CN110650244A - 一种基于sta/lta+dtw的智能手机地震异常事件检测方法及智能手机 - Google Patents
一种基于sta/lta+dtw的智能手机地震异常事件检测方法及智能手机 Download PDFInfo
- Publication number
- CN110650244A CN110650244A CN201910904124.5A CN201910904124A CN110650244A CN 110650244 A CN110650244 A CN 110650244A CN 201910904124 A CN201910904124 A CN 201910904124A CN 110650244 A CN110650244 A CN 110650244A
- Authority
- CN
- China
- Prior art keywords
- dtw
- sta
- lta
- earthquake
- vibration
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000001133 acceleration Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 19
- 241000282414 Homo sapiens Species 0.000 claims abstract description 16
- 230000009466 transformation Effects 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 14
- 238000005452 bending Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 abstract description 7
- 230000004927 fusion Effects 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 36
- 230000002354 daily effect Effects 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 108010076504 Protein Sorting Signals Proteins 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
- H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M2250/00—Details of telephonic subscriber devices
- H04M2250/12—Details of telephonic subscriber devices including a sensor for measuring a physical value, e.g. temperature or motion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- Evolutionary Biology (AREA)
- Emergency Management (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geophysics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种基于STA/LTA+DTW的智能手机地震异常事件检测方法及智能手机，包括以下步骤：步骤一，通过手机的加速度传感器捕获手机各种震动的加速度原始数据；步骤二，采用STA/LTA门限触发算法对所述加速度原始数据进行处理，判断有没有震动发生；步骤三，当判定有震动发生时，触发DTW算法对所述加速度原始数据进行处理，判定震动是由人类行为活动引起的，即是一种行为变换事件，或，判定震动是一种异常震动，是由异常事件，即地震引起的。本发明通过传统门限阈值法STA/LTA和动态弯曲距离DTW有效区分人们日常运动数据与异常震动数据，将地震事件与人类运动区分开来，减少人类活动对检测结果的影响，降低了虚警率。通过多传感器数据融合来提高测量精度、减少测量误差。
Description
技术领域
本发明涉及地震监测技术领域，尤其是涉及一种基于 STA/LTA+DTW的智能手机地震异常事件检测方法及智能手机。
背景技术
智能手机作为感知设备用于地震早期预警研究中存在很多不足，如大多数仅仅是利用手机中的加速度传感器来感知震动，测算出固定时间窗内出现的异常值来确定是否有异常震动发生抑或是识别算法时间复杂度高，数据量大，难以实现。
作为日常生活中必备物品的智能手机受到人体行为活动的影响也会触发震动，而且单个传感器基于本身精度的影响测量数据会出现一定的误差，从而导致单台手机误警率增加等问题，现有的研究工作中，智能手机参与的地震预警系统的研究工作较少，典型的实验主要有CSN(Community Seismic Network)，ishake， QDS(Quake Detection System)，Myshake等。Ishake和QDS 系统直接通过判断手机上加速度传感器记录的振幅是否超过某一阈值以及高于阈值所持续的时间来确定是否有地震发生，在基于智能手机感知网络的地震预警方案中，地震预警系统中心根据每日收到的发送警报的手机节点数量来做出最后的决策，当某一时刻发送警报的手机数量远远超过其他时刻的数量时，系统中心就会做出预警的决定，因此单台手机的准确感知能力尤为重要。减少人类活动对单台手机决策的影响是基于智能手机感知网络的地震预警方案中要解决的关键问题。由于普通智能手机使用者活动的不确定性，该方法检测迅速但是误警率极高，难以成为处理中心的决策依据。CSN系统通过收集日常生活中手机的加速度数据来建立高斯混合模型确定数据分布，当检测到低于某临近概率的数据出现时，便认定为异常事件发生引起的异常震动。但智能手机使用人员运动的加速度数据变化多样，模型的建立极为困难，在实际的系统中，CSN主要利用固定的测震仪，而智能手机只能起部分作用。而Qingkai Kong等人提出的MyShake系统，通过手机传感器收集日常生活中人类行为的加速度值，利用人工神经网络来区分异常震动和人们的行为动作，但该方法存在训练和计算的成本较高，训练数据较难获取的问题。
上述系统所使用的地震识别方法总结如下：
动态弯曲距离(DTW)是一种将距离测量和时间规整有效结合在一起的时间序列相似性度量方法。不同的时间序列之间会存在长度不等、振幅不同，伸缩弯曲等情况，针对这些问题，DTW 可以动态规整时序数轴，通过不均匀弯曲信号对象局部数据，从而实现相似性度量。DTW最先用于解决语音识别问题，如今广泛应用于时间序列的数据挖掘中，Wong等人通过将“滑动窗口”方法与DTW相结合进行序列匹配，Kim等人在时间序列数据库中通过DTW进行模式识别，Veeraraghavan等人基于人类步态实验使用修改的DTW方法实现人类行为识别。
发明内容
本发明设计了一种基于STA/LTA+DTW的智能手机地震异常事件检测方法及智能手机，其解决的技术问题是由于普通智能手机使用者活动的不确定性，现有的通过智能手机检测地震的方法误警率极高，难以成为处理中心的决策依据。
为了解决上述存在的技术问题，本发明采用了以下方案：
一种基于STA/LTA+DTW的智能手机地震异常事件检测方法，其特征在于，包括以下步骤：
步骤一，通过手机的加速度传感器捕获手机各种行为事件震动的加速度原始数据；
步骤二，采用STA/LTA门限触发算法对所述加速度原始数据进行处理，得出STA/LTA值，将STA/LTA值与设定的STA/LTA 门限触发算法阈值threshold1进行比较，当STA/LTA值≤ threshold1时，判定手机仍处于原有状态，没有震动发生，当 STA/LTA值＞threshold1时，判定有震动发生；
步骤三，当判定有震动发生时，触发DTW算法对所述加速度原始数据进行处理，得出DTW特征值的相对变化率，将所述DTW 特征值的相对变化率与设定的DTW特征值相对变化率阈值 threshold2进行比较，当DTW特征值的相对变化率≤threshold2 时，判定震动是由人类行为活动引起的，即是一种行为变换事件，当DTW特征值的相对变化率＞threshold2时，判定震动是一种异常震动，是由异常事件，即地震引起的。
进一步，所述DTW特征值的相对变化率的计算公式为：
其中，Rd值为DTW特征值的相对变化率，DTW1与DTW2分别代表STA/LTA阈值触发后连续三个时间窗之间的DTW值。
进一步，所述DTW算法流程如下，
步骤A，获取两个时间序列信号，一个长度为n的序列T和一个长度为m的序列R，其中，
T＝<T1，T2…Tk…Tn>
R＝<R1，R2…Rj…Rm>
n和m均为自然数,k为1到n的自然数，j为1到m的自然数；
步骤B，构建一个n×m的匹配距离矩阵，其中，d(k,j) 为点Tk和点Rj之间的距离，其计算公式为：
步骤C，计算序列T和序列R之间的动态弯曲距离，即DTW (T,R)，计算公式为：
进一步，步骤B中，设置的边界条件为，规定匹配的路径为左下角朝向右上角；连续性条件为，为了确保弯曲矩阵中所有的点都可能出现在匹配路径上，要求弯曲路径上的点只能和相邻的点连接；单调条件为，弯曲路径是单调的，要求(k,j)的下一个点必须是(k+1,j)、(k,j+1)、(k+1,j+1)3个点中的一个。
进一步，所述threshold2为1。
进一步，所述threshold1为1.3。
进一步，步骤四，当判定震动为地震引起的异常震动时，智能手机向地震预警系统中心发送警报，当某一时刻向地震预警系统中心发送警报的手机数量超过其他时刻的数量并达到阈值时，地震预警系统中心便发布地震预警。
一种智能手机，其使用基于STA/LTA+DTW的智能手机地震异常事件检测方法进行地震检测。
该基于STA/LTA+DTW的智能手机地震异常事件检测方法具有以下有益效果：
本发明基于STA/LTA+DTW的智能手机地震异常事件检测方法通过传统门限阈值法STA/LTA和动态弯曲距离DTW有效区分手机收集到的人们日常运动数据与异常震动数据，将地震事件与人类运动区分开来，减少人类活动对地震检测结果的影响，降低了虚警率。考虑到日常活动的周期性与异常震动的无序性，给出了一个高效的识别算法，通过多传感器数据融合来提高测量精度、减少测量误差。
附图说明
图1：基于STA/LTA+DTW的智能手机地震异常事件检测框架图；
图2：STA/LTA不同阈值threshold1下的准确率、虚警率与误警率示意图；
图3：传统STA/LTA门限算法与STA/LTA+DTW算法捡拾准确率与误警率的对比图；
图4：对收集到的单一行为事件、行为变换事件、异常事件等样本数据进行DTW算法分析与处理结果图；
图5：数据集特征值Rd取值分布图；
图6：序列Q和序列C之间的DTW值示意图。
具体实施方式
下面结合图1至图6，对本发明做进一步说明：
如图1所示，一种基于STA/LTA+DTW的智能手机地震异常事件检测方法及智能手机，首先，通过手机的加速度传感器捕获手机各种行为事件震动的加速度原始数据，之后采用STA/LTA门限触发算法对加速度原始数据进行震动感知，判断手机在现有状态下是否发生震动，手机现有状态包括静止状态和运动状态。
STA/LTA即信号短时窗平均值/信号长时窗平均值，通过两个数据集大小不同的时间信号序列，即STA和LTA之间的比值来描述信号能量或者幅值等特征在某一时间段内的变化趋势，长时窗来反映背景噪声的特征变化，短时窗反映目标信号即地震信号的特征变化，当有地震发生时，手机上接受到的时间序列信号在振幅上会发生巨大波动，反映短时间内信号特征的STA的变化幅度要明显大于反映长时间内信号特征的LTA的变化幅度，使 STA/LTA值出现突变，当STA/LTA值大于事先设定的STA/LTA门限触发算法触发阈值threshold1时，则判定手机发生了震动。
STA/LTA门限触发算法触发阈值threshold1过高或过低都会影响判断的结果，当设定的threshold1过高时，STA/LTA门限算法很难被触发，从而导致很多有效震动被忽略，当门限阈值设定过小时，很容易触发STA/LTA门限算法，造成很多非震动因素干扰，给系统带来繁多的工作。本发明通过对收集到的单一行为事件、行为变换事件、异常事件等样本数据进行STA/LTA门限算法分析与处理，取threshold1＝1.10、1.15、1.20、1.25、1.30、 1.50、1.70来判断震动检测效果的好坏，用准确率、误警率、虚警率三个指标来衡量效果，准确率为手机发生震动且触发了阈值threshold1的比例，误警率为手机发生震动未触发阈值threshold1的比例，虚警率为手机未发生震动却触发阈值 threshold1的比例。不同阈值threshold1下准确率、虚警率、误警率三者之间的关系如图1所示。
从图1中可以看出随着阈值threshold1取值的不断增大，准确率不断提高，虚警率不断减小，但是随着阈值threshold1 的继续增大，误警率开始出现并增大，这说明阈值threshold1 设置过高，一些有效震动未检测出来。通过实验法，对实验采样结果进行分析将阈值threshold1设定为1.3，当threshold1＝1.3 时，准确率最高，虚警率最低，并且未出现误警率。因此，当 STA/LTA值>1.3时，便判定有震动发生，当STA/LTA值<1.3时，判定手机仍处于原有状态，没有震动发生，通过STA/LTA门限算法可以很好地将单一行为事件从单一行为事件、行为变换事件、异常事件三类事件中筛选出来，即确定手机是否处于原有状态，但是却不能将行为变换事件与异常事件区分开来，尤其是当手机使用者在动作转换的时候，例如由步行走路到开始跑步时，单纯的STA/LTA门限算法会发生预警，做出异常事件发生的判断。
因此当判定手机有震动发生时，便会触发DTW算法对加速度原始数据进行处理，得出DTW特征值的相对变化率，将DTW特征值的相对变化率与设定的DTW特征值相对变化率阈值 threshold2进行比较，当DTW特征值的相对变化率≤threshold2 时，判定震动是由人类行为活动引起的，即是一种行为变换事件，当DTW特征值的相对变化率＞threshold2时，判定震动是一种异常震动，是由异常事件，即地震引起的。
人类的活动行为具有一定的周期性，手机采集到的人类行为的时间序列信号形成的波形也具有一定的周期性与规律性，不同时间段内的波形具有一定的相似性，在行为变换事件中行为变换前后的波形都体现出了这种特征。例如，当手机用户步行的时候，其信号采样随着行走表现出周期性规律，成为常用手机计步器的主要计步依据；同样在行为变化为跑步后，其跑步时的信号亦呈现出不同周期和步幅的规律。然而，相对于人类的日常活动，异常事件地震信号则显得较为无序，不同时间段内的波形差异性较大。
对收集到的单一行为事件、行为变换事件、异常事件等样本数据进行DTW算法分析与处理，结果如图4所示。从图4中可以看出单一行为事件的DTW值具有一定的稳定性，这是因为单一运动的周期规律性强，有着很好的信号相关性，行为变换事件和异常事件的DTW值都发生幅值跳跃，但行为变换事件的幅值跳跃较为缓慢，异常事件的较为剧烈，这是因为在行为变换前后动作信号的时间序列都具有很强的周期性而且动作变换信号不显得唐突，而异常事件在发生时信号较为唐突，与相邻时间窗的行为动作信号有较大的差距，从而在DTW值上产生剧烈的跳跃。不同的运动事件，例如停留，行走，跑步，上下楼梯具有不同的DTW 值稳定性，因而不可能根据DTW值确定事件的类别。但是，不同事件中DTW值的相对变化率不相同，所以通过DTW值的相对变化率来区分行为变换事件与异常事件计算公式如下所示：
式中DTW1与DTW2分别代表STA/LTA阈值threshold1触发后连续三个时间窗之间的DTW值。通过对DTW值得相对变化率Rd 值设定阈值threshold2来区分行为变化事件和异常事件。通过对行为变换事件和异常事件中触发了STA/LTA阈值threshold1 后的时间序列信号片段进行了DTW变化率的统计，如图5所示，行为变换类事件，即在图5中表示为C类事件，异常事件，即在图中表示为E类事件，在Rd值的分布上有明显的分界线，因此可以通过设定合适的阈值threshold2来高精度地区分这两类事件。
通过分析取threshold2＝0.5,1.0,1.5,2.0来判断其分类的效果，用事件的分类正确率来作为衡量指标，结果如下：
从上表中可以看出随着阈值threshold2的增大，行为变换类事件的识别准确率不断降低，异常事件类的识别准确率不断提高，当阈值threshold2从0.5增大到2.0时，行为变换类事件的识别准确率从100％降到了85.31％，异常事件类的识别准确率从71.43％提高到了100％。因此选择阈值threshold2＝1，当Rd ≤1时，判定该事件信号序列为行为变换事件，当Rd＞1时，则判定时间信号序列为异常事件，即地震事件发生。
DTW算法的基本原理如下：
假设有两个时间序列信号，一个长度为n的序列Q，一个长度为m的序列C，其中：
Q＝<q1,q2,...qi,...qn>；
C＝<c1,c2,...cj,...cm>；
m和n均为自然数，i为从1到n的自然数，j为从1到m 的自然数，为了使用DTW对齐这两个序列，首先构造一个n×m 矩阵，其中矩阵元素(i,j)表示qi和cj两个点的距离d(qi,cj)，一般采用欧式距离，d(qi,cj)＝(qi-cj)2，也可以理解为失真度。每一个矩阵元素(i,j)表示点qi和cj的对齐。
为了找到这两个序列之间的最佳匹配，通过检索矩阵的路径，使它们之间的总累积距离最小。特别是，最佳路径应是弯曲成本最小的路径，即：
其中wk是矩阵元素(i,j)k，也属于弯曲路径W的第k个元素的，弯曲路径W表示Q和C之间的映射的连续矩阵元素集合。
最佳路径的获取可以通过动态规划法迭代计算：
r(i,j)＝d(qi,cj)+min{r(i-1,j-1),r(i-1,j),r(i,j-1)}
其中γ(i,j)是d(i,j)和三个相邻单元中的累积距离最小的单元的累积距离,d(i,j)是在当前单元中的距离。
如图6所示，A表示两个相似但是异相的序列Q和C，B为了将两序列对齐，构建一个弯曲矩阵并搜索最佳弯曲路径，C为最佳对齐结果。
为了减少在计算过程中要考虑的路径数量，设置了以下几条约束条件：
(1)边界条件：规定匹配的路径为左下角朝向右上角；
(2)连续性条件：为了确保弯曲矩阵中所有的点都可能出现在匹配路径上，要求弯曲路径上的点只能和相邻的点连接；
(3)单调条件：弯曲路径是单调的，要求(i,j)的下一个点必须是(i+1,j)、(i,j+1)、(i+1,j+1)三个点中的一个。
具体的DTW算法流程如下所示：
算法DTW值求解：
输入：两条长度分别为m，n的时间序列T，R；
输出：两者之间的动态弯曲距离DTW(T,R)。
1.构建匹配距离矩阵d＝zeros(m,n)；
2.For(k＝1到k＝m)
For(j＝1到j＝n)
d(k,j)＝；//计算出两点之间的距离
End of
End of
3.DTW(T,R)＝f(m,n),f(k,j)＝d(k,j)+min；
4.返回DTW(T,R)。
上面结合附图对本发明进行了示例性的描述，显然本发明的实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。
Claims (8)
1.一种基于STA/LTA+DTW的智能手机地震异常事件检测方法，其特征在于，包括以下步骤：
步骤一，通过手机的加速度传感器捕获手机各种震动的加速度原始数据；
步骤二，采用STA/LTA门限触发算法对所述加速度原始数据进行处理，得出STA/LTA值，将STA/LTA值与设定的STA/LTA门限触发算法阈值threshold1进行比较，当STA/LTA值≤threshold1时，判定手机仍处于原有状态，没有震动发生，当STA/LTA值＞threshold1时，判定有震动发生；
步骤三，当判定有震动发生时，触发DTW算法对所述加速度原始数据进行处理，得出DTW特征值的相对变化率，将所述DTW特征值的相对变化率与设定的DTW特征值相对变化率阈值threshold2进行比较，当DTW特征值的相对变化率≤threshold2时，判定震动是由人类行为活动引起的，即是一种行为变换事件，当DTW特征值的相对变化率＞threshold2时，判定震动是一种异常震动，是由异常事件，即地震引起的。
2.根据权利要求1所述基于STA/LTA+DTW的智能手机地震异常事件检测方法，其特征在于：所述DTW特征值的相对变化率的计算公式为：
其中，Rd值为DTW特征值的相对变化率，DTW1与DTW2分别代表STA/LTA阈值触发后连续三个时间窗之间的DTW值。
3.根据权利要求2所述基于STA/LTA+DTW的智能手机地震异常事件检测方法，其特征在于：所述DTW算法流程如下，
步骤A，获取两个时间序列信号，一个长度为n的序列T和一个长度为m的序列R，其中，
T＝<T1，T2…Tk…Tn>；
R＝<R1，R2…Rj…Rm>；
n和m均为自然数,k为1到n的自然数，j为1到m的自然数；
步骤B，构建一个n×m的匹配距离矩阵，其中，d(k,j)为点Tk和点Rj之间的距离，其计算公式为：
步骤C，计算序列T和序列R之间的动态弯曲距离，即DTW(T,R)，计算公式为：
4.根据权利要求3所述基于STA/LTA+DTW的智能手机地震异常事件检测方法，其特征在于：步骤B中，设置的边界条件为，规定匹配的路径为左下角朝向右上角；连续性条件为，为了确保弯曲矩阵中所有的点都可能出现在匹配路径上，要求弯曲路径上的点只能和相邻的点连接；单调条件为，弯曲路径是单调的，要求(k,j)的下一个点必须是(k+1,j)、(k,j+1)、(k+1,j+1)3个点中的一个。
5.根据权利要求1-4中任一项所述基于STA/LTA+DTW的智能手机地震异常事件检测方法，其特征在于：所述threshold2为1。
6.根据权利要求1-5所述基于STA/LTA+DTW的智能手机地震异常事件检测方法，其特征在于：所述threshold1为1.3。
7.根据权利要求6所述基于STA/LTA+DTW的智能手机地震异常事件检测方法，其特征在于：步骤四，当判定震动为地震引起的异常震动时，智能手机向地震预警系统中心发送警报，当某一时刻向地震预警系统中心发送警报的手机数量超过其他时刻的数量并达到阈值时，地震预警系统中心便发布地震预警。
8.一种智能手机，其特征在：其使用所述权利要求1-7中的任何一项检测方法进行地震检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910904124.5A CN110650244A (zh) | 2019-09-24 | 2019-09-24 | 一种基于sta/lta+dtw的智能手机地震异常事件检测方法及智能手机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910904124.5A CN110650244A (zh) | 2019-09-24 | 2019-09-24 | 一种基于sta/lta+dtw的智能手机地震异常事件检测方法及智能手机 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110650244A true CN110650244A (zh) | 2020-01-03 |
Family
ID=69011320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910904124.5A Pending CN110650244A (zh) | 2019-09-24 | 2019-09-24 | 一种基于sta/lta+dtw的智能手机地震异常事件检测方法及智能手机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110650244A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111308552A (zh) * | 2020-03-24 | 2020-06-19 | 辽宁大学 | 一种低密度固定台站和高密度移动手机的冲击地压震源协同定位方法 |
| CN112348076A (zh) * | 2020-11-04 | 2021-02-09 | 长安大学 | 一种适用道路信息采集的多传感器数据融合方法 |
| CN115826046A (zh) * | 2022-12-14 | 2023-03-21 | 中国地震局地球物理研究所 | 一种基于神经网络的智能手机端地震事件识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105243388A (zh) * | 2015-09-09 | 2016-01-13 | 电子科技大学 | 基于动态时间规整和划分算法的波形分类方法 |
| WO2016201759A1 (zh) * | 2015-06-19 | 2016-12-22 | 陈毅然 | 基于移动互联网的全球地震地磁异常大数据监测预警系统及监测预警方法 |
-
2019
- 2019-09-24 CN CN201910904124.5A patent/CN110650244A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016201759A1 (zh) * | 2015-06-19 | 2016-12-22 | 陈毅然 | 基于移动互联网的全球地震地磁异常大数据监测预警系统及监测预警方法 |
| CN105243388A (zh) * | 2015-09-09 | 2016-01-13 | 电子科技大学 | 基于动态时间规整和划分算法的波形分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 何妹: "基于智能手机运动传感器采样的震动信号分析与检测方法", 《中国优秀硕士学位论文全文数据库》 * |
| 周勇: "时间序列时序关联规则挖掘研究", 《中国博士学位论文全文数据库》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111308552A (zh) * | 2020-03-24 | 2020-06-19 | 辽宁大学 | 一种低密度固定台站和高密度移动手机的冲击地压震源协同定位方法 |
| CN112348076A (zh) * | 2020-11-04 | 2021-02-09 | 长安大学 | 一种适用道路信息采集的多传感器数据融合方法 |
| CN112348076B (zh) * | 2020-11-04 | 2023-06-27 | 长安大学 | 一种适用道路信息采集的多传感器数据融合方法 |
| CN115826046A (zh) * | 2022-12-14 | 2023-03-21 | 中国地震局地球物理研究所 | 一种基于神经网络的智能手机端地震事件识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110650244A (zh) | 一种基于sta/lta+dtw的智能手机地震异常事件检测方法及智能手机 | |
| Ko et al. | Using dynamic time warping for online temporal fusion in multisensor systems | |
| CN110570613A (zh) | 基于分布式光纤系统的围栏振动入侵定位和模式识别方法 | |
| CN116484307B (zh) | 基于云计算智能戒指远程控制方法 | |
| Pires et al. | Identification of activities of daily living through data fusion on motion and magnetic sensors embedded on mobile devices | |
| CN105139029B (zh) | 一种监狱服刑人员的行为识别方法及装置 | |
| Nurwanto et al. | Light sport exercise detection based on smartwatch and smartphone using k-Nearest Neighbor and Dynamic Time Warping algorithm | |
| Ko et al. | Online context recognition in multisensor systems using dynamic time warping | |
| CN106023499B (zh) | 一种光纤安防信号双重识别方法及系统 | |
| Jaiswal et al. | Sound classification using convolutional neural networks | |
| KR101418333B1 (ko) | 사용자 동작 인식 장치 및 그 방법 | |
| Ferrero et al. | On gait recognition with smartphone accelerometer | |
| CN116821809B (zh) | 基于人工智能的生命体征数据采集系统 | |
| CN113221673B (zh) | 基于多尺度特征聚集的说话人认证方法及系统 | |
| CN107105092A (zh) | 一种基于动态时间规整的人体跌倒识别方法 | |
| CN113033654A (zh) | 基于WiFi信道状态信息的室内入侵检测方法及系统 | |
| Anchal et al. | UREDT: Unsupervised learning based real-time footfall event detection technique in seismic signal | |
| Ning et al. | Fall detection algorithm based on gradient boosting decision tree | |
| CN107123126A (zh) | 一种人流运动场景热度估计方法 | |
| CN113438239B (zh) | 一种基于深度k近邻的网络攻击检测方法及装置 | |
| Mamchur et al. | Person fall detection system based on video stream analysis | |
| CN107392106B (zh) | 一种基于双门限的人体活动端点检测方法 | |
| KR102303633B1 (ko) | 반려동물의 감정 및 상태 분석을 이용한 스마트 홈케어 시스템 | |
| CN107689127B (zh) | 具有自适应调参功能的光纤安防信号双重识别方法与系统 | |
| CN116186581A (zh) | 一种基于图脉冲神经网络的楼层识别方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200103 |