CN110059633A - 一种基于超声波的人体步态感知及其身份识别方法 - Google Patents

一种基于超声波的人体步态感知及其身份识别方法 Download PDF

Info

Publication number
CN110059633A
CN110059633A CN201910318430.0A CN201910318430A CN110059633A CN 110059633 A CN110059633 A CN 110059633A CN 201910318430 A CN201910318430 A CN 201910318430A CN 110059633 A CN110059633 A CN 110059633A
Authority
CN
China
Prior art keywords
frequency
gait
personal identification
ultrasound
identification method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910318430.0A
Other languages
English (en)
Inventor
王柱
於志文
徐伟
郭斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201910318430.0A priority Critical patent/CN110059633A/zh
Publication of CN110059633A publication Critical patent/CN110059633A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供一种基于超声波的人体步态感知及其身份识别指的是通过对人体步态的细粒度感知，具体包括宏观和微观两个视角的特征提取，区分不同用户的身份。其主要工作内容包括信号检测提取、细粒度步态特征提取、建立身份识别模型。本文提出的基于超声波的人体步态感知及其身份识别方法，以普通商用音频设备作为信号发射端和接收端，因此使用更加方便，而且节约成本。通过宏观和微观两个视角对人体步态进行细粒度刻画，为身份识别提供了丰富的信息。

Description

一种基于超声波的人体步态感知及其身份识别方法
技术领域
本发明涉及基于超声波信号的人体行为感知领域，尤其涉及商用音频设备对用户细粒度步态感知及其身份识别的方法。
背景技术
随着科技的发展和安全保障需求的增加，身份识别在我们的日常生活中起着越来越重要的作用。不同于计算机视觉的身份识别方法不仅对于光照有额外要求而且威胁到用户隐私，以及使用可穿戴设备、地板传感器感知的身份识别方法需要额外硬件支撑的情况，基于无线设备的感知方法具有易操作、非侵入式、隐私安全等的优势。目前已经有许多基于无线的感知技术，例如在2016年UbiComp发表的《Gait Recognition Using Wifi Signals》文章利用Wi-Fi信号经过人体时其CSI信号波动频率的变化，来对用户步态进行识别，进而识别用户身份；然而，在现有的方法中，Wi-Fi信号分布不稳定、易受环境干扰的特点使得很难应用到实际情况，低成本的雷达设备感知距离仅有几十厘米，很难达到身份识别的需求。
发明内容
针对以上缺陷，本发明提供一种更容易探测到细粒度的频率偏移、更普适更便捷的安全保障服务的基于超声波的人体步态感知及其身份识别方法。
本发明的技术方案为：一种基于超声波的人体步态感知及其身份识别方法，包括以下步骤：
步骤1：对采集的信号进行带通和带阻滤波，去除干扰噪声；
步骤2：基于滤波后的回波信号，采用基于子带谱熵的端点检测算法提取存在步态的信号片段；
步骤3：通过短时傅里叶变换分析将时域信号片段转换到时频域，并采用滤波和频谱增强等方法对时频图去噪；
步骤4：基于去噪后的时频图，从宏观和微观两个角度提取细粒度步态特征；
步骤5：通过机器学习方法SVM为每个用户建立二分类身份识别模型，识别不同人的身份。
进一步的，一种基于超声波的人体步态感知及其身份识别方法，所述步骤1所述带通和带阻滤波器均为巴特沃斯滤波器，带通滤波器截止频率分别为19.3KHz、20.7KHz，带阻滤波器截止频率分别为19985Hz、20015Hz。
进一步的，一种基于超声波的人体步态感知及其身份识别方法，所述步骤2所述基于子带谱熵的端点检测算法是以谱熵为阈值，对信号进行分帧，对于每一帧信号计算子带谱熵，所述连续多帧均低于阈值，将其判定为有效信号，否则丢弃。
进一步的，一种基于超声波的人体步态感知及其身份识别方法，其特征在于：所述的子带谱熵为：
其中fi为频率，s(fi)为该频率处的能量，pi为概率，H为一帧信号的谱熵。
进一步的，一种基于超声波的人体步态感知及其身份识别方法，步骤3所述滤波和频谱增强方法包括背景噪声阈值滤波、高斯平滑滤波。
进一步的，一种基于超声波的人体步态感知及其身份识别方法，步骤4所述宏观角度是指身体各个分支的运动状态，所述微观角度是指半个步态周期中加速和减速两个阶段的频谱能量分布。
进一步的，一种基于超声波的人体步态感知及其身份识别方法，所述的身体各个分支的运动状态包括躯干、胳膊、腿和脚各部分运动速度的均值、方差和最值，还包括步频、步长特征；所述的频谱能量分支是指在加速和减速两个阶段信号在频域的能量均值。
进一步的，一种基于超声波的人体步态感知及其身份识别方法，步骤5所述的SVM算法为二分类SVM，采用每个人的样本数量为40-60个，人数为50人。
本发明的有益效果为：一种基于超声波的人体步态感知及其身份识别指的是通过对人体步态的细粒度感知，具体包括宏观和微观两个视角的特征提取，区分不同用户的身份。其主要工作内容包括信号检测提取、细粒度步态特征提取、建立身份识别模型。本文提出的基于超声波的人体步态感知及其身份识别方法，以普通商用音频设备作为信号发射端和接收端，因此使用更加方便，而且节约成本。通过宏观和微观两个视角对人体步态进行细粒度刻画，为身份识别提供了丰富的信息。相比Wi-Fi、雷达等电磁波信号，超声波信号具有频带窄、传播速度慢等优势，因此更容易探测到细粒度的频率偏移。使用普通商用音频设备即可实现人体步态的细粒度感知和身份识别，可提供更普适更便捷的安全保障服务，能在智能家居、公共安全等领域带来一定实际意义。
附图说明
图1为本发明实例中基于超声波的人体步态感知及其身份识别方法的流程图；
图2为本发明实例中基于超声波的人体步态感知及其身份识别方法的实验搭建俯视示意图；
图3为本发明实例中基于超声波的人体步态感知及其身份识别方法的去噪之后的时频图；
图4为本发明实例中基于超声波的人体步态感知及其身份识别方法的4条速度曲线；
图5为本发明实例中基于超声波的人体步态感知及其身份识别方法的步长可区分性；
图6为本发明实例中基于超声波的人体步态感知及其身份识别方法的速度可区分性；
图7为本发明实例中基于超声波的人体步态感知及其身份识别方法的步态半周期的加速阶段和减速阶段；
图8为本发明实例中基于超声波的人体步态感知及其身份识别方法的加速阶段的可区分性。
具体实施方式
下面结合附图来进一步描述本发明的技术方案：
将扬声器和麦克风绑定在一起放置在距离地面约60cm高的位置，用户从距离7m的位置沿直线面朝设备行走。设备摆放的高度会对步态的感知产生影响，因此我们选择距离地面60cm，大概在人行走时大腿的位置；为了准确提取步态信息，要求用户在设备感知范围内沿着直线面朝设备行走，行走距离受设备感知范围的限制，约在12m以内。整个实验俯视示意图如图2所示。
计算机控制扬声器和麦克风分别发射和接收信号。计算机控制扬声器发射超出人类听觉范围的声波，频率需在20KHz以上，普通商用设备由于其硬件限制其发射频率不能超过23KHz，本文采用20KHz；麦克风采样频率为48KHz。
步骤1：对采集的信号进行带通和带阻滤波，去除干扰噪声。麦克风采集到得信号频率成分主要包括：发射主频、人体行走产生的多普勒频移以及环境中的大量低频噪声，为了准确提取步态信息，需要去除主频和低频噪声的干扰；采用巴特沃斯带通滤波器得到目标频带19.3KHz～20.7KHz，推荐滤波器参数为：通带截止频率19.3KHz、20.7KHz，阶数为10，目标频带的范围根据步态所产生多普勒频移的大小确定，所选范围能包含最大多普勒频移即可；采用巴特沃斯带阻滤波器去除主频附近的频带19985Hz～20015Hz，推荐滤波器参数为：阻带截止频率19985Hz、20015KHz，此截止频率依赖短时傅里叶变换参数，并非绝对，可根据实际进行调整。
步骤2：基于滤波后的回波信号，采用基于子带谱熵的端点检测算法提取存在步态的信号片段。子带谱熵的端点检测算法使用了子带谱熵为阈值。首先对信号进行分帧，对于每一帧信号计算子带概率和谱熵：其中fi为频率，s(fi)为该频率处的能量，pi为概率，H为一帧信号的谱熵。检测方法为单参数单门限法，连续多帧信号谱熵均低于阈值，将其判定为有效信号，否则丢弃。阈值推荐使用谱熵序列最大值得98％。
步骤3：通过短时傅里叶变换分析将时域信号片段转换到时频域，并采用滤波和频谱增强等方法对时频图去噪。推荐短时傅里叶变换参数为：信号帧长8192个点，即信号长度为170ms，帧重叠7808个点，离散傅里叶变换的点数为8192，信号采样频率为48000Hz；短时傅里叶变换将时域信号转换到时频域得到一个时频图，为了得到高质量的时频图，先对FFT幅值归一化，再通过二维高斯平滑滤波对时频图进行平滑，最后设定固定阈值去除背景噪声。高斯滤波参数推荐使用：窗口大小为5，σ为1，推荐阈值为-40dB。
步骤4：基于去噪后的时频图，从宏观和微观两个角度提取细粒度步态特征。去噪之后的时频图如图3所示，图中包含了人体运动过程中身体各个分支的运动状态。为了得到更细粒度的信息，从宏观和微观两个角度出发提取步态特征。宏观角度将人体抽象为4个部分，即躯干、胳膊、腿和脚，在运动过程中，这4部分以各自独特的运动状态进行周期运动。躯干反射面积最大，因此时频图中幅值最大，通过最大幅值所在频率来计算对应速度，对应表达式为：
其中，λ为声波信号的波长；胳膊、腿和脚对应速度由百分比能量对应的频率计算，表达式如下：
其中F(f,t)代表时频图中时刻t，频率f对应幅值，P(f,t)表示t时刻频率低于f的能量之和占总能量的百分比，胳膊、腿和脚对应的P推荐为30％、75％和95％。得到4条速度曲线如图4所示。根据躯干速度的周期性计算步态周期，最后计算步长。最后得到包括躯干、胳膊、腿和脚对应速度的最大值、最小值、均值和方差，步态周期、步长共18维特征。实验中选择6个人观察其部分宏观特征的可区分性，步长可区分性如图5所示，速度可区分性如图6所示，括号内为速度方差。为了减小宏观角度对步态的评估误差，从目标频带的幅值分布角度，即微观角度进行特征提取。由于无法区分一个完整步态周期的左右侧，本文认为一个完整步态周期由两个相同的半周期组成，微观角度将每个步态半周期进一步分为两个阶段，具体是指加速阶段和减速阶段，如图7所示。计算每个阶段目标频带内的平均幅值作为特征，每个阶段得到119维特征，总共238维微观特征。加速阶段的可区分性如图8所示。
步骤4：通过机器学习方法SVM为每个用户建立二分类身份识别模型，识别不同人的身份。基于步骤6中所提取的共256维步态特征，使用二分类SVM算法为每个用户建立身份模型。使用RBF核函数建立模型，详细参数推荐使用网格搜索方法确定。实验采集了50名志愿者的步态数据，每人采集40-60条数据，建立模型的过程中，90％的样本作为训练数据集，剩余作为测试数据集。测试时认为所有模型中匹配度最高的模型作为该测试数据的测试结果。

Claims (8)

1.一种基于超声波的人体步态感知及其身份识别方法，其特征在于：包括以下步骤：
步骤1：对采集的信号进行带通和带阻滤波，去除干扰噪声；
步骤2：基于滤波后的回波信号，采用基于子带谱熵的端点检测算法提取存在步态的信号片段；
步骤3：通过短时傅里叶变换分析将时域信号片段转换到时频域，并采用滤波和频谱增强等方法对时频图去噪；
步骤4：基于去噪后的时频图，从宏观和微观两个角度提取细粒度步态特征；
步骤5：通过机器学习方法SVM为每个用户建立二分类身份识别模型，识别不同人的身份。
2.一种基于超声波的人体步态感知及其身份识别方法，其特征在于：所述步骤1所述带通和带阻滤波器均为巴特沃斯滤波器，带通滤波器截止频率分别为19.3KHz、20.7KHz，带阻滤波器截止频率分别为19985Hz、20015Hz。
3.一种基于超声波的人体步态感知及其身份识别方法，其特征在于：所述步骤2所述基于子带谱熵的端点检测算法是以谱熵为阈值，对信号进行分帧，对于每一帧信号计算子带谱熵，所述连续多帧均低于阈值，将其判定为有效信号，否则丢弃。
4.一种基于超声波的人体步态感知及其身份识别方法，其特征在于：其特征在于：所述的子带谱熵为：
其中fi为频率，s(fi)为该频率处的能量，pi为概率，H为一帧信号的谱熵。
5.根据权利要求1所述的一种基于超声波的人体步态感知及其身份识别方法，其特征在于：步骤3所述滤波和频谱增强方法包括背景噪声阈值滤波、高斯平滑滤波。
6.根据权利要求1所述的一种基于超声波的人体步态感知及其身份识别方法，其特征在于：步骤4所述宏观角度是指身体各个分支的运动状态，所述微观角度是指半个步态周期中加速和减速两个阶段的频谱能量分布。
7.根据权利要求6所述的一种基于超声波的人体步态感知及其身份识别方法，其特征在于：所述的身体各个分支的运动状态包括躯干、胳膊、腿和脚各部分运动速度的均值、方差和最值，还包括步频、步长特征；所述的频谱能量分支是指在加速和减速两个阶段信号在频域的能量均值。
8.根据权利要求1所述的一种基于超声波的人体步态感知及其身份识别方法，其特征在于：步骤5所述的SVM算法为二分类SVM，采用每个人的样本数量为40-60个，人数为50人。
CN201910318430.0A 2019-04-19 2019-04-19 一种基于超声波的人体步态感知及其身份识别方法 Pending CN110059633A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910318430.0A CN110059633A (zh) 2019-04-19 2019-04-19 一种基于超声波的人体步态感知及其身份识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910318430.0A CN110059633A (zh) 2019-04-19 2019-04-19 一种基于超声波的人体步态感知及其身份识别方法

Publications (1)

Publication Number Publication Date
CN110059633A true CN110059633A (zh) 2019-07-26

Family

ID=67319789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910318430.0A Pending CN110059633A (zh) 2019-04-19 2019-04-19 一种基于超声波的人体步态感知及其身份识别方法

Country Status (1)

Country Link
CN (1) CN110059633A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110737201A (zh) * 2019-10-11 2020-01-31 珠海格力电器股份有限公司 一种监护方法、装置、存储介质及空调
CN111643098A (zh) * 2020-06-09 2020-09-11 深圳大学 一种基于智能声学设备的步态识别与情绪感知方法和系统
CN111652063A (zh) * 2020-04-29 2020-09-11 中国南方电网有限责任公司超高压输电公司广州局 一种探地雷达的灰度堆积图识别方法
CN111753678A (zh) * 2020-06-10 2020-10-09 西北工业大学 基于超声波的多设备协同步态感知与身份识别方法
CN112612008A (zh) * 2020-12-08 2021-04-06 中国人民解放军陆军工程大学 高速弹丸回波信号的起始参数提取方法及装置
CN112741617A (zh) * 2019-10-30 2021-05-04 成都易书桥科技有限公司 一种基于csi的全方向步态检测算法
CN113450537A (zh) * 2021-06-25 2021-09-28 北京小米移动软件有限公司 跌倒检测方法、装置、电子设备和存储介质
CN114079859A (zh) * 2021-11-04 2022-02-22 中国矿业大学 一种基于csi的监测装置与监测方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006163175A (ja) * 2004-12-09 2006-06-22 National Institute Of Advanced Industrial & Technology 視覚障害者のための歩行訓練環境生成システム
CN101599269A (zh) * 2009-07-02 2009-12-09 中国农业大学 语音端点检测方法及装置
CN104757976A (zh) * 2015-04-16 2015-07-08 大连理工大学 一种基于多传感器融合的人体步态分析方法和系统
CN105654041A (zh) * 2015-12-28 2016-06-08 西北工业大学 基于步态数据的特征参数获取方法和装置
CN106166071A (zh) * 2016-07-04 2016-11-30 中国科学院计算技术研究所 一种步态参数的采集方法及设备
CN106250854A (zh) * 2016-08-02 2016-12-21 清华大学 基于微多普勒特征和支持向量机的人体步态识别方法
CN106653062A (zh) * 2017-02-17 2017-05-10 重庆邮电大学 一种低信噪比环境下基于谱熵改进的语音端点检测方法
EP3401908A1 (en) * 2017-05-12 2018-11-14 Thomson Licensing Device and method for walker identification
CN108959866A (zh) * 2018-04-24 2018-12-07 西北大学 一种基于高频声波频率的持续身份认证方法
CN109087668A (zh) * 2018-08-31 2018-12-25 中国电子科技集团公司电子科学研究院 一种步态识别的方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006163175A (ja) * 2004-12-09 2006-06-22 National Institute Of Advanced Industrial & Technology 視覚障害者のための歩行訓練環境生成システム
CN101599269A (zh) * 2009-07-02 2009-12-09 中国农业大学 语音端点检测方法及装置
CN104757976A (zh) * 2015-04-16 2015-07-08 大连理工大学 一种基于多传感器融合的人体步态分析方法和系统
CN105654041A (zh) * 2015-12-28 2016-06-08 西北工业大学 基于步态数据的特征参数获取方法和装置
CN106166071A (zh) * 2016-07-04 2016-11-30 中国科学院计算技术研究所 一种步态参数的采集方法及设备
CN106250854A (zh) * 2016-08-02 2016-12-21 清华大学 基于微多普勒特征和支持向量机的人体步态识别方法
CN106653062A (zh) * 2017-02-17 2017-05-10 重庆邮电大学 一种低信噪比环境下基于谱熵改进的语音端点检测方法
EP3401908A1 (en) * 2017-05-12 2018-11-14 Thomson Licensing Device and method for walker identification
CN108959866A (zh) * 2018-04-24 2018-12-07 西北大学 一种基于高频声波频率的持续身份认证方法
CN109087668A (zh) * 2018-08-31 2018-12-25 中国电子科技集团公司电子科学研究院 一种步态识别的方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
TIANBEN WANG 等: "Recognizing Gait Pattern of Parkinson’s Disease Patients Based on Fine-grained Movement Function Features", 《UIC-ATC-SCALCOM-CBDCOM-IOP 2015》 *
YINGXUE WANG 等: "Gait-based Human identification using acoustic sensor and deep neural network", 《FUTURE GENERATION COMPUTER SYSTEMS》 *
张军: "人体步态雷达信号时频分析方法研究", 《电子测量与仪器学报》 *
张军: "基于分数阶傅里叶变换步态特征提取", 《北京理工大学学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110737201A (zh) * 2019-10-11 2020-01-31 珠海格力电器股份有限公司 一种监护方法、装置、存储介质及空调
CN112741617A (zh) * 2019-10-30 2021-05-04 成都易书桥科技有限公司 一种基于csi的全方向步态检测算法
CN111652063A (zh) * 2020-04-29 2020-09-11 中国南方电网有限责任公司超高压输电公司广州局 一种探地雷达的灰度堆积图识别方法
CN111652063B (zh) * 2020-04-29 2023-10-27 中国南方电网有限责任公司超高压输电公司广州局 一种探地雷达的灰度堆积图识别方法
CN111643098A (zh) * 2020-06-09 2020-09-11 深圳大学 一种基于智能声学设备的步态识别与情绪感知方法和系统
WO2021248916A1 (zh) * 2020-06-09 2021-12-16 深圳大学 一种基于智能声学设备的步态识别与情绪感知方法和系统
CN111753678A (zh) * 2020-06-10 2020-10-09 西北工业大学 基于超声波的多设备协同步态感知与身份识别方法
CN112612008A (zh) * 2020-12-08 2021-04-06 中国人民解放军陆军工程大学 高速弹丸回波信号的起始参数提取方法及装置
CN112612008B (zh) * 2020-12-08 2022-05-17 中国人民解放军陆军工程大学 高速弹丸回波信号的起始参数提取方法及装置
CN113450537A (zh) * 2021-06-25 2021-09-28 北京小米移动软件有限公司 跌倒检测方法、装置、电子设备和存储介质
CN114079859A (zh) * 2021-11-04 2022-02-22 中国矿业大学 一种基于csi的监测装置与监测方法

Similar Documents

Publication Publication Date Title
CN110059633A (zh) 一种基于超声波的人体步态感知及其身份识别方法
Zhang et al. Wifi-id: Human identification using wifi signal
WO2020103411A1 (zh) 一种跌倒检测方法、装置及系统
CN110069199B (zh) 一种基于智能手表的皮肤式手指手势识别方法
Saki et al. Smartphone-based real-time classification of noise signals using subband features and random forest classifier
JP2023021967A (ja) センサを用いたジェスチャ認識
CN105807935B (zh) 一种基于WiFi的手势控制人机交互系统
CN109009125B (zh) 基于移动终端音频的驾驶员细粒度呼吸监测方法及系统
CN111178331B (zh) 雷达图像识别系统、方法、设备及计算机可读存储介质
CN106899968A (zh) 一种基于WiFi信道状态信息的主动非接触身份认证方法
AL-Dhief et al. Voice pathology detection using machine learning technique
JP2017513656A (ja) 無線反射によるバイタルサインの監視
Lin et al. Automatic wheezing detection using speech recognition technique
WO2021248916A1 (zh) 一种基于智能声学设备的步态识别与情绪感知方法和系统
WO2014174702A1 (ja) 特徴量算出装置、特徴量算出方法および記録媒体
CN112580486B (zh) 一种基于雷达微多普勒信号分离的人体行为分类方法
Rivera et al. Radar-based fall detection exploiting time-frequency features
Seifert et al. New analysis of radar micro-Doppler gait signatures for rehabilitation and assisted living
CN109616137A (zh) 噪声处理方法及装置
CN105147252A (zh) 心脏疾病识别及评估方法
Rana et al. Remote vital sign recognition through machine learning augmented UWB
Liu et al. EMG burst presence probability: a joint time–frequency representation of muscle activity and its application to onset detection
CN109431526A (zh) 基于wifi的驾驶状态识别方法及系统
Vafeiadis et al. Audio-based event recognition system for smart homes
Pazhanirajan et al. EEG signal classification using linear predictive cepstral coefficient features

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190726

RJ01 Rejection of invention patent application after publication