庭，做到订制化服务。
-
公开(公告)号：CN109902558A
公开(公告)日：2019-06-18
申请号：CN201910035483.1
申请日：2019-01-15
Applicant: 安徽理工大学
Abstract: 本发明涉及一种基于CNN-LSTM的人体健康深度学习预测方法，将先进的深度学习模型结合摄像头用于识别行人的病理步态，进而预测其健康状态。对行人步态的识别采用动态方式，用CNN提取视频图像中行人的步态特征，然后利用LSTM基于时序识别步态特征，进而判别其步态类型。为实现多人在线实时检测，在系统中加入一个视频行人检测模块，并构建一个轻量且特征映射能力强的复用型CNN模型，既用于视频检测中行人的识别，也用于行人步态的特征提取。本发明基于图像采用动态方式识别步态，硬件实现简单，但技术先进，对步态的识别准确率高，应用前景广阔，即可用于区域人体健康监测与分析，也可用于家庭，做到订制化服务。
-
-
Search Results
3
records
(took 0.014 seconds)
