通过加强与远程临床专家的沟通,用于在线主动学习信号模型;
使用SVM分类器和HMM的衍生信息对不同的病理步态进行分类;
从突出性、识别准确性、灵活性和能耗方面评估了 28 个系统;
提供一个系统,能够在即将发生的跌倒之前检测到它 ;
定义压力或放松状态的心理状态,评估活动信息对压力推理的影响;
对每个声音样本的特征进行分析和分类,并对所有采集样本的值进行归一化;
识别不同的个体活动,并平滑时间依赖的活动序列 ;
对 12 名年轻和年长的参与者进行跌倒样本测试;
使用可穿戴传感器识别特定活动中的不同人类活动和动作;
根据加速度计数据评估帕金森病患者症状的严重程度和运动困难 ;
确定严重生理学预警的自由参数;
识别包含一套小规模活动的高级别活动 ;
识别智能家居中的日常生活活动,并使用每个传感器的特征进行提取和组合,以创建特征向量;
在没有监督的情况下构建传感器数据的低维模型,而判别部分使用生成的特征空间来构建特征;
应用两种基于多实例学习和图结构的识别方法;
识别几个因素,包括个性特征、睡眠、情绪和压力,并比较这些特征的表现;
检测并诊断患者的活动,以检查他们是否遵循了用药程序;
观察与压力相关的显著特征,并根据他们的压力姿势将参与者分成两组