申请/专利权人：长春理工大学;吉林工程技术师范学院

申请日：2024-03-13

公开（公告）日：2024-05-14

公开（公告）号：CN118035793A

主分类号：G06F18/24

分类号：G06F18/24;G06F18/15;G06N3/006;G06N3/0464;G06N3/0985

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.31#实质审查的生效;2024.05.14#公开

摘要：本发明公开了一种基于RFID无源感知的COPD患者康复训练动作分类方法，属于智慧医疗领域，具体包括如下步骤：通过射频RFID设备采集不同动作下接收天线的RSSI数据；使用高斯滤波和离差标准化对数据进行处理；使用Morlet小波变换得到时频图，构成用于人体动作识别的多模态数据，提取不同动作所对应的特征；针对二维时频图动作数据的特点，选用Resnet18网络模型结合CBAM注意力机制进行动作识别，并使用布谷鸟搜索算法优化模型训练的超参数学习率和批次量，提高动作分类的准确率，输出最终的动作类别判决结果，实现了人体肺功能康复动作的无源感知。本发明保护了用户的隐私性，无源感知的特点极大地提升了系统的便捷性，为肺病患者的健康监测开辟了一条新的路径。

主权项：1.一种基于RFID无源感知的COPD患者康复训练动作分类方法，其特征在于，具体包括如下步骤：步骤1：利用RFID射频系统进行数据采集，将RFID标签绑定在人体呼吸肌肉群节点处，制作RFID感知服装，同步采集人体肺部康复训练动作下信道接收天线的RSSI数据，将采集到的动作数据按照时间序列排列，并分别导入相应动作类别的表格中，制作用于肺部康复训练的一维信号动作数据集；步骤2：对采集到的一维信号动作数据集进行数据去噪处理，采用高斯滤波滤除误差较大的干扰值，使信号变得平滑，随后，采用离差标准化进行数据归一化处理，以提升分类模型的收敛速度和精度；步骤3：通过Morlet小波变换对去噪、归一化后的一维信号动作数据进行时频分析，得到每类动作下的时频图，从而构成二维时频图人体动作识别数据集；步骤4：采用深度学习网络模型Resnet18在前三个残差块后结合CBAM注意力机制构建新的网络模型Resnet18-CBAM以步骤3所述的数据集作为输入进行模型训练，采用布谷鸟优化算法来寻找网络模型Resnet18-CBAM的最优超参数学习率LR和批次量BatchSize来优化模型训练效果；步骤5：将测试样本输入到步骤4得到的网络模型中，模型通过全连接层输出测试样本的多个特征，并输出测试样本的分类结果。

全文数据：

权利要求：

百度查询： 长春理工大学;吉林工程技术师范学院 一种基于RFID无源感知的COPD患者康复训练动作分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD