CN111568437B - 一种非接触式离床实时监测方法 - Google Patents
一种非接触式离床实时监测方法 Download PDFInfo
- Publication number
- CN111568437B CN111568437B CN202010486721.3A CN202010486721A CN111568437B CN 111568437 B CN111568437 B CN 111568437B CN 202010486721 A CN202010486721 A CN 202010486721A CN 111568437 B CN111568437 B CN 111568437B
- Authority
- CN
- China
- Prior art keywords
- time
- monitoring
- threshold
- real
- bed
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000033001 locomotion Effects 0.000 claims abstract description 33
- 230000000007 visual effect Effects 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims abstract description 4
- 238000003491 array Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 230000004438 eyesight Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 230000006872 improvement Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000474 nursing effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
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
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
- A61B5/1115—Monitoring leaving of a patient support, e.g. a bed or a wheelchair
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Dentistry (AREA)
- Nursing (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种非接触式离床实时监测方法,包括以下步骤:S1.利用毫米波雷达实时采集电磁回波数据,根据回波的变化实时监测对象的运动与运动方向;S2.利用深度摄像头采集实时图像,基于视觉分析算法,计算监测对象的位置与个体生物特征;S3.基于以上两个步骤进行数据融合,提高对监测对象识别的精度,监测离床时间并对意外风险进行报警。本发明属所公开的非接触式离床实时监测方法,可以实时地监测用户夜间在床的状态,并对离床时间过长的异常情况进行报警。使用方便,可以对用户的夜间离床异常风险进行实时监测并报警,拥有极高的可靠性与很好的推广前景。
Description
技术领域
本发明属于非接触式传感器领域,具体涉及一种非接触式离床实时监测方法。
背景技术
在医院、社会福利院、精神病院和养老中心或家庭等护理机构中,病人、老人、残疾人夜间摔落病床或者离床后发生意外的情况时有发生,由于跌倒等意外事件带来的损伤极容易给老年人或病人带来严重甚至致命的损伤,倘若未能及时发现异常并且及时实施必要的救护措施,很可能会对老年人或者病人造成不可逆的不利影响甚至严重威胁生命安全。不仅是护理机构,在有孩子的家庭中也会经常出现夜间孩子睡觉过程中跌落床下而未能及时发现的事故,由于孩子未能及时发现而容易着凉、生病,影响孩子健康的同时耽误家长的工作。因此,为改善对老年人或病人的照护状况,大大降低夜间意外事件对老年人或病人健康与生命安全所带来的威胁,在夜间对于老年人或病人进行离床监测是十分有意义的。
目前有很多研究与产品使用压力传感器、红外传感器、摄像头等进行离床监测,如申请号为201610024087.5的发明专利公开了一种使用嵌入式系统从压力传感器中获取压力数据,并进一步分析在离床状态与进行报警的方法,但是使用压力传感器存在蠕变、漂移或者接触摩擦等问题;如申请号201710347552.3的发明专利公开了一种使用红外传感器网络与嵌入式系统来对离床或坠床事件进行监测并进行报警的方法,但红外传感器易受到环境因素的影响且阈值方法实现的准确率与误报率并不优秀;如申请号201280042058.1的发明专利公开了一种使用加速度计来对离床事件进行监测的方法,但穿戴式传感器容易对睡眠产生影响并且加速度信号分析离床运动的方法往往误报率高,容易受到其他相似运动的影响。
发明内容
本发明的目的在于解决现有技术中寿命短、抗干扰性低、误报率高等缺陷,并提供一种新型的用于非接触式设备的呼吸实时监测方法。
本发明为解决技术问题,所采用的具体技术方案如下:
一种非接触式离床实时监测方法,包括以下步骤:
S1.利用毫米波雷达实时采集电磁回波数据,根据回波的变化实时监测对象的运动与运动方向;
S2.利用深度摄像头采集实时图像,基于视觉分析算法,计算监测对象的位置与个体生物特征;
S3.基于步骤S1的分析结果和步骤S2中方法的算法结果进行数据融合,提高对监测对象识别的精度,监测离床时间并对意外风险进行报警。
通过采用上述技术方案,采用非穿戴式、非接触式的方式可监测用户的离床情况,不影响监测对象的生活,使用方便,易于推广。
作为本发明的进一步改进,步骤S1中,所述回波经过AD转换为复数原始数据,经过三维傅里叶变换后转换为方位角-俯仰角-距离的三维复数组S(i,j,k,t),其中,i为不同方位角的索引,j为不同俯仰角的索引,k为不同距离的索引,t为时间;
计算在每一个时刻通过时间差分数组:
dS(i,j,k,t)=|S(i,j,k,t)|-|S(i,j,k,t-1)|;
通过所述时间差分数组来计算监测对象发生运动的概率指标:
其中,sqrt为平方根,m为方位角方向上天线阵列的个数,n为俯仰角方向上天线阵列的个数,kstart为关注范围最小距离对应的索引,kend为关注范围最大距离对应的索引;当P(t)>PThreshold时,判定监测对象发生了运动,PThreshold为概率指标阈值;
当检测到对象发生运动时,基于空间分布估计监测对象运动的方向指标d(t):
然后计算监测对象的运动方向的估计概率指标D(t):
其中,m为方位角方向上天线阵列的个数,n为俯仰角方向上天线阵列的个数,kstart为关注范围最小距离对应的索引,kend为关注范围最大距离对应的索引,aij为提取运动方向特征卷积基中的可调权重,tw为窗口时间长度。通过采用上述技术方案,可对监测对象的运动情况进行监测,便于后续步骤的运行和处理。
作为本发明的进一步改进,步骤S2中,所述视觉分析算法使用深度卷积神经网络算法对采集的图像进行人脸监测与人物对象检测,并输出实时检测到的图像中人物对象的框图位置,从而估计监测对象的二维位置;
当检测到人脸时,所述视觉分析算法使用深度卷积神经网络算法进行人脸识别,通过将人脸识别算法中提取的特征向量与预先拍摄记录的标准照片进行比对,当所述特征向量之间的绝对差小于阈值时,断定识别到的人脸为监测对象。通过采用上述技术方案,采用非接触式的方法即可得出被监测对象的个体特征。
作为本发明的进一步改进,步骤S3中,所述数据融合方法使用雷达运动分析结果对所述的视觉识别算法结果进行修正,非接触式离床实时监测方法中设有安全区域,当前一帧的视觉识别结果中安全区域内存在监测对象时,对当前视觉识别结果进行修正:
HD(t)=HD(t-1),if P(t)<PThreshold or|D(t)|<DThreshold;
(x,y,z)Hunam(t)=(x,y,z)Hunam(t-1),if P(t)<PThreshold or|D(t)|
<DThreshold
其中,HD(t)为二值量,为t时刻是否识别到人物对象,(x,y,z)Hunam(t)为t时刻识别到人物对象的位置,P(t)为监测对象发生运动的概率指标,D(t)为对监测对象的运动方向估计概率指标,PThreshold为概率指标阈值,DThreshold为估计概率指标阈值。通过采用上述技术方案,可以得出监测对象的位置,便于后续步骤的运算和处理。
作为本发明的进一步改进,所述监测对象位置离开监测的安全区域后,判定为离床行为,记录离床行为发生的时间t0,当t-t0>tThreshold时,进行报警,tThreshold为人为设定的时间阈值。通过采用上述技术方案,可以得出监测对象的离床时间,便于监测。
一种采用上述任一项方案所述的非接触式离床实时监测方法的硬件系统,包括毫米波雷达、深度摄像头与wifi模块,毫米波雷达与wifi模块进行通信连接、摄像头与wifi模块进行通信连接。通过采用上述技术方案,毫米波雷达作为发射信号波形的传感器,可向环境中不断地向特定方向发射调频连续波,电磁波在到达环境中的对象后被反射,被反射的电磁波到达毫米波雷达处,接收天线产生相应的感应电信号,便于wifi模块接收和处理相应的信号,利用上述步骤和方法得到监测对象的离床情况。
作为本发明的进一步改进,所述wifi模块接入互联网与服务器进行通信,所述的服务器在接收到wifi模块发送的报警信号后向系统绑定的报警提示手机发送报警提示。通过采用上述技术方案,使用方便,预警高效。
作为本发明的进一步改进,所述硬件系统通过可调支架安装于床尾并高于床面,可调支架与床尾连接的部位,在可调支架上设置有卡槽,所述硬件系统中传感器平面与床面形成60°的夹角。通过采用上述技术方案,安装便利,60°的夹角有利于数据的采集和精准反馈。
作为本发明的进一步改进,所述毫米波雷达具有多发多收的贴片发射天线与接收天线,所述的发射天线发出以频率A为中心频率,且具有带宽B的调频连续波,所述的接收天线接收被监测对象反射的回波。通过采用上述技术方案,有利于数据的采集。
作为本发明的进一步改进,所述频率A为79GHz,所述带宽B为4GHz。通过采用上述技术方案,频率A及带宽B的具体取值,为本发明的一种优选方案,便于数据的高效、全面采集。
上述各优选方式中的技术特征在不相互冲突的前提下,均可进行相互组合,不构成限制。
本发明相对于现有技术而言,其有益效果是:
1)使用本发明监测用户呼吸运动的方式是一种非穿戴式非接触式的方式,不影响监测对象的生活,使用方便,易于推广。
2)使用本发明中的监测与分析方法,能够提高监测结果的准确性,降低误报率,拥有较好的应用价值以及广泛的应用范围。
3)本发明的离床监测系统具有更好的抗干扰性与环境适应性。
附图说明
图1为本发明中硬件系统结构框图;
图2为本发明中硬件系统安装运行示意图;
图中:1、硬件系统;2、可调支架。
具体实施方式
下面结合附图对本发明进行进一步说明,因便于更好地理解。本发明中的技术特征在不相互冲突的前提下,均可进行相互组合,不构成限制。
实施例1
本发明中的一种非接触式离床实时监测方法,包括以下步骤:
S1.利用毫米波雷达实时采集电磁回波数据,根据回波的变化实时监测对象的运动与运动方向;
S2.利用深度摄像头采集实时图像,基于视觉分析算法,计算监测对象的位置与个体生物特征;
S3.基于步骤S1的分析结果和步骤S2中方法的算法结果进行数据融合,提高对监测对象识别的精度,监测离床时间并对意外风险进行报警。
步骤S1中,回波经过AD转换为复数原始数据,经过三维傅里叶变换后转换为方位角-俯仰角-距离的三维复数组S(i,j,k,t),其中,i为不同方位角的索引,j为不同俯仰角的索引,k为不同距离的索引,t为时间;AD转换为模数转换,就是把模拟信号转换成数字信号;
计算在每一个时刻的时间差分数组:
dS(i,j,k,t)=|S(i,j,k,t)|-|S(i,j,k,t-1)|;
通过所述时间差分数组来计算监测对象发生运动的概率指标:
其中,sqrt为平方根,m为方位角方向上天线阵列的个数,n为俯仰角方向上天线阵列的个数,kstart为关注范围最小距离对应的索引,kend为关注范围最大距离对应的索引;当P(t)>PThreshold时,判定监测对象发生了运动,PThreshold为概率指标阈值,为最小值;
当检测到对象发生运动时,基于空间分布估计监测对象运动的方向指标d(t):
然后计算监测对象的运动方向的估计概率指标D(t):
其中,m为方位角方向上天线阵列的个数,n为俯仰角方向上天线阵列的个数,kstart为关注范围最小距离对应的索引,kend为关注范围最大距离对应的索引,aij为提取运动方向特征卷积基中的可调权重,tw为窗口时间长度。权重参数可以通过对目标函数在线学习调整来进一步优化。
步骤S2中,视觉分析算法使用深度卷积神经网络算法对采集的图像进行人脸监测与人物对象检测,深度卷积神经网络算法可采用现有的yolo3算法,并输出实时检测到的图像中人物对象的框图位置,从而估计监测对象的二维位置;
当检测到人脸时,视觉分析算法使用深度卷积神经网络算法进行人脸识别,通过将人脸识别算法中提取的特征向量与预先拍摄记录的标准照片进行比对,当特征向量之间的绝对差小于阈值时,断定识别到的人脸为监测对象。若所述的人脸识别对象与预先绑定的人脸特征不一致时,则认为监测对象不在床上。
步骤S3中,数据融合方法使用雷达运动分析结果对视觉识别算法结果进行修正,非接触式离床实时监测方法中设有安全区域,当前一帧的视觉识别结果中安全区域内存在监测对象时,对当前视觉识别结果进行修正:
HD(t)=HD(t-1),if P(t)<PThreshold or|D(t)|<DThreshold;
(x,y,z)Hunam(t)=(x,y,z)Hunam(t-1),if P(t)<PThreshold or|D(t)|
<DThreshold
其中,HD(t)为二值量,为t时刻是否识别到人物对象,(x,y,z)Hunam(t)为t时刻识别到人物对象的位置,P(t)为监测对象发生运动的概率指标,D(t)为对监测对象的运动方向估计概率指标,PThreshold为概率指标阈值,DThreshold为估计概率指标阈值。
监测对象位置离开监测的安全区域后,判定为离床行为,记录离床行为发生的时间t0,当t-t0>tThreshold时,进行报警,tThreshold为人为设定的时间阈值。
实施例2
如图1,一种采用上述实施例1非接触式离床实时监测方法的硬件系统,硬件系统1包括毫米波雷达、深度摄像头与wifi模块,毫米波雷达与wifi模块进行通信连接、摄像头与wifi模块进行通信连接。毫米波雷达,是工作在毫米波波段(millimeter wave)探测的雷达。通常毫米波是指30~300GHz频域(波长为1~10mm)的。
wifi模块接入互联网与服务器进行通信,服务器在接收到wifi模块发送的报警信号后向系统绑定的报警提示手机发送报警提示。
如图2,硬件系统通过可调支架2安装于床尾并高于床面,可调支架与床尾连接的部位,在可调支架上设置有卡槽,硬件系统中传感器平面与床面形成60°的夹角。
毫米波雷达具有多发多收的贴片发射天线与接收天线,发射天线发出以频率A为中心频率,且具有带宽B的调频连续波,接收天线接收被监测对象反射的回波。频率A为79GHz,带宽B为4GHz。
更详细地,非接触式离床实时监测方法的硬件系统包括毫米波雷达、深度摄像头与wifi模块,并可内置或外接电源模块,通过电源模块将外部市电转5V分别给毫米波雷达和wifi模块供电,通过外部市电转5V或12V等给摄像头模块供电,毫米波雷达与wifi模块、摄像头与wifi模块硬件连接,通过比如串口等方式进行通信,上位机融合算法、报警信号触发、系统参数配置等可以在wifi模块中进行运算。系统中所述的毫米波雷达具有MIMO(多输入多输出(Multi Input Multi Output))的贴片天线结构,Tx发射天线不断地向特定方向发射调频连续波,电磁波在到达环境中的对象后被反射,被反射的电磁波到达毫米波雷达处Rx接收天线产生相应的感应电信号,通过AD采样电路实时采集回波信号并进行硬件层的混频、滤波等处理。系统中深度摄像头能够采集视角中的图像信息与深度信息,至少具有1080×720的分辨率,具有红外夜视的功能,能够在夜晚黑暗的环境中采集清晰的图像。系统中所述wifi模块具有板载天线与处理器,能够通过无线信号接入互联网与服务器进行通信,服务器在接收到wifi模块发送的报警信号后向系统绑定的报警提示手机发送报警提示。如图2所示,硬件系统1通过可调支架2与卡槽安装于床尾,通过拧紧夹紧螺丝进行固定,可调支架具有多个可调整的关节自由度,能够调整传感器高于床面的高度、监测方向等。wifi模块可内置或外连数据存储模块,以对相应的数据进行存储。
以上实施例只是本发明的一些较佳的方案,然而其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭示如上,然而并非用以限定本发明,任何本领域技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (9)
1.一种非接触式离床实时监测方法,其特征在于,包括以下步骤:
S1.利用毫米波雷达实时采集电磁回波数据,根据回波的变化实时监测对象的运动与运动方向;
S2.利用深度摄像头采集实时图像,基于视觉分析算法,计算监测对象的位置与个体生物特征;
S3.基于步骤S1的分析结果和步骤S2中方法的算法结果进行数据融合,提高对监测对象识别的精度,监测离床时间并对意外风险进行报警;
步骤S1中,所述回波经过AD转换为复数原始数据,经过三维傅里叶变换后转换为方位角-俯仰角-距离的三维复数组S(i,j,k,t),其中,i为不同方位角的索引,j为不同俯仰角的索引,k为不同距离的索引,t为时间;
计算在每一个时刻的时间差分数组:
dS(i,j,k,t)=|S(i,j,k,t)|-|S(i,j,k,t-1)|;
通过所述时间差分数组来计算监测对象发生运动的概率指标:
其中,sqrt为平方根,m为方位角方向上天线阵列的个数,n为俯仰角方向上天线阵列的个数,kstart为关注范围最小距离对应的索引,kend为关注范围最大距离对应的索引;
当P(t)>PThreshold时,判定监测对象发生了运动,PThreshold为概率指标阈值;
当检测到对象发生运动时,基于空间分布估计监测对象运动的方向指标d(t):
然后计算监测对象的运动方向的估计概率指标D(t):
其中,m为方位角方向上天线阵列的个数,n为俯仰角方向上天线阵列的个数,kstart为关注范围最小距离对应的索引,kend为关注范围最大距离对应的索引,aij为提取运动方向特征卷积基中的可调权重,tw为窗口时间长度。
2.如权利要求1所述的非接触式离床实时监测方法,其特征在于,步骤S2中,所述视觉分析算法使用深度卷积神经网络算法对采集的图像进行人脸监测与人物对象检测,并输出实时检测到的图像中人物对象的框图位置,从而估计监测对象的二维位置;
当检测到人脸时,所述视觉分析算法使用深度卷积神经网络算法进行人脸识别,通过将人脸识别算法中提取的特征向量与预先拍摄记录的标准照片进行比对,当所述特征向量之间的绝对差小于阈值时,断定识别到的人脸为监测对象。
3.如权利要求1所述的非接触式离床实时监测方法,其特征在于,步骤S3中,所述数据融合方法使用雷达运动分析结果对视觉分析算法结果进行修正,非接触式离床实时监测方法中设有安全区域,当前一帧的视觉识别结果中安全区域内存在监测对象时,对当前视觉识别结果进行修正:
HD(t)=HD(t-1),if P(t)<PThresholdor|D(t)|<DThreshold;
(x,y,z)Hunam(t)=(x,y,z)Hunam(t-1),if P(t)<PThresholdor|D(t)|<DThreshold
其中,HD(t)为二值量,为t时刻是否识别到人物对象,(x,y,z)Hunam(t)为t时刻识别到人物对象的位置,P(t)为监测对象发生运动的概率指标,D(t)为对监测对象的运动方向估计概率指标,PThreshold为概率指标阈值,DThreshold为估计概率指标阈值。
4.如权利要求3所述的非接触式离床实时监测方法,其特征在于,所述监测对象位置离开监测的安全区域后,判定为离床行为,记录离床行为发生的时间t0,当t-t0>tThreshold时,进行报警,tThreshold为人为设定的时间阈值。
5.一种采用如权利要求1-4任一项所述的非接触式离床实时监测方法的硬件系统,其特征在于,包括毫米波雷达、深度摄像头与wifi模块,毫米波雷达与wifi模块进行通信连接、摄像头与wifi模块进行通信连接。
6.如权利要求5所述的硬件系统,其特征在于,所述wifi模块接入互联网与服务器进行通信,所述服务器在接收到wifi模块发送的报警信号后向系统绑定的报警提示手机发送报警提示。
7.如权利要求5所述的硬件系统,其特征在于,所述硬件系统通过可调支架安装于床尾并高于床面,可调支架与床尾连接的部位,在可调支架上设置有卡槽,所述硬件系统中传感器平面与床面形成60°的夹角。
8.如权利要求5所述的硬件系统,其特征在于,所述毫米波雷达具有多发多收的贴片发射天线与接收天线,所述的发射天线发出以频率A为中心频率,且具有带宽B的调频连续波,所述的接收天线接收被监测对象反射的回波。
9.如权利要求8所述的硬件系统,其特征在于,所述频率A为79GHz,所述带宽B为4GHz。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010486721.3A CN111568437B (zh) | 2020-06-01 | 2020-06-01 | 一种非接触式离床实时监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010486721.3A CN111568437B (zh) | 2020-06-01 | 2020-06-01 | 一种非接触式离床实时监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111568437A CN111568437A (zh) | 2020-08-25 |
CN111568437B true CN111568437B (zh) | 2021-07-09 |
Family
ID=72116052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010486721.3A Active CN111568437B (zh) | 2020-06-01 | 2020-06-01 | 一种非接触式离床实时监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111568437B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112287821B (zh) * | 2020-10-28 | 2023-08-11 | 业成科技(成都)有限公司 | 照护对象行为监测方法、装置、计算机设备和存储介质 |
CN112617821B (zh) * | 2020-12-30 | 2022-05-17 | 山东沃尔德生物技术有限公司 | 老年人着床、离床监测系统及监测方法 |
CN112782681B (zh) * | 2020-12-31 | 2024-05-24 | 杭州电子科技大学 | 基于毫米波与物联网的室内定位与跌倒检测系统及方法 |
CN113633280B (zh) * | 2021-08-13 | 2023-08-22 | 上海跃扬医疗科技有限公司 | 在床离床检测方法、检测系统、设备及存储介质 |
CN113842126A (zh) * | 2021-09-16 | 2021-12-28 | 珠海格力电器股份有限公司 | 监护方法、装置、电子设备及存储介质 |
CN114913978A (zh) * | 2022-03-31 | 2022-08-16 | 杭州中科先进技术研究院有限公司 | 一种体征昼夜持续管理系统与装置 |
CN116863500B (zh) * | 2023-06-14 | 2024-05-10 | 中国人民解放军总医院第一医学中心 | 一种患者离床监控方法和系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006320517A (ja) * | 2005-05-19 | 2006-11-30 | Yamaguchi Univ | 異常検知通報装置 |
WO2015114902A1 (ja) * | 2014-01-29 | 2015-08-06 | シャープ株式会社 | 離床判定装置および離床判定方法 |
CN107590433A (zh) * | 2017-08-04 | 2018-01-16 | 湖南星云智能科技有限公司 | 一种基于毫米波雷达和车载摄像头的行人检测方法 |
CN108764190A (zh) * | 2018-06-04 | 2018-11-06 | 山东财经大学 | 老年人离床与在床状态的视频监测方法 |
CN108983219A (zh) * | 2018-08-17 | 2018-12-11 | 北京航空航天大学 | 一种交通场景的图像信息和雷达信息的融合方法及系统 |
CN109920185A (zh) * | 2019-04-16 | 2019-06-21 | 中科九度(北京)空间信息技术有限责任公司 | 一种基于毫米波雷达与视频数据融合检测移动目标的方法 |
WO2019205314A1 (zh) * | 2018-04-23 | 2019-10-31 | 深圳市友宏科技有限公司 | 一种睡眠监测方法、存储介质以及装置 |
CN110440801A (zh) * | 2019-07-08 | 2019-11-12 | 浙江吉利控股集团有限公司 | 一种定位感知信息获取方法、装置及系统 |
CN209847627U (zh) * | 2018-11-23 | 2019-12-27 | 医惠科技有限公司 | 具有离床检测功能的护理床 |
CN111166342A (zh) * | 2020-01-07 | 2020-05-19 | 四川宇然智荟科技有限公司 | 一种毫米波雷达和摄像头融合跌倒检测装置及其检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105049511B (zh) * | 2015-07-29 | 2018-04-10 | 浙江大学 | 一种压力分布式传感器及其智能病床监控系统和监控方法 |
WO2018227449A1 (en) * | 2017-06-15 | 2018-12-20 | Shanghai United Imaging Healthcare Co., Ltd. | Imaging systems and methods thereof |
US10835436B2 (en) * | 2017-10-04 | 2020-11-17 | Hill-Rom Services, Inc. | Method and system for assessing compliance with a patient repositioning protocol |
TWI666933B (zh) * | 2018-04-02 | 2019-07-21 | 緯創資通股份有限公司 | 物件監控方法及其運算裝置 |
CN110410985A (zh) * | 2019-08-07 | 2019-11-05 | 珠海格力电器股份有限公司 | 一种智能睡眠监控方法、计算机可读存储介质及空调 |
CN110991226A (zh) * | 2020-01-16 | 2020-04-10 | 常熟理工学院 | 基于重构模型的人体运动意向检测方法 |
-
2020
- 2020-06-01 CN CN202010486721.3A patent/CN111568437B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006320517A (ja) * | 2005-05-19 | 2006-11-30 | Yamaguchi Univ | 異常検知通報装置 |
WO2015114902A1 (ja) * | 2014-01-29 | 2015-08-06 | シャープ株式会社 | 離床判定装置および離床判定方法 |
CN107590433A (zh) * | 2017-08-04 | 2018-01-16 | 湖南星云智能科技有限公司 | 一种基于毫米波雷达和车载摄像头的行人检测方法 |
WO2019205314A1 (zh) * | 2018-04-23 | 2019-10-31 | 深圳市友宏科技有限公司 | 一种睡眠监测方法、存储介质以及装置 |
CN108764190A (zh) * | 2018-06-04 | 2018-11-06 | 山东财经大学 | 老年人离床与在床状态的视频监测方法 |
CN108983219A (zh) * | 2018-08-17 | 2018-12-11 | 北京航空航天大学 | 一种交通场景的图像信息和雷达信息的融合方法及系统 |
CN209847627U (zh) * | 2018-11-23 | 2019-12-27 | 医惠科技有限公司 | 具有离床检测功能的护理床 |
CN109920185A (zh) * | 2019-04-16 | 2019-06-21 | 中科九度(北京)空间信息技术有限责任公司 | 一种基于毫米波雷达与视频数据融合检测移动目标的方法 |
CN110440801A (zh) * | 2019-07-08 | 2019-11-12 | 浙江吉利控股集团有限公司 | 一种定位感知信息获取方法、装置及系统 |
CN111166342A (zh) * | 2020-01-07 | 2020-05-19 | 四川宇然智荟科技有限公司 | 一种毫米波雷达和摄像头融合跌倒检测装置及其检测方法 |
Non-Patent Citations (2)
Title |
---|
Evaluation on Step Counting Performance of Wristband Activity Monitors in Daily Living Environment;LEI WANG;《SPECIAL SECTION ON HEALTHCARE BIG DATA》;20170612;第13020-13027页 * |
基于毫米波雷达和机器视觉的夜间前方车辆检测研究;程蕾;《CNKI优秀硕士学位论文全文库》;20160915;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111568437A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111568437B (zh) | 一种非接触式离床实时监测方法 | |
CN112716474A (zh) | 基于生物微波雷达的非接触式睡眠状态监测方法和系统 | |
CN112998701A (zh) | 基于毫米波雷达的生命体征检测与身份识别系统和方法 | |
CN108852311A (zh) | 一种基于蓝牙室内定位的老人生理数据采集系统 | |
Chen et al. | Activity recognition based on micro-Doppler signature with in-home Wi-Fi | |
Cao et al. | Contactless body movement recognition during sleep via WiFi signals | |
CN111568417B (zh) | 一种非接触式呼吸实时监测方法及采用该方法的硬件系统 | |
Ruan et al. | Tagfall: Towards unobstructive fine-grained fall detection based on uhf passive rfid tags | |
Zhu et al. | TagCare: Using RFIDs to monitor the status of the elderly living alone | |
Gu et al. | SleepGuardian: An RF-based healthcare system guarding your sleep from afar | |
CN109239707A (zh) | 行为状态检测设备及方法 | |
EP4029439B1 (en) | Method for monitoring a recumbent patient to obtain information on a body position of the patient | |
CN113030948A (zh) | 一种基于目标跟随毫米波雷达的跌倒检测系统及方法 | |
CN108519159A (zh) | 一种室内老人状态实时监测系统 | |
CN114305355A (zh) | 基于毫米波雷达的呼吸心跳检测方法、系统及装置 | |
CN114190913A (zh) | 一种基于毫米波雷达的驾驶人员驾驶状态监测系统及方法 | |
CN112232266B (zh) | 一种基于运动姿态识别的人机物联穿戴设备 | |
Luo et al. | Human sleep posture recognition method based on interactive learning of ultra-long short-term information | |
CN117218793A (zh) | 一种高准确率的居家式跌倒报警智能机器人 | |
CN116520315A (zh) | 一种目标识别系统、目标识别方法以及目标识别装置 | |
CN110946555A (zh) | 一种呼吸骤停检测报警系统 | |
Chen et al. | Non-contact monitoring of fatigue driving using FMCW millimeter wave radar | |
CN115886800A (zh) | 基于wifi信号的跌倒检测方法、装置、电子设备和存储介质 | |
US11574532B2 (en) | Visible-light-image physiological monitoring system with thermal detecting assistance | |
CN215078369U (zh) | 一种基于生物微波雷达的非接触式睡眠状态监测系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |