CN112630777A - 运动状态检测方法及系统 - Google Patents
运动状态检测方法及系统 Download PDFInfo
- Publication number
- CN112630777A CN112630777A CN201910904764.6A CN201910904764A CN112630777A CN 112630777 A CN112630777 A CN 112630777A CN 201910904764 A CN201910904764 A CN 201910904764A CN 112630777 A CN112630777 A CN 112630777A
- Authority
- CN
- China
- Prior art keywords
- data
- image data
- support vector
- vector machine
- radar
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- 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
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/886—Radar or analogous systems specially adapted for specific applications for alarm systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Dentistry (AREA)
- Physiology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种运动状态检测方法,包括接收雷达波反射信号,从雷达波反射信号中采集反射信号数据;将反射信号数据转换为雷达图像数据;预处理雷达图像数据;利用经预处理的雷达图像数据训练支持向量机模型;以及利用经训练的支持向量机模型对待测样本进行检测。预处理雷达图像数据包括将所述雷达图像中图像灰度值非0的像素灰度值转化为1、图像灰度值为0的像素灰度值保持为0,以及将图像像素矩阵每一行以二进制数表示的多个像素的灰度值的组合转换为单一的10进制数,实现图像像素矩阵的数据降维处理。本发明的方法可以快速及实时处理雷达波反射信号,及时检测受监护者的运动状态,以及在检测到受监护者有跌倒发生时及时发现并采取必要措施。
Description
技术领域
本发明涉及一种运动状态检测方法及系统,尤其涉及一种使用支持向量机对采集到的雷达图像数据进行对应运动状态的检测方法及系统。
背景技术
人口老龄化的趋势不可逆转,老年人群的健康监护成为一个重要的社会议题。根据调查显示,在美国65岁以上的人口中,跌倒是造成意外死亡最重要的原因;而如果能够得到及时的救治,其中半数的死亡是可避免的。因此,对于老人的意外跌倒进行及时、准确的检测和报警具有重要的研究意义。传统的运动状态检测方法主要是基于可穿戴设备和视频监控。可穿戴设备一定程度上会对使用者带来不便,而基于视觉的视频监测方法会受到图像的清晰度、光线强弱等因素的影响,并且在浴室、卧室等事故多发的场景,由于隐私的问题,视频监测方法很难广泛应用。因此,不基于视觉的非接触式的运动状态检测成为了一个重要的研究方向。
关于不基于视觉的非接触式的运动状态检测的研究中,压力传感器布置难度高,并且对被检测者的体重比较敏感;而声波传感器会因为噪音的缘故而具有比较高的误警率。
发明内容
本发明提供一种适用于调频连续波毫米波(FMCW)雷达信号的运动状态检测方法,通过对雷达信号的时频分析,利用支持向量机进行精准、快速识别,能够避免上述其他技术中存在的问题,实现长时间、不间断、低成本的运动状态检测。
根据一个实施例,本发明的运动状态检测方法包括采集待测目标的雷达波反射信号原始数据;将所述雷达波反射信号原始数据转换为原始图像数据;预处理所述原始图像数据,获得降维图像数据;将降维图像数据与支持向量机模型参考数据比对以判定待测目标的运动状态。
优选地,所述预处理初始图像数据包括:将所述初始图像数据中灰度值非0的像素灰度值转化为1、灰度值为0值的像素灰度值保持为0;以及将所述初始图像数据的图像像素矩阵每一行以二进制数表示的多个像素的灰度值的组合转换为单一的10进制数。
优选地,所述的方法还包括利用所述降维图像数据训练支持向量机模型,以生成所述支持向量机模型参考数据。
优选地,所述方法还包括利用所述降维图像数据获得超平面方程优选地,所述所述基于降维图像数据与支持向量机模型参考数据的比对还包括将所述降维图像数据带入所述超平面方程以获得比对结果;如果所述比对结果为非负值,则判定所述待测目标为第一状态;如果所述比对结果为负值,则判定所述待测目标为第二状态。
优选地,所述所述第一状态被设置为对应于待测目标的跌倒状态。所述第二状态被设置为对应于待测目标的非跌倒状态。
根据另一实施例,本发明提供一种运动状态检测系统,所述系统包括数据采集装置、耦接于所述数据采集装置的数据转换装置,耦接于所述数据转换装置的图像预处理装置,及耦接于所述图像预处理装置的数据处理装置。所述数据转换装置具有被设置为将所述调频连续波毫米波雷达信号数据转换为初始图像数据的部件所述图像预处理装置具有被设置为预处理所述图像数据的部件,所述数据处理装置具有被设置为将降维图像数据与支持向量机模型参考数据进行比对的部件。
附加地,所述系统还包括支持向量机训练装置,所述支持向量机训练装置包括被设置为利用所述降维图像数据训练支持向量机模型的部件。
附图简要说明
各幅附图中,相同的标记指代结构相同或功能相似的部件或方法步骤。附图与下面的详细说明共同包含在说明书中,用以根据本发明描述各实施例并解释其技术方案、技术特征、实施方式及技术效果。
图1是根据本发明一个实施例的运动状态检测方法的流程图;
图2是图1所示的图像预处理方法的流程图;
图3是图1所示的运动状态检测方法的流程图;
图4是根据本发明一个实施例的运动状态检测方法的降维处理的示意图;
图5是室内雷达布置示意图;
图6是雷达基带信号的示意图;
图7A是根据本发明一个实施例的一个“第一状态”(前向跌倒)的灰度图;
图7B是图7A所示的灰度图经转换生成的二值化图;
图7C是图7B所示的二值化图经降维后的矩阵图;
图8A是根据本发明一个实施例的又一“第一状态”(后向跌倒)的灰度图;
图8B是图8A所示的灰度图经转换生成的二值化图;
图8C是图8B所示的二值化图经降维后的矩阵图;
图9A是根据本发明一个实施例的一个“第二状态”(弯腰后起身)的灰度图;
图9B是图9A所示的灰度图经转换生成的二值化图;
图9C是图9B所示的二值化图经降维后的矩阵图;
图10A是根据本发明一个实施例的又一“第二状态”(蹲下后起身)的灰度图;
图10B是图10A所示的灰度图经转换生成的二值化图;
图10C是图10B所示的二值化图经降维后的矩阵图;
图11A是根据本发明一个实施例的又一“第二状态”(坐下)的灰度图;
图11B是图11A所示的灰度图经转换生成的二值化图;
图11C是图11B所示的二值化图经降维后的矩阵图;
图12是根据本发明一个实施例的运动状态检测系统的示意图。
详细描述
可以理解,除了所描述的示例实施例之外,如本文附图中一般描述和示出的实施例的组件可由各种不同的配置来布置和设计。因此,如结合附图所表示的示例实施例的以下详细描述并非旨在限制所要求保护的实施例的范围,而仅仅是示例实施例的代表。
本说明书中对“一个实施例”、“另一个实施例”或“实施例”(或类似描述)的引用意味着结合该实施例描述的特定特征、结构或特性包括在至少一个实施例中。因此,根据实施例的具体技术方案、技术特征及各实施例间的异同之处,贯穿本说明书在各个地方出现的短语“在一个实施例中”或“在实施例中”可以理解为指代相同的实施例,也可以理解为指代不同的实施例。
图1为根据本发明的一个实施例的运动状态检测方法的示意图,示出例如采用支持向量机(SVM)对调频连续波毫米波雷达监测到的运动图像数据的处理方法。如图1所示,根据本实施例的运动状态检测方法100包括以下步骤:
步骤110:采集原始数据。步骤110包括利用雷达信号发生器生成起始频率为77千兆赫兹、带宽约为2千兆赫兹的调频连续波毫米波雷达发射信号。发射信号抵达目标物体,例如待测目标人体或其他物体,生成时域反射信号。通过对接收到的时域反射信号进行周期化的处理,例如,每隔一定的时间周期T(例如0.5秒),获取该时刻及之前一定时间窗W(例如8秒)内的雷达信号,生成待测目标运动状态的原始数据。
上述步骤中产生的调频连续毫米波的频率范围P可以为10千兆赫兹至300千兆赫兹,处理的时间周期T为0.5秒到1秒,时间窗长度W在2秒到8秒之间。时间窗的长度会影响系统的反应延迟,但较长的时间窗能带来较高的准确率,该值的选择需要根据实际需求确定。
获得的原始数据,将同一线性调频中采样得到的数据排为一列,按照时间顺序将所有线性调频排列在一起,可将原始数据表示为二维的矩阵。其中纵轴可表示为快时间,横轴可表示为慢时间,如图6所示。图6示出由通道1生成的雷达信号的二维矩阵,该二维矩阵为步骤110的数据输出结果,并将作为如下所述的步骤120的输入数据。
步骤120:生成雷达图像数据。其中,步骤120包括将步骤110中在一定时间窗W内获得的原始数据,在快时间维度上进行离散傅里叶变换,得到距离-时间图;在快时间和慢时间上分别进行离散傅里叶变换,得到多普勒-距离图;在慢时间维度上,选取每个线性调频中同一时间序列的点的数值,做短时傅里叶变换,得到多普勒-时间图。用灰度图来显示三种雷达图像,如图7A、8A、9A、10A以及11A所示,并且这三种雷达图像都能单独用作为支持向量机的输入来进行运动状态检测。
步骤120中所述的离散傅里叶变换通过以下公式进行:
其中x[n]表示雷达信号,N表示所选取的雷达信号采样点的数量;一般地,N应选取一个足够大的值来表征所接受到的信号。k的取值范围是[0,N-1]。
步骤120中所述的短时傅里叶变换通过以下公式进行:
其中x[m]表示雷达信号,w[n-m]表示窗函数序列;n表示离散时间,ω是角频率。
步骤130:预处理原始图像数据。其中,步骤130包括将步骤120处理得到的雷达图像转换为64×64像素或者32×32像素的较小尺寸的图像,且不损失必要的信息,以保证运动状态检测的准确率。之后对所得的图像进行降维处理,作为支持向量机的输入。可通过主成分分析法或二值化法对步骤120处理得到的雷达图像数据进行降维处理。
具体而言,主成分分析法通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,并用这组变量来表示原始数据。可通过主成分分析法将图像降维为2-10个维度。
二值化法降维是基于两个条件:
条件1:雷达图像的横纵方向具有实际的物理意义。比如对于多普勒-时间图,沿着y轴方向可视为某一时刻的频率分布信息,不同的x坐标对应着不同时刻的频率分布信息。
条件2:对于运动状态检测这一目标,雷达图像所表征信号的边界或轮廓比信号的强弱更重要。
基于以上两个条件,参考图2,可通过以下具体步骤来处理雷达图像数据:
步骤1302:将所有灰度值非0的像素值转化为灰度值1,将灰度值为0的像素值保持为灰度值0。由此,所有的像素值都幻化为由0或者1这两个值来表示灰度,即0表示纯黑,1表示纯白。通过二值化的变换,雷达图像的轮廓能够保存下来。
步骤1304:将n位二进制数的组合转换为1位十进制数;具体而言,可以每4位二进制为一组,将每4位二进制数的组合转换为一位10进制数,如图4所示,从而将原始数据由1024维降为256维。类似地,也可以将每8位二进制为一组,将每8位二进制数的组合转换为一位10进制数,从而将原始数据由1024维降为128维。基于雷达图像横纵轴方向的实际物理意义,这种进制变换不会损失信息,并实现降维。
可选地,在步骤140,本发明的方法包括将步骤110、步骤120和步骤130采集和处理得到的雷达图像数据训练支持向量机模型,并且可通过核方法训练非线性的支持向量机,以获得作为决策边界的超平面的数学表达。将处于“第一状态”的数据表示为非负值,将处于“第二状态”的数据表示为负值。在本实施例的描述中,“第一状态”定义为待测目标/受监护者的“跌倒状态”,例如“前向跌倒”和“后向跌倒”等;“第二状态”定义为受监护者的“非跌倒状态”,例如“弯腰后起身”、“蹲下后起身”和“坐下”等人体正常活动的身体姿态。本领域技术人员可以理解,可按照实际的运动状态检测需要来定义“第一状态”和“第二状态”,而不限于仅对“跌倒”和“非跌倒”状态的检测。
支持向量机核方法超平面可表达为:
计算支持向量机分类器等同于使下面表达式最小化:
其中yi是数据的标签,在这里用1和-1表达。λ的取值能够决定支持向量机软硬间隔类型,一般足够小的λ值能够得到硬间隔的支持向量机分类器。
步骤150:运用已经训练好的支持向量机对待检测样本进行检测。其中,参考图3,步骤150进一步包括:
步骤1502:将步骤110、步骤120和步骤130对待检测样本进行处理得到的预处理结果带入到步骤140训练得到的超平面方程中。
步骤1504:判断计算结果是否大于或等于0。
步骤1506:如果计算结果大于或等于0,则将待测样本判定为处于“第一状态”。
步骤1508:否则,则将待测样本判定为处于“第二状态”。
下面根据一个具体的实施例来描述步骤110至步骤150的应用。
如图5所示,将调频连续波毫米波雷达布置在约1.5米高的水平台上。雷达采用一发四收的设制。调频连续波毫米波雷达系统参数如表1所示:
表1
待检测目标在雷达检测范围内在不同方向上(正对雷达天线、侧面对雷达天线以及与雷达天线正方向45度夹角)进行第二状态(包括但不限于弯腰、下蹲、坐下)和第一状态(包括但不限于向前跌倒、向后跌倒)的动作。
将通过步骤110采集到的原始数据分为“第一状态”或“第二状态”的训练集数据和测试集数据,如表2所示。
第一状态 | 第二状态 | |
训练集 | 240 | 180 |
测试集 | 96 | 72 |
表2
之后,将训练集数据分别带入步骤120、步骤130、步骤140以得出超平面方程。再之后,将测试集数据分别带入步骤120、步骤130得到经预处理的图像数据;然后将该测试集的预处理图像数据带入由训练集训练得到的超平面方程中。如果计算结果为非负值,则判定为“第一状态”,如果计算结果为负值,则判定为“第二状态”。
表3列出支持向量机的部分输出结果、判别结果和数据标签。在表3所示的实施例中,“第一状态”被定义为“跌倒”;“第二状态”被定义为“非跌倒”。
模型结果 | 判别结果 | 标签 | 模型结果 | 判别结果 | 标签 |
-1.00002 | 0 | 非跌倒 | -1.00068 | 0 | 非跌倒 |
-0.99972 | 0 | 非跌倒 | 0.99974 | 1 | 跌倒 |
1.00020 | 1 | 跌倒 | 1.00016 | 1 | 跌倒 |
-1.02335 | 0 | 非跌倒 | 1.30801 | 1 | 跌倒 |
-1.00005 | 0 | 非跌倒 | -0.99997 | 0 | 非跌倒 |
1.54024 | 1 | 跌倒 | 1.00025 | 1 | 跌倒 |
1.68173 | 1 | 跌倒 | 1.60788 | 1 | 跌倒 |
1.00020 | 1 | 跌倒 | -0.99989 | 0 | 非跌倒 |
1.00013 | 1 | 跌倒 | -1.00008 | 0 | 非跌倒 |
0.99999 | 1 | 跌倒 | 1.00000 | 1 | 跌倒 |
0.99995 | 1 | 跌倒 | 1.19020 | 1 | 跌倒 |
-0.99993 | 0 | 非跌倒 | -1.00011 | 0 | 非跌倒 |
0.99998 | 1 | 跌倒 | 1.00023 | 1 | 跌倒 |
-1.00016 | 0 | 非跌倒 | 1.00030 | 1 | 跌倒 |
-0.99971 | 0 | 非跌倒 | 0.99992 | 1 | 跌倒 |
-1.00007 | 0 | 非跌倒 | 1.00013 | 1 | 跌倒 |
-1.00026 | 0 | 非跌倒 | 0.99981 | 1 | 跌倒 |
1.00012 | 1 | 跌倒 | 1.00008 | 1 | 跌倒 |
1.56682 | 1 | 跌倒 | -1.00022 | 0 | 非跌倒 |
0.99988 | 1 | 跌倒 | 1.00026 | 1 | 跌倒 |
-0.99978 | 0 | 非跌倒 | -0.99980 | 0 | 非跌倒 |
-3.66224 | 0 | 非跌倒 | -0.99992 | 0 | 非跌倒 |
-1.00026 | 0 | 非跌倒 | 0.99998 | 1 | 跌倒 |
1.00008 | 1 | 跌倒 | -1.00039 | 0 | 非跌倒 |
1.00025 | 1 | 跌倒 | 1.00011 | 1 | 跌倒 |
-0.99998 | 0 | 非跌倒 | 0.99989 | 1 | 跌倒 |
-0.99995 | 0 | 非跌倒 | 1.00003 | 1 | 跌倒 |
-0.99997 | 0 | 非跌倒 | 1.00023 | 1 | 跌倒 |
1.00007 | 1 | 跌倒 | -1.00029 | 0 | 非跌倒 |
1.00019 | 1 | 跌倒 | -1.48165 | 0 | 非跌倒 |
-0.99976 | 0 | 非跌倒 | 1.00003 | 1 | 跌倒 |
0.99985 | 1 | 跌倒 | -1.00050 | 0 | 非跌倒 |
1.69782 | 1 | 跌倒 | -1.00022 | 0 | 非跌倒 |
1.57480 | 1 | 跌倒 | -1.00009 | 0 | 非跌倒 |
0.99974 | 1 | 跌倒 | 0.99999 | 1 | 跌倒 |
表3
将得到的测试数据结果统计如表4:
表4
从表4可看出,检测的数据中运动状态识别的准确率达到了98.2%;更具体而言,对“第一状态”情况的检测的准确率(灵敏度)达到了100%,对“第二状态”情况的检测的准确率(特异度)达到了95.8%。在测试集上实现了不漏警、低误警地对运动状态进行检测。该结果表明该方法能够较好地实现对运动状态的检测。
图12为根据本发明的一个实施例的运动状态检测系统200的示意图。运动状态检测系统200包括数据采集装置210、数据转换装置220、图像预处理装置230、支持向量机训练装置240以及样本检测装置250。其中,数据采集装置210被设置为具有采集调频连续波毫米波雷达信号数据的部件;数据转换装置220被设置为具有将调频连续波毫米波雷达信号数据转换为雷达图像数据的部件;图像预处理装置230被设置为具有预处理雷达图像数据的部件;支持向量机训练装置240具有被设置为利用经预处理的雷达图像数据训练支持向量机模型的部件;数据处理装置250具有被设置为利用经训练的支持向量机模型对待测样本进行检测。
本领域技术人员可理解,本优选方案中设定的各个参数值(如调频连续波毫米波雷达系统参数)只是示例性的。本领域技术人员可根据实际需求,对参数值进行适当地调整。
如本文所引述,除非另有明确说明,否则单数“一”和“一个”可解释为包括复数“一个或多个”。
已经出于说明和描述的目的呈现了本发明,但是并非旨在穷举或限制。许多修改和变化对于本领域普通技术人员来说是清楚易懂的。已经选择和描述了示例实施例以便解释原理和实际应用,并且使得本领域普通技术人员能够理解本公开的各种实施例具有适合于预期的特定用途的各种修改。
因此,尽管这里已经参考附图描述了说明性示例实施例,但是应该理解,该描述不是限制性的,因此,本领域普通技术人员可在不脱离本公开的范围及所提供的技术方案的情况下实现各种改变、修改、替换或重组。
Claims (9)
1.一种运动状态检测方法,包括:
采集待测目标的雷达波反射信号原始数据;
将所述雷达波反射信号原始数据转换为原始图像数据;
预处理所述原始图像数据,获得降维图像数据;
将所述降维图像数据与支持向量机模型参考数据比对以判定待测目标的运动状态。
2.根据权利要求1所述的方法,其特征在于,所述预处理初始图像数据包括:
将所述初始图像数据中灰度值非0的像素灰度值转化为1、灰度值为0值的像素灰度值保持为0;以及
将所述初始图像数据的图像像素矩阵每一行以二进制数表示的多个像素的灰度值的组合转换为单一的10进制数。
3.根据权利要求2所述的方法,其特征在于,还包括利用所述降维图像数据训练支持向量机模型,以生成所述支持向量机模型参考数据。
4.根据权利要求3所述的方法,其特征在于,还包括利用所述降维图像数据获得超平面方程。
5.根据权利要求4所述的方法,其特征在于,所述基于降维图像数据与支持向量机模型参考数据的比对还包括:
将所述降维图像数据带入所述超平面方程以获得比对结果;
如果所述比对结果为非负值,则判定所述待测目标为第一状态;
如果所述比对结果为负值,则判定所述待测目标为第二状态。
6.根据权利要求5所述的方法,其特征在于,所述第一状态被设置为对应于待测目标的跌倒状态。
7.根据权利要求5所述的方法,其特征在于,所述第二状态被设置为对应于待测目标的非跌倒状态。
8.一种运动状态检测系统,其特征在于,包括:
数据采集装置,所述数据采集装置具有被设置为采集调频连续波毫米波雷达信号数据的部件;
耦接于所述数据采集装置的数据转换装置,所述数据转换装置具有被设置为将所述调频连续波毫米波雷达信号数据转换为初始图像数据的部件;
耦接于所述数据转换装置的图像预处理装置,所述图像预处理装置具有被设置为预处理所述图像数据的部件,
耦接于所述图像预处理装置的数据处理装置,所述数据处理装置具有被设置为将降维图像数据与支持向量机模型参考数据进行比对的部件。
9.根据权利要求8所述的系统,其特征在于,还包括支持向量机训练装置,所述支持向量机训练装置包括被设置为利用所述降维图像数据训练支持向量机模型的部件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910904764.6A CN112630777A (zh) | 2019-09-24 | 2019-09-24 | 运动状态检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910904764.6A CN112630777A (zh) | 2019-09-24 | 2019-09-24 | 运动状态检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112630777A true CN112630777A (zh) | 2021-04-09 |
Family
ID=75282642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910904764.6A Pending CN112630777A (zh) | 2019-09-24 | 2019-09-24 | 运动状态检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112630777A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113208566A (zh) * | 2021-05-17 | 2021-08-06 | 深圳大学 | 一种数据处理方法、装置、电子设备及存储介质 |
-
2019
- 2019-09-24 CN CN201910904764.6A patent/CN112630777A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113208566A (zh) * | 2021-05-17 | 2021-08-06 | 深圳大学 | 一种数据处理方法、装置、电子设备及存储介质 |
CN113208566B (zh) * | 2021-05-17 | 2023-06-23 | 深圳大学 | 一种数据处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Piriyajitakonkij et al. | SleepPoseNet: Multi-view learning for sleep postural transition recognition using UWB | |
Wang et al. | Living-skin classification via remote-PPG | |
KR102014104B1 (ko) | 초음파 검사 시스템 및 초음파 검사 방법 | |
KR20170107778A (ko) | 피부질환 진단 방법 및 피부질환 진단 시스템 | |
Chalakkal et al. | Automatic detection and segmentation of optic disc and fovea in retinal images | |
US10726532B2 (en) | Measurement of non-uniformity noise | |
CN107468250B (zh) | 基于多尺度熵的生物组织太赫兹成像方法、系统和设备 | |
CN104346503A (zh) | 一种基于人脸图像的情感健康监控方法及手机 | |
Geman et al. | Automatic assessing of tremor severity using nonlinear dynamics, artificial neural networks and neuro-fuzzy classifier | |
CN115308734A (zh) | 一种呼吸数据计算方法以及相关设备 | |
US20230184924A1 (en) | Device for characterising the actimetry of a subject in real time | |
CN112630777A (zh) | 运动状态检测方法及系统 | |
CN108362227B (zh) | 轮毂检测方法、装置、系统及控制设备 | |
Kulkarni et al. | Recurrence textures for human activity recognition from compressive cameras | |
Riyadi et al. | Shape characteristics analysis for papaya size classification | |
US11129539B2 (en) | Pulse measuring device and control method thereof | |
CN113963193A (zh) | 车身颜色分类模型生成的方法、装置以及存储介质 | |
JP6715397B1 (ja) | データ処理装置、データ処理方法及びプログラム | |
Cui et al. | An Image Quality Metric based on Corner, Edge and Symmetry Maps. | |
Le Kernec et al. | Radar sensing in assisted living: An overview | |
CN112587091A (zh) | 基于心率变异性角场图像的睡眠呼吸暂停检测方法及装置 | |
JP5351835B2 (ja) | 音信号区間抽出装置及び音信号区間抽出方法 | |
Rafiqi et al. | Work-in-progress, PupilWare-M: Cognitive load estimation using unmodified smartphone cameras | |
CN109884588B (zh) | 一种脉冲序列的距离度量方法及系统 | |
CN104063864A (zh) | 基于四元相位叠合模型的图像模糊度评估方法 |
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 |