BE1026660B1 - A human body fall detection system based on ground vibration signals - Google Patents
A human body fall detection system based on ground vibration signals Download PDFInfo
- Publication number
- BE1026660B1 BE1026660B1 BE20195278A BE201905278A BE1026660B1 BE 1026660 B1 BE1026660 B1 BE 1026660B1 BE 20195278 A BE20195278 A BE 20195278A BE 201905278 A BE201905278 A BE 201905278A BE 1026660 B1 BE1026660 B1 BE 1026660B1
- Authority
- BE
- Belgium
- Prior art keywords
- signal
- fall
- processing
- signals
- vibration signals
- Prior art date
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0204—Acoustic sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
- A61B5/6892—Mats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Social Psychology (AREA)
- Data Mining & Analysis (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
L'invention concerne un procédé de détection de chute du corps humain basé sur des signaux de vibration du sol, le procédé comportant les étapes : collecte des signaux de vibration du sol par trois géophones, traitement de filtrage, traitement de réduction du bruit, traitement de segmentation de point d'extrémité et traitement d'alignement sont effectués sur les signaux de vibration collectés, puis les signaux sont superposés et les caractéristiques du signal sont extraites; Les signaux caractéristiques extraits sont composés dans des ensembles d’entraînement pour apprentissage du modèle de Markov caché, les signaux de vibration du sol actuellement utilisés sont utilisés en tant que données de test qui sont traitées par traitement de données d’entraînement. Le modèle de Markov caché est utilisé pour calculer la probabilité de chute et l'algorithme de positionnement EoA est utilisé pour suivre les coordonnées sur une courte période, si la plage mobile de la cible est inférieure au seuil, la confirmation secondaire est une chute, sinon ce n'est pas une chute. Un système de détection de chute du corps humain est également décrit en conséquence. L'invention utilise le modèle de Markov caché pour calculer le signal de vibration en tant que probabilité de chute, et combine ensuite l'algorithme de positionnement EoA pour la confirmation secondaire, qui permet une reconnaissance précise de la chute et un taux de faux positifs faible, et ne nécessite pas de port d'équipement, protège le risque d'atteinte à la vie privée et améliore l’expérience de l’utilisateur.The invention relates to a method for detecting a fall in the human body based on ground vibration signals, the method comprising the steps: collection of ground vibration signals by three geophones, filtering processing, noise reduction processing, processing endpoint segmentation and alignment processing is performed on the collected vibration signals, then the signals are superimposed and the characteristics of the signal are extracted; The extracted characteristic signals are composed in training sets for learning the hidden Markov model, the currently used ground vibration signals are used as test data which are processed by processing training data. The hidden Markov model is used to calculate the probability of a fall and the EoA positioning algorithm is used to follow the coordinates over a short period, if the moving range of the target is below the threshold, the secondary confirmation is a fall, otherwise it is not a fall. A human body fall detection system is also described accordingly. The invention uses the hidden Markov model to calculate the vibration signal as the probability of a fall, and then combines the EoA positioning algorithm for secondary confirmation, which allows precise recognition of the fall and a false positive rate. low, and does not require the wearing of equipment, protects the risk of invasion of privacy and improves the user experience.
Description
DescriptionDescription
Un système de détection de chute du corps humain basé sur des signaux de vibration du solA human body fall detection system based on ground vibration signals
Domaine technique de l'inventionTechnical field of the invention
L'invention concerne le domaine de la technologie de traitement de l'information et de la détection intelligente, en particulier un procédé et un système de détection de chute du corps humain basés sur des signaux de vibration du sol.The invention relates to the field of information processing technology and intelligent detection, in particular a method and a system for detecting a fall in the human body based on vibration signals from the ground.
Technique antérieurePrior art
La tendance du vieillissement de la population mondiale est irréversible: selon les statistiques de l'ONU, il y aurait plus de 960 millions de personnes âgées de plus de 60 ans dans le monde en 2017, et ce nombre devrait doubler pour atteindre 2 milliards en 2050. Pour les personnes âgées, la chute pourrait être un événement mortel auquel elles peuvent confronter tous les jours. Selon l'Organisation Mondiale de la Santé, un tiers des personnes âgées de plus de 65 ans chutent au moins une fois par an, et 60% des chutes se produisent à la maison. Par conséquent, nous devons de toute urgence inventer une méthode et un système pratiques et efficaces pour détecter automatiquement la chute d'une personne âgée. Les méthodes de détection des chutes existantes sont principalement basées sur la vision, sur le portable et sur le radiosignal. La méthode de détection basée sur la vision permet de détecter efficacement l'événement de chute, mais le problème de la protection de la vie privée est complexe: son déploiement est difficile dans des environnements sensibles tels que les salles de bain où le sol glisse énormément et où il y a beaucoup de chutes. En outre, la caméra a également un angle mort visuel et ne peut pas fonctionner dans un environnement sombre. Le système de détection de chute basé sur l'appareil portable peut détecter si l'utilisateur tombe en utilisant le capteur inertiel de l'appareil, mais ce genre d'appareil portable n'est pas convivial pour l'utilisateur, en particulier les personnes âgées à domicile qui ne peut pas conserver l'appareil à tout moment. Une fois le périphérique retiré, la détection est invalide. La méthode de détection des chutes basée sur la technologie de communication radio n'exige pas que l'utilisateur porte le dispositif, mais le taux élevé de faux positifs est critiqué depuis longtemps et l'effet de propagation par trajets multiples du signal rend ça fonctionnement difficile dans un environnement domestique complexe et en mutation dynamique.The trend of the aging of the world population is irreversible: according to UN statistics, there would be more than 960 million people aged over 60 years in the world in 2017, and this number should double to reach 2 billion in 2050. For seniors, falling could be a deadly event they can face every day. According to the World Health Organization, a third of people over the age of 65 fall at least once a year, and 60% of falls occur at home. Therefore, we urgently need to invent a practical and effective method and system for automatically detecting the fall of an elderly person. The existing fall detection methods are mainly based on vision, on the mobile phone and on the radio signal. The vision-based detection method can effectively detect the fall event, but the privacy problem is complex: its deployment is difficult in sensitive environments such as bathrooms where the floor slides a lot and where there are a lot of falls. In addition, the camera also has a visual blind spot and cannot operate in a dark environment. The portable device-based fall detection system can detect if the user is falling using the device's inertial sensor, but this kind of portable device is not user friendly, especially people elderly at home who cannot keep the device at all times. Once the device is removed, the detection is invalid. Radio communication technology based fall detection method does not require the user to wear the device, but the high false positive rate has long been criticized and the multipath propagation effect of the signal makes it work difficult in a complex and dynamic domestic environment.
BE2019/5278BE2019 / 5278
Exposé de l’inventionStatement of the invention
Afin de résoudre le problème technique ci-dessus, la présente invention propose d'utiliser des géophones pour collecter les signaux de vibration du sol et pour mettre en œuvre un procédé et un système plus précis, à faible taux de faux positifs, sans risque d'atteinte à la vie privée, sans formation de l’utilisateur et sans port d'équipement, par traitement informatique. Le procédé et le système adoptent spécifiquement les solutions techniques suivantes:In order to solve the above technical problem, the present invention proposes to use geophones to collect the vibration signals from the ground and to implement a more precise method and system, with low false positive rate, without risk of '' invasion of privacy, without user training and without wearing equipment, by computer processing. The method and the system specifically adopt the following technical solutions:
Un procédé de détection de chute de corps humain basé sur des signaux de vibration du sol, comprenant les étapes suivantes:A method of detecting a fall in the human body based on vibration signals from the ground, comprising the following steps:
S1: collecte des signaux de vibration du sol par trois géophones;S1: collection of ground vibration signals by three geophones;
S2: traitement de filtrage, traitement de réduction du bruit et traitement de segmentation de point d’extrémité sont effectués sur les signaux de vibration collectés pour déterminer point de départ et point d'arrivée d’un signal de vibration effectif;S2: filtering processing, noise reduction processing and endpoint segmentation processing are performed on the collected vibration signals to determine the starting point and ending point of an effective vibration signal;
S3: traitement d'alignement est effectué sur les signaux de vibration effectifs après traitement de segmentation de point d’extrémité;S3: alignment processing is performed on the actual vibration signals after processing of endpoint segmentation;
S4: superposition des signaux de vibration effectifs des trois géophones, puis extraction des caractéristiques des signaux;S4: superimposition of the effective vibration signals of the three geophones, then extraction of the characteristics of the signals;
S5: les signaux caractéristiques extraits sont composés dans des ensembles d’entraînement pour apprentissage du modèle de Markov caché;S5: the extracted characteristic signals are composed in training sets for learning the hidden Markov model;
S6: les signaux de vibration du sol actuellement utilisés sont utilisés en tant que données de test qui sont traitées par traitement de données d’entraînement;S6: the ground vibration signals currently in use are used as test data which is processed by processing training data;
S7: calcul de la probabilité de chute avec le modèle de Markov caché, si ladite probabilité est supérieure à un seuil, une confirmation secondaire est effectuée, sinon ce n'est pas considéré comme une chute;S7: calculation of the probability of a fall with the hidden Markov model, if said probability is greater than a threshold, a secondary confirmation is made, otherwise it is not considered as a fall;
S8: application d’un algorithme de positionnement EoA pour suivre des coordonnées sur une courte période, si la plage mobile de la cible est inférieure à un seuil, la confirmation secondaire est une chute, sinon ce n'est pas une chute.S8: application of an EoA positioning algorithm to follow coordinates over a short period, if the moving range of the target is less than a threshold, the secondary confirmation is a fall, otherwise it is not a fall.
Dans un mode de réalisation préféré, à l’étape S3, le signal de vibration effectif après traitement de segmentation de point d’extrémité est aligné par la méthode de corrélation croisée générale, et ladite opération spécifique du traitement d'alignement consiste à calculer le décalage entre les deux signaux de vibration effectifs, le signalIn a preferred embodiment, in step S3, the actual vibration signal after endpoint segmentation processing is aligned by the general cross-correlation method, and said specific operation of the alignment processing is to calculate the offset between the two effective vibration signals, the signal
BE2019/5278 de vibration effectif actuel est ensuite déplacé, seule la partie complète partagée entre les deux signaux de vibration est prise après le mouvement.BE2019 / 5278 of the actual effective vibration is then moved, only the full part shared between the two vibration signals is taken after the movement.
Dans un mode de réalisation préféré, dans l'étape S3, la formule est adoptée :In a preferred embodiment, in step S3, the formula is adopted:
nnot
C (a, b)=£ a(i) -b(i) P ( A, B) = arg max(C ( A[i, i + n -1], B)), i e 1,2,...,2n !=1 > i et (,B) = P()- n calcule le décalage O (A, B) entre les deux signaux de vibration effectifs, où a et b représentent deux signaux de vibration effectifs avec une longueur de signal n, a(i) représente l'amplitude du i-ème point du signal de vibration effectif a, b(i) représente l'amplitude du i-ème point du signal de vibration effectif b , et C(a, b) représente la corrélation entre le signal de vibration effectif a et le signal de vibration effectif b ; A représente le remplissage à zéro des deux côtés du signal de vibration effectif a dont la longueur est égale à n, et obtient ainsi le premier signal de longueur 3n; B représente le signal de vibration effectif b de longueur n; P(A,B) représente la position de signal du premier signal A ayant la corrélation la plus élevée avec le deuxième signal B de longueur n; O (A, B) est le décalage calculé entre le premier signal A et le deuxième signal B.C (a, b) = £ a (i) -b (i) P (A, B) = arg max (C (A [i, i + n -1], B)), ie 1,2 ,. .., 2n ! = 1 > i and ( , B) = P ( ) - n calculates the offset O (A, B) between the two effective vibration signals, where a and b represent two effective vibration signals with a length signal n, a (i) represents the amplitude of the i-th point of the effective vibration signal a, b (i) represents the amplitude of the i-th point of the effective vibration signal b, and C (a, b ) represents the correlation between the effective vibration signal a and the effective vibration signal b; A represents the filling to zero on both sides of the effective vibration signal a whose length is equal to n, and thus obtains the first signal of length 3n; B represents the effective vibration signal b of length n; P (A, B) represents the signal position of the first signal A having the highest correlation with the second signal B of length n; O (A, B) is the offset calculated between the first signal A and the second signal B.
Dans un mode de réalisation préféré, dans lequel à l'étape S4, les signaux de vibration effectifs provenant des trois géophones sont superposés, traités par un filtre avec pondération, le signal est ensuite décomposé en plusieurs couches de composantes de fréquence différentes par transformée en ondelettes discrète, et calcule l'énergie correspondante à certains intervalles de temps, enfin, les caractéristiques énergétiques dans le domaine temporel et dans le domaine fréquentiel sont obtenues à l'aide de la formule Feature = 10 log10 E, où E est l'énergie déterminée initialement de chaque intervalle de temps à différents niveaux de fréquence, et Feature est une fonctionnalité correspondante après transformation logarithmique.In a preferred embodiment, in which in step S4, the effective vibration signals from the three geophones are superimposed, processed by a weighted filter, the signal is then decomposed into several layers of components of different frequency by transforming into discrete wavelet, and calculates the energy corresponding to certain time intervals, finally, the energy characteristics in the time domain and in the frequency domain are obtained using the formula Feature = 10 log 10 E, where E is the energy determined initially from each time interval at different frequency levels, and Feature is a corresponding feature after logarithmic transformation.
Dans un mode de réalisation préféré, dans lequel l'état du modèle de Markov caché de l'étape S5 est égal à 7, l'état initial est égal à 1 et la fonction de probabilité observée en sortie de chaque état est composée par plusieurs fonctions de mélange gaussiennes, dans laquelle le nombre de fonctions de mélange gaussien est égal au nombre de couches de la décomposition par transformée en ondelettes discrète à l'étape S4, et chaque fonction de mélange gaussienne comporte trois composantes gaussiennes.In a preferred embodiment, in which the state of the hidden Markov model of step S5 is equal to 7, the initial state is equal to 1 and the probability function observed at the output of each state is composed by several Gaussian mixing functions, wherein the number of Gaussian mixing functions is equal to the number of layers of the discrete wavelet transform decomposition in step S4, and each Gaussian mixing function has three Gaussian components.
BE2019/5278BE2019 / 5278
Dans un mode de réalisation préféré, dans lequel à l'étape S7, la probabilité que les données de test soient un signal de chute est calculée sur la base du modèle de Markov caché obtenu à l'étape S5, et s'il est supérieur au seuil, la confirmation secondaire est réalisée par l'étape S8, sinon il est directement déterminé qu'il n'est pas une chute.In a preferred embodiment, in which in step S7, the probability that the test data is a fall signal is calculated based on the hidden Markov model obtained in step S5, and if it is greater at the threshold, the secondary confirmation is carried out by step S8, otherwise it is directly determined that it is not a fall.
Dans un mode de réalisation préféré, dans lequel à l'étape S8, l'algorithme de positionnement EoA (Nom complet Energie d'Arrivée) proposé par la présente invention est utilisé pour le positionnement, qui est basé sur le modèle d'atténuation du signal Amp(d) = Am^e~axd, dans lequel Am^ représente l'amplitude initiale du signal de vibration, et d représente la distance sur laquelle la vibration se propage, & représente le coefficient d'atténuation basé sur le milieu de propagation, la formule suivante est donnée:In a preferred embodiment, in which in step S8, the positioning algorithm EoA (Full Name Arrival Energy) proposed by the present invention is used for positioning, which is based on the attenuation model of the signal Amp (d) = Am ^ e ~ axd , in which Am ^ represents the initial amplitude of the vibration signal, and d represents the distance over which the vibration propagates, & represents the attenuation coefficient based on the medium of propagation, the following formula is given:
—2u = c1 ln Eac —2u = C2 où dlt d2, d3 sont respectivement les distances de la source de vibration aux trois géophones A, B et C, & (^1 ) est le logarithme du rapport signalénergie reçu par les géophones A et B, la position de coordonnées de la source de vibration peut être résolue par la formule ci-dessus.—2u = c 1 ln E ac —2u = C 2 where d lt d 2 , d 3 are respectively the distances from the source of vibration to the three geophones A, B and C, & (^ 1 ) is the logarithm of the signal-energy ratio received by geophones A and B, the position of coordinates of the source of vibration can be solved by the above formula.
Dans un mode de réalisation préféré, dans lequel à l'étape S8, l'algorithme de positionnement EoA calcule la position de coordonnées de la chute suspectée après que les données de test aient été reconnues comme une chute suspecte par le modèle de Markov caché, puis continue à calculer les coordonnées de la cible sur une courte période, si le déplacement dépasse le seuil défini, cela indique que l'utilisateur peut se déplacer normalement et qu'il n'est pas une chute, sinon la confirmation secondaire est transmise, et confirmée en tant que chute.In a preferred embodiment, in which in step S8, the positioning algorithm EoA calculates the coordinate position of the suspected fall after the test data has been recognized as a suspicious fall by the hidden Markov model, then continues to calculate the coordinates of the target over a short period, if the movement exceeds the defined threshold, this indicates that the user can move normally and that it is not a fall, otherwise the secondary confirmation is transmitted, and confirmed as a fall.
Dans un mode de réalisation préféré, dans lequel à l'étape S2, les signaux de vibration collectés sont soumis à traitement de filtrage et traitement de réduction de bruit en utilisant le filtre de Butterworth, et les composantes en courant continu et le bruit basse fréquence sont éliminés par le filtrage passe-haut avec la fréquence de coupure de 10 Hz.In a preferred embodiment, in which in step S2, the collected vibration signals are subjected to filtering processing and noise reduction processing using the Butterworth filter, and the DC components and the low frequency noise are eliminated by high pass filtering with the cutoff frequency of 10 Hz.
BE2019/5278BE2019 / 5278
Dans un mode de réalisation préféré, dans lequel à l'étape S2, lors du traitement de la segmentation de point d'extrémité, le segment entier du signal de vibration est d'abord soumis à un traitement de frame, puis la variance de chaque frame du signal est utilisée comme critère: lorsque la variance d'un certain frame du signal dépasse le seuil donné, le signal de vibration effectif est considéré comme apparaissant, et un signal d'une certaine longueur avant et après ce frame du signal est retrait en tant que signal de vibration après traitement de segmentation de point d'extrémité.In a preferred embodiment, in which in step S2, when processing the endpoint segmentation, the entire segment of the vibration signal is first subjected to frame processing, then the variance of each signal frame is used as a criterion: when the variance of a certain signal frame exceeds the given threshold, the effective vibration signal is considered to appear, and a signal of a certain length before and after this signal frame is removed as a vibration signal after processing endpoint segmentation.
Un système de détection de chute du corps humain est caractérisé en ce qu'il comprend trois géophones et un processeur, et le processeur exécute le procédé de détection de chute du corps humain sur la base des signaux de vibration du sol.A human body fall detection system is characterized in that it includes three geophones and a processor, and the processor performs the human body fall detection method based on the vibration signals from the ground.
L'invention réalise une surveillance en temps réel de la chute en fonction des vibrations du sol, calcule le signal de vibration en tant que probabilité de chute par le modèle de Markov caché, puis effectue la confirmation secondaire avec l'algorithme de positionnement EoA. La reconnaissance de la chute est précise et le taux de faux positifs est faible. Les dommages causés par la chute peuvent être traités à temps, et le problème de la faible robustesse de la technique antérieure, des problèmes de port d'équipement, des problèmes de précision et des risques d'atteinte à la vie privée sont résolus, et l'expérience utilisateur est améliorée. Le procédé de détection de l'invention est nouveau, pratique et fiable, et peut répondre aux exigences d'utilisation de divers environnements de vie, et présente une large application et un faible coût.The invention real-time monitoring of the fall as a function of ground vibrations, calculates the vibration signal as the probability of falling by the hidden Markov model, then performs secondary confirmation with the positioning algorithm EoA. Recognition of the fall is precise and the rate of false positives is low. Damage caused by the fall can be dealt with in time, and the problem of poor robustness of the prior art, problems with wearing equipment, problems with accuracy and risks of invasion of privacy are resolved, and the user experience is improved. The detection method of the invention is new, practical and reliable, and can meet the requirements of use of various living environments, and has wide application and low cost.
Brève description des dessinsBrief description of the drawings
La figure 1 est un ordinogramme d'un procédé de détection de chute du corps humain de la présente invention.Figure 1 is a flow chart of a fall detection method of the human body of the present invention.
La figure 2 est une vue externe du géophone de la présente invention.Figure 2 is an external view of the geophone of the present invention.
La figure 3 est un ordinogramme montrant la simulation d'effet avant le traitement d'alignement de signal de vibration effectif après le traitement de segmentation de point d'extrémité de la présente invention.Figure 3 is a flow chart showing the effect simulation before the actual vibration signal alignment processing after the end point segmentation processing of the present invention.
La figure 4 est un ordinogramme montrant la simulation d'effet après le traitement d'alignement de signal de vibration effectif après le traitement de segmentation de point d'extrémité de la présente invention.Fig. 4 is a flow chart showing the effect simulation after the actual vibration signal alignment processing after the end point segmentation processing of the present invention.
BE2019/5278BE2019 / 5278
La figure 5 est un diagramme schématique de l'algorithme EoA de la présente invention.Figure 5 is a schematic diagram of the EoA algorithm of the present invention.
Description détaillée d’exemples de réalisation de l’inventionDetailed description of exemplary embodiments of the invention
La présente invention sera décrite plus en détail ci-dessous en se référant aux dessins et modes de réalisation. Il est entendu que les modes de réalisation spécifiques décrits ici sont simplement illustratifs de l'invention et ne sont pas destinés à limiter l'invention.The present invention will be described in more detail below with reference to the drawings and embodiments. It is understood that the specific embodiments described here are merely illustrative of the invention and are not intended to limit the invention.
Les modes de réalisation préférées de la présente invention sont décrites plus en détail ci-dessous en référence aux dessins annexés.The preferred embodiments of the present invention are described in more detail below with reference to the accompanying drawings.
Comme indiqué dans la figure 1, la présente invention propose un procédé de détection de chute basé sur le modèle de Markov caché et l'algorithme EoA, comprenant les étapes suivantes:As indicated in FIG. 1, the present invention proposes a fall detection method based on the hidden Markov model and the EoA algorithm, comprising the following steps:
Étape S1: disposer un géophone (ou tout autre capteur capable de détecter les vibrations) dans un coin de l'environnement d'exploitation, détecter un signal de vibration agissant sur le sol lorsque le corps humain tombe, le convertir en un signal électrique analogique, puis convertir ledit signal électrique analogique en un signal numérique à traiter. Trois géophones peuvent être adopté en particulier: la Figure 2 est une vue externe du géophone.Step S1: place a geophone (or any other sensor capable of detecting vibrations) in a corner of the operating environment, detect a vibration signal acting on the ground when the human body falls, convert it into an analog electrical signal , then converting said analog electrical signal into a digital signal to be processed. Three geophones can be adopted in particular: Figure 2 is an external view of the geophone.
Étape S2: utilise le filtre de Butterworth pour effectuer traitement de filtrage et traitement de réduction de bruit sur les signaux de vibration collectés en utilisant un filtrage passe-bande avec une bande de fréquence supérieure à 10 Hz. Plus précisément, ladite mode de réalisation utilise un filtre passe-haut avec une fréquence de coupure de 10 Hz pour filtrer les composantes en courant continu et le bruit basse fréquence.Step S2: uses the Butterworth filter to perform filtering processing and noise reduction processing on the collected vibration signals using bandpass filtering with a frequency band greater than 10 Hz. More specifically, said embodiment uses a high-pass filter with a cut-off frequency of 10 Hz to filter the DC components and low frequency noise.
Le traitement de segmentation de point d'extrémité est également appelé traitement de détection de point d'extrémité, et est exécuté par un algorithme de découpage dans un programme informatique afin de déterminer point de départ et point d'arrivée du signal de vibration effectif. Le processus de traitement consiste tout d'abord à soumettre le segment entier du signal de vibration à un traitement de frame, puis la variance de chaque frame du signal est utilisée comme critère: lorsque la variance d'un certain frame du signal dépasse le seuil donné, le signal de vibration effectif estThe endpoint segmentation processing is also called endpoint detection processing, and is executed by a cutting algorithm in a computer program to determine the starting point and ending point of the actual vibration signal. The processing process consists first of all in subjecting the entire segment of the vibration signal to frame processing, then the variance of each frame of the signal is used as a criterion: when the variance of a certain frame of the signal exceeds the threshold given, the effective vibration signal is
BE2019/5278 considéré comme apparaissant et un signal d'une certaine longueur avant et après ce frame du signal est retrait en tant que signal de vibration après segmentation de point d'extrémité, le signal de vibration après traitement de segmentation de point d'extrémité est également appelé signal de vibration efficace. Le seuil donné peut être personnalisé en fonction des besoins de l'utilisateur ou basé sur la valeur de l'ensemble d'apprentissage de l'échantillon.BE2019 / 5278 considered as appearing and a signal of a certain length before and after this frame of the signal is withdrawn as a vibration signal after endpoint segmentation, the vibration signal after processing of endpoint segmentation is also called an effective vibration signal. The given threshold can be customized according to the needs of the user or based on the value of the training set of the sample.
Étape S3, le signal de vibration effectif après traitement de segmentation de point d'extrémité est aligné par la méthode de corrélation croisée générale (general cross correlation, GCC) , ladite opération du traitement d'alignement consiste à calculer le décalage entre les deux signaux de vibration effectives. Le signal de vibration effectif actuel est ensuite déplacé, seule la partie complète partagée entre les deux signaux de vibration est prise après le mouvement. Le traitement d'alignement dans cette mode de réalisation peut aligner tous les signaux de vibration effectifs, ce qui est bénéfique pour la précision de classification de l'algorithme d'apprentissage automatique, et les diagrammes d'effet de simulation avant et après le traitement d'alignement sont illustrés à la figure 3 et 4. Après le traitement GCC, le signal de coupure est en outre aligné dans la série temporelle pour déterminer plus précisément le signal de chute.Step S3, the actual vibration signal after endpoint segmentation processing is aligned by the general cross correlation (GCC) method, said operation of the alignment processing consists in calculating the offset between the two signals effective vibrations. The current effective vibration signal is then moved, only the full part shared between the two vibration signals is taken after the movement. Alignment processing in this embodiment can align all of the effective vibration signals, which is beneficial for the classification accuracy of the machine learning algorithm, and the simulation effect diagrams before and after processing The alignment signals are illustrated in FIGS. 3 and 4. After the GCC processing, the cut-off signal is further aligned in the time series to more precisely determine the fall signal.
Dans ladite étape S3 de cet exemple, la formule est adoptée :In said step S3 of this example, the formula is adopted:
nnot
C (a, b)=£ a(i) -b(i) P ( A, B) = arg max(C ( A[i, i + n -1], B)), i e 1,2,...,2n !=1 > i et O(A,Bj = P(A,Bj — n calcule le décalage O(A,Bj entre les deux signaux de vibration effectifs, où a et b représentent deux signaux de vibration effectifs avec une longueur de signal n, a(i) représente l'amplitude du i-ème point du signal de vibration effectif a, b(i) représente l'amplitude du i-ème point du signal de vibration effectif b, et C(a, b) représente la corrélation entre le signal de vibration effectif a et le signal de vibration effectif b ; Le premier signal A représente le remplissage à zéro des deux côtés du signal de vibration effectif a dont la longueur est égale à n, et obtient ainsi le premier signal de longueur 3n; Le deuxième signal B représente le signal de vibration effectif b de longueur n; P (A, Bj représente la position de signal du premier signal A ayant la corrélation la plus élevée avec le deuxième signal B de longueur n; O(A,Bj est le décalage calculé entre le premier signal A et le deuxième signal B.C (a, b) = £ a (i) -b (i) P (A, B) = arg max (C (A [i, i + n -1], B)), ie 1,2 ,. .., 2n ! = 1 > i and O (A, Bj = P (A, Bj - n calculates the offset O (A, Bj between the two effective vibration signals, where a and b represent two effective vibration signals with a signal length n, a (i) represents the amplitude of the i-th point of the effective vibration signal a, b (i) represents the amplitude of the i-th point of the effective vibration signal b, and C (a , b) represents the correlation between the effective vibration signal a and the effective vibration signal b; The first signal A represents the zero filling on both sides of the effective vibration signal a whose length is equal to n, and thus obtains the first signal of length 3n; The second signal B represents the effective vibration signal b of length n; P (A, Bj represents the signal position of the first signal A having the highest correlation with the second signal B of length n ; O (A, Bj is the calculated offset between the first signal A and the second signal B.
BE2019/5278BE2019 / 5278
Étape S4, après une vibration, les signaux provenant des trois géophones sont superposés, traités par un filtre avec pondération, la transformée en ondelettes discrète est ensuite utilisée pour extraire l'intensité énergétique de différents domaines fréquentiels et temporels du signal de vibration en tant que caractéristiques du signal extrait. De préférence, à l'étape S4, les caractéristiques d'énergie dans le domaine temporel et dans le domaine fréquentiel sont obtenues par la formule Feature = 10 log10 E, où E est l'énergie déterminée initialement de chaque intervalle de temps à différents niveaux de fréquence, et Feature est un signal de fonctionnalité après transformation logarithmique.Step S4, after a vibration, the signals from the three geophones are superimposed, processed by a weighted filter, the discrete wavelet transform is then used to extract the energy intensity from different frequency and time domains of the vibration signal as characteristics of the extracted signal. Preferably, in step S4, the energy characteristics in the time domain and in the frequency domain are obtained by the formula Feature = 10 log 10 E, where E is the energy determined initially from each time interval at different frequency levels, and Feature is a signal of functionality after logarithmic transformation.
Étape S5, les signaux caractéristiques extraits sont composés dans un ensemble de formation destiné à former le modèle de Markov caché et, lorsque la formation est effectuée, seul les signaux de vibration du sol en chute provenant d'autres personnes (tels que des volontaires ou des participants) est utilisé comme ensemble d'entraînement.Step S5, the extracted characteristic signals are composed in a training set intended to form the hidden Markov model and, when the training is carried out, only the vibrating signals of the falling ground coming from other people (such as volunteers or of participants) is used as a training set.
Plus précisément, le nombre d'états de transition du modèle de Markov caché est égal à 7 et l'état initial à 1. La fonction de probabilité d'observation en sortie de chaque état est composée de plusieurs modèles de mélange gaussiens contenant plusieurs composants gaussiennes, le nombre de modèles de mélange gaussiens et le nombre de couches de la décomposition en transformée en ondelettes discrète à l'étape S4 est le même.More precisely, the number of transition states of the hidden Markov model is equal to 7 and the initial state to 1. The probability of observation function at the output of each state is composed of several Gaussian mixture models containing several components the number of Gaussian mixture models and the number of layers of the discrete wavelet transform decomposition in step S4 is the same.
Initialement, les paramètres pertinents sont initialisés en fonction de l'ensemble d'entraînement, c'est-à-dire initialise la probabilité d'état, la probabilité de transition d'état et la probabilité d'observation en sortie, et un modèle de Markov caché initial est obtenu. Ensuite, l'algorithme baum-welch est utilisé pour optimiser les paramètres du modèle en fonction de l'ensemble d'entraînement. Après chaque optimisation, tous les échantillons de l'ensemble d'entraînement seront calculés un par un par l'algorithme de viterbi afin d'obtenir le degré de correspondance entre l'ensemble d'entraînement et le modèle (c'est-à-dire la probabilité de chute. En réalité, il ne s'agit pas de la probabilité. Afin d'améliorer les performances de calcul, le processus de calcul utilise une opération logarithmique. Donc, le résultat est négatif) et enregistre le degré. Ensuite, à partir du deuxième appel à l'algorithme baum-welch pour l'optimisation, il est nécessaire de comparer la différence du degré de correspondance total entreInitially, the relevant parameters are initialized according to the training set, i.e. initializes the state probability, the state transition probability and the output observation probability, and a model of initial hidden Markov is obtained. Then, the baum-welch algorithm is used to optimize the parameters of the model according to the training set. After each optimization, all the samples of the training set will be calculated one by one by the viterbi algorithm in order to obtain the degree of correspondence between the training set and the model (i.e. say the probability of falling. In reality, it is not the probability. In order to improve calculation performance, the calculation process uses a logarithmic operation. So the result is negative) and records the degree. Then, from the second call to the baum-welch algorithm for optimization, it is necessary to compare the difference in the degree of total correspondence between
BE2019/5278 l'ensemble d'entraînement et le modèle (c'est-à-dire la probabilité de chute) entre la présente et la dernière optimisation. S'il est inférieur au seuil, cela signifie que l'entraînement converge et saute hors de la boucle. Un modèle de Markov caché formé est obtenu. Pour les échantillons de test suivants, il suffit de calculer le degré de correspondance entre les échantillons et le modèle (c'est-à-dire la probabilité de chute) par l'algorithme de viterbi.BE2019 / 5278 the drive unit and the model (i.e. the probability of falling) between the present and the last optimization. If it is below the threshold, it means that the drive converges and jumps out of the loop. A formed hidden Markov model is obtained. For the following test samples, it suffices to calculate the degree of correspondence between the samples and the model (i.e. the probability of falling) by the viterbi algorithm.
Étape S6, les signaux de vibration du sol actuellement utilisés sont utilisés en tant que données de test qui sont traitées par traitement de données d'entraînement; en utilisation réelle, les données de test sont collectées de la même manière que les étapes S1, S2, S3 et S4.Step S6, the currently used ground vibration signals are used as test data which is processed by processing training data; in actual use, the test data is collected in the same way as steps S1, S2, S3 and S4.
Étape S7, calcul des données de test en tant que probabilité de chute sur la base du modèle de Markov caché obtenu à l'étape S5 et, si la probabilité est supérieure au seuil, le processus passe à l'étape S8 pour la confirmation secondaire, sinon il est directement déterminé qu'il n'est pas une chute.Step S7, calculating test data as probability of falling based on the hidden Markov model obtained in step S5 and, if the probability is greater than the threshold, the process goes to step S8 for secondary confirmation , otherwise it is directly determined that it is not a fall.
Étape S8, l'algorithme de positionnement EoA est utilisé pour calculer la position de la cible pendant la courte période qui suit l'événement de chute suspectée et le suivi de la cible. Si le mouvement dépasse le seuil, l'avertissement est désarmé, sinon la confirmation secondaire aboutit et la chute est confirmée.Step S8, the EoA positioning algorithm is used to calculate the target position for the short period following the suspected fall event and the target tracking. If the movement exceeds the threshold, the warning is disarmed, otherwise the secondary confirmation succeeds and the fall is confirmed.
Plus précisément, le calcul de positionnement est effectué sur la base du modèle d'atténuation du signal Amp(d) = Am^ e~axd, comme illustré à la figure 5. Où Amp0 représente l'amplitude initiale du signal de vibration et d représente la distance sur laquelle la vibration se propage, & est le coefficient d'atténuation basé sur le milieu de propagation. Pour trois géophones A, B et C, les amplitudes du signal reçu sont lesMore precisely, the positioning calculation is carried out on the basis of the signal attenuation model Amp (d) = Am ^ e ~ axd , as illustrated in FIG. 5. Where Amp 0 represents the initial amplitude of the vibration signal and d represents the distance over which the vibration propagates, & is the attenuation coefficient based on the propagation medium. For three geophones A, B and C, the amplitudes of the received signal are the
où dlt d2, d3 sont respectivement les distances de la source de vibration aux trois géophones A, B et C. Ensuite, le rapport signal-énergie reçu par les géophones A et B est la suivante :where d lt d 2 , d 3 are respectively the distances from the source of vibration to the three geophones A, B and C. Then, the signal-energy ratio received by the geophones A and B is as follows:
BE2019/5278 après avoir pris le logarithme lnEAB =-2a(d1 — d2), puis passez la formule suivante:BE2019 / 5278 after taking the logarithm lnE AB = -2a (d 1 - d 2 ), then pass the following formula:
d^ d2 d^ d3 d ^ d 2 d ^ d 3
Zn EAB 2a~Ci lnEAC 2a = C2 où, sur la base du rapport signal-énergie obtenu à l'avance, on peut obtenir c1( c2, obtenant ainsi la position de la source de vibration et réalisant le positionnement.Zn E AB 2a ~ Ci lnE AC 2a = C2 where, on the basis of the signal-energy ratio obtained in advance, we can obtain c 1 ( c 2 , thus obtaining the position of the vibration source and performing the positioning.
La présente invention permet d'obtenir le modèle de Markov caché formé en combinaison avec l'algorithme EoA, puis d'utiliser le modèle de Markov caché pour effectuer la détection de chute, détecter le signal de vibration en temps réel à travers le géophone et le moment où l'événement de chute se produit ou d'autres actions (tels que des choses qui tombent, etc.) qui génère un signal de vibration de grande énergie. Le système détecte alors le signal de vibration, extrait le signal de vibration en faisant le traitement de filtrage et de réduction de bruit, la détection de point d'extrémité, l'alignement GCC et l'extraction des caractéristiques du signal de vibration. Les caractéristiques générées du signal sont utilisées comme entrée du modèle de Markov caché et les résultats renvoyés par le modèle de Markov caché sont obtenus. Le signal de chute suspecté est ensuite confirmé par l'algorithme EoA et la conclusion est atteinte.The present invention makes it possible to obtain the hidden Markov model formed in combination with the EoA algorithm, then to use the hidden Markov model to perform fall detection, detect the vibration signal in real time through the geophone and when the fall event occurs or other actions (such as falling things, etc.) that generate a high energy vibration signal. The system then detects the vibration signal, extracts the vibration signal by performing noise reduction and filtering processing, endpoint detection, GCC alignment and extraction of the characteristics of the vibration signal. The generated characteristics of the signal are used as input to the hidden Markov model and the results returned by the hidden Markov model are obtained. The suspected fall signal is then confirmed by the EoA algorithm and the conclusion is reached.
Cette mode de réalisation fournit également un système de détection de chute basé sur le modèle de Markov caché et l'algorithme EoA, qui adopte ledit procédé de détection de chute basé sur le modèle de Markov caché et l'algorithme EoA.This embodiment also provides a fall detection system based on the hidden Markov model and the EoA algorithm, which adopts said fall detection method based on the hidden Markov model and the EoA algorithm.
Ce qui précède est une description détaillée supplémentaire de la présente invention en relation avec les modes de réalisation préférées spécifiques, et les modes de réalisation spécifiques de la présente invention ne sont pas limités à la description. Pour les techniciens ordinaires concernés par la présente invention, il est possible d'effectuer un certain nombre d'extrapolations ou de remplacements simples, sans s'écarter de la conception de l'invention, qui devraient être considérés comme entrant dans le cadre de protection de la présente invention.The foregoing is a further detailed description of the present invention in connection with the specific preferred embodiments, and the specific embodiments of the present invention are not limited to the description. For ordinary technicians concerned with the present invention, it is possible to carry out a certain number of extrapolations or simple replacements, without departing from the conception of the invention, which should be considered to fall within the scope of protection. of the present invention.
Claims (11)
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910047656.1A CN109805936B (en) | 2019-01-18 | 2019-01-18 | Human body tumbling detection system based on ground vibration signal |
Publications (1)
Publication Number | Publication Date |
---|---|
BE1026660B1 true BE1026660B1 (en) | 2020-04-22 |
Family
ID=66603485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
BE20195278A BE1026660B1 (en) | 2019-01-18 | 2019-04-25 | A human body fall detection system based on ground vibration signals |
Country Status (3)
Country | Link |
---|---|
CN (1) | CN109805936B (en) |
BE (1) | BE1026660B1 (en) |
FR (1) | FR3091923B1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113589191A (en) * | 2021-07-07 | 2021-11-02 | 江苏毅星新能源科技有限公司 | Power failure diagnosis system and method |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110415415A (en) * | 2019-08-02 | 2019-11-05 | 深圳大学 | A kind of auth method for access control system |
CN111554070A (en) * | 2020-04-09 | 2020-08-18 | 珠海格力电器股份有限公司 | Intelligent carpet management method, system, device and storage medium |
CN112525336B (en) * | 2020-11-18 | 2023-06-27 | 西安因联信息科技有限公司 | Automatic detection method for continuous vibration growth of mechanical equipment |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8909497B1 (en) * | 2010-04-06 | 2014-12-09 | Keynetik, Inc. | System and method for fall detection |
CN102289911A (en) * | 2011-07-19 | 2011-12-21 | 中山大学深圳研究院 | Falling detection system based on pyroelectric infrared rays |
CN103745569B (en) * | 2013-12-30 | 2018-02-16 | 杨松 | Detect method and terminal that human body is fallen |
CN106539587A (en) * | 2016-12-08 | 2017-03-29 | 浙江大学 | A kind of fall risk assessment and monitoring system and appraisal procedure based on sensor of doing more physical exercises |
CN108354610A (en) * | 2017-08-29 | 2018-08-03 | 浙江好络维医疗技术有限公司 | A kind of Falls Among Old People detection method and detecting system based on three-axis sensor and EGC sensor |
CN109084774B (en) * | 2018-08-07 | 2022-07-26 | 西安电子科技大学 | Unmanned aerial vehicle cluster positioning method based on channel state information |
-
2019
- 2019-01-18 CN CN201910047656.1A patent/CN109805936B/en active Active
- 2019-04-25 BE BE20195278A patent/BE1026660B1/en active IP Right Grant
- 2019-05-02 FR FR1904612A patent/FR3091923B1/en active Active
Non-Patent Citations (5)
Title |
---|
ANONYMOUS: "Align Signals Using Cross-Correlation - MATLAB & Simulink - MathWorks Benelux", 1 January 2017 (2017-01-01), XP055504135, Retrieved from the Internet <URL:https://nl.mathworks.com/help/signal/ug/align-signals-using-cross-correlation.html?searchHighlight=cross%20correlation&s_tid=doc_srchtitle> [retrieved on 20180904] * |
TOREYIN ET AL: "Falling person detection using multisensor signal processing", EURASIP JOURNAL OF APPLIED SIGNAL PROCESSING, HINDAWI PUBLISHING CO., CUYAHOGA FALLS, OH, US, 1 January 2008 (2008-01-01), pages 1 - 8, XP002624138, ISSN: 1110-8657, DOI: 10.1155/2008/149304 * |
VALLABH PRANESH ET AL: "Fall detection monitoring systems: a comprehensive review", JOURNAL OF AMBIENT INTELLIGENCE AND HUMANIZED COMPUTING, SPRINGER BERLIN HEIDELBERG, BERLIN/HEIDELBERG, vol. 9, no. 6, 11 October 2017 (2017-10-11), pages 1809 - 1833, XP036609815, ISSN: 1868-5137, [retrieved on 20171011], DOI: 10.1007/S12652-017-0592-3 * |
YAZAR AHMET ET AL: "Fall detection using single-tree complex wavelet transform", PATTERN RECOGNITION LETTERS, vol. 34, no. 15, 28 December 2012 (2012-12-28), pages 1945 - 1952, XP028697049, ISSN: 0167-8655, DOI: 10.1016/J.PATREC.2012.12.010 * |
ZIGEL Y ET AL: "A Method for Automatic Fall Detection of Elderly People Using Floor Vibrations and Sound-Proof of Concept on Human Mimicking Doll Falls", IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, IEEE SERVICE CENTER, PISCATAWAY, NJ, USA, vol. 56, no. 12, 1 December 2009 (2009-12-01), pages 2858 - 2867, XP011343115, ISSN: 0018-9294, DOI: 10.1109/TBME.2009.2030171 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113589191A (en) * | 2021-07-07 | 2021-11-02 | 江苏毅星新能源科技有限公司 | Power failure diagnosis system and method |
CN113589191B (en) * | 2021-07-07 | 2024-03-01 | 郴州雅晶源电子有限公司 | Power failure diagnosis system and method |
Also Published As
Publication number | Publication date |
---|---|
FR3091923B1 (en) | 2021-09-10 |
CN109805936A (en) | 2019-05-28 |
CN109805936B (en) | 2021-08-13 |
FR3091923A1 (en) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
BE1026660B1 (en) | A human body fall detection system based on ground vibration signals | |
Alam et al. | Image4act: Online social media image processing for disaster response | |
Seo et al. | Drone detection using convolutional neural networks with acoustic STFT features | |
WO2020103411A1 (en) | Fall detection method, device, and system | |
Lasseck | Acoustic bird detection with deep convolutional neural networks. | |
Yang et al. | Dense people counting using IR-UWB radar with a hybrid feature extraction method | |
Mezei et al. | Drone sound detection | |
EP3807669B1 (en) | Location of sound sources in a given acoustic environment | |
CN110069199B (en) | Skin type finger gesture recognition method based on smart watch | |
CN110047510A (en) | Audio identification methods, device, computer equipment and storage medium | |
Priyadarshani et al. | Wavelet filters for automated recognition of birdsong in long‐time field recordings | |
CN108680796A (en) | Electromagnetic information leakage detecting system and method for computer display | |
Himawan et al. | Deep Learning Techniques for Koala Activity Detection. | |
CN111643098A (en) | Gait recognition and emotion perception method and system based on intelligent acoustic equipment | |
EP4046390A1 (en) | Improved location of an acoustic source | |
Vasconcelos et al. | Counting mosquitoes in the wild: An internet of things approach | |
Li et al. | Automated classification of Tursiops aduncus whistles based on a depth-wise separable convolutional neural network and data augmentation | |
Zhang et al. | Integrated processing method for microseismic signal based on deep neural network | |
CN113990303A (en) | Environmental sound identification method based on multi-resolution cavity depth separable convolution network | |
CA3179399A1 (en) | System for real-time recognition and identification of sound sources | |
CN115422962A (en) | Gesture and gesture recognition method and device based on millimeter wave radar and deep learning algorithm | |
CN116959471A (en) | Voice enhancement method, training method of voice enhancement network and electronic equipment | |
Cunningham et al. | Simulated masking of right whale sounds by shipping noise: Incorporating a model of the auditory periphery | |
CN108520755B (en) | Detection method and device | |
Dawton et al. | C-AVDI: Compressive measurement-based acoustic vehicle detection and identification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FG | Patent granted |
Effective date: 20200422 |