人类下降检测算法与支持向量机基于多传感器数据融合

文摘

下降的老年人的生活是一种常见的现象,也是的10个主要原因之一严重的老年人健康伤害和死亡。为了防止下降的老人,一个实时预测系统是安装在可穿戴的智能装置,可以及时触发报警,减少跌倒造成的意外伤害。目前,大多数算法基于单传感器数据不能准确地描述下跌状态,虽然秋天检测算法基于多传感器数据融合可以提高预测的敏感性和特异性。在这项研究中,我们设计一个检测系统基于多传感器数据融合和分析使用的数据的四个阶段100名志愿者模拟瀑布和日常活动。本文数据融合方法用于提取三个特征参数代表人体加速度和姿态变化,和多传感器数据融合算法的有效性验证。的敏感性是96.67%,特异性是97%。是发现识别率最高当训练集包含最大的训练集的样本数量。因此,训练后的模型基于大量的有效数据,可以提高识别能力,预防秋季可能会逐渐增加。为了比较随机森林的适用性和支持向量机(SVM)的开发可穿戴的智能设备,建立了两个秋天的姿势识别模型,分别,模型的训练和识别时间进行了比较。结果表明,支持向量机更适合嵌入式智能设备的发展。

1。介绍

人口老龄化问题日益突出,技术来帮助适应老龄化已被广泛关注。由于生理结构的老龄化和老年人生理功能的下降,老年人意外下跌的概率和频率非常高。人类秋天检测技术的发展具有实际应用价值。在日常生活中,尤其是在潮湿的地方,如厨房,浴室,卫生间,老年人很容易滑动。如果老年人患有脑出血、心脏病和其他疾病,也会威胁到他们的生命。因此,老年人跌倒的检测尤为重要。作为智能设备的关键部件之一,传感器已被广泛应用于智能领域的可移植性。扩大应用范围,提出了越来越高的要求准备的传感器具有灵敏度高、精度高、和灵活性。目前,检测基于可穿戴传感器相对准确,通常不影响检测结果由于环境变化。它是灵活和容易使用。 It can also install sensors such as heart rate and blood pressure to monitor the physical condition of the elderly in real time. The multisensor attitude detection system combines multiple data together to get the prediction results and real-time output. Compared with the detection system based on a single sensor, the cooperative use of multiple sensors can further improve the accuracy and reliability of prediction.

传感器的研究和预防是深。王的研究介绍了RT下降(实时下降)的设计和实现。系统是一个实时、非接触、低成本、和精确的室内使用商业wi - fi设备检测系统。使用细粒度的相位和振幅信道状态信息(CSI),可以访问商业wi - fi设备,RT秋天实现的目标实时自动分割和首次故障检测。功率谱的急剧下降落在时频域,这提供了一个新的想法新的特征提取和精确的检测。然而,王的研究偏重于理论,没有实际支持(1]。他建立了一个基于三维加速度和陀螺仪的运动模型来分析日常生活活动的区别(ADLs)和瀑布。同时,他基于事例介绍了算法和滑动窗口技术,研发了一种智能检测和报警系统组成的可穿戴运动传感器和智能手机,但有一个低灵敏度的问题(2]。Thanh已经开发了一种低成本的下降探测系统能准确地检测老年人意外下跌。他曾经跌倒检测算法比较加速度和高阈值较低的准确检测。然而,其中系统性能不好,和能量需求高,实用性不高(3]。Kepski提出跌倒检测算法基于深度图序列和无线惯性传感器数据监控的人穿的。Kepski^”年代进行实验验证自由获得数据集组成的同步深度和加速度数据。Kepski在现场做了大量的实验。静态摄像头面对现场,和一个活跃的相机从上面观察同一个场景。实验对人类探测、跟踪和实时检测验证了该方法的有效性和可靠性。然而,这种方法的成本高,所以不适合大规模推广(4]。

在这项研究中,跌倒检测算法的有效性验证基于多传感器数据融合的数据通过使用100名志愿者模拟瀑布和日常活动,是否在机器学习样本数量的增加可以提高系统的识别率。比较的随机森林算法和支持向量机算法,这是更适合可穿戴设备,来预测下降的趋势识别速度和识别时间具有重要意义为老年人降下来。

2。可穿戴传感器和检测算法

2.1。可穿戴式传感器

可穿戴设备集成传感器实时监测装置。当人体跌倒,可以实时触发警报。这种方法的优点是显而易见的,不受时间和空间限制,交通便利和低成本。

2.1.1。灵活的材料

常见的传感器是由刚性和noncurved基质,如硅基质。当前的传感器已广泛应用于我们的现实生活中,但也有一些缺点,如刚度、敏感性,和灵活性。灵活的传感器有灵活性;因为它的穿,它需要使用灵活的材料,比如一些弹性主食,线程,或纤维织物;有机聚合物也有相应的应用程序(5]。使用的主要基质是宠物,任因为他们有透明度和低成本的优势与其他有机聚合物。在可穿戴的健康医疗设备的发展,PDMS,笔,π,P中经常使用柔性传感器的发展。传感器电极组成的新型驱动材料,如碳纳米材料和金属纳米粒子。起始材料是石墨烯,碳纳米管(CNT)、碳纤维(6)、银、金和镍。PDMS、宠物、钢笔和π通常用作绝缘基板的发展灵活的传感器。这些高分子材料之间的差异主要在于年轻^”系数和折射率。我们通常选择合适的生产过程根据柔性传感器的大小(7]。

2.1.2。类型的敏感指标

可穿戴式传感器主要用于检测人类正常指标,所以他们已经广泛应用于我们的生活。一般来说,通过人类正常的检测指标,如血压、胆固醇含量、pH值,测试他们可以为人类健康提出相应的参考建议。主应用程序工具在生活中电化学传感器、压力和压力传感器和磁场传感器。

2.1.3。系统组成及特点

目前,可穿戴传感器来检测下降通常使用三轴加速度传感器(8]。通过集成加速度传感器到相关的可穿戴设备、人体穿着和收集从人体运动信息。在分析和处理收集到的信息,它可以判断人体是否下降9]。例如,使用三轴加速度ADXL345的可能性和工作原理,三坐标ADXL345对应左和右,人体的前后方向,每个方向和加速度的变化。当人体下降,所有三个方向的加速度会改变。加速度的变化三个方向应该计算和适当的阈值应该设置为确定老年人秋天(10]。秋天检测基于可穿戴传感器是相对准确的,一般不会影响检测结果由于环境变化,灵活和易于使用。传感器,如心率和血压也可以安装实时监控老人的身体状况。梁传感器的检测算法,常用的算法具体应该包括的方法基于以下内容:时域分析和基于阈值分析人类下跌行为识别方法。人类的下跌过程算法基于时间序列分析可以用于人类下跌的预测和检测不仅预测人类的下跌是否会发生但也识别人类瀑布(11]。

2.2。基于多传感器数据融合的跌倒检测算法

2.2.1。分析过程和检测算法的设计

根据冲击强度在地上,可分为“硬”和“软掉。”“硬”是指摔跤造成身体疾病造成的影响。“软”是指一个秋天,不造成伤害,由于冲击强度低,因为老人慢慢地靠在墙上。由于硬降至身体的更大的威胁,本文在分析这种下降。根据力学原理,当重心的投影在地上不能落入支承面,身体力平衡的机制将被打破。如果重心或支承面不及时调整,可能会出现下降。这种不平衡状态将体现在两种形式:身体到达一定的加速度,和身体姿态角的变化(12]。今年秋天可以分为四个阶段:(1)秋天开始:秋天不发生,但是平衡被破坏,人体加速度和位置角不改变。(2)下阶段:从身体失去平衡与地面接触,加速度值改变时,停止对象的角度和角速度旋转轴线变化。(3)影响阶段:从身体接触地面的时刻,直到它停在地面上,在这个阶段,加速度值中间的身体会发生戏剧性的变化,最大的影响,也是造成损害的阶段(13]。(4)静止阶段:postimpact阶段通常特点是躺在地上一段时间。

整个过程(包括四个步骤)的基于多传感器的检测算法和多参数数据融合总结如下:SV和BVA值确定已开始下降。当数据连续5点超过限制,应当被视为衰落的开始。此时,停止Pitch1的角度值,Roll1, Yaw1记录来确定下降阶段。当连续5点的数据超过B极限,下降阶段时,计时器被激活。BVA和圣言会被用来确定阶段的影响。当连续5点的数据超过极限C,发生碰撞阶段。禁用计时器和读值来检查它是否小于1秒。使用BVA,音高、辊和偏航确定静止阶段。当400年连续数据点是一个特定的范围内D,它们在静止阶段,和位置角的值Pitch2, Roll2, Yaw2记录(14]。这两个记录停止角度值是用来确定类型的下降。

2.2.2。分析控制系统的设计要求

当它确定一个人体已经下降,系统必须能够通过GPRS发送一条短信到一个特定的人发送警报。因此,控制器的基本程序如下:惯性传感器连续检测数据并将其发送到单片机进行处理。根据后置检测算法,单片机使用处理过的数据来确定当前后方位置。秋天的识别提出了基于阈值。如果失败了,决定是否执行报警操作,比如语音单位,发动机组,GPRS单位(15,16]。此外,如果当前设备通过蓝牙连接手机,手机应用程序可以发送到设备参数调整指令,如角调整命令,发动机振动命令,和大小命令语音单位(17,18]。当使用,如果硬件添加其他功能或更新有问题在使用该设备时,您可以在GPRS远程更新最新的程序通过服务器。通过对流程的分析,设计控制器必须具备以下四个功能:(1)沟通功能、先进的计算机通讯功能和移动应用程序服务器。(2)存储操作,参数控制命令,态度不好记录存储。(3)接收和处理数据的操作,从惯性传感器接收数据,处理来检测。(4)输入和输出功能,包括ADC电力检测、IO端口操作,引擎和语音驱动。

2.2.3。数据融合算法

经典的数据融合算法包括多维标度(MDS)和Isomap,而传统的数据融合算法包括主成分分析(PCA)。MDS算法显示了在低维的高维坐标系坐标系统并确保两点之间的最小距离。减少数据后,选择当地最好的高维空间进行降维。在MDS算法,距离表的示例米在原来的空间D,较低的表空间的距离Z。在选择初始点,梯度法用于解决低维映射,因此DZ最小值。MDS不需要对数据进行假设并能处理大规模数据,但计算周期长,样品将会陷入局部最优。Isomap使用相同的基本算法MDS, Isomap使用地理距离,以反映实际的低维度multistructure计算。为n维矩阵,在空间输入距离DX (我,JIsomap)指定两点之间的最短路径DG (我,J迪杰斯特拉算法计算),是用来估计地质距离。最后,DG子宫距离作为MDS的输入获得的结果减少大小(19,20.]。时的数量N向量的增加,两个点之间的距离更接近的地理距离,但它会持续时间更长;如果n距离太小,地质不会准确。

PCA算法被称为基本的元素分析,利用线性变换将原始数据转换成一个新的坐标系统压缩原始数据的比例(21]。对于初始米尺寸和X维度表、算法必须找到接口表,然后通过组合表找到的属性。然后,根据属性,它们按行从上到下排序,和第一行K采取的形式是矩阵吗P;y= PX是维度降低维度的结果K。跑得快的算法,但它很难处理非线性数据。

2.3。支持向量机和随机森林

机械学习是一个多学科相结合的边缘学科理论,概率统计,近似理论和其他相关理论。它的研究范围包括数据挖掘、计算机视觉和语音识别22]。目前,有许多种类的机械学习算法。可穿戴式多传感器设备,支持向量机或随机森林建议。

2.3.1。支持向量机

这是一个两层的识别方法。数据集,最大的分离距离的线性分类器的特征空间。目的是为了最大化两类之间的距离,发展成一个方法来解决问题。当数据是线性不可分的,当前的数据必须转换为高维空间进行有效的分类。在支持向量机算法,函数可以完成维映射称为核心功能,可以解决最复杂的问题,操作的内部产品维度空间,使数据分类维度空间中(23]。基本原理是将两种类型的数据分为内部携带体积和维度空间通过核心功能转换。目前,常用的内核功能包括线性核函数,多项式核函数,径向基函数(RBF)内核函数,和傅里叶核函数24]。

如下所示,公式(1)是一个线性核函数。线性核函数,没有特殊的参数设置。

公式(2)是一个多项式核函数。多项式核函数,D用于设置最高程度的这一项的多项式核函数。默认值为3。C在核函数用于设置coef0,默认值是0。

公式(3)是一个径向基函数。径向基函数,使用伽马射线参数设置在内核函数。默认值是1 /K(K类别的数量)。

公式(4)是一个傅里叶核函数。傅里叶内核函数,问用于设置内核中的γ参数函数。默认值是1 /K(K类别的数量)。

在这些内核函数,操作更为复杂的内核基础比多项式的内核,这可能有一个更好的分类和分类和影响关系可以处理线性不可分的数据的特征。因此,本文选择的基本内核功能为核心的功能支持向量机算法。

2.3.2。随机森林

这是一个multidecision树分类器。其输出类别创建输出结果进行比较后的决策树。随机森林的优势是,它可以创建一个高精度的分类器,处理大量的输入变量,计算变量的意义,和平衡不平衡材料的错误分类集。基于决策树理论,N从原始数据集数据样本是随机选择的样本子集,这是由样本子集。根据上述步骤,创建其他决策树形成一个随机森林。当森林分类评估,它是根据数据决定新分类树。随机森林算法基于决策树算法的一种改进算法。它包含多个决策树,每个决策树的建立依赖于样本收集每次独立。随机森林算法的过程应该分为以下步骤:(1)选择随机的数据样本n从原始数据集。(2)随机K来自所有属性,创建了一个决策树基于选定的样品(l基于这些属性)。(3)重复(1)和(2)的米次生成一个决策树,并创建一个随机森林。(4)分类新数据时,每棵树将做出决定,决策树的选票都是用来确定最终的分类结果。

与其它机械学习算法相比,随机森林具有以下优点:(1)它可以处理空间数据和确定它们之间的关系。(2)分类模型具有一定的稳定有效的评估缺失的数据。(3)随机森林具有很强的泛化效果。(4)避免overpositioning随机抽样使分类模型。

3所示。实验设计和参数选择

3.1。实验方法

本文设计一种检测系统基于多传感器数据融合和分析了秋天的四个阶段。利用数据融合的方法,三个代表人类加速和姿态变化的特征参数提取,基于阈值和跌倒检测算法设计危机。

为了安全起见,我们招募了100名大学生模拟实验的下降。他们的平均年龄是21年,他们的平均身高是172厘米。共有100名志愿者测试在前进有10厘米的保护垫,落后,横向三次。多个传感器位于腰。每个志愿者还完成了一系列的日常行为如散步(五个步骤)、站(3 s),坐在(5 s),蹲(3 s),说谎(10),楼上(十个步骤),去楼下(十个步骤)。三维加速度和角从跌倒检测系统收集的数据来验证该算法的有效性。需要手动检查以确保收集的数据应该是可用的。根据收集到的数据,每一个的数据波形,计算能量。预处理后,来自每个站数据对应的特性,而这些特性是作为原始样本集。

3.2。特征参数的选择

根据下降的分析过程,加速提取特征参数如下:

其中, , ,和三个方向的加速度计的输出。反映了身体的瞬时加速度的过程中下降,这是由动态和静态部分。动态加速度高频的一部分吗 ,反映了加速度的强度变化,可用于影响判断,通过公式(6);静态加速度是指身体在休息的加速度,通常1 g。

其中, , ,和的数据是 , ,和经过三阶巴特沃斯高通滤波器截止频率为0.2赫兹。

垂直加速度动态数量的身体了

的峰值出现在的影响,这可以用来解释期间振荡行为的影响。可以用来确定的影响。

3.3。验证算法的有效性

为了验证该算法的有效性,实验进行。首先,设计相关的阈值;然后志愿者的数据^”行动是收集和处理上述算法,特征参数的性能进行了分析,并计算准确率SE和识别率SP。SE中定义公式(8)和SP中定义公式(9)。 在哪里是成功的检测和的数量年代瀑布的总数。

其中,是误检测的次数下降,是日常操作的总数。

敏感性检测的能力下降。它是由检测到瀑布的数量之间的比率和总落发生:

的能力,避免假阳性。直觉能力检测下降只有如果真的发生: 的含义 , , ,和如表所示1。

4所示。实验结果分析

4.1。Multifeature参数落在跌倒检测算法的性能

算法的性能如表所示2和图1。如果检测到的特性,将会积累一次。

从表可以看出2和图1,本文提出的算法已经成功地检测到175次(总共180次)和瀑布(SE = 96.69%)。在正面和背面具有良好的性能下降,但只有90%的人在水平方向上,这主要是由于高阈值和缺失的检测。主要原因是相对下降的影响^”慢^”由于当脚落在一边的支持力量。这两个和可以跟踪下降阶段。因为停止角变化前后的秋天,它的复苏。结合这四个阶段,算法的准确性高达100%。多功能参数下多个传感器可以显著提高测量精度。

4.2。每个参数的概率超过了限制在日常活动

在算法的日常活动,每个参数的概率超过限值如表所示3和图2。

从表3和图2,我们可以看到算法中的每个参数的概率超过了限制在日常活动;然后一群日常活动相当于10落在这项研究中,错误检测率每个特征参数的计算,见公式(10)。

其中,我=开始下降,下降,影响,和恢复;j= , ,和 ; 的数量是错误的检测。由于6次错误的检测,是6%,值是94%。从表可以看出2加速度相关特征参数的误警率高于角。误警率最高,而具有较低的误警率。这是因为的动态数量吗 ,和日常活动的变化缓慢。因此,适当增加的重量BVA参数在日常行为评估。结合部分4.1和4.2,我们有瀑布和日常活动数据的100名志愿者来验证算法,敏感性为96.67%,特异性为97%。

4.3。多传感器检测基于支持向量机

4.1数据采集实验,得到四种人类姿态数据,和五种姿态特征提取。这些特征从不同的角度反映了不同的点。根据人类的分类不同的姿势,减少识别模型基于支持向量机(SVM)算法通过控制相应的最优参数。具体步骤如下:(1)人体姿态传感器(包括加速度计和陀螺仪)用于数据采集,以便同时收集多个人体数据,包括人体三轴加速度和角速度。(2)收集到的原始数据进行预处理,采用平均滤波法过滤人体姿态数据,为了获得更好和更清晰的数据。(3)的特性来自所有的加工类型的人体位置数据(坐、躺、下降,滑动,蹲下来,走路,站立,和去楼上和楼下)。不同位置的特点,包括5个特点,结合加速度和垂直分量的加速度。(4)为了构建模型的基础上推导出人类构成集合,十次网格交叉和优化算法应该用于确定最佳训练参数。评价模型,介绍了测试集数据训练秋天态度识别模型,并计算测试集的模型的准确性。

根据上述步骤,86组分为训练集和测试集的特性。在确定最优参数,每个数据集都是随机混合和验证五次,确保模型具有较好的泛化能力。实验分为三组,每组实验的总数是不同的,但是下降的数量是一样的。数字的训练集和测试集和识别结果如图所示3。

从结果我们可以看到在图3当训练集包含不同的数据样本,识别结果略有不同。当训练集包含65个样本和8组下降,识别率应该是82%。在培训过程中,一组包含70个样本,其中8组下降,识别率是86.23%。当训练集包含75个样本,其中8组下降,应高达92.15%,识别率和识别速度的增加会提高样本选择教育组的数量,这意味着训练模型的识别能力会逐渐提高基于大量的有效数据,从而增加下降的预测和预防的可能性。

4.4。比较分析和选择模型

为了比较支持向量机和随机森林算法的适用性,创建两个秋天检测模型和比较。60选择数据集作为训练集,包括50正常位置和10下降位置。模型的基础上,模型的训练时间和识别时间的姿态计算。结果如图所示4。

从图可以看出4,基于随机森林模型的训练时间是5.5秒,识别时间是1.45秒,识别率是90.35%;秋天的姿势识别模型的训练时间2.23秒,基于支持向量机识别时间是0.43秒,识别率为85.41%。可以看出,这台机器可以使更多的基于时间的响应比time-vector-based识别识别算法。

5。结论

秋天是一种普遍现象在老年人的生活,也是疾病和死亡的主要原因之一。实时秋天检测系统可以在时间触发报警,减少治疗的等待时间,减少造成的意外伤害下降。然而,在大多数碰撞检测系统,只有加速度计是用来设计检测系统。然而,该算法基于单一数据不能完全描述跌倒时的身体姿势的变化信息。本研究的最终目标是预测人体^”年代下行趋势传感器基于multidata综合检测算法,从而有效地检测跌倒的发生,避免摔倒。

在本文中,一个数据采集实验的目的是人类姿态数据的预处理和提取特征。然后,基于支持向量机算法和随机森林算法,人类的姿势是公认的,最后人类实现姿态的有效识别。在这项研究中,100名志愿者收集来模拟瀑布和日常活动来验证该算法的有效性。敏感性为96.67%,特异性为97%,表明良好的性能。在实验中,当训练集包含最多的样品和秋天处理实验的数量是相等的,92.15%的识别率应该达到最大值。模型的精度是基于大量的有效数据。培训后,系统的识别能力会逐渐改善,以提高预测能力下降。支持向量机有更少的训练时间和识别时间,这让更多的预警时间,有利于预防。因此,支持向量机更适合基于多传感器数据融合系统开发。

跌倒检测算法研究了基于多传感器数据合成以提高预测的准确性下降。可穿戴设备非常适合老年人和有一个非常广阔的应用前景。本研究对其发展具有重要意义。

数据可用性

所有数据用来支持这个研究的发现包括在本文中。

的利益冲突

作者都没有任何的利益冲突。

确认

这项工作得到了国家高技术研究发展计划(863计划)资助2013 aa01a215。

引用

1. j·d·h . Wang, y Wang, y,,李,“RT-fall:实时和非接触式检测系统与商品WiFi设备,“IEEE移动计算,16卷,不。2、511 - 526年,2017页。视图:出版商的网站|谷歌学术搜索
2. j .他,胡c和x王,“智能设备启用系统自动检测和报警,”国际期刊的分布式传感器网络,12卷,不。2,文章ID 2308183, 2016。视图:出版商的网站|谷歌学术搜索
3. p . v . Thanh d . t . Tran特区阮et al .,”一个实时的发展,简单的老年人和高精度检测系统使用三自由度加速度计,“阿拉伯科学与工程》杂志上,44卷,不。4、3329 - 3342年,2019页。视图:出版商的网站|谷歌学术搜索
4. m . Kepski b . Kwolek,“事件驱动的跌倒检测系统使用穿在身上传感器、加速度计和深度”专业计算机视觉,12卷,不。1,48-58,2018页。视图:出版商的网站|谷歌学术搜索
5. 美国阿米尔,z . Liang z王et al .,“新颖灵活的可穿戴传感器材料和生命体征信号处理和人类活动监测、”传感器,17卷,不。7,1622年,页2017。视图:谷歌学术搜索
6. h . Chen w·陈,美国保et al .,“设计一个集成的可穿戴式多传感器平台的基于柔性材料进行新生儿监测、”IEEE访问,8卷,第23747 - 23732页,2020年。视图:出版商的网站|谷歌学术搜索
7. a . Shishido和n .赤松“柔性材料的力学性能,Kobunshi,卷66,不。7,362 - 365年,2017页。视图:谷歌学术搜索
8. j·g, t . Liu, j . Li h . Wang和y .井上,“下肢运动学的分析可穿戴传感器鞋,”IEEE传感器杂志,16卷,不。8,2627 - 2638年,2016页。视图:出版商的网站|谷歌学术搜索
9. f·林,A . Wang z, r·t·Machiko x Wenyao,“低调的步态监测的一种可佩带的传感器设备在日常生活中,“IEEE工业信息,12卷,不。6,2281 - 2291年,2017页。视图:谷歌学术搜索
10. c·拉斐尔·菲利普和b . Anne-Laure“随机森林和逻辑回归:一个大型基准实验中,“Bmc生物信息学,19卷,不。1,p。270年,2018。视图:谷歌学术搜索
11. h . f . Nweke y w·格兰·m·a·Al-Garadi和r .氧化铝,“深学习算法对人类活动识别使用移动和可穿戴传感器网络:最先进的和研究的挑战,”专家系统与应用程序卷,105年,第261 - 233页,2018年。视图:出版商的网站|谷歌学术搜索
12. l .锦衣,x Huile h . cata et al .,“人类活动可穿戴传感器识别方法与性质简要地变换,得到“传感器,16卷,不。12,2048页,2016年。视图:谷歌学术搜索
13. s . r . Steinhubl d . Feye a·c·莱文et al .,”一个便携式的验证,可部署的系统连续生命体征监测使用multiparametric可穿戴传感器和个性化分析的埃博拉病毒治疗中心,“Bmj全球健康,1卷,不。1,文章ID e000070, 2016。视图:出版商的网站|谷歌学术搜索
14. Carpinella, d .均g . Bonora et al .,“可穿戴传感器生物反馈训练帕金森的平衡和步态^”疾病:飞行员随机对照试验”,物理医学与康复档案的,卷98,不。4、622 - 630年,2016页。视图:谷歌学术搜索
15. x y Lei大喜、大悲g . Liquan et al .,”一个压缩sensing-based可穿戴传感器网络的定量评估中风患者,”传感器,16卷,不。2,p。202年,2016年。视图:出版商的网站|谷歌学术搜索
16. w·Liangtian h .光洁、陈汉宾et al .,“可穿戴传感器定位考虑混合分布式源在健康监测系统中,“传感器,16卷,不。3,p。368年,2016年。视图:出版商的网站|谷歌学术搜索
17. o·马丁·d·乔,w·托马斯et al .,”手机应用程序来简化开发可穿戴传感器运动生物反馈系统:系统开发和评估,”Jmir康复和辅助技术,4卷,不。2,p . e9 2017。视图:谷歌学术搜索
18. h·李,h .钟h . Ko et al .,“专门的心脏康复可穿戴传感器及其临床潜力,”《公共科学图书馆•综合》,12卷,不。10篇文章ID e0187108 2017。视图:出版商的网站|谷歌学术搜索
19. A . Buczak和e . Guven”的调查数据挖掘和机器学习网络安全入侵检测方法,”IEEE通信调查和教程,18卷,不。2、1153 - 1176年,2017页。视图:出版商的网站|谷歌学术搜索
20. z欧博迈亚·e·j·伊曼纽尔,“预测将来的数据,机器学习,临床医学,”新英格兰医学杂志》上,卷375,不。13日,1216 - 1219年,2016页。视图:出版商的网站|谷歌学术搜索
21. n . d . Sidiropoulos l . De Lathauwer x赋,k .黄e·e·Papalexakis和c·凯利斯,”张量分解为信号处理和机器学习,”IEEE信号处理,卷65,不。13日,3551 - 3582年,2017页。视图:出版商的网站|谷歌学术搜索
22. 美国Mirjalili“蜻蜓算法:一个新的meta-heuristic优化技术解决简略,离散,和多目标问题,“神经计算和应用,27卷,不。4、1053 - 1073年,2016页。视图:出版商的网站|谷歌学术搜索
23. Z.-M。杨,周宏儒。吴,C.-N。李,中州。邵,“最小二乘递归投影双子支持向量机多分类,“国际期刊的机器学习和控制论,7卷,不。3、411 - 426年,2016页。视图:出版商的网站|谷歌学术搜索
24. y元,“规范交流支持向量机的二元性解决方案,“《工业与管理优化,8卷,不。3、611 - 621年,2017页。视图:谷歌学术搜索

版权

版权©2020 Daohua锅等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。