CN110852200A - 一种非接触式人体动作检测方法 - Google Patents

一种非接触式人体动作检测方法 Download PDF

Info

Publication number
CN110852200A
CN110852200A CN201911030616.2A CN201911030616A CN110852200A CN 110852200 A CN110852200 A CN 110852200A CN 201911030616 A CN201911030616 A CN 201911030616A CN 110852200 A CN110852200 A CN 110852200A
Authority
CN
China
Prior art keywords
signal
user
action
motion
time
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.)
Granted
Application number
CN201911030616.2A
Other languages
English (en)
Other versions
CN110852200B (zh
Inventor
肖江
李辉楚吴
刘宇翔
金海�
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201911030616.2A priority Critical patent/CN110852200B/zh
Publication of CN110852200A publication Critical patent/CN110852200A/zh
Application granted granted Critical
Publication of CN110852200B publication Critical patent/CN110852200B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

本发明公开了一种非接触式的人体动作检测方法，通过基于动作的多普勒效应所产生的频率偏移，根据所得信号时频图，得到连续动作的速度曲线；然后以速度曲线的极值点为分割点，对所得的信号时频图进行分片，得到信号片段；最后将信号片段特征表示向量输入到预训练好的动作检测模型进行检测，得到信号片段所属动作类型及其所属动作的开始及结束时间。在检测过程中无需要求用户在执行相邻两个动作之间保持一段静止状态即可精确的检测出用户的动作，在准确检测用户的连续动作的同时也可以保证用户的体验感较好。

Description

一种非接触式人体动作检测方法
技术领域
本发明属于人机交互手势识别技术领域，更具体地，涉及一种非接触式人体动作检测方法。
背景技术
近年来，由于健康意识的提升，健身已成为一种强身健体的主流方式。由于时间或经济的原因，多数人还未能接收专业的健身指导，在健身过程不能得到及时的反馈，健身效率低下。因此，经济且个性化的个人运动健身系统以成为学术界和工业界的未来研究趋势和热点。
目前的研究已提出利用图像信号，声音信号，红外线信号以及射频信号来检测动作的方法。由于信号本身的特点，这些方法适用的环境各不相同。在现有的非接触式动作识别方法中，一部分需要目标处于视距路径上。若目标被遮挡，只能通过想象的方式不可信的估计目标动作。尤其在更加复杂的室内环境下，目标会被更频繁的遮挡，因此，为保证这些方法的可靠性，其往往对环境布置有特殊的要求。
随着无线通信技术的发展，越来越多的无线设备被人们应用到生活当中。利用可穿墙的无线通信物理层信号实现手势动作的识别，已成为当前研究的热门方向。现有的非接触式人体动作检测方法通过使用户在执行两个相邻动作之间保持一段时间的静止状态，从而将与目标动作相关的信号响应从接收到的信号流中提取出来进行识别。然而，在实际生活场景中，用户的动作可能是连续的，若要求用户在每一个动作之后都要保持一个短时间的静止状态，会严重的影响用户体验，无法在不影响用户体验的情况下，准确检测用户的连续动作。
因此，如何在不影响用户体验的情况下，准确检测用户的连续动作是目前亟待解决的问题。
发明内容
针对现有技术的缺陷，本发明的目的在于提出一种非接触式的人体动作检测方法，旨在解决现有方法由于需要用户在执行相邻两个动作之间保持一段静止状态而导致的无法在不影响用户体验的情况下准确识别用户连续动作的问题。
为实现上述目的，本发明提供了一种非接触式的人体动作检测方法，包括以下步骤：
S1、发送端发送无线信号；
S2、接收端对其接收的无线信号进行预处理，得到经用户身体反射后的信号；
S3、根据所得经用户身体反射后的信号，得到其信号时频图；
S4、基于动作的多普勒效应所产生的频率偏移，根据所得信号时频图，得到连续动作的速度曲线；
S5、以速度曲线的极值点为分割点，对所得的信号时频图进行分片，得到信号片段；
S6、提取信号片段的特征，生成结构化的特征表示向量；
S7、将特征表示向量输入到预训练好的动作检测模型进行检测，得到信号片段所属动作类型及其所属动作的开始及结束时间。
通过以上步骤，可以在不影响用户体验的情况下，在用户的连续运动过程中准确检测用户的动作。
进一步优选地，发送端发送的无线信号包括恒定波传输信号、快速变化的传输信号和间歇传输信号。
进一步优选地，信号片段的特征表示向量包括信号片段的均值、中值、最大值、最小值、时长以及其所对应的速度曲线段的曲率。
进一步优选地，采用自编码器提取信号片段的特征。
进一步优选地，动作检测模型的训练方法包括以下步骤：
S71、采集用户处于自然运动状态时反射过来的无线信号，经过分片后得到自然运动状态样本集，与此同时，将采集到的无线信号中的部分信号进行变形、裁切、拼接和增加噪声操作后得到虚拟样本集；
S72、得到自然运动状态样本集和虚拟样本集中信号片段的特征表示向量，将各特征表示向量及其对应的动作类型作为训练样本集，输入到循环神经网络中进行训练，得到预训练好的动作检测模型。
通过以上过程增加了训练样本的多样性，使得动作检测模型具有较好的鲁棒性。
进一步优选地，本发明所提出的的非接触式的人体动作检测方法应用于人机交互手势识别技术领域。
进一步优选地，本发明所提出的的非接触式的人体动作检测方法应用于免携带设备的运动健身系统中。
通过本发明所构思的以上技术方案，与现有技术相比，能够取得下列有益效果：
1、本发明提出了一种非接触式的人体动作检测方法，通过分析用户两个相邻动作之间的动作速度特征，找出最佳分割点对信号时频图进行分片把动作分成一连串的片段，这里就每一个片段而言其都可能是一个动作的开始或结束阶段，然后采用训练好的动作检测模型对用户的连续动作进行检测，在检测过程中无需要求用户在执行相邻两个动作之间保持一段静止状态，也可精确的检测出用户的动作，在准确检测用户的连续动作的同时也可以保证用户的体验感较好。
2、本发明所提出的一种非接触式的人体动作检测方法，通过对循环神经网络进行训练得到动作检测模型，该模型具有时间记忆功能，在检测信号片段的过程中会结合之前检测到的信号片段的内容进行判断，考虑到相邻输入序列的相关性，检测结果更加准确。
3、本发明所提出的一种非接触式的人体动作检测方法，在训练动作检测模型时，除了收集用户处于自然运动状态下的数据，还将采集到的无线信号中的部分信号进行变形、裁切、拼接和增加噪声操作后得到虚拟样本集，从而得到大量的用户数据，增加了训练样本的多样性，使得动作检测模型具有较好的鲁棒性。
附图说明
图1是本发明所提出的一种非接触式的人体动作检测方法流程图；
图2是本发明实施例所提出的一种非接触式的人体动作检测方法应用场景示意图；
图3是本发明实施例所得的CSI信号时频图；
图4是本发明实施例所得的用户动作速度曲线示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为实现上述目的，本发明提供了一种非接触式的人体动作检测方法，如图1所示，包括以下步骤：
S1、发送端发送无线信号；具体的，发送端发送的无线信号可以为恒定波传输信号或者快速变化的传输信号或者间歇传输信号，其中，恒定波传输信号包括RFID信号，快速变化的传输信号包括TV信号，间歇传输信号包括Wi-Fi信号。
S2、接收端对其接收的无线信号进行预处理，得到经用户身体反射后的信号；
S3、根据所得经用户身体反射后的信号，得到其信号时频图；
S4、基于动作的多普勒效应所产生的频率偏移，根据所得信号时频图，得到连续动作的速度曲线；
S5、以速度曲线的极值点为分割点，对所得的信号时频图进行分片，得到信号片段；
S6、提取信号片段的特征，生成结构化的特征表示向量；具体的，可以采用自编码器提取信号片段的特征，信号片段的特征表示向量包括信号片段的均值、中值、最大值、最小值、时长以及其所对应的速度曲线段的曲率。
S7、将特征表示向量输入到预训练好的动作检测模型进行检测，得到信号片段所属动作类型及其所属动作的开始及结束时间。
具体的，动作检测模型的训练方法包括以下步骤：
S71、采集用户处于自然运动状态时反射过来的无线信号，经过分片后得到自然运动状态样本集，与此同时，将采集到的无线信号中的部分信号进行变形、裁切、拼接和增加噪声操作后得到虚拟样本集；
S72、得到自然运动状态样本集和虚拟样本集中信号片段的特征表示向量，将各特征表示向量及其对应的动作类型作为训练样本集，输入到循环神经网络中进行训练，得到预训练好的动作检测模型。
为了更进一步说明本发明所提供的非接触式的人体动作检测方法，结合附图以及具体实施方式进行详述：
本实施例以间歇传输信号Wi-Fi信号为例进行说明。通过本实施例所提供的非接触式人体动作检测方法检测人体的健身动作，如图2所示，用户在Wi-Fi信号的覆盖范围内进行运动，接收端接收到的信号包括：路由器直接发送过来的Wi-Fi信号、经墙壁等静态物体反射过来的Wi-Fi信号以及用户在运动过程中反射过来的Wi-Fi信号。
在本实施例中，使用无线网卡接收路由器发送Wi-Fi WLAN信号，在接收端利用低成本的商用无线网卡，如Intel Wi-Fi Link 5300AGN或Atheros AR9380，获取WLAN信号中正交频分复用技术传输的子载波形式的CSI信息。
具体的，本实施例所提供的一种非接触式的人体动作检测方法，包括以下步骤：
S1、发送端发送WLAN信号；
S2、接收端对其接收的无线信号进行预处理，得到经用户身体反射后的信号；
具体的，本实施例对WLAN信号的物理层信道状态信息CSI信号进行预处理，CSI信号是一个在子载波尺度上的物理层消息，是一条通信链路的信道属性，它反映了信号在每条传播路径上的衰弱因子。当仅有用户活动时，信号传播路径的变化仅与用户的动作有关。
由于处理电路质量以及多径效应的原因，接收到的信号存在大量的噪声。若直接使用未去噪的数据进行动作识别，其中的噪声将会严重影响最终的识别效果。因此，首先需要减弱甚至消除信号中的噪声。
具体的，在本实施例中，利用基于主成分分析算法对接收到的CSI信号进行降噪处理，减少特征维度；然后利用带通滤波器滤除静态路径的低频噪声以及环境中的高频噪声，从而得到经用户身体反射后的信号。
S3、根据所得经用户身体反射后的信号，得到其信号时频图；
具体的，本实施例中采用STFT算法对经用户身体反射后的信号进行处理，得到其信号时频图。
S4、基于动作的多普勒效应所产生的频率偏移，根据所得信号时频图，得到连续动作的速度曲线；
具体的，由于用户动作的影响，接收端接收的信号会因多普勒效应而产生频率偏移，并且该频率偏移与用户的运动速度强相关。对接收端接收到的时域信号进行短时傅里叶变换，得到CSI幅值信号时频图像，如图3所示，其中，横纵标为时间轴，纵坐标表示偏移频率。图中亮度与频率分量的幅值成正比，幅值较大的频率分量大多分布在低频信号部分。相较于四肢，躯干具有更大的反射面积，发送端发射的较多的WLAN信号会经由躯干发射反射到达接收端，具有更高的能量。由于躯干的运动速度常慢于四肢，其造成的偏移频率更低。故在如图3所示的信号时频图像中，频率分量高亮的部分与躯干运动有关，而频率分量的亮度较弱且频率较高部分与四肢的运动有关。另外用户动作的速度越快，动作的多普勒效应所产生的频率偏移越大，即信号时频图中的频率越大，反之越小。故本实施例中，将所有频率分量的幅值均分为十个能级。能级最高的分量其频率最低，可视为因身体无意识的细微运动，如呼吸造成的频率偏移。能级最低的分量其频率最高，可视为高频噪声引起的频率偏移。因此，本发明仅使用中间的8个能级，在时频图中标示出中间8个能级所对应的轮廓线，即为用户的运动速度曲线，如图4所示，其横纵标为时间轴，纵坐标表示偏移频率，偏移频率与用户的运动速度成正比，从而得到用户的连续动作的速度曲线。
S5、以速度曲线的极值点为分割点，对所得的信号时频图进行分片，得到信号片段；
具体的，通过观察发现，在两个连续动作之间，速度曲线所中的运动速度始终存在先减小再增大的现象。用户在衔接两个动作时，其整体速度首先会减小，进入一个类似动作结束的状态，然后再增大进入后一个动作的开始状态。故本发明根据动作速度曲线的极值点为分割点，如图4中的虚线所示，这些分割点最有可能是用户一个完整动作的开始和结束时间，在分割点所对应的时刻绘制分割线，对信号时频图进行分割，得到信号片段，从而把动作分割成一连串的动作片段。
S6、提取信号片段的特征，生成结构化的特征表示向量；
具体的，本实施采用自编码器提取信号片段的特征，得到结构化的信号片段的特征表示向量，其中，特征表示向量包括信号片段的均值、中值、最大值、最小值、时长以及其所对应的速度曲线段的曲率。
S7、将特征表示向量输入到预训练好的动作检测模型进行检测，得到信号片段所属动作类型及其所属动作的开始及结束时间。
具体的，动作检测模型的训练方法包括以下步骤：
S71、采集用户处于自然运动状态时反射过来的无线信号，经过分片后得到自然运动状态样本集，与此同时，将采集到的无线信号中的部分信号进行变形、裁切、拼接和增加噪声操作后得到虚拟样本集；
S72、得到自然运动状态样本集和虚拟样本集中信号片段的特征表示向量，将各特征表示向量及其对应的动作类型作为训练样本集，输入到循环神经网络中进行训练，得到预训练好的动作检测模型。
通过以上过程得到大量的用户数据，增加了训练样本的多样性，使得动作检测模型具有较好的鲁棒性，另外本实施例通过对循环神经网络进行训练得到动作检测模型，该模型具有时间记忆功能，在检测信号片段的过程中会结合之前检测到的信号片段的内容进行判断，考虑到相邻输入序列的相关性，检测结果更加准确。
将特征表示向量输入到预训练好的动作检测模型进行检测，由于动作检测模型具有记忆功能在检测各信号片段时会根据上下文信息进行判断，得到其所属动作类型，以及其所属动作的开始及结束时间。进而可以分析用户每一个动作完成的情况。
本发明提出了一种非接触式的人体动作检测方法，通过分析用户两个相邻动作之间的动作速度特征，找出最佳分割点对信号时频图进行分片，从而对用户的连续动作进行检测，在检测过程中无需要求用户在执行相邻两个动作之间保持一段静止状态，也可精确的检测出用户的动作，在准确检测用户的连续动作的同时也可以保证用户的体验感较好。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种非接触式的人体动作检测方法，其特征在于，包括以下步骤：
S1、发送端发送无线信号；
S2、接收端对其接收的无线信号进行预处理，得到经用户身体反射后的信号；
S3、根据所得经用户身体反射后的信号，得到其信号时频图；
S4、基于动作的多普勒效应所产生的频率偏移，根据所得信号时频图，得到连续动作的速度曲线；
S5、以速度曲线的极值点为分割点，对所得的信号时频图进行分片，得到信号片段；
S6、提取信号片段的特征，生成结构化的特征表示向量；
S7、将特征表示向量输入到预训练好的动作检测模型进行检测，得到信号片段所属动作类型及其所属动作的开始及结束时间。
2.根据权利要求1所述的非接触式的人体动作检测方法，其特征在于，发送端发送的无线信号包括恒定波传输信号、快速变化的传输信号和间歇传输信号。
3.根据权利要求1所述的非接触式的人体动作检测方法，其特征在于，信号片段的特征表示向量包括信号片段的均值、中值、最大值、最小值、时长以及其所对应的速度曲线段的曲率。
4.根据权利要求1所述的非接触式的人体动作检测方法，其特征在于，采用自编码器提取信号片段的特征。
5.根据权利要求1所述的非接触式的人体动作检测方法，其特征在于，动作检测模型的训练方法包括以下步骤：
S71、采集用户处于自然运动状态时反射过来的无线信号，经过分片后得到自然运动状态样本集，与此同时，将采集到的无线信号中的部分信号进行变形、裁切、拼接和增加噪声操作后得到虚拟样本集；
S72、得到自然运动状态样本集和虚拟样本集中信号片段的特征表示向量，将各特征表示向量及其对应的动作类型作为训练样本集，输入到循环神经网络中进行训练，得到预训练好的动作检测模型。
6.根据权利要求1所述的非接触式的人体动作检测方法，其特征在于，应用于人机交互手势识别技术领域。
7.根据权利要求6所述的非接触式的人体动作检测方法，其特征在于，应用于免携带设备的运动健身系统中。
CN201911030616.2A 2019-10-28 2019-10-28 一种非接触式人体动作检测方法 Active CN110852200B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911030616.2A CN110852200B (zh) 2019-10-28 2019-10-28 一种非接触式人体动作检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911030616.2A CN110852200B (zh) 2019-10-28 2019-10-28 一种非接触式人体动作检测方法

Publications (2)

Publication Number Publication Date
CN110852200A true CN110852200A (zh) 2020-02-28
CN110852200B CN110852200B (zh) 2023-05-12

Family

ID=69597996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911030616.2A Active CN110852200B (zh) 2019-10-28 2019-10-28 一种非接触式人体动作检测方法

Country Status (1)

Country Link
CN (1) CN110852200B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111811567A (zh) * 2020-07-21 2020-10-23 北京中科五极数据科技有限公司 一种基于曲线拐点比对的设备检测方法及相关装置
CN111914709A (zh) * 2020-07-23 2020-11-10 河南大学 针对WiFi信号行为识别的基于深度学习的动作分割框架构建方法
CN113033407A (zh) * 2021-03-26 2021-06-25 北京理工大学 一种利用智能音箱的非接触式健身监测方法
CN115002710A (zh) * 2022-05-20 2022-09-02 海信集团控股股份有限公司 运动监测方法及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388850A (zh) * 2018-02-08 2018-08-10 天津大学 一种基于k最近邻及微多普勒特征的人体动作识别方法
CN108564005A (zh) * 2018-03-26 2018-09-21 电子科技大学 一种基于卷积神经网络的人体跌倒辨识方法
CN109145889A (zh) * 2018-11-02 2019-01-04 中国电子科技网络信息安全有限公司 一种针对无线信号进行盲估计的明密文信号分类检测方法
CN109247923A (zh) * 2018-11-15 2019-01-22 中国科学院自动化研究所 基于视频的非接触式脉搏实时估计方法及设备
CN109520611A (zh) * 2018-11-08 2019-03-26 温州大学 一种地震模拟振动台工况的监测方法
CN110176250A (zh) * 2019-05-30 2019-08-27 哈尔滨工业大学 一种基于局部学习的鲁棒声学场景识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388850A (zh) * 2018-02-08 2018-08-10 天津大学 一种基于k最近邻及微多普勒特征的人体动作识别方法
CN108564005A (zh) * 2018-03-26 2018-09-21 电子科技大学 一种基于卷积神经网络的人体跌倒辨识方法
CN109145889A (zh) * 2018-11-02 2019-01-04 中国电子科技网络信息安全有限公司 一种针对无线信号进行盲估计的明密文信号分类检测方法
CN109520611A (zh) * 2018-11-08 2019-03-26 温州大学 一种地震模拟振动台工况的监测方法
CN109247923A (zh) * 2018-11-15 2019-01-22 中国科学院自动化研究所 基于视频的非接触式脉搏实时估计方法及设备
CN110176250A (zh) * 2019-05-30 2019-08-27 哈尔滨工业大学 一种基于局部学习的鲁棒声学场景识别方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111811567A (zh) * 2020-07-21 2020-10-23 北京中科五极数据科技有限公司 一种基于曲线拐点比对的设备检测方法及相关装置
CN111914709A (zh) * 2020-07-23 2020-11-10 河南大学 针对WiFi信号行为识别的基于深度学习的动作分割框架构建方法
CN111914709B (zh) * 2020-07-23 2024-02-06 河南大学 针对WiFi信号行为识别的基于深度学习的动作分割框架构建方法
CN113033407A (zh) * 2021-03-26 2021-06-25 北京理工大学 一种利用智能音箱的非接触式健身监测方法
CN113033407B (zh) * 2021-03-26 2022-07-22 北京理工大学 一种利用智能音箱的非接触式健身监测方法
CN115002710A (zh) * 2022-05-20 2022-09-02 海信集团控股股份有限公司 运动监测方法及电子设备

Also Published As

Publication number Publication date
CN110852200B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN110852200A (zh) 一种非接触式人体动作检测方法
Wang et al. Push the limit of acoustic gesture recognition
Yousefi et al. A survey on behavior recognition using WiFi channel state information
Xin et al. Freesense: Indoor human identification with Wi-Fi signals
CN104615244A (zh) 手势自动识别方法及系统
CN105573498B (zh) 一种基于Wi-Fi信号的手势识别方法
CN106604394A (zh) 一种基于csi的判定室内人体运动速度模型
CN110113116B (zh) 基于wifi信道信息的人体行为识别方法
CN110414468B (zh) WiFi环境下基于手势信号的身份验证方法
Xu et al. Attention-based gait recognition and walking direction estimation in wi-fi networks
Wang et al. CSI-based human sensing using model-based approaches: a survey
Jia et al. BeAware: Convolutional neural network (CNN) based user behavior understanding through WiFi channel state information
CN110059612A (zh) 一种基于信道状态信息的位置无关的手势识别方法及系统
CN104125523A (zh) 一种动感耳机系统及其使用方法
CN113609976A (zh) 一种基于WiFi设备的方向敏感多手势识别系统及方法
Zhu et al. Wi-ATCN: Attentional temporal convolutional network for human action prediction using WiFi channel state information
Chen et al. WiFace: Facial expression recognition using Wi-Fi signals
CN113918004A (zh) 手势识别方法及其装置、介质和系统
Pan et al. Dynamic hand gesture detection and recognition with WiFi signal based on 1d-CNN
Ammae et al. Unobtrusive detection of body movements during sleep using Wi-Fi received signal strength with model adaptation technique
CN110262278B (zh) 智能家电设备的控制方法及装置、智能电器设备
US20150208954A1 (en) Apparatus for analyzing human motion
Man et al. PWiG: A phase-based wireless gesture recognition system
Huang et al. PhaseAnti: An anti-interference WiFi-based activity recognition system using interference-independent phase component
Guo et al. A novel benchmark on human activity recognition using WiFi signals

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
GR01 Patent grant
GR01 Patent grant