-
公开(公告)号：CN108093244A
公开(公告)日：2018-05-29
申请号：CN201711246758.3
申请日：2017-12-01
Applicant: 电子科技大学
IPC: H04N13/332 , H04N13/239 , G02B27/01 , H04N5/04 , H04N5/232 , G06K9/00
CPC classification number: G02B27/017 , G06K9/00335 , H04N5/04 , H04N5/23229
Abstract: 本发明提供一种远程随动立体视觉系统，由部署于视频信号采集现场的从动端和部署于用户所在现场的主动端构成，从动端由双目摄像机、视频处理模块、高速云台、云台控制模块和信号传输模块组成，主动端由头戴显示器、头部姿态跟踪模块、数据处理模块和信号传输模块组成。系统通过头部姿态检测模块、云台控制模块、高速云台，将使用者的头部运动“映射”为高速云台的同步运动，同时通过在头戴显示器中显示双目摄像机所拍摄的经过校正、尺度变换后的立体视频，让使用者拥有了具有立体感的符合正常目视习惯的遥视能力，同时使用者通过该系统所看到的视频信号采集现场的景象与实际身处现场裸眼所看到的景象具有一致的视觉感知效果，如深度感、立体感等。
-
公开(公告)号：CN106598234A
公开(公告)日：2017-04-26
申请号：CN201611072669.7
申请日：2016-11-28
Applicant: 电子科技大学
IPC: G06F3/01 , G06F3/0346
CPC classification number: G06F3/017 , G06F3/0346
Abstract: 本发明公开了一种基于惯性传感的手势识别方法，采用三轴惯性传感器进行手势数据采集，对采集得到的手势数据样本库中的每个手势动作进行主轴判断，然后对手势数据样本库中的各个手势动作下每个实验者的手势数据分别进行聚类，筛选出典型样本构建该手势动作的典型样本集，在手势识别时，首先对测试手势动作的手势数据进行主轴判断，然后从手势数据样本库的手势动作中筛选主轴相同的手势动作，然后计算测试手势数据与这些手势动作典型样本集之间的相似度，选择相似度最大的手势动作作为测试手势的所属类别。本发明通过采用主轴判断和典型样本筛选，可以有效降低算法的复杂度，提高手势识别准确率。
-
公开(公告)号：CN103308069B
公开(公告)日：2015-06-24
申请号：CN201310219351.7
申请日：2013-06-04
Applicant: 电子科技大学
Abstract: 本发明公开了一种跌倒检测装置及方法，采用陀螺仪、加速度计、地磁计分别测量得到角速度数据、加速度数据、地磁数据，利用角速度数据求取基本姿态角，使用加速度数据和地磁数据对基本的姿态角进行噪声自适应的卡尔曼融合滤波，获取最终姿态角。通过角速度数据、加速度数据进行用户的动静状态判断，当用户为静态时根据姿态角判断是否为躺卧，如果用户为躺卧则进行躺卧动作的有/无意识甄别和跌倒受力评估，联合判定用户是否跌倒，在跌倒时进行报警。本发明得到姿态角较一般方法更为准确，同时采用有/无意识甄别和跌倒受力评估进行联合判定，可使跌倒判定结果更为准确，降低误报率。
-
公开(公告)号：CN117871646A
公开(公告)日：2024-04-12
申请号：CN202410048350.9
申请日：2024-01-12
Applicant: 电子科技大学
IPC: G01N27/414 , C12M1/42 , C12M1/34 , C12M1/00
Abstract: 本发明公开了一种基于OECT阵列的高密度细胞传感器、制备方法及系统，基于OECT阵列的高密度细胞传感器包括基板、源极线、半导体层、漏极线、封装层、细胞培养室、细胞粘附层、待测细胞、细胞培养液、栅极以及外部电路探针。基于OECT阵列的高密度细胞传感器系统，包括驱动电路及OECT陈列高密度细胞传感器；其中，驱动电路包括电源模块、控制模块、栅极驱动模块、漏极驱动模块、源极电流信号采集模块及模数转换模块。本发明的基于OECT阵列的高密度细胞传感器具有高精度、小面积、低功耗、灵活驱动、高信噪比以及信号放大的优势。本发明提出的基于OECT阵列的高密度细胞传感器系统能够通过给出指定信号以独立地驱动阵列内的每一个传感器。
-
公开(公告)号：CN114931390B
公开(公告)日：2023-06-13
申请号：CN202210485153.4
申请日：2022-05-06
Applicant: 电子科技大学
IPC: A61B5/389 , A61B5/397 , A61B5/22 , G06F18/10 , G06F18/213 , G06F18/24 , G06N20/00 , G06F123/02
Abstract: 本发明公开了一种基于疲劳分析的肌力估计方法，采集得到每个样本对象在预定动作下的表面肌电信号和肌力信号并进行预处理，对表面肌电信号进行活动段划分后提取每个活动段中疲劳相关特征，构建疲劳特征信号；构建多输入LVN网络，输入分别是表面肌电信号和M个疲劳特征信号，输出为肌力信号；然后将各个样本对象的表面肌电信号和对应的疲劳特征信号作为输入，对应的肌电信号作为期望输出，对多输入LVN网络进行训练；当需要进行相同动作的肌力估计时，采用与样本对象相同的方法采集并预处理后得到表面肌电信号，然后构建得到疲劳特征信号，输入训练好的多输入LVN网络中，得到肌力估计结果。本发明结合疲劳特征和LVN网络，提高肌力估计的准确性和鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN110179457B
公开(公告)日：2021-05-07
申请号：CN201910469493.6
申请日：2019-05-31
Applicant: 电子科技大学
Abstract: 本发明公开了一种柔性可穿戴多生理信号检测装置，包括前端柔性电路板(1)，前端柔性电路板(1)的正反面采用柔性注塑封装包裹，所述前端柔性电路板包括心电采集电子电路，所述心电采集电子电路具有2个输入端口，2个输入端口为金属按扣(8)或磁块或卡槽连接器嵌入到柔性注塑封装内，并从柔性注塑封装延伸到外部裸露；该金属按扣(8)或磁块或具有卡槽连接器可以直接与干电极和湿电极的适配部相配合连接，从而获得干电极和湿电极传导产生的心电信号。
-
公开(公告)号：CN109443389A
公开(公告)日：2019-03-08
申请号：CN201811438272.4
申请日：2018-11-28
Applicant: 电子科技大学
IPC: G01C25/00
Abstract: 本发明公开了一种动作捕获系统中基于惯性传感器单步标定的姿态融合方法，根据需要设置N个节点惯性传感器，其中0节点为基准节点，设置三类坐标系，包括世界坐标系、人体坐标系和惯性传感器坐标系，佩带动作捕获系统的人员全身静止成立正姿势，由N个节点惯性传感器分别获取其相对于世界坐标系的初始四元数，并得到人体坐标系相对于世界坐标系的初始四元数，完成惯性传感器标定，在后续过程中基于标定所得到的数据每个惯性传感器在当前时刻相对于上一时刻的姿态四元数，实现姿态融合。本发明采用的是单步标定方法，比现有的多步标定方法的复杂度更低，且不需要严格设置所有节点惯性传感器的佩戴位置，大大简化了开机标定步骤，提高了姿态融合效率。
-
公开(公告)号：CN104605841A
公开(公告)日：2015-05-13
申请号：CN201410747855.0
申请日：2014-12-09
Applicant: 电子科技大学
IPC: A61B5/0402 , A61B5/0452
CPC classification number: A61B5/0402 , A61B5/0006 , A61B5/0408
Abstract: 本发明提供一种可穿戴心电信号监测处理方法和装置。将柔性织物心电电极和中央控制盒嵌入弹性胸带中。中央控制盒包含心电信号采集调理单元、信号处理单元、数据存储单元、电源单元和无线通讯单元。信号处理单元基于所述采集调理单元采集、放大和初步滤波后的心电信号进行信号的滤波、特征提取以及心脏异变状况的分析，信号波形和分析结果通过无线通讯单元发送给用户的移动手机等个人数字管理设备，并且可以通过网络发送给远程医生，由医生进行病情的分析并将医疗建议和注意事项反馈给用户。本发明具有穿戴舒适、质量轻、体积小以及成本低等特点，便于在日常生活、学习、活动等情况下进行长期监测，实现心脏状况的智能诊断和反馈治疗。
-
公开(公告)号：CN103308069A
公开(公告)日：2013-09-18
申请号：CN201310219351.7
申请日：2013-06-04
Applicant: 电子科技大学
Abstract: 本发明公开了一种跌倒检测装置及方法，采用陀螺仪、加速度计、地磁计分别测量得到角速度数据、加速度数据、地磁数据，利用角速度数据求取基本姿态角，使用加速度数据和地磁数据对基本的姿态角进行噪声自适应的卡尔曼融合滤波，获取最终姿态角。通过角速度数据、加速度数据进行用户的动静状态判断，当用户为静态时根据姿态角判断是否为躺卧，如果用户为躺卧则进行躺卧动作的有/无意识甄别和跌倒受力评估，联合判定用户是否跌倒，在跌倒时进行报警。本发明得到姿态角较一般方法更为准确，同时采用有/无意识甄别和跌倒受力评估进行联合判定，可使跌倒判定结果更为准确，降低误报率。
-
公开(公告)号：CN114931390A
公开(公告)日：2022-08-23
申请号：CN202210485153.4
申请日：2022-05-06
Applicant: 电子科技大学
Abstract: 本发明公开了一种基于疲劳分析的肌力估计方法，采集得到每个样本对象在预定动作下的表面肌电信号和肌力信号并进行预处理，对表面肌电信号进行活动段划分后提取每个活动段中疲劳相关特征，构建疲劳特征信号；构建多输入LVN网络，输入分别是表面肌电信号和M个疲劳特征信号，输出为肌力信号；然后将各个样本对象的表面肌电信号和对应的疲劳特征信号作为输入，对应的肌电信号作为期望输出，对多输入LVN网络进行训练；当需要进行相同动作的肌力估计时，采用与样本对象相同的方法采集并预处理后得到表面肌电信号，然后构建得到疲劳特征信号，输入训练好的多输入LVN网络中，得到肌力估计结果。本发明结合疲劳特征和LVN网络，提高肌力估计的准确性和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.022 seconds)
