共查询到10条相似文献,搜索用时 15 毫秒
1.
针对医学步态分析中的运动目标检测问题,提出了基于最小错误率的贝叶斯决策规则的方法.该方法由变化检测、变化分类、前景目标提取和背景更新四部分组成.变化检测采用自适应阈值法检测二值化变化点和非变化点.变化分类基于颜色共生特征向量,采用贝叶斯规则进行决策,前景对象的提取融合了时间差分法和减背景法.针对复杂场景中背景的"渐变"和"突变"情况,提出了不同的背景更新策略.实验表明,该方法能将包含有摇动的树枝或者灯的开关等复杂背景中运动目标准确地提取,可用在医学步态分析的研究中. 相似文献
2.
针对医学步态分析中的运动目标检测问题,提出基于最小错误率的贝叶斯决策规则的方法。该方法由变化检测、变化分类、前景目标提取和背景更新四部分组成。变化检测采用自适应阈值法来二值化变化点和非变化点。变化分类基于颜色共生特征向量,采用贝叶斯规则进行决策,前景对象的提取融合了时间差分法和减背景法。针对复杂场景中背景的“渐变”和“突变”情况,提出不同的背景更新策略。实验表明,该方法和包含有摇动的树枝或者灯的开关等复杂背景中能准确地提取运动目标,因此可用在医学步态分析的研究中。 相似文献
3.
步态分类在人体运动能量消耗评估等应用中具有重要意义,提高分类精度和降低对统计特征的依赖是步态分类的研究热点。采用传统的步态分类方法提取的步态特征用于细分化步态时不能得到较好的效果。考虑到步态的连续性和不同轴之间信号的相关性,本文提出了基于CLSTM的步态分类方法:采用卷积神经网络(CNN)操作,通过计算多轴步态数据提取步态特征;基于长短期记忆(LSTM)构建步态时间序列模型,学习步态特征图时间维度上的长期依赖性。基于USC-HAD数据集的实验结果表明,用此方法提取了步态序列特征,很好地利用了步态时间序列特点,提升了11种步态的分类精度。 相似文献
4.
5.
目的 利用基于属性选择的贝叶斯网络对缺失的临床数据集进行分类预测.方法 首先为每个属性添加一个二元变量指示各属性丢失情况;接着使用基于包装法的遗传因子搜索法对原始的有缺失的临床数据集进行属性选择:最后应用贝叶斯网络对以上优化属性集进行分类并检验分类效果.结果 该方法不仅考虑到了丢失的临床信息的价值.也除去了无关和冗余的属性.结论 本文提出的方法,分类效果优于直接使用贝叶斯网络模型. 相似文献
6.
7.
8.
9.