CN112971769A - 一种基于生物雷达的居家人员摔倒检测系统和方法 - Google Patents
一种基于生物雷达的居家人员摔倒检测系统和方法 Download PDFInfo
- Publication number
- CN112971769A CN112971769A CN202110158589.8A CN202110158589A CN112971769A CN 112971769 A CN112971769 A CN 112971769A CN 202110158589 A CN202110158589 A CN 202110158589A CN 112971769 A CN112971769 A CN 112971769A
- Authority
- CN
- China
- Prior art keywords
- signal
- radar
- biological radar
- biological
- filter
- 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
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Dentistry (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Bioinformatics & Computational Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于生物雷达的居家人员摔倒检测系统和方法。生物雷达、信号放大器、滤波器、模数转换器、微控制器单元、处理器依次连接,生物雷达接收到人体的雷达信号数据后输出两路正交信号,发送到信号放大器和滤波器,通过信号放大器调整信号增益同时将入信号带宽限制在适用于人类的身体健康范围,通过滤波器和信号放大器输出滤波、放大调节后的正交信号到模数转换器经模数转换后发送到微控制器单元,微控制器单元通过串行端口将数字化正交信号发送到处理器。本发明采用了生物雷达,适用于检测人体的摔倒信号,构建设计了自动检测人是否摔倒的深度学习方法,用于居家人员能减少摔倒后无人救助事故的发生。
Description
技术领域
本发明涉及智能家居技术领域的一种人体摔倒检测系统和方法,更具体地说,本发明涉及面向居家人员(比如独居老人和残疾人等)的自动检测摔倒的系统和方法。
背景技术
现代社会的一个普遍问题是全球老龄化。根据世界卫生组织统计,2019年全球65岁以上的人口已经超过9%。65岁后,人类在协调、保持平衡、肌肉活动等方面都出现问题,这些负面变化会增加摔倒的风险。摔倒的发作通常会导致身体机能的下降。摔倒过后,等待求助的时间越少,康复后的身体恢复效果越好。
在2019冠状病毒病大流行期间,居家人员摔倒检测这一问题变得更加重要,因为大量的人被迫呆在家里,对于摔倒而无法求助的人来说,提供自动检测摔倒的方法是必要的。然而,目前各式各样的可穿戴式摔倒传感器出现在市场,它们的主要缺点是必须佩戴在身上,如果使用对象因为不舒服而忘记佩戴或拒绝使用,那么这些传感器就毫无用处。因此,不显眼的非可穿戴式摔倒检测方法具有更大的应用范围,一旦在用户家中安装相关装置后,就不需要用户进行任何额外操作。
发明内容
为了解决背景技术中存在的问题,本发明提出了一种基于生物雷达的自动摔倒检测系统和方法,可以检测是否发生摔倒的事件,以避免因居家人员摔倒后无人救助的事故。本发明面向的主要用户人群为独居老人、残疾人等居家人员。
为实现上述目的,本发明提供如下技术方案:
一、一种基于生物雷达的居家人员摔倒检测系统:
如图1所示,所述的系统包括正交信号的生物雷达、信号放大器、滤波器、模数转换器、微控制器单元和处理器,生物雷达、信号放大器、滤波器、模数转换器、微控制器单元、处理器依次连接,实现连贯的信号传输和调制;生物雷达具有I和Q正交的两个独立输出通道,生物雷达接收到人体的雷达信号数据后输出两路正交信号,发送到信号放大器和滤波器,通过信号放大器调整信号增益同时将入信号带宽限制在适用于人类的身体健康范围,这样可以检测到一定距离的使用对象的运动情况,尤其是摔倒事件,适合于检测人类的摔倒事件。通过滤波器和信号放大器输出滤波、放大调节后的正交信号(If、Qf)到模数转换器(ADC)经模数转换后发送到微控制器单元(MCU),微控制器单元(MCU)通过串行端口将数字化正交信号(Id和Qd)发送到处理器,进行进一步处理。
所述的微控制器单元(MCU)经振荡器(VCO)和生物雷达的控制端连接,用微控制器单元(MCU)通过设置振荡器(VCO)输入的电平来控制调整信号收发器中生物雷达的探测频率,防止生物雷达探测信号之间的干扰。
所述的生物雷达为改造的信号收发器,是在信号收发器基础上设计的,工作频率会因振荡器(VCO)输入后而发生变化。
振荡器通过电压的调节实现调节频率。在具体情况下,通过振荡器后的频率与振荡器的控制电压成单调递增的关系,振荡器后的频率即生物雷达工作频率,通过改变振荡器的控制电压而调节生物雷达的工作频率。
设置两个生物雷达,两个生物雷达成90度角布置。
二、一种基于生物雷达的居家人员摔倒检测方法:
将生物雷达布置在居家室内,采用生物雷达朝向人体进行探测采集雷达信号数据,选取能量最高的正交(I或Q)信号以进行后续分析处理;
正交信号中含有呼吸基线漂移和代表高频噪声的两种类型分量,会干扰静止对象的检测,要将二者过滤消除,使用三阶高通滤波器对正交信号进行滤波以消除呼吸基线漂移和高频噪声的两种分量,使得能检测静止的对象;具体步骤:首先将上一步中采集的正交信号再分解为若干个模式分量,本发明通过提前实验,得到滤波器中消除呼吸基线漂移和高频噪声两种分量的截止频率,然后利用设定截止频率的三阶高通滤波器,将呼吸基线漂移和代表高频噪声的分量从正交信号中分解出来,并将二者的小波细节置为零,最后重构正交信号,以达到同时消除呼吸基线漂移和代表高频噪声两种分量的目的。
下一步为特征处理:通过在滑动窗口中计算以下的时域和频域参数后组成特征向量:
时域:信号的能量、熵、偏度以及峰度;
频域:信号的能量、基频及其幅值;
以上每个参数的估计值在可以在3个频率范围0.7-3Hz,3-15Hz,15-100Hz中工作获得。由于本发明需要使用相关系数小于0.7的参数进行分类器训练,因此排除0.7-3Hz和3-15Hz频率范围的峰度和偏度参数。其余的参数估计值保留下来作为特征向量,用于进一步分析生物雷达获得的信号数据,构建神经网络模型。
最后,建立针对摔倒/非摔倒分类的特定事件的深度学习神经网络结构,将特征向量输入到深度学习神经网络结构中,处理输出摔倒/非摔倒分类的结果。
所述的深度学习神经网络结构具体采用具有长短期记忆单元的神经网络,包括两个双向层长短期记忆(LSTM)单元。
本发明方法中从众多深度学习处理方式中选择训练了具有长短期记忆单元的神经网络作为深度学习方法,能有效地对生物雷达数据执行摔倒/非摔倒分类。
在每个双向层长短期记忆(LSTM)单元之后增加过滤层(drop out)以优化神经网络结构,第二个双向层长短期记忆(LSTM)单元的过滤层(drop out)之后设置全连接层、激活层和输出层。
表1中给出了本发明针对摔倒检测问题所构建的神经网络结构。
表1.本发明的神经网络结构
1 | 输入层 |
2 | 双向层LSTM |
3 | 过滤(drop out)层 |
4 | 双向层LSTM |
5 | 过滤(drop out)层 |
6 | 全连接层 |
7 | 激活层 |
8 | 输出层(输出分类结果) |
本发明方法中预先训练针对摔倒/非摔倒分类的特定事件的两个双向层长短期记忆(LSTM)单元。双向层长短期记忆(LSTM)单元中,记忆单元位于中心,输入是已知数据,输出是预测结果Ot。记忆单元中有三个门,可选择性增加和过滤通过结构的信息。3种"门"包括:遗忘门、输入门和输出门。遗忘门用来控制上一时刻的隐藏层节点存储的历史信息;输入门用来控制当前时刻隐藏层节点的输入;输出门用来控制当前时刻隐藏层节点的输出。此外,记忆单元的状态由St表示,每个门的输入是预处理数据Xt和记忆单元St-1的先前状态。根据记忆单元结构中的信息流,记忆单元的状态更新和输出为:
it=σ(W(i)Xt+U(i)St-1) (1)
ft=σ(W(f)Xt+U(f)St-1) (2)
ot=σ(W(o)Xt+U(o)St-1) (3)
式中,表示矩阵的哈达玛积;it,ft,ot是输入门、遗忘门和输出门的输出;是记忆单元的新状态;St是记忆单元的最终状态;Ot是记忆单元的最终输出;W(i),W(f),W(o),W(c)分别表示输入门、遗忘门、输出门以及上一个状态的权重矩阵;U(i),U(f),U(o),U(c)分别表示输入门、遗忘门、输出门以及上一个状态的偏差矩阵;σ()表示sigmoid激活函数,Xt表示记忆单元的输入向量;St-1表示t-1时刻记忆单元的状态,tanh()表示tanh激活函数,t表示时间。
通过不同门的作用,LSTM记忆单元可以捕捉时间序列中短期和长期的复杂相关特征,与其他时间序列相关的深度学习网络相比,运算结果有了显著的改进。
在LTSM单元基础上,本发明使用的是双向层LSTM单元,由前面若干输入和后面若干输入共同决定摔倒事件的分类结果,完整的上下文信息会增加结果的准确性。双向层LSTM单元是一个沿着时间展开的双向循环神经网络,其网络结构如图2所示,图中的xt表示t时刻双向层LTSM的输入向量,ht表示t时刻双向层LTSM的输出向量。双向层LSTM单元具有2个独立的隐藏层,前向层和后向层,它们共同连接着输出层,前向层保存的值参与正向计算,得到当前时间点顺序信息,后向层保存的值参与反向计算,反向读取相同的序列,添加逆序信息。每层LTSM具有不同参数。LTSM层之间的隐藏输出不仅传递到相邻单元,还作用于下一LTSM层的输入。在进行训练时,由于两种状态神经元之间无相互作用,因此可以展开为一个通用的前馈网络。通过对输出神经元的正向和反向传播,完成对网络权重的更新。最终的输出值由二者共同作用(如求和运算)决定。
本发明的有益效果是:
本发明首先提供了生物雷达的采用,并通过措施设计使其适用于检测人体的摔倒信号,主要原则包括检测准确性和对人体无伤害。
本发明还构建设计了自动检测人是否摔倒的深度学习方法,构建了适用于摔倒事件分类的神经网络结构,以减少摔倒后无人救助事故的发生。
本发明面向的主体对象是独居老人和残疾人等居家人员,后续过程物业和亲属也参与求助的流程。由于检测过程是基于生物雷达传感器进行的,不仅节省了成本,同时也保护了用户的安全隐私。
附图说明
图1为本发明的生物雷达原理示意图。
图2为本发明中双向层LSTM记忆单元的网络结构。
图3为本发明的生物雷达探测环境示意图。
具体实施方式
下面结合附图和具体实施对本发明作进一步说明。
按照本发明发明内容完整方法实施的实施例及其实施情况如下:
1.生物雷达探测环境设计
生物雷达探测环境如图3所示。在带有家具的6.0×3.5m的客厅中记录日常活动和摔倒,天花板的高度为2.8m,生物雷达位于地面上方0.8米的墙壁处。两个生物雷达,其中一个是正面面向被测对象,另一个是侧面面向被测对象,两个生物雷达彼此成90度角,允许从不同的视角观察对象,并确保即使他/她的身体部分地阻挡了一个生物雷达,该对象的运动模式也会被另一生物雷达观察到。
2.适用于人体健康的生物雷达
本发明中的生物雷达使用了单芯片高灵敏度的正交收发器,其信号收发器具有两个独立的输出通道,即I(同相)和Q(正交)通道。本发明中的生物雷达配置了滤波器和放大器,它将输入信号带宽限制在一定范围,从而可以调节到不会影响人体的健康,使其适合于人类摔倒检测任务。信号增益也可以在使用范围内进行调整,可以检测距离生物雷达0.5至6.0m距离的人体运动,根据调查,这段距离范围适用于一般家庭的居家环境。
两个经过滤波和放大的正交信号(If和Qf)通过一个模数转换器(ADC)。使用Arduino UNO等板卡作为微控制器单元(MCU),通过串行端口将数字化正交信号(Id和Qd)发送到处理器进行进一步处理,或者直接连接到家庭中的报警器进行报警,或者激活到物业或者亲属的报警器处进行提示。此外使用MCU通过设置收发器的振荡器(VCO)输入电平来调整生物雷达的探测频率,防止生物雷达探测信号之间的干扰。
1.摔倒检测方法设计
本发明旨在解决在生物雷达的检测范围内是否发生摔倒的事件。为此进行了相关实验,其中所有检测对象被要求进入房间并在四个点之一(图3中的1-4点)模仿摔倒或日常活动。
检测对象可以进行各种类型的日常活动(进入和离开房屋,进行体育锻炼和做家务,躺在垫子上并从垫子上站起来等),以及模拟两种类型的摔倒事件:滑倒和失去知觉。两种摔倒事件都以不同的方向(向后,向前,右侧和左侧)进行,每条生物雷达记录的持续时间为10s。如果记录中包含摔倒事件,则将其标记为“摔倒”,否则将其标记为“未摔倒”。摔倒事件的开始时间因记录而异,并在10s的记录持续时间内平均分布。
由于本发明中在家庭环境中设置了两个成90度角的生物雷达,在具体实施过程中也会对二者检测摔倒事件的准确度进行比较,得出更适合的生物雷达安装位置。
以下是本发明中的信号处理以及结果分析:
3.1、采集到生物雷达的信号数据之后,选取能量最高的正交(I或Q)信号进行后续的分析。
3.2、使用三阶高通滤波器对正交信号进行滤波以抑制呼吸基线漂移和高频噪声,使得能检测静止的对象;
具体步骤:首先将上一步中采集的正交信号分解为若干个模式分量,本发明通过提前实验,得到滤波器中可以消除呼吸基线漂移和高频噪声两种分量的截止频率,然后利用设定截止频率的三阶高通滤波器,将呼吸基线漂移和代表高频噪声的分量从正交信号中分解出来,并将二者的小波细节置为零,最后重构正交信号,以达到同时消除呼吸基线漂移和代表高频噪声的目的。
3.3、通过计算宽度为1s、步长为0.5s的滑动窗口(共19个窗口)中的以下参数来形成特征向量:
·时域:能量、熵、偏度以及峰度;
·频域:能量、基频及其幅值。
3.4、特征工程:通过在滑动窗口中计算以下的时域和频域参数后组成特征向量:
时域:信号的能量、熵、偏度以及峰度;
频域:信号的能量、基频及其幅值。
以上每个参数的估计值在可以在3个频率范围0.7-3Hz,3-15Hz,15-100Hz中工作获得。由于本发明需要使用相关系数小于0.7的参数进行分类器训练,因此排除0.7-3Hz和3-15Hz频率范围的峰度和偏度参数。其余的参数估计值保留下来作为特征向量,用于进一步分析生物雷达获得的信号数据,构建神经网络模型。其中,输入信号由大小为34x19的序列表示(前17行对应于1号生物雷达的数据,后17行对应于2号生物雷达的数据)。
为了对收集到的生物雷达数据执行摔倒/非摔倒特定事件的分类,本发明方法训练了基于双向层LSTM的神经网络结构。数据集的序列一部分用于网络结构的训练,其余用于测试分类器性能。
本发明设计带有两个双向层LSTM的神经网络结构,输入设置为特征向量大小的序列。每个双向层LSTM包含若干个隐藏单元。为了防止过度拟合,在每个双向层之后添加了两个过滤层。第二个双向层后为全连接层。由于有两个类别(摔倒或不摔倒),因此使用了大小为2的全连接层,然后是激活层和分类层。然后设定批处理参数和历元数量。同时设置梯度阈值以防止梯度爆炸。
本实施例根据不同的实验采集数据训练了三种神经网络结构进行比较。首先,分别使用1号和2号生物雷达收集的数据分别训练了两种基于双向层LSTM的神经网络(记作LSTM1和LSTM2),其中,LSTM1是根据检测对象正面朝向的生物雷达所收集数据构建的检测方法;LSTM2是检测对象侧面朝向的生物雷达所收集数据构建的检测方法。另外,本发明也同时使用两个生物雷达收集的全部数据进行了训练,构建摔倒检测方法。然后,使用准确性和F1分数两种性能指标用于评估每个分类器的性能,结果如表2所示。
表2.摔倒事件的检测结果
神经网络结构 | 数据集 | 准确性(%) | F1分数(%) |
LSTM1 | 1 | 99.32 | 99.32 |
LSTM2 | 2 | 89.94 | 89.84 |
LSTM1 | 2 | 84.53 | 85.72 |
LSTM2 | 1 | 94.61 | 94.43 |
LSTM1+2 | 1+2 | 99.33 | 99.34 |
可以看到,LSTM1比LSTM 2的检测结果要好得多(准确率为99.32%vs.89.94%)。
另一方面,在实际生活中,分类器应该对生物雷达的安装角度具有鲁棒性,并为人体所有可能的活动方向提供可靠的检测结果。为了检验LSTM神经网络结构的鲁棒性,本发明同时分别使用不同的数据集,以及不同的安装角度对检测结果进行了比较。
可以得出结论,从准确度和F1分数两种性能看,同时使用两种生物雷达以及大数据集的检测结果优于使用正面朝向的生物雷达,最后是使用侧面朝向的生物雷达,同时是否使用训练的数据集的也会影响结果(LTSM1+2,数据集1+2>LTSM1,数据集1>LTSM2,数据集2>LTSM2,数据集1>LTSM1,数据集2)。另外,前两种方案的结果差距不大,因此可以得出结论,如果考虑成本因素的话,可以只安装1个正面朝向人体主要活动方向的生物雷达,以进行安全有效的居家人员摔倒检测。
通过具体实施可知,与其他基于不同类型传感器的非接触式方法相比,本发明提出的自动摔倒检测方法的在识别人体摔倒事件中实现了较高的精确度,相比于不侵犯用户隐私的其他非视觉方法也具有更好的效果。
Claims (6)
1.一种基于生物雷达的居家人员摔倒检测系统,其特征在于:
所述的系统包括正交信号的生物雷达、信号放大器、滤波器、模数转换器、微控制器单元和处理器,生物雷达、信号放大器、滤波器、模数转换器、微控制器单元、处理器依次连接,实现连贯的信号传输和调制;生物雷达具有I和Q正交的两个独立输出通道,生物雷达接收到人体的雷达信号数据后输出两路正交信号,发送到信号放大器和滤波器,通过信号放大器调整信号增益同时将入信号带宽限制在适用于人类的身体健康范围,通过滤波器和信号放大器输出滤波、放大调节后的正交信号(If、Qf)到模数转换器(ADC)经模数转换后发送到微控制器单元(MCU),微控制器单元(MCU)通过串行端口将数字化正交信号(Id和Qd)发送到处理器,进行进一步处理。
2.根据权利要求1所述的一种基于生物雷达的居家人员摔倒检测系统,其特征在于:所述的微控制器单元(MCU)经振荡器(VCO)和生物雷达的控制端连接,用微控制器单元(MCU)通过设置振荡器(VCO)输入的电平来控制调整信号收发器中生物雷达的探测频率。
3.根据权利要求1所述的一种基于生物雷达的居家人员摔倒检测系统,其特征在于:设置两个生物雷达,两个生物雷达成90度角布置。
4.一种基于生物雷达的居家人员摔倒检测方法,其特征在于:
将生物雷达布置在居家室内,采用生物雷达朝向人体进行探测采集雷达信号数据,选取能量最高的正交(I或Q)信号;
使用三阶高通滤波器对正交信号进行滤波以消除呼吸基线漂移和高频噪声的两种分量,使得能检测静止的对象;
下一步为特征处理:通过在滑动窗口中计算以下的时域和频域参数后组成特征向量:
时域:信号的能量、熵、偏度以及峰度;
频域:信号的能量、基频及其幅值;
最后,建立针对摔倒/非摔倒分类的特定事件的深度学习神经网络结构,将特征向量输入到深度学习神经网络结构中,处理输出摔倒/非摔倒分类的结果。
5.根据权利要求4所述的一种基于生物雷达的居家人员摔倒检测方法,其特征在于:所述的深度学习神经网络结构具体采用具有长短期记忆单元的神经网络,包括两个双向层长短期记忆单元。
6.根据权利要求4所述的一种基于生物雷达的居家人员摔倒检测方法,其特征在于:在每个双向层长短期记忆单元之后增加过滤层以优化神经网络结构,第二个双向层长短期记忆单元的过滤层之后设置全连接层、激活层和输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110158589.8A CN112971769A (zh) | 2021-02-04 | 2021-02-04 | 一种基于生物雷达的居家人员摔倒检测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110158589.8A CN112971769A (zh) | 2021-02-04 | 2021-02-04 | 一种基于生物雷达的居家人员摔倒检测系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112971769A true CN112971769A (zh) | 2021-06-18 |
Family
ID=76347336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110158589.8A Pending CN112971769A (zh) | 2021-02-04 | 2021-02-04 | 一种基于生物雷达的居家人员摔倒检测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112971769A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609768A (zh) * | 2021-08-02 | 2021-11-05 | 国网浙江省电力有限公司台州供电公司 | 基于双向lstm网络的台区线损率计算方法 |
CN117331047A (zh) * | 2023-12-01 | 2024-01-02 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的人体行为数据分析方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103070728A (zh) * | 2013-02-06 | 2013-05-01 | 南京理工大学 | 一种非接触式生命体征监护设备 |
CN104644143A (zh) * | 2015-03-09 | 2015-05-27 | 耿希华 | 一种非接触式生命体征监护系统 |
CN106175723A (zh) * | 2016-06-27 | 2016-12-07 | 中国人民解放军第三军医大学第附属医院 | 一种基于fmcw宽带雷达的多生命监护系统 |
CN107562784A (zh) * | 2017-07-25 | 2018-01-09 | 同济大学 | 基于ResLCNN模型的短文本分类方法 |
CN109087482A (zh) * | 2018-09-18 | 2018-12-25 | 西安交通大学 | 一种跌倒检测装置与方法 |
CN109979161A (zh) * | 2019-03-08 | 2019-07-05 | 河海大学常州校区 | 一种基于卷积循环神经网络的人体跌倒检测方法 |
CN110490906A (zh) * | 2019-08-20 | 2019-11-22 | 南京邮电大学 | 一种基于孪生卷积网络和长短期记忆网络的实时视觉目标跟踪方法 |
CN111175743A (zh) * | 2020-02-25 | 2020-05-19 | 山东省科学院自动化研究所 | 基于多普勒雷达技术的老年人跌倒报警平台及方法 |
CN111324990A (zh) * | 2020-03-19 | 2020-06-23 | 长江大学 | 基于多层长短期记忆神经网络模型的孔隙度预测方法 |
CN111507361A (zh) * | 2019-01-30 | 2020-08-07 | 富士通株式会社 | 基于微波雷达的动作识别装置、方法及系统 |
CN111603138A (zh) * | 2020-05-19 | 2020-09-01 | 杭州电子科技大学 | 一种基于毫米波雷达的睡眠呼吸暂停监测系统 |
-
2021
- 2021-02-04 CN CN202110158589.8A patent/CN112971769A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103070728A (zh) * | 2013-02-06 | 2013-05-01 | 南京理工大学 | 一种非接触式生命体征监护设备 |
CN104644143A (zh) * | 2015-03-09 | 2015-05-27 | 耿希华 | 一种非接触式生命体征监护系统 |
CN106175723A (zh) * | 2016-06-27 | 2016-12-07 | 中国人民解放军第三军医大学第附属医院 | 一种基于fmcw宽带雷达的多生命监护系统 |
CN107562784A (zh) * | 2017-07-25 | 2018-01-09 | 同济大学 | 基于ResLCNN模型的短文本分类方法 |
CN109087482A (zh) * | 2018-09-18 | 2018-12-25 | 西安交通大学 | 一种跌倒检测装置与方法 |
CN111507361A (zh) * | 2019-01-30 | 2020-08-07 | 富士通株式会社 | 基于微波雷达的动作识别装置、方法及系统 |
CN109979161A (zh) * | 2019-03-08 | 2019-07-05 | 河海大学常州校区 | 一种基于卷积循环神经网络的人体跌倒检测方法 |
CN110490906A (zh) * | 2019-08-20 | 2019-11-22 | 南京邮电大学 | 一种基于孪生卷积网络和长短期记忆网络的实时视觉目标跟踪方法 |
CN111175743A (zh) * | 2020-02-25 | 2020-05-19 | 山东省科学院自动化研究所 | 基于多普勒雷达技术的老年人跌倒报警平台及方法 |
CN111324990A (zh) * | 2020-03-19 | 2020-06-23 | 长江大学 | 基于多层长短期记忆神经网络模型的孔隙度预测方法 |
CN111603138A (zh) * | 2020-05-19 | 2020-09-01 | 杭州电子科技大学 | 一种基于毫米波雷达的睡眠呼吸暂停监测系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113609768A (zh) * | 2021-08-02 | 2021-11-05 | 国网浙江省电力有限公司台州供电公司 | 基于双向lstm网络的台区线损率计算方法 |
CN117331047A (zh) * | 2023-12-01 | 2024-01-02 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的人体行为数据分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Accelerometry based classification of walking patterns using time-frequency analysis | |
CN110420019B (zh) | 一种心冲击图信号的深度回归心率估计方法 | |
Bianchi et al. | Barometric pressure and triaxial accelerometry-based falls event detection | |
CN112971769A (zh) | 一种基于生物雷达的居家人员摔倒检测系统和方法 | |
DE602004006803T2 (de) | Tragbarer Detektor zur Messung von Personenbewegungen | |
Sabeti et al. | Selection of relevant features for EEG signal classification of schizophrenic patients | |
CN107422643A (zh) | 基于振动检测的智能家居监控方法及系统 | |
Krassnig et al. | User-friendly system for recognition of activities with an accelerometer | |
Sengto et al. | Human falling detection algorithm using back propagation neural network | |
Yang et al. | Hardware efficient automatic thresholding for NEO-based neural spike detection | |
Ge et al. | Detecting Falls Using Accelerometers by Adaptive Thresholds in Mobile Devices. | |
Lubina et al. | Artificial neural networks in accelerometer-based human activity recognition | |
Dinh et al. | A new real-time fall detection approach using fuzzy logic and a neural network | |
US20090024046A1 (en) | Apparatus and method for detection of one lung intubation by monitoring sounds | |
Tomasevic et al. | Artificial neural network based approach to EEG signal simulation | |
Ning et al. | Fall detection algorithm based on gradient boosting decision tree | |
CN110916672A (zh) | 一种基于一维卷积神经网络的老年人日常活动监测方法 | |
CN106781245B (zh) | 基于可穿戴设备的服刑人员斗殴预警的方法与系统 | |
Priyadharsini et al. | An Efficient method for the removal of ECG artifact from measured EEG Signal using PSO algorithm | |
Poorani et al. | Sensor based decision making inference system for remote health monitoring | |
CN113064493A (zh) | 一种基于脑电信号的无人机紧急状况检测方法与系统 | |
Shastry et al. | Context-aware fall detection using inertial sensors and time-of-flight transceivers | |
KR102570665B1 (ko) | 맥파를 이용한 cnn 기반의 운동 강도 분류 시스템 | |
Nagaraj et al. | A Robust Recession Detective Analysis System using IoT Smart Sensor Devices | |
Baspinar et al. | Classification of hand movements by using artificial neural network |
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 |