CN111815906B - 基于无线信号识别的摔倒监测方法和系统 - Google Patents

基于无线信号识别的摔倒监测方法和系统 Download PDF

Info

Publication number
CN111815906B
CN111815906B CN202010753018.4A CN202010753018A CN111815906B CN 111815906 B CN111815906 B CN 111815906B CN 202010753018 A CN202010753018 A CN 202010753018A CN 111815906 B CN111815906 B CN 111815906B
Authority
CN
China
Prior art keywords
module
signal data
wifi
microwave
data
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
Application number
CN202010753018.4A
Other languages
English (en)
Other versions
CN111815906A (zh
Inventor
苏瀚
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.)
Suzhou Miaomi Intelligent Technology Co ltd
Original Assignee
Suzhou Miaomi Intelligent Technology Co ltd
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 Suzhou Miaomi Intelligent Technology Co ltd filed Critical Suzhou Miaomi Intelligent Technology Co ltd
Priority to CN202010753018.4A priority Critical patent/CN111815906B/zh
Publication of CN111815906A publication Critical patent/CN111815906A/zh
Application granted granted Critical
Publication of CN111815906B publication Critical patent/CN111815906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438—Sensor means for detecting
    • G08B21/0446—Sensor means for detecting worn on the body to detect changes of posture, e.g. a fall, inclination, acceleration, gait
    • 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
    • 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
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438—Sensor means for detecting
    • G08B21/0492—Sensor dual technology, i.e. two or more technologies collaborate to extract unsafe condition, e.g. video tracking and RFID tracking
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

基于无线信号识别的摔倒监测方法和系统，在wifi信号源周围设置wifi采集模块及微波采集模块，wifi采集模块采集Wifi信号数据，微波采集模块采集微波信号数据，数据训练系统对采集的微波信号数据、Wifi信号数据进行分析，分别形成训练模型；实时判断系统通过所述训练模型，结合微波数据得到的人体高度、距离和速度信息，经过数据融合判断结果得到摔倒监测的判断结果。本发明具有以下优点：不干涉被检监护者正常的生活习惯；电磁强度低对人体无辐射；覆盖范围广；方便计算存储、计算量小；很好的保护用户的隐私；功率低、供电方式与当前家用电器一致；在不改变硬件的基础上可以组合形成多个产品解决方案；价格低廉。

Description

基于无线信号识别的摔倒监测方法和系统
技术领域
本发明涉及信息与通信工程技术领域，涉及无线设备在目标识别及监护领域内的应用，更具体的说，特别涉及基于无线信号识别的摔倒监测方法和系统。
背景技术
现有的养老监护系统大多采用视频监测和贴合式传感器方式进行人员健康状态监测监护。
视频系统能够识别多种人体行为、判定老人的异常行为准确度相对较高、便于事后的查阅和责任的认定，一般用于监测老人异常状况，如摔倒等异常行为，但是在实际部署使用时，由于很多异常行为发生在视频系统无法部署的私密场景，如洗手间、卧室等场景，导致视频系统仅用于室外或公共场合监测，存在部署盲区和禁区，难以做到无缝无死角监测覆盖；需要重点监护的夜间视野效果差；处理数据量大对带宽要求高，云端成本高等。
贴合传感器在养老领域也广泛使用，典型的如手环、床垫等。手环虽然可以做到健康指标监测，但是其本身并非无感的监测方案，手环佩戴使用，需要改变使用者的生活习惯，在老人部分场景（洗澡、上厕所等）不方便携带设备的时候无法做到全天候的监控；充电管理对于老龄人群本身存在较多麻烦，无法解决供电的稳定性，出现老年人忘记充电无电的情况无法实现对老人的监护；佩戴舒适性问题，对于用户造成体感不适，主观拒绝。以某一线城市行政区的智慧养老项目建设为例，采用手环的养老监测方案，从最终产品的使用率来看低于10%。床垫产品可以有效的监测老人在床上的呼吸和心率，但是一方面价格昂贵，另一方面只在床上的区域监测有效，无法将监测数据扩展到整个生活区域。
因此，现有技术存在的问题，有待于进一步改进和发展。
发明内容
（一）发明目的：为解决上述现有技术中存在的问题，本发明的目的是提供一种完全无感监护、高精准分析、无死角覆盖的基于无线信号识别的摔倒监测方法和系统。
（二）技术方案：为了解决上述技术问题，本技术方案提供一种基于无线信号识别的摔倒监测方法，在wifi信号源周围设置wifi采集模块及微波采集模块，包括如下步骤：
步骤A，wifi采集模块采集Wifi信号数据，微波采集模块采集微波信号数据，数据训练系统对采集的微波信号数据、Wifi信号数据进行分析，分别形成训练模型；
步骤B,实时判断系统通过所述训练模型，结合微波数据得到的人体高度、距离和速度信息，经过数据融合判断结果得到摔倒监测的判断结果。
所述基于无线信号识别的摔倒监测方法，其中，所述步骤A包括以下步骤，
步骤a1,特征获取模块分别对微波采集模块采集的微波信号数据、wifi采集模块采集的wifi信号数据中多普勒特征进行提取；
步骤a2,模型形成模块分别将微波信号数据、wifi信号数据提取的多普勒特征放入训练器，分别形成训练模型：微波训练模型、wifi训练模型；
步骤a3,存储模块将采集的微波信号数据、wifi信号数据、特征获取模块提取的多普勒特征、模型形成模块形成的训练模型分别进行存储。
所述基于无线信号识别的摔倒监测方法，其中，所述步骤a1还包括将滤波模块、降噪模块将wifi采集模块采集的wifi信号数据中的尖峰干扰信号进行特征匹配和干扰消除；滤波模块、降噪模块将所述微波采集模块采集的微波信号数据进行过滤、降噪。
所述基于无线信号识别的摔倒监测方法，其中，所述微波信号数据包括IQ数据、人体高度信息、距离信息、速度信息，所述Wifi信号数据包括CSI特征数据。
所述基于无线信号识别的摔倒监测方法，其中，所述步骤B包括以下步骤，
步骤b1,分析模块从存储模块调取实时wifi信号数据的CSI特征数据、实时雷达信号数据的多普勒特征以及人体高度信息、距离信息、速度信息；
步骤b2,分析模块将实时wifi信号数据的CSI特征数据通过wifi训练模型获得人员状态信息，实时雷达信号数据的多普勒特征通过微波训练模型获得摔倒特征，根据人体高度信息判断目标状态；
步骤b3,分析模块融合人员状态信息、摔倒特征、目标状态获得当前目标摔倒概率；
步骤b4,计时模块等待设置时长，当前目标摔倒概率持续时长大于等待时长时，进行步骤b5，当前目标摔倒概率持续时长小于等于等待时长时，进行步骤b1；
步骤b5,计时模块给出摔倒的判断结果。
所述基于无线信号识别的摔倒监测方法，其中，还包括步骤C，显示模块对微波信号数据、wifi信号数据、特征获取模块提取的多普勒特征、训练模型进行显示、查询；报警模块发出报警，提示目标摔倒。
基于无线信号识别的摔倒监测系统，包括数据训练系统和实时判断系统，所述数据训练系统分别对摔倒时的微波信号数据和Wifi信号数据进行采集分析，分别形成训练模型，所述实时判断系统通过所述训练模型，结合微波数据得到的人体高度、距离和速度信息，经过数据融合判断结果得到摔倒监测的判断结果。
所述基于无线信号识别的摔倒监测系统，其中，所述数据训练系统包括数据采集模块、模型训练模块和存储模块，
所述数据采集模块用于实时采集微波信号数据和wifi信号数据，包括微波采集模块和wifi采集模块；
所述模型训练模块通过采集的微波信号数据和wifi信号数据分别形成所述训练模型，所述模型训练模块包括特征获取模块和模型形成模块，所述特征获取模块将所述微波采集模块、所述wifi采集模块分别采集的微波信号数据、wifi信号数据中多普勒特征进行提取，所述模型形成模块分别将微波信号数据、wifi信号数据提取的多普勒特征放入训练器，分别形成训练模型：微波训练模型、wifi训练模型；
所述存储模块将所述微波采集模块采集的微波信号数据、所述wifi采集模块采集的wifi信号数据、所述特征获取模块提取的多普勒特征、所述模型形成模块形成的训练模型分别进行存储。
所述基于无线信号识别的摔倒监测系统，其中，所述数据采集模块还包括滤波模块和降噪模块，所述wifi采集模块、所述微波采集模块分别连接有所述滤波模块和所述降噪模块；
所述wifi采集模块连接的所述滤波模块、所述降噪模块将所述wifi采集模块采集的wifi信号数据中的尖峰干扰信号进行特征匹配和干扰消除；
所述微波采集模块连接的所述滤波模块、所述降噪模块将所述微波采集模块采集的微波信号数据进行过滤、降噪。
所述基于无线信号识别的摔倒监测系统，其中，所述微波信号数据包括IQ数据、人体高度信息、距离信息、速度信息，所述Wifi信号数据包括CSI特征数据。
所述基于无线信号识别的摔倒监测系统，其中，所述实时判断系统包括分析模块和计时模块，
所述分析模块从存储模块调取实时wifi信号数据的CSI特征数据、实时雷达信号数据的多普勒特征以及人体高度信息、距离信息、速度信息；所述分析模块将实时wifi信号数据的CSI特征数据通过wifi训练模型获得人员状态信息，实时雷达信号数据的多普勒特征通过微波训练模型获得摔倒特征，根据人体高度信息判断目标状态；所述分析模块融合人员状态信息、摔倒特征、目标状态获得当前目标摔倒概率；
所述计时模块设置有等待时长，当前目标摔倒概率持续时长大于等待时长时，所述计时模块给出摔倒的判断结果，当前目标摔倒概率持续时长小于等于等待时长时，所述计时模块给出未摔倒的判断结果，所述分析模块继续调取实时微波信号数据和实时Wifi信号数据。
所述基于无线信号识别的摔倒监测系统，其中，还包括报警系统，所述报警系统包括显示模块和报警模块，所述显示模块用于微波信号数据、wifi信号数据、特征获取模块提取的多普勒特征、训练模型的显示、查询，所述报警模块用于发出报警，提示目标摔倒。
所述基于无线信号识别的摔倒监测系统，其中，所述显示模块包括输入设备和显示器，所述输入设备、所述显示器分别与所述实时判断系统连接；
所述报警模块包括灯光报警设备、提示音报警设备、智能终端报警设备。
（三）有益效果：本发明提供基于无线信号识别的摔倒监测方法和系统，具有以下优点：非接触的工作方式被动报警，不干涉被检监护者正常的生活习惯；低频微波信号，电磁强度低对人体无辐射；覆盖范围广且不会烟雾遮挡等问题造成信号遮挡；模糊数据，方便计算存储、计算量小方便业务向边缘云下沉节省机构的带宽成本；能够很好的保护用户的隐私；额定功率低、节约能源供电方式与当前主流的家用电器一致方便供电；产品具有可扩展性，在不改变硬件的基础上可以组合形成多个产品解决方案；价格低廉等。
附图说明
图1是本发明基于无线信号识别的摔倒监测方法步骤示意图；
图2是本发明基于无线信号识别的摔倒监测系统连接关系示意图；
图3是本发明基于无线信号识别的摔倒监测系统数据训练系统流程示意图；
图4是本发明基于无线信号识别的摔倒监测系统事实判断系统流程示意图；
图5是本发明关于Wifi数据信号入侵监测过程CSI信号数据；
图6是伸缩因子的作用不同的伸缩因子生成不同的频率成分示意图；
图7是平移因子使得小波能够沿信号的时间轴实现遍历分析的示意图；
图8是小波多分辨分析原理示意图；
图9是小波分解树示意图；
图10是小波包分解树示意图；
图11是FMCW测速中发射频率与反射频率频差示意图；
图12是FMCW测速中频率合成器及VCO产生的调频三角波示意图；
图13是FMCW测速中，FMCW雷达的探测距离在其它值确定的情况下是fb的函数实施例示意图；
图14是FMCW测速中，雷达的分辨率的决定式获得示意图；
图15是FMCW测速中被探测物体的移动，根据多普勒效应，其频差关系示意图。
具体实施方式
下面结合优选的实施例对本发明做进一步详细说明，在以下的描述中阐述了更多的细节以便于充分理解本发明，但是，本发明显然能够以多种不同于此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下根据实际应用情况作类似推广、演绎，因此不应以此具体实施例的内容限制本发明的保护范围。
附图是本发明的实施例的示意图，需要注意的是，此附图仅作为示例，并非是按照等比例的条件绘制的，并且不应该以此作为对本发明的实际要求保护范围构成限制。
基于无线信号识别的摔倒监测方法，在wifi信号源周围设置wifi采集模块及微波采集模块，如图1所示，包括如下步骤：
步骤A，wifi采集模块采集Wifi信号数据，微波采集模块采集微波信号数据，数据训练系统对采集的微波信号数据、Wifi信号数据进行分析，分别形成训练模型；
步骤B,实时判断系统通过所述训练模型，结合微波数据得到的人体高度、距离和速度信息，经过数据融合判断结果得到摔倒监测的判断结果。
wifi采集模块可以是wifi无线网卡终端，也可以是其它wifi测量终端，这里不做具体限制。wifi无线网卡终端测量信息获得Channel state information（CSI）信息。
微波采集模块为微波雷达，优选的使用FMCW(Frequency Modulated ContinuousWave)毫米波雷达。FMCW毫米波雷达接收端接收雷达IQ数据。
所述步骤A包括：
步骤a1,特征获取模块分别对微波采集模块采集的微波信号数据、wifi采集模块采集的wifi信号数据中多普勒特征进行提取；
步骤a2,模型形成模块分别将微波信号数据、wifi信号数据提取的多普勒特征放入训练器，分别形成训练模型：微波训练模型、wifi训练模型；
步骤a3,存储模块将采集的微波信号数据、wifi信号数据、特征获取模块提取的多普勒特征、模型形成模块形成的训练模型分别进行存储。
所述步骤a1还包括将滤波模块、降噪模块将wifi采集模块采集的wifi信号数据中的尖峰干扰信号进行特征匹配和干扰消除；滤波模块、降噪模块将所述微波采集模块采集的微波信号数据进行过滤、降噪。其中，滤波模块、降噪模块可以使用通用的低通滤波器（Butterworth）、带通滤波器（Fir滤波）。
所述步骤a1中微波信号数据、wifi信号数据中多普勒特征进行提取，优选通过小波变换获取多普勒特征。
所述步骤a2中训练器可以是机器学习算法的训练器，如SVM算法（Support VectorMachine）。
所述微波信号数据包括IQ数据、人体高度信息、距离信息、速度信息、加速度信息、角度信息等，所述Wifi信号数据包括CSI特征数据。
所述步骤B包括：
步骤b1,分析模块从存储模块调取实时wifi信号数据的CSI特征数据、实时雷达信号数据的多普勒特征以及人体高度信息、距离信息、速度信息；
步骤b2,分析模块将实时wifi信号数据的CSI特征数据通过wifi训练模型获得人员状态信息，实时雷达信号数据的多普勒特征通过微波训练模型获得摔倒特征，根据人体高度信息判断目标状态；
步骤b3,分析模块融合人员状态信息、摔倒特征、目标状态获得当前目标摔倒概率；
步骤b4,计时模块设置等待时长，当前目标摔倒概率持续时长大于等待时长时，进行步骤b5，当前目标摔倒概率持续时长小于等于等待时长时，进行步骤b1；
步骤b5,计时模块给出摔倒的判断结果。
所述步骤b1中人体高度信息、距离信息、速度信息可以通过微波采集模块的微波信号测量获得。
所述步骤b2中wifi信号数据的CSI特征数据包括无线信号的IQ数据，从中可以提取出振幅和相位信息；雷达信号的多普勒特征可以将接收端的IQ数据，通过小波变换的方法得到，也可以从存储模块直接获得。
实时雷达信号数据的多普勒特征通过微波训练模型获得摔倒特征，具体说可以是多普勒特征通过SVM算法得到的摔倒特征，及瞬时的人体速度加速度信息，以及高度角度信息。
人体高度信息判断目标状态包括人体瞬时的高度坐标，具体的说，根据人体高度判断目标处于站立、坐下、摔倒的状态中，例如：正常人体站立在1.7米高度，坐下在1.2米高度，摔倒在0.5米以下高度。
所述步骤b4中设置等待时长，是为了在等待时间中判断人员是否有起立等自救的信息，如果检测到自救信息则取消报警，否则将确认此次报警。所述步骤b4中设置的等待时长，可以是管理员直接设置，也可以是在步骤A中数据训练系统对wifi采集模块采集Wifi信号数据，微波采集模块采集微波信号数据进行分析，计算自救时长，这里不做具体限制。
对于步骤B如何得到最终人员摔倒概率值进行举例说明：通过wifi的CSI获得人体振幅相位信息，通过FMCW毫米波雷达获得人体距离地面高度信息，当人体出现瞬时加速度向下信息触发，获得当前CSI的特征，通过SVM算法比对，结合高度信息，得到最终人员摔倒的概率值。
所述基于无线信号识别的摔倒监测方法，还包括步骤C，显示模块对微波信号数据、wifi信号数据、特征获取模块提取的多普勒特征、训练模型进行显示、查询；报警模块发出报警，提示目标摔倒。
如图2所示，基于无线信号识别的摔倒监测系统，包括数据训练系统和实时判断系统，所述数据训练系统分别对摔倒时的微波信号数据和Wifi信号数据进行采集分析，分别形成训练模型，所述实时判断系统通过所述训练模型，结合微波数据得到的人体高度、距离和速度信息，经过数据融合判断结果得到摔倒监测的判断结果。
所述基于无线信号识别的摔倒监测系统，其中，所述数据训练系统包括数据采集模块、模型训练模块和存储模块，
所述数据采集模块用于实时采集微波信号数据和wifi信号数据，包括微波采集模块和wifi采集模块。wifi采集模块可以是wifi无线网卡终端，也可以是其它wifi测量终端，这里不做具体限制。wifi无线网卡终端测量信息获得Channel state information（CSI）信息。微波采集模块为微波雷达，优选的使用FMCW毫米波雷达。FMCW毫米波雷达接收端接收雷达IQ数据。
所述模型训练模块通过采集的微波信号数据和wifi信号数据分别形成所述训练模型，所述模型训练模块包括特征获取模块和模型形成模块，所述特征获取模块将所述微波采集模块、所述wifi采集模块分别采集的微波信号数据、wifi信号数据中多普勒特征进行提取，其中，多普勒特征提取优选通过小波变换获取多普勒特征。
所述模型形成模块分别将微波信号数据、wifi信号数据提取的多普勒特征放入训练器，分别形成训练模型：微波训练模型、wifi训练模型。其中，中训练器可以是机器学习算法的训练器，如SVM算法。
所述存储模块将所述微波采集模块采集的微波信号数据、所述wifi采集模块采集的wifi信号数据、所述特征获取模块提取的多普勒特征、所述模型形成模块形成的训练模型分别进行存储。
所述基于无线信号识别的摔倒监测系统，其中，所述数据采集模块还包括滤波模块和降噪模块，所述wifi采集模块、所述微波采集模块分别连接有所述滤波模块和所述降噪模块；
所述wifi采集模块连接的所述滤波模块、所述降噪模块将所述wifi采集模块采集的wifi信号数据中的尖峰干扰信号进行特征匹配和干扰消除；
所述微波采集模块连接的所述滤波模块、所述降噪模块将所述微波采集模块采集的微波信号数据进行过滤、降噪。
滤波模块、降噪模块可以使用通用的低通滤波器（Butterworth）、带通滤波器（Fir滤波）。
所述基于无线信号识别的摔倒监测系统，其中，所述微波信号数据包括IQ数据、人体高度信息、距离信息、速度信息，所述Wifi信号数据包括CSI特征数据。
所述基于无线信号识别的摔倒监测系统，其中，所述实时判断系统包括分析模块和计时模块，
所述分析模块从存储模块调取实时wifi信号数据的CSI特征数据、实时雷达信号数据的多普勒特征以及人体高度信息、距离信息、速度信息，其中，人体高度信息、距离信息、速度信息可以通过微波采集模块的微波信号测量获得。
所述分析模块将实时wifi信号数据的CSI特征数据通过wifi训练模型获得人员状态信息，实时雷达信号数据的多普勒特征通过微波训练模型获得摔倒特征，根据人体高度信息判断目标状态。其中，wifi信号数据的CSI特征数据包括无线信号的IQ数据，从中可以提取出振幅和相位信息；雷达信号的多普勒特征可以将接收端的IQ数据，通过小波变换的方法得到，也可以从存储模块直接获得；实时雷达信号数据的多普勒特征通过微波训练模型获得摔倒特征，具体说可以是多普勒特征通过SVM算法得到的摔倒特征，及瞬时的人体速度加速度信息，以及高度角度信息；人体高度信息判断目标状态包括人体瞬时的高度坐标，具体的说，根据人体高度判断目标处于站立、坐下、摔倒的状态中，例如：正常人体站立在1.7米高度，坐下在1.2米高度，摔倒在0.5米以下高度。
所述分析模块融合人员状态信息、摔倒特征、目标状态获得当前目标摔倒概率；
所述计时模块设置有等待时长，当前目标摔倒概率持续时长大于等待时长时，所述计时模块给出摔倒的判断结果，当前目标摔倒概率持续时长小于等于等待时长时，所述计时模块给出未摔倒的判断结果，所述分析模块继续调取实时微波信号数据和实时Wifi信号数据。其中，所述计时模块设置等待时长，是为了在等待时间中判断人员是否有起立等自救的信息，如果检测到自救信息则取消报警，否则将确认此次报警。所述计时模块设置的等待时长，可以是管理员直接设置，也可以所述数据训练系统对wifi采集模块采集Wifi信号数据，微波采集模块采集微波信号数据进行分析，计算自救时长，这里不做具体限制。
对于所述实时判断系统对于最终人员摔倒概率值进行举例说明：通过wifi的CSI获得人体振幅相位信息，通过FMCW毫米波雷达获得人体距离地面高度信息，当人体出现瞬时加速度向下信息触发，获得当前CSI的特征，通过SVM算法比对，结合高度信息，得到最终人员摔倒的概率值。
所述基于无线信号识别的摔倒监测系统，还包括报警系统，所述报警系统包括显示模块和报警模块，所述显示模块用于微波信号数据、wifi信号数据、特征获取模块提取的多普勒特征、训练模型的显示、查询，所述报警模块用于发出报警，提示目标摔倒。
所述显示模块包括输入设备和显示器，所述输入设备、所述显示器分别与所述实时判断系统连接。
所述报警模块包括灯光报警设备、提示音报警设备、智能终端报警设备。
基于无线信号识别的摔倒监测方法和系统，微波信号数据和wifi信号数据分别独立进行数据训练和数据识别，通过微波和wifi相结合的方式，加上微波雷达的高度信息进行摔倒数据融合判断，并多次对摔倒行为进行确定后作出判断，使摔倒监测准确率达到99%以上，误报率低于0.5%。
下面对本申请中涉及的相关计算方法和原理进行详细说明：
关于Wifi数据信号特征：
如图5Wifi数据信号入侵监测过程CSI信号数据所示，当有人闯入和无人状态条件下，无线信号的CSI数据存在明显的差别，如图5中的无人状态和有人闯入状态。本技术基于无线分析处理技术，经过滤波和主成分提取的无线信号可被用于高效入侵监测的应用。进一步采用CSI信号的方差数据，针对室内环境状态稳定性进行判断。系统在完成数据处理后，将数据包的CSI载波数据放在缓冲队列中。缓冲区内的载波振幅信息可以用一个30*30的矩阵进行表示，CSI载波数据矩阵如下：
Figure 134041DEST_PATH_IMAGE001
系统会从矩阵中的每一列求出CSI载波数据方差信息，得到一段时间内的表征信号波动程度的方差向量。当入侵事件发生时，由于CSI信号发生较大的波动，各个载波的方差也会出现较大的变化。当检测到在某段时间内CSI载波信号出现连续波动，认为有入侵事件发生。由于受环境噪音的影响，CSI信息一样存在波动。为了进一步消除环境噪音对入侵的干扰，通过找到衡量前后两次方差差别的欧氏距离，表征方差的稳定性。
由于不同天线下无线信号子载波对于闯入事件有时存在不同的特征表现。当发射天线数量为m，接收天线数量为n时，接收方可以得到m*n个独立的信号流数据。进一步对于每个独立的信号流进行入侵监测计算。同时执行如下操作：
1、当
Figure 544163DEST_PATH_IMAGE002
以上的数据流判断结果为发生入侵事件时，系统发出入侵警告。
2、当m*n个数据流判断结果均为没有入侵事件发生时，系统处于正常状态。
3、其余条件系统处于警戒状态。
进一步，为了消除无线CSI波形中的干扰信号，对于CSI数据中出现的尖峰干扰信号进行特征匹配和干扰消除。假设搜集到的CSI数据信号为c1,c2……cn,cn+1,cn+2,…cm。
当
Figure 812333DEST_PATH_IMAGE003
同时
Figure 476664DEST_PATH_IMAGE004
时，系统可能存在尖峰干扰信号，此时cn+1数据可以视为尖峰干扰信号加以滤除。
Figure 172087DEST_PATH_IMAGE005
根据试验结果得到的经验数据，一般当存在同频干扰，且干信比〉5dB时
Figure 600663DEST_PATH_IMAGE006
，
Figure 406945DEST_PATH_IMAGE007
，干信比〉10dB时
Figure 191362DEST_PATH_IMAGE008
，
Figure 57686DEST_PATH_IMAGE009
。
关于SVM算法：
支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。
SVM使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法进行非线性分类，是常见的核学习方法之一。
1.硬边距
给定输入数据和学习目标：
Figure 52187DEST_PATH_IMAGE010
，硬边界SVM是在线 性可分问题中求解最大边距超平面的算法，约束条件是样本点到决策边界的距离大于等于 1。硬边界SVM可以转化为一个等价的二次凸优化问题进行求解：
Figure 786794DEST_PATH_IMAGE011
由上式得到的决策边界可以对任意样本进行分类：
Figure 550351DEST_PATH_IMAGE012
。注意到虽 然超平面法向量
Figure 587577DEST_PATH_IMAGE013
是唯一优化目标，但学习数据和超平面的截距通过约束条件影响了该优 化问题的求解。硬边距SVM是正则化系数取0时的软边距SVM，其对偶问题和求解参见软边距 SVM，这里不额外列出。
2.软边距
在线性不可分问题中使用硬边距SVM将产生分类误差，因此可在最大化边距的基础上引入损失函数构造新的优化问题。SVM使用铰链损失函数，沿用硬边界SVM的优化问题形式，软边距SVM的优化问题有如下表示：
Figure 679161DEST_PATH_IMAGE014
上式表明可知，软边距SVM是一个L2正则化分类器，式中
Figure 92824DEST_PATH_IMAGE015
表示铰链损失函数。使 用松弛变量：
Figure 710888DEST_PATH_IMAGE016
处理铰链损失函数的分段取值后，上式可化为：
Figure 43649DEST_PATH_IMAGE017
求解上述软边距SVM通常利用其优化问题的对偶性，这里给出推导：
定义软边距SVM的优化问题为原问题，通过拉格朗日乘子：
Figure 340638DEST_PATH_IMAGE018
可得到其拉格朗日函数：
Figure 417047DEST_PATH_IMAGE019
令拉格朗日函数对优化目标
Figure 420775DEST_PATH_IMAGE020
的偏导数为0，可得到一系列包含拉格朗日乘子 的表达式：
Figure 940750DEST_PATH_IMAGE021
将其带入拉格朗日函数后可得原问题的对偶问题：
Figure 131559DEST_PATH_IMAGE022
对偶问题的约束条件中包含不等关系，因此其存在局部最优的条件是拉格朗日乘子满足Karush-Kuhn-Tucker条件：
Figure 11660DEST_PATH_IMAGE023
由上述KKT条件可知，对任意样本
Figure 338736DEST_PATH_IMAGE024
，总有
Figure 888666DEST_PATH_IMAGE025
或
Figure 707717DEST_PATH_IMAGE026
，对前者，该样本不会对决策边界
Figure 1295DEST_PATH_IMAGE027
产生影响，对 后者，该样本满足
Figure 448457DEST_PATH_IMAGE026
意味其处于间隔边界上（
Figure 903709DEST_PATH_IMAGE028
）、间隔内部（
Figure 397008DEST_PATH_IMAGE029
） 或被错误分类（
Figure 228697DEST_PATH_IMAGE030
），即该样本是支持向量。由此可见，软边距SVM决策边界的确定仅与 支持向量有关，使用铰链损失函数使得SVM具有稀疏性。
非线性SVM
使用非线性函数将输入数据映射至高维空间后应用线性SVM可得到非线性SVM。非线性SVM有如下优化问题：
Figure 795945DEST_PATH_IMAGE031
类比软边距SVM，非线性SVM有如下对偶问题：
Figure 546732DEST_PATH_IMAGE032
注意到式中存在映射函数内积，因此可以使用核方法，即直接选取核函数：
Figure 199430DEST_PATH_IMAGE033
。非线性SVM的对偶问题的KKT条件可同样类比软边距线性SVM。
数值求解
SVM的求解可以使用二次凸优化问题的数值方法，例如内点法和序列最小优化算法，在拥有充足学习样本时也可使用随机梯度下降。这里对以上3种数值方法在SVM中的应用进行介绍。
1.内点法
以软边距SVM为例，IPM使用对数阻挡函数将SVM的对偶问题由极大值问题转化为极小值问题并将其优化目标和约束条件近似表示为如下形式：
Figure 569232DEST_PATH_IMAGE034
式中
Figure 725407DEST_PATH_IMAGE036
为对数阻挡函数，在本质上是使用连续函数对约束条件中的不等关系进行 近似。对任意超参数
Figure 788041DEST_PATH_IMAGE037
，使用牛顿迭代法可求解
Figure 537822DEST_PATH_IMAGE038
，该数值解也是原对偶问 题的近似解：
Figure 976893DEST_PATH_IMAGE039
。IPM在计
Figure 253154DEST_PATH_IMAGE040
时需要对N阶矩阵求逆，在使用牛顿迭代法时也需要计算Hessian矩阵的逆，是一 个内存开销大且复杂度为
Figure 486689DEST_PATH_IMAGE041
的算法，仅适用于少量学习样本的情形。一些研究通过低 秩近似和并行计算提出了更适用于大数据的IPM，并在SVM的实际学习中进行了应用和比 较。
2.序列最小优化
SMO是一种坐标下降法，以迭代方式求解SVM的对偶问题，其设计是在每个迭代步 选择拉格朗日乘子中的两个变量
Figure 973034DEST_PATH_IMAGE042
并固定其它参数，将原优化问题化简至1维子可行 域，此时约束条件有如下等价形式：
Figure 684638DEST_PATH_IMAGE043
将上式右侧带入SVM的对偶问题并消去求和项中的
Figure 815405DEST_PATH_IMAGE044
可以得到仅关
Figure 219842DEST_PATH_IMAGE045
的二次规划问题，该优化问题有闭式解可以快速计算。在此基础上，SMO有如下计算框架：
1)初始所有化拉格朗日乘子；
2)识别一个不满足KKT条件的乘子，并求解其二次规划问题；
3)反复执行上述步骤直到所有乘子满足KKT条件或参数的更新量小于设定值。
可以证明，在二次凸优化问题中，SMO的每步迭代都严格地优化了SVM的对偶问题，且迭代会在有限步后收敛于全局极大值。SMO算法的迭代速度与所选取乘子对KKT条件的偏离程度有关，因此SMO通常采用启发式方法选取拉格朗日乘子。
3.随机梯度下降SGD是机器学习问题中常见的优化算法，适用于样本充足的学习问题。SGD每次迭代都随机选择学习样本更新模型参数，以减少一次性处理所有样本带来的内存开销，其更新规则如下：
Figure 68849DEST_PATH_IMAGE046
式中梯度前的系数是学习速率，
Figure 459510DEST_PATH_IMAGE047
是代价函数。由于SVM的优化目标是凸函数，因此 可以直接将其改写为极小值问题并作为代价函数运行SGD。以非线性SVM为例，其SGD迭代规 则如下：
Figure 710363DEST_PATH_IMAGE048
由上式可知，在每次迭代时，SGD首先判定约束条件，若该样本不满足约束条件，则SGD按学习速率最小化结构风险；若该样本满足约束条件，为SVM的支持向量，则SGD根据正则化系数平衡经验风险和结构风险，即SGD的迭代保持了SVM的稀疏性。
小波变换
小波就是很小的波，小波直接把傅里叶变换的基给换了将无限长的三角函数基换成了有限长的会衰减的小波基。这样不仅能够获取频率，还可以定位到时间了。
小波变换的公式如下
Figure 285701DEST_PATH_IMAGE049
从公式可以看出，不同于傅里叶变换，变量只有频率ω，小波变换有两个变量：尺度a和平移量τ。尺度a控制小波函数的伸缩，平移量τ控制小波函数的平移。尺度就对应于频率（反比），平移量τ就对应于时间。伸缩因子的作用不同的伸缩因子生成不同的频率成分，如图6所示。
平移因子使得小波能够沿信号的时间轴实现遍历分析，如图7所示。
多分辨分析也称为多尺度分析，是建立在函数空间概念上的理论。它构造了一组正交基，使得尺度空间与小波空间相互正交。随着尺度由大到小的变化，可在各尺度上由粗及精地观察目标。这就是多分辨率分析的思想。小波多分辨分析的原理如图8所示。
小波分解树如图9所示。高频分量称为细节分量，频率分量部分，称为近似分量
小波包分析可以看作是小波分解的一种推广方法，对多分辨分析没有细分的高频分量部分进行进一步的分解，小波包分解树如图10所示。
FMCW测速
如图11所示，发射频率ft与反射频率fr之差为频差fb有式（1）,（2）
Figure DEST_PATH_IMAGE050
如图12所示，频率合成器及VCO产生的调频三角波根据三角相似形有式（3）
Figure 622004DEST_PATH_IMAGE051
将（2）代入整理得（4）
Figure DEST_PATH_IMAGE052
其中c为光速（常量），ts为频率生成器产生的调频波的周期的一半，fdev为调频波扫频带宽。由此可以得出，FMCW雷达的探测距离在其它值确定的情况下是fb的函数。
下面对FMCW雷达的探测距离在其它值确定的情况下是fb的函数具体实施例进行说明：
如图13所示，图右下角中，在其他值固定的情况下Range与fb成函数关系。
如图14所示，雷达的分辨率的决定式为（5）
Figure 331203DEST_PATH_IMAGE053
因此，雷达的分辨率由扫频带宽决定，带宽越大，精度越高，（（5）如何推倒存疑）。
综上所述，雷达的探测距离由（4）决定，关键的参数为发射与接收的频差，这个频差直接影响ADC采样速率的选择。而扫描带宽虽然也有对探测距离有影响，但在其为定值的情况下，并不影响ADC的选择。而由（5）得出，扫频范围直接决定雷达的精度，这两个公式需要注意。
考虑到被探测物体的移动，根据多普勒效应，其频差如图15所示。
根据多普勒效应有式（6）式（7），其中fb为被探测物体静止时的频差，fd是被探测物体移动时的多普勒频移，
Figure DEST_PATH_IMAGE054
其中，f为发射信号的中心频率，由（4）有式（9）
Figure 702142DEST_PATH_IMAGE055
将（6）（7）（8）代入（9）有（10）（11）
Figure DEST_PATH_IMAGE056
将（10）（11）相加可得（12）
Figure 323747DEST_PATH_IMAGE057
将（10）（11）相减可得（13）
Figure DEST_PATH_IMAGE058
假设被探测物体最高时速180km/h，24Ghz雷达，代入（6）（7）（13），得到fd为8khz。速度与多普勒频率成正比，速度越低，多普勒频率越低。
基于无线信号识别的摔倒监测方法和系统，有益效果在于：
完全无感监护：系统借助无线感知方式，在被监测者毫无觉察的情况下进行监测监护，被监测者不会感觉到监测系统的存在，不会对用户生活习惯造成任何影响；
高精准分析：通过无线探测的方式，监测老人摔倒、坠床、呼吸、心率以及行为轨迹分析，借助人工智能算法框架和大样本深度学习技术体系，准确率高达95%以上；
无死角覆盖：无线信号是无所不在的，不同频段的无线信号，根据波长的不同，具备不同的穿透墙壁和绕射性能，单台设备可以实现一个或多个房间的监测覆盖，相对传统检测手段监测效率大大提升。
以上内容是对本发明创造的优选的实施例的说明，可以帮助本领域技术人员更充分地理解本发明创造的技术方案。但是，这些实施例仅仅是举例说明，不能认定本发明创造的具体实施方式仅限于这些实施例的说明。对本发明创造所属技术领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干简单推演和变换，都应当视为属于本发明创造的保护范围。

Claims (8)

1.基于无线信号识别的摔倒监测方法，在wifi信号源周围设置wifi采集模块及微波采集模块，其特征在于，包括如下步骤：
步骤A，wifi采集模块采集Wifi信号数据，微波采集模块采集微波信号数据，数据训练系统对采集的微波信号数据、Wifi信号数据进行分析，分别形成训练模型；
步骤B,实时判断系统通过所述训练模型，结合微波数据得到的人体高度、距离和速度信息，经过数据融合判断结果得到摔倒监测的判断结果；
所述步骤B包括以下步骤，
步骤b1,分析模块从存储模块调取实时wifi信号数据的CSI特征数据、实时雷达信号数据的多普勒特征以及人体高度信息、距离信息、速度信息；
步骤b2,分析模块将实时wifi信号数据的CSI特征数据通过wifi训练模型获得人员状态信息，实时雷达信号数据的多普勒特征通过微波训练模型获得摔倒特征，根据人体高度信息判断目标状态；
步骤b3,分析模块融合人员状态信息、摔倒特征、目标状态获得当前目标摔倒概率；所述分析模块通过wifi的CSI获得人体振幅相位信息，通过FMCW毫米波雷达获得人体距离地面高度信息，当人体出现瞬时加速度向下信息触发，获得当前CSI的特征，所述分析模块通过SVM算法比对，结合高度信息，得到最终人员摔倒的概率值；
步骤b4,计时模块等待设置时长，当前目标摔倒概率持续时长大于等待时长时，进行步骤b5，当前目标摔倒概率持续时长小于等于等待时长时，进行步骤b1；
步骤b5,计时模块给出摔倒的判断结果。
2.根据权利要求1所述基于无线信号识别的摔倒监测方法，其特征在于，所述步骤A包括以下步骤，
步骤a1,特征获取模块分别对微波采集模块采集的微波信号数据、wifi采集模块采集的wifi信号数据中多普勒特征进行提取；
步骤a2,模型形成模块分别将微波信号数据、wifi信号数据提取的多普勒特征放入训练器，分别形成训练模型：微波训练模型、wifi训练模型；
步骤a3,存储模块将采集的微波信号数据、wifi信号数据、特征获取模块提取的多普勒特征、模型形成模块形成的训练模型分别进行存储。
3.根据权利要求2所述基于无线信号识别的摔倒监测方法，其特征在于，所述步骤a1还包括滤波模块、降噪模块将wifi采集模块采集的wifi信号数据中的尖峰干扰信号进行特征匹配和干扰消除；
滤波模块、降噪模块将所述微波采集模块采集的微波信号数据进行过滤、降噪。
4.根据权利要求1所述基于无线信号识别的摔倒监测方法，其特征在于，还包括步骤C，显示模块对微波信号数据、wifi信号数据、特征获取模块提取的多普勒特征、训练模型进行显示、查询；报警模块发出报警，提示目标摔倒。
5.基于无线信号识别的摔倒监测系统，其特征在于，包括数据训练系统和实时判断系统，所述数据训练系统分别对摔倒时的微波信号数据和Wifi信号数据进行采集分析，分别形成训练模型，所述实时判断系统通过所述训练模型，结合微波数据得到的人体高度、距离和速度信息，经过数据融合判断结果得到摔倒监测的判断结果；
所述实时判断系统包括分析模块和计时模块，
所述分析模块从存储模块调取实时wifi信号数据的CSI特征数据、实时雷达信号数据的多普勒特征以及人体高度信息、距离信息、速度信息；所述分析模块将实时wifi信号数据的CSI特征数据通过wifi训练模型获得人员状态信息，实时雷达信号数据的多普勒特征通过微波训练模型获得摔倒特征，根据人体高度信息判断目标状态；所述分析模块融合人员状态信息、摔倒特征、目标状态获得当前目标摔倒概率；所述分析模块通过wifi的CSI获得人体振幅相位信息，通过FMCW毫米波雷达获得人体距离地面高度信息，当人体出现瞬时加速度向下信息触发，获得当前CSI的特征，所述分析模块通过SVM算法比对，结合高度信息，得到最终人员摔倒的概率值；
所述计时模块设置有等待时长，当前目标摔倒概率持续时长大于等待时长时，所述计时模块给出摔倒的判断结果，当前目标摔倒概率持续时长小于等于等待时长时，所述计时模块给出未摔倒的判断结果，所述分析模块继续调取实时微波信号数据和实时Wifi信号数据。
6.根据权利要求5所述基于无线信号识别的摔倒监测系统，其特征在于，所述数据训练系统包括数据采集模块、模型训练模块和存储模块，
所述数据采集模块用于实时采集微波信号数据和wifi信号数据，包括微波采集模块和wifi采集模块；
所述模型训练模块通过采集的微波信号数据和wifi信号数据分别形成所述训练模型，所述模型训练模块包括特征获取模块和模型形成模块，所述特征获取模块将所述微波采集模块、所述wifi采集模块分别采集的微波信号数据、wifi信号数据中多普勒特征进行提取，所述模型形成模块分别将微波信号数据、wifi信号数据提取的多普勒特征放入训练器，分别形成训练模型：微波训练模型、wifi训练模型；
所述存储模块将所述微波采集模块采集的微波信号数据、所述wifi采集模块采集的wifi信号数据、所述特征获取模块提取的多普勒特征、所述模型形成模块形成的训练模型分别进行存储。
7.根据权利要求6所述基于无线信号识别的摔倒监测系统，其特征在于，所述数据采集模块还包括滤波模块和降噪模块，所述wifi采集模块、所述微波采集模块分别连接有所述滤波模块和所述降噪模块；
所述wifi采集模块连接的所述滤波模块、所述降噪模块将所述wifi采集模块采集的wifi信号数据中的尖峰干扰信号进行特征匹配和干扰消除；
所述微波采集模块连接的所述滤波模块、所述降噪模块将所述微波采集模块采集的微波信号数据进行过滤、降噪。
8.根据权利要求5所述基于无线信号识别的摔倒监测系统，其特征在于，还包括报警系统，所述报警系统包括显示模块和报警模块，所述显示模块用于微波信号数据、wifi信号数据、特征获取模块提取的多普勒特征、训练模型的显示、查询，所述报警模块用于发出报警，提示目标摔倒。
CN202010753018.4A 2020-07-30 2020-07-30 基于无线信号识别的摔倒监测方法和系统 Active CN111815906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010753018.4A CN111815906B (zh) 2020-07-30 2020-07-30 基于无线信号识别的摔倒监测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010753018.4A CN111815906B (zh) 2020-07-30 2020-07-30 基于无线信号识别的摔倒监测方法和系统

Publications (2)

Publication Number Publication Date
CN111815906A CN111815906A (zh) 2020-10-23
CN111815906B true CN111815906B (zh) 2022-03-11

Family

ID=72864389

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010753018.4A Active CN111815906B (zh) 2020-07-30 2020-07-30 基于无线信号识别的摔倒监测方法和系统

Country Status (1)

Country Link
CN (1) CN111815906B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581722A (zh) * 2020-11-09 2021-03-30 金茂智慧科技(广州)有限公司 一种探测人体摔倒的智能设备
CN112578726A (zh) * 2021-01-06 2021-03-30 常州百芝龙智慧科技有限公司 一种自主学习人体行为习惯的人体异常监控设备
CN114005246B (zh) * 2021-01-29 2024-01-30 江苏中科西北星信息科技有限公司 一种基于调频连续波毫米波雷达的老人跌倒检测方法及装置
CN113453180B (zh) * 2021-06-06 2022-10-18 西安电子科技大学 一种人体摔倒智能检测方法、系统、信息数据处理终端
CN114533046B (zh) * 2022-02-23 2024-05-07 成都华乾科技有限公司 一种基于csi信号的居家人员活动状态监测方法及系统
CN115297440A (zh) * 2022-08-12 2022-11-04 中建八局第二建设有限公司 一种非合作式的室内人员计数、定位及外部入侵检测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951757A (zh) * 2015-06-10 2015-09-30 南京大学 一种基于无线信号的动作检测和识别的方法
CN105551194A (zh) * 2016-03-10 2016-05-04 广州视源电子科技股份有限公司 一种跌倒检测方法及装置
CN107749143A (zh) * 2017-10-30 2018-03-02 安徽工业大学 一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法
JP2018173285A (ja) * 2017-03-31 2018-11-08 学校法人慶應義塾 行動認識システム、及び行動認識方法
CN109239706A (zh) * 2018-08-27 2019-01-18 苏州矽典微智能科技有限公司 一种基于毫米波的人体检测方法及装置
CN109765539A (zh) * 2019-01-28 2019-05-17 珠海格力电器股份有限公司 室内用户行为监测方法和装置、电器设备和家居监控系统
CN110179471A (zh) * 2019-05-30 2019-08-30 南方科技大学 摔倒检测方法、装置、设备和存储介质
CN110286368A (zh) * 2019-07-10 2019-09-27 北京理工大学 一种基于超宽带雷达的老人跌倒检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610415A (zh) * 2017-10-12 2018-01-19 上海斐讯数据通信技术有限公司 一种报警方法和无线终端

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104951757A (zh) * 2015-06-10 2015-09-30 南京大学 一种基于无线信号的动作检测和识别的方法
CN105551194A (zh) * 2016-03-10 2016-05-04 广州视源电子科技股份有限公司 一种跌倒检测方法及装置
JP2018173285A (ja) * 2017-03-31 2018-11-08 学校法人慶應義塾 行動認識システム、及び行動認識方法
CN107749143A (zh) * 2017-10-30 2018-03-02 安徽工业大学 一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法
CN109239706A (zh) * 2018-08-27 2019-01-18 苏州矽典微智能科技有限公司 一种基于毫米波的人体检测方法及装置
CN109765539A (zh) * 2019-01-28 2019-05-17 珠海格力电器股份有限公司 室内用户行为监测方法和装置、电器设备和家居监控系统
CN110179471A (zh) * 2019-05-30 2019-08-30 南方科技大学 摔倒检测方法、装置、设备和存储介质
CN110286368A (zh) * 2019-07-10 2019-09-27 北京理工大学 一种基于超宽带雷达的老人跌倒检测方法

Also Published As

Publication number Publication date
CN111815906A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN111815906B (zh) 基于无线信号识别的摔倒监测方法和系统
Choi et al. People counting using IR-UWB radar sensor in a wide area
Wang et al. Device-free human activity recognition using commercial WiFi devices
CN106821347B (zh) 一种fmcw宽带生命探测雷达呼吸和心跳信号提取算法
Khan et al. A deep learning framework using passive WiFi sensing for respiration monitoring
CN112716474B (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
CN106725488A (zh) 一种无线场强呼吸检测方法、装置及呼吸检测仪
JP2021166704A (ja) 高周波信号を使用した無線バイタル監視の方法、装置、およびシステム
CN110018369A (zh) 一种基于非侵入式负荷分解的家电智能识别与监测方法
CN110149604B (zh) 一种基于wifi信号的人员检测方法
Zhu et al. TagCare: Using RFIDs to monitor the status of the elderly living alone
CN111142102B (zh) 一种呼吸数据计算方法以及相关设备
CN109657572B (zh) 一种基于Wi-Fi的墙后目标行为识别方法
Luo et al. Kitchen activity detection for healthcare using a low-power radar-enabled sensor network
CN113435283B (zh) 一种基于呼吸样本空间的超宽带雷达身份识别方法
Zhu et al. NotiFi: A ubiquitous WiFi-based abnormal activity detection system
Zhu et al. An environmental intrusion detection technology based on WiFi
CN114080549A (zh) 基于超宽带雷达的目标跟踪方法、装置、设备及存储介质
CN116942142A (zh) 一种基于毫米波雷达的人员智能化监测方法及相关设备
CN113453180B (zh) 一种人体摔倒智能检测方法、系统、信息数据处理终端
Kumar et al. CNN-based device-free health monitoring and prediction system using WiFi signals
CN117315886B (zh) 一种基于uwb雷达的人员即将跌倒检测方法及装置
Sutar et al. Intelligent electrocardiogram pattern classification and recognition using low‐cost cardio‐care system
CN109669403B (zh) 一种基于dbn-softmax的涉危农业投入品智能监测系统
Yang et al. An identity perception algorithm based on WiFi channel state information

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