基于卷积神经网络的手势识别算法

手势识别是人机交互、智能假肢、医疗康复等领域的研究热点。为了满足手势识别实时性和准确性的需求,本文以成本较小的加速度信号作为数据,在对LeNet-5卷积神经网络进行分析的基础上,提出了一种适合加速度信号的LeNet-A网络。该网络针对基于加速度的手势分类特有的复杂性,增加Dropout层,改变卷积核大小、卷积核数量、激活函数以及分类器。在Ninapro数据集上的实验结果表明,该网络在正常受试者和截肢者的识别率上均表现出很大的优势,平均精度分别为90.37%和79.99%,比目前最佳分类器提升了12%和31%左右。该网络还具有较好的实时性和抗噪性。     

基于手机传感器的用户行为识别

基于手机传感器实现用户行为识别在健康监控、时间管理和个人喜好分析、资讯筛选和推送等方面的重要作用,研究一种基于手机三轴加速度传感器、方向传感器获取用户数据,采用SVM多分类方法中的决策树分类方法,在决策树各节点训练SVM分类器,用于识别静止、步行、奔跑、上楼梯和下楼梯等5种日常行为,进而实现对用户行为的识别。通过对不同实验者的交叉对比实验,识别准确率平均为91.65%,证明了这一方法的有效性。     

基于手机传感器的用户行为识别

基于手机传感器实现用户行为识别在健康监控、时间管理和个人喜好分析、资讯筛选和推送等方面的重要作用,研究一种基于手机三轴加速度传感器、方向传感器获取用户数据,采用SVM多分类方法中的决策树分类方法,在决策树各节点训练SVM分类器,用于识别静止、步行、奔跑、上楼梯和下楼梯等5种日常行为,进而实现对用户行为的识别。通过对不同实验者的交叉对比实验,识别准确率平均为91.65%,证明了这一方法的有效性。     

非正式群体凝聚力和沟通对建筑工人不安全行为的影响

为探究非正式群体凝聚力和沟通对建筑工人不安全行为的影响机理,首先,界定建筑工人非正式群体凝聚力和沟通的研究范畴,识别出不安全行为的影响因素;其次,构建非正式群体凝聚力和沟通与不安全行为影响机理模型.基于实地调研数据,采用SPSS和AMOS软件工具进行模型拟合.研究结果表明:非正式群体凝聚力和沟通均对建筑工人的不安全行为产生显著影响;安全意识和安全动机分别受非正式群体凝聚力和群体沟通的影响,并最终作用于建筑工人的不安全行为;工作压力是重要的中介变量,受到非正式群体凝聚力和沟通的影响,对建筑工人的不安全行为及安全意识均有预测作用.     

基于实验设计的建筑工人安全相关行为仿真

普遍存在的不安全行为是导致建筑施工过程伤亡事故频发的最重要原因之一,系统把握施工安全相关行为的特征与规律至关重要。由于问题的复杂性和研究方法的局限性,对不安全行为的系统性分析不够深入。该文引入主体建模方法,根据所提出的施工安全相关行为的建模框架,对工人行为进行建模和仿真。设计实验平台,作为建立仿真模型所依据的真实现场。建立建筑工人安全相关行为仿真模型,并通过实验对模型进行标定和验证。应用仿真模型分析在施工安全管理措施中常用的奖励和处罚措施对工人行为的影响,发现处罚措施对纠正工人的不安全行为更为有力。该研究所提出的建模与仿真方法,可为建筑施工安全相关行为的深入研究提供参考。     

工人不安全行为智能识别与矫正研究

针对当前基于行为安全(BBS)的研究存在不安全行为数据未充分利用、分析能力不足、矫正缺乏针对性等问题,构建了基于BBS和机器视觉的工人不安全行为智能识别与矫正框架体系．该框架体系主要包括不安全行为智能识别、行为安全个性化培训和不安全行为智能预测,并被应用于武汉两湖隧道工程．研究结果表明：该框架系统从基于场景的不安全行为自动化识别、基于自适应学习的行为安全个性化培训和基于现场工人运动轨迹的不安全行为预测三个方面,实现了对工人不安全行为的“事中-事后-事前”管理,为探索机器视觉技术支持的行为安全管理提供了新思路．     

组织和个人视角下安全支持对建筑工人的安全行为影响

为了探讨安全支持、安全自我效能感和安全态度与建筑工人安全行为之间的作用关系，高效提高管理建筑工人的安全行为水平，从个人和组织两个维度将安全支持划分为安全领导力、家人安全关心、工友安全沟通3个要素，构建安全支持与安全行为之间的假设关系模型。结合216名建筑工人问卷调研数据，采用SPSS和AMOS软件进行模型拟合。结果表明：安全支持对建筑工人的安全行为产生显著的正向影响，其中，工友安全沟通是影响建筑工人安全行为的关键因素；安全态度是影响建筑工人安全行为的关键中介变量；在安全管理中，管理层应更注重工友群体间非正式沟通，以提高建筑工人的安全行为水平。     

跨层次视角下建筑工人安全行为预警

以行为安全理论为基础,根据文献分析和人员访谈,基于跨层次的系统视角构建了建筑工人安全行为预警体系.根据该体系,制作了调查问卷,面向现场建筑工人进行了数据收集,并采用反向传播(BP)神经网络对该体系进行了训练和测试.结果表明:仿真得出的输出值和实际安全行为数据一致性较高,训练后的神经网络模型仿真能力较强,该评价体系能有效地对建筑工人的安全行为进行评价和预警.根据阈值,把安全行为分为优秀、良好、较差等3个等级,并针对预警结果采取不同的安全干预方案,从而提高安全管理能力,改进项目安全绩效.     

管理安全干预对建筑工人不安全行为的影响及对策

首先,界定管理安全的定义和基本指标,并进一步界定建筑工人不安全行为的影响因素;其次,通过文献梳理提出管理安全干预对建筑工人不安全行为的影响机理的假设模型.基于调研数据,通过SPSS与AMOS软件对模型进行拟合分析.研究结果表明:管理安全干预对建筑工人安全能力的提升具有显著影响;通过管理安全干预,安全能力的提升对安全动机的端正的影响显著增强,安全动机及安全态度的端正对不安全行为的减少产生显著影响.     

建筑工人不安全行为影响路径研究综述

建筑工人不安全行为是建筑安全事故的主要原因,建筑工人不安全行为影响因素及影响路径的研究是降低建筑工人不安全行为关键科学问题之一。为减少建筑工人不安全行为的发生,从个体、组织、社会3个方面综述建筑工人不安全行为影响因素的研究成果,梳理了影响因素的影响路径。基于文献阅读的归纳和总结,得出未来应进一步从认知心理角度深入研究建筑工人不安全行为影响路径,重视环境因素和个体的交互作用对不安全行为的影响过程的研究;在研究主体上,应关注建筑业非正式群体对不安全行为的影响。研究成果有助于完善安全管理理论研究,提高安全生产水平。     

基于SEM的建筑工人疲劳对不安全行为影响机理

建筑行业属于安全事故频发的劳动密集型产业,建筑工人在复杂环境中长时间的作业使其容易处于疲劳状态,进而影响个人做出不遵守施工规范的不安全行为。为研究建筑工人疲劳对不安全行为的影响机理,将建筑工人疲劳划分为体力疲劳、脑力疲劳与心理疲劳3个维度,并选取安全意识与班组安全氛围作为中介变量,借鉴成熟量表设计符合建筑工人群体的调查问卷,运用SPSS 22.0进行信度分析,采用Mplus 8.3对数据进行验证性因子分析,建立SEM模型并进行验证。结果表明:建筑工人疲劳的3个维度直接对不安全行为有着正向显著影响,其中体力疲劳影响程度最大,心理疲劳次之;建筑工人疲劳间接通过安全意识与班组安全氛围2个中介变量对不安全行为产生影响,其中班组安全氛围比安全意识的影响程度更大。     

基于DKU-JNU-EMA数据库发音特征的方言识别

为研究广东话、客家话、潮州话和普通话的发音差异性，提出了一种基于发音特征的方言识别系统。本研究采用DKU-JNU-EMA数据库，以广东话、客家话、潮州话和普通话为研究对象，通过端点检测法实现对数据集的预处理，提取了数据集中发音器官的位移、速度和加速度参数，并对发音运动器官进行了空间和速度的统计学分析，然后选用随机森林和支持向量机分类器对所取的提特征集进行识别分类。实验结果表明，本文提取的发音特征在机器学习分类器的识别分类中是有效的，选用支持向量机做分类器时，在齿龈位置的分类平均准确率达到83.1%。     

基于手机加速度传感器的步态识别

步态识别是一种新兴的生物识别技术。智能手机的三轴加速度传感器测量人行走时的步态数据可用于步态识别。本文研究不同场景对步态识别的影响,参与数据采集有18个人,场地分为实验室的走廊和室外红砖场地,特征值包括频域征值与时域特征值。当步态识别的测试集和训练集来源于不同的场地时,用支持向量机检测识别的准确性。实验结果表明,当测试集和训练集来源同一场地时,步态识别的准确性较高,可达到94%。而对于数据来源于不一样的场地,准确性较差。主要的原因是场景变化,人行走的步态模式发生了变化。     

基于人格特质和机器学习分类算法的建筑工人不安全行为识别

获取建筑工人个性特征是实现其不安全行为精准化、个性化干预管理的重要前提,而人格特质是分析建筑工人个性特征的重要依据。本研究以292名一线建筑工人为研究对象,通过问卷调研和深度访谈探究人格特质与不安全行为之间的映射关系,基于大五人格生成不安全行为偏好,利用机器学习分类算法实现建筑工人的不安全行为识别。研究表明：高外倾性、中神经质、中宜人性、低责任心、低开放性映射习惯偏差型不安全行为;中外倾性、低神经质、低宜人性、低责任心、高开放性映射程序偏差型不安全行为;中外倾性、高神经质、中宜人性、高责任心、中开放性映射感知偏差型不安全行为;中外倾性、中神经质、中宜人性、中责任心、中开放性映射技能偏差型不安全行为。同时通过比选CART、RF、AdaBoost和GBDT四种分类算法模型的评估指标,结果发现GBDT算法的不安全行为预测性能最优。     

基于遗传算法的关节特征选择

随着低成本深度传感器(如微软Kinect)的出现,人体行为识别研究吸引了很多研究人员.由于这些设备提供了身体关节的三维位置等骨骼数据,使得基于骨骼的人体行为识别变得简单.但这些关节特征的信息存在部分冗余或者不必要的肢体特征,从而降低识别精度.为此,提出一种智能算法来优化关节点信息的方法过滤掉一些不必要的关节点的特征信息,从而提高识别精度.实验结果表明,提出的方法在UTKinect数据集上测试得到的精度达到97.39%,在Florence3D数据集上测试得到的精度达到93.05%.     

敌对心理对建筑工人不安全行为的影响

为了研究不良安全心理与建筑工人不安全行为之间的关系,采用基于症状自评量表的建筑工人不安全行为量表展开问卷调查,识别建筑工人心理健康的显著影响因子.选取敌对心理,建立建筑工人不安全行为的机理模型,并采用SPSS,Amos对模型进行拟合.结果表明:敌对心理对不正确的安全动机与不端正的安全态度产生的正向影响分别为0.28,0.15;不正确的安全动机、不端正的安全态度对项目级安全氛围与班组级安全氛围的下降产生显著的正向影响,但前者的作用较大;班组级安全氛围的下降对不安全行为的增加产生的正向影响为0.91.     

计及组织氛围的建筑工人不安全行为机理模型的构建

通过对广州、厦门、漳州3个城市的20多个建筑工程项目的建筑工人问卷调查数据的统计分析,从不安全动机、安全能力、安全态度及组织氛围等4个方面梳理建筑工人不安全行为的影响因素.在问卷调研数据的基础上,采用结构方程模型构建建筑工人不安全行为发生的机理模型.研究结果表明:建筑工人的不安全动机和安全能力对建筑工人不安全行为的发生具有显著影响,安全态度对不安全动机,组织氛围对安全态度,以及安全能力对安全态度都存在显著的影响,而组织氛围对不安全动机的影响并不显著.     

改进YOLO5Face的小鼠行为实时分析方法研究

传统的动物行为分析方法大部分是采取离线的形式，不能做到实时分析。为了解决此问题，本文提出了一种改进YOLO5Face的小鼠行为实时分析方法。本方法分为两个步骤：首先是小鼠关键点实时检测，然后是小鼠行为实时识别。针对小鼠关键点实时检测，在深度学习网络YOLO5Face的基础上改进：新增了一个更小的检测头来检测更小尺度的物体；主干网络中加入YOLOv8的C2f模块，让模型获得了更加丰富的梯度流信息，大大缩短了训练时间，提高了关键点检测精度；引入GSConv和Slim-neck,减轻模型的复杂度同时提升精度。结果表明：模型对鼻尖、左耳、右耳、尾基关键点检测的平均PCK指标达到了97.5%,推理速度为79 f/s,精度和实时帧率均高于DeepLabCut模型的性能。针对小鼠行为实时识别：利用上述改进的关键点检测模型获得小鼠关键点坐标，再将体态特征与运动特征相结合构造行为识别数据集，使用机器学习方法SVM进行行为分类。模型对梳洗、直立、静止、行走四种基本行为的平均识别准确率达到了91.93%。将关键点检测代码与行为识别代码拼接，整个代码运行的实时帧率可以达到35 f/s。     

一种基于贝叶斯方法的多分类器组合优化算法

提出了一种基于贝叶斯方法的多分类器组合优化算法和阈值改进方法。首先,计算分类器对各个类别的置信度。然后,以各分类器的置信度为先验概率,采用向量求和将各分类器的先验概率向量进行组合,得出最终输出向量,最后通过优化阈值提高综合分类器识别精度。在此后的实验数据表明:该算法具有方法简单、运算速度快、分类精度高等优点。