CN113208566B - 一种数据处理方法、装置、电子设备及存储介质 - Google Patents

一种数据处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113208566B
CN113208566B CN202110535885.5A CN202110535885A CN113208566B CN 113208566 B CN113208566 B CN 113208566B CN 202110535885 A CN202110535885 A CN 202110535885A CN 113208566 B CN113208566 B CN 113208566B
Authority
CN
China
Prior art keywords
frequency data
radar
data
radar time
frame sequence
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
CN202110535885.5A
Other languages
English (en)
Other versions
CN113208566A (zh
Inventor
阳召成
赖佳磊
郭波宁
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202110535885.5A priority Critical patent/CN113208566B/zh
Publication of CN113208566A publication Critical patent/CN113208566A/zh
Application granted granted Critical
Publication of CN113208566B publication Critical patent/CN113208566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4815—Sleep quality
    • 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
    • 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
    • A61B5/1118—Determining activity level
    • 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
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请实施例公开了一种数据处理方法、装置、电子设备及存储介质。其中，该方法包括：采用预设噪声阈值对人体睡眠活动对应的初始雷达时频数据进行处理，确定中间雷达时频数据；对中间雷达时频数据进行数据处理，得到帧序列能量阈值向量；采用帧序列能量阈值向量对中间雷达时频数据进行数据处理，得到目标雷达时频数据；根据睡眠活动识别模型对目标雷达时频数据进行识别，得到人体睡眠活动对应的睡眠动作类型。本申请实施例提供的技术方案可以降低睡眠活动识别模型对目标雷达时频数据进行识别的复杂度，降低睡眠活动识别系统的硬件资源和成本。

Description

一种数据处理方法、装置、电子设备及存储介质
技术领域
本申请实施例涉及计算机技术领域，尤其涉及一种数据处理方法、装置、电子设备及存储介质。
背景技术
随着工作和学习压力的增加，睡眠质量越来越受到人们的关注，睡眠活动是检验睡眠质量的重要指标。由于雷达传感器能够在不受光照的情况下工作，还有隐私保护优势，所以利用雷达传感器对睡眠活动进行识别已经越来越受到研究者的重视。
现有技术中，通常是将雷达信号与机器学习(或者深度神经网络)相结合从而对人体运动进行分类。采用机器学习(或者深度神经网络)是在云服务器中处理原始数据，因而它可能会导致较大的时间延迟和原始数据丢失。为了解决该缺点，现有技术通过对机器学习(或者深度神经网络)进行边缘计算，即将所有的算法嵌入到边缘设备中，可以满足快速实时数据处理的需要，并能防止原始数据丢失。但是，该方法所需要的硬件资源和成本庞大。因此，亟需一种低复杂度、计算需求小的数据处理方法，从而降低睡眠活动识别系统的硬件资源和成本。
发明内容
本申请实施例提供了一种数据处理方法、装置、电子设备及存储介质，可以降低睡眠活动识别模型对目标雷达时频数据进行识别的复杂度，降低睡眠活动识别系统的硬件资源和成本。
第一方面，本申请实施例提供了一种数据处理方法，该方法包括：
采用预设噪声阈值对人体睡眠活动对应的初始雷达时频数据进行处理，确定中间雷达时频数据；
对所述中间雷达时频数据进行数据处理，得到帧序列能量阈值向量；其中，所述中间雷达时频数据中的每一列元素对应一个雷达信号的帧序列；所述帧序列能量阈值向量中每一元素对应一个雷达信号的帧序列的能量阈值；
采用所述帧序列能量阈值向量对所述中间雷达时频数据进行数据处理，得到目标雷达时频数据；
根据睡眠活动识别模型对所述目标雷达时频数据进行识别，得到人体睡眠活动对应的睡眠动作类型。
第二方面，本申请实施例提供了一种数据处理装置，该装置包括：
第一处理模块，用于采用预设噪声阈值对人体睡眠活动对应的初始雷达时频数据进行处理，确定中间雷达时频数据；
第二处理模块，用于对所述中间雷达时频数据进行数据处理，得到帧序列能量阈值向量；其中，所述中间雷达时频数据中的每一列元素对应一个雷达信号的帧序列；所述帧序列能量阈值向量中每一元素对应一个雷达信号的帧序列的能量阈值；
第三处理模块，用于采用所述帧序列能量阈值向量对所述中间雷达时频数据进行数据处理，得到目标雷达时频数据；
识别模块，用于根据睡眠活动识别模型对所述目标雷达时频数据进行识别，得到人体睡眠活动对应的睡眠动作类型。
第三方面，本申请实施例提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本申请任意实施例所述的数据处理方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现本申请任意实施例所述的数据处理方法。
本申请实施例提供了一种数据处理方法、装置、电子设备及存储介质，采用预设噪声阈值对人体睡眠活动对应的初始雷达时频数据进行处理，确定中间雷达时频数据；对中间雷达时频数据进行数据处理，得到帧序列能量阈值向量；采用帧序列能量阈值向量对中间雷达时频数据进行数据处理，得到目标雷达时频数据；根据睡眠活动识别模型对目标雷达时频数据进行识别，得到人体睡眠活动对应的睡眠动作类型。执行本申请的技术方案可以降低睡眠活动识别模型对目标雷达时频数据进行识别的复杂度，降低睡眠活动识别系统的硬件资源和成本。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1A为本申请实施例提供的一种数据处理方法的第一流程示意图；
图1B为本申请实施例提供的雷达时频数据示意图；
图2为本申请实施例提供的一种数据处理方法的第二流程示意图；
图3A为本申请实施例提供的一种数据处理方法的第三流程示意图；
图3B为本申请实施例提供的雷达回波信号示意图；
图4为本申请实施例提供的一种数据处理装置的结构示意图；
图5是用来实现本申请实施例的一种数据处理方法的电子设备的框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一
图1A为本申请实施例提供的一种数据处理方法的第一流程示意图；图1B为本申请实施例提供的雷达时频数据示意图。本实施例可适用于基于雷达时频数据对人体睡眠活动进行识别，得到人体睡眠活动对应的睡眠动作类型的情况。本实施例提供的一种数据处理方法可以由本申请实施例提供的数据处理装置来执行，该装置可以通过软件和/或硬件的方式实现，并集成在执行本方法的电子设备中。
参见图1A，本实施例的方法包括但不限于如下步骤：
S110、采用预设噪声阈值对人体睡眠活动对应的初始雷达时频数据进行处理，确定中间雷达时频数据。
在本申请实施例中，首先获取人体睡眠活动对应的雷达回波数据，再根据雷达回波数据，得到初始雷达时频数据。其中，初始雷达时频数据的具体确定过程将在下述实施例中进行解释说明。本申请考虑到雷达传感器的低功耗特性，其信噪比会相对较低。因此，采用预设噪声阈值对人体睡眠活动对应的初始雷达时频数据进行处理，确定中间雷达时频数据，其中，本申请对预设噪声阈值的取值不做具体限定，可根据人体睡眠活动的实际情况进行设定。
具体的，针对初始雷达时频数据中的每一个元素，若该元素大于预设噪声阈值，则对该元素进行归一化处理；若该元素小于预设噪声阈值，则将该元素置为零，以得到中间雷达时频数据。
在本申请实施例中，初始雷达时频数据是一个矩阵，该矩阵的列表示的是雷达信号的帧序列，该矩阵的行表示的是多普勒频率，该矩阵的每一个元素表示的是某一帧序列在某一多普勒频率下对应的能量值。针对初始雷达时频数据中的每一个元素，比较该元素与预设噪声阈值的大小关系。若该元素大于预设噪声阈值，则对该元素进行归一化处理；若该元素小于预设噪声阈值，则将该元素置为零。根据该方法对初始雷达时频数据中的每一个元素处理完之后，得到中间雷达时频数据。
S120、对中间雷达时频数据进行数据处理，得到帧序列能量阈值向量。
在本申请实施例中，经上述步骤得到中间雷达时频数据之后，再对中间雷达时频数据进行数据处理，得到帧序列能量阈值向量。
可选的，本步骤对中间雷达时频数据进行数据处理，得到帧序列能量阈值向量的具体过程可以通过以下两个子步骤实现：
S1201、对中间雷达时频数据的每一列元素的能量进行求和，得到雷达能量向量。
其中，雷达能量向量为行向量。
在本申请实施例中，中间雷达时频数据中的每一列元素对应一个雷达信号的帧序列，对中间雷达时频数据的每一列元素的能量进行求和，得到雷达能量向量。雷达能量向量中的每一个元素对应一个雷达信号的帧序列的能量之和。
S1202、针对雷达能量向量中的每一个元素，对该元素乘以预设能量阈值，并除以初始雷达时频数据的行数，得到帧序列能量阈值向量。
在本申请实施例中，经上一步骤得到雷达能量向量之后，再根据雷达能量向量，得到帧序列能量阈值向量，帧序列能量阈值向量中每一个元素对应一个雷达信号的帧序列的能量阈值。具体的，针对雷达能量向量中的每一个元素，先对该元素乘以预设能量阈值，再除以初始雷达时频数据的行数。根据该方法对雷达能量向量中的每一个元素处理完之后，得到帧序列能量阈值向量。其中，本申请对预设能量阈值的取值不做具体限定，可根据人体睡眠活动的实际情况进行设定。
S130、采用帧序列能量阈值向量对中间雷达时频数据进行数据处理，得到目标雷达时频数据。
在本申请实施例中，经上述步骤得到帧序列能量阈值向量之后，再根据帧序列能量阈值向量对中间雷达时频数据进行数据处理，得到目标雷达时频数据。
具体的，根据帧序列能量阈值向量，针对中间雷达时频数据中的每一个元素，比较该元素与该元素所在列对应的帧序列能量阈值的大小关系，若该元素大于该元素所在列对应的帧序列能量阈值，则对该元素进行归一化处理，若该元素小于该元素所在列对应的帧序列能量阈值，则将该元素置为零。根据该方法对中间雷达时频数据中的每一个元素处理完之后，得到目标雷达时频数据。
在本申请实施例中，先根据初始雷达时频数据进行数据处理，得到中间雷达时频数据；再对中间雷达时频数据进行数据处理，得到目标雷达时频数据。这一过程可以称为“零力”处理，该处理是将噪声降至最小，同时保留有效的人体睡眠活动数据。对初始雷达时频数据进行“零力”处理得到目标雷达时频数据的好处在于，可以减少睡眠活动识别模型参数的个数，进而可以降低睡眠活动识别模型对目标雷达时频数据进行识别的复杂度，降低睡眠活动识别系统的硬件资源和成本。如图1B所示，为人体起立时的雷达时频数据对比，左边为未经过“零力”处理的雷达时频数据，右边是经过“零力”处理的雷达时频数据，从图中可以看出，经过“零力”处理的雷达时频数据更加便于识别。
S140、根据睡眠活动识别模型对目标雷达时频数据进行识别，得到人体睡眠活动对应的睡眠动作类型。
其中，睡眠动作类型包括：微动、起立、挥手、躺下和翻身中的至少一项。
在本申请实施例中，经上述步骤得到目标雷达时频数据之后，再根据目标雷达时频数据提取出特征数据，最后将特征数据输入至睡眠活动识别模型中进行识别，输出目标雷达时频数据对应的睡眠动作类型。
本实施例提供的技术方案，通过采用预设噪声阈值对人体睡眠活动对应的初始雷达时频数据进行处理，确定中间雷达时频数据；对中间雷达时频数据进行数据处理，得到帧序列能量阈值向量；采用帧序列能量阈值向量对中间雷达时频数据进行数据处理，得到目标雷达时频数据；根据睡眠活动识别模型对目标雷达时频数据进行识别，得到人体睡眠活动对应的睡眠动作类型。本申请对初始雷达时频数据进行“零力”处理得到目标雷达时频数据，可以减少睡眠活动识别模型参数的个数，进而可以降低睡眠活动识别模型对目标雷达时频数据进行识别的复杂度，降低睡眠活动识别系统的硬件资源和成本。
实施例二
图2为本申请实施例提供的一种数据处理方法的第二流程示意图。本申请实施例是在上述实施例的基础上进行优化，具体优化为：增加了对目标雷达时频数据进行分类识别的过程进行详细的解释说明。
在介绍本实施例之前，对人体睡眠活动事件进行检测的方法进行说明：首先对雷达信号进行硬件采样得到雷达回波信号；然后对雷达回波信号进行静态杂波抑制；最后再将杂波抑制后的信号利用傅里叶变换转化为距离-频率矩阵X(f，n)，可以表示为：
Figure BDA0003069812640000081
其中，f表示频率；y(m，n)是杂波抑制后的信号；m是雷达信号的帧序列；n是采样点；e为自然底数。
由于睡眠时呼吸心跳的频率范围在±0.2Hz到±2Hz，而当人体发生体动时，产生的频率要高于呼吸心跳频率范围以外，同时体动产生的能量会远高于噪声产生的能量。因此，可以提取呼吸心跳频率范围以外的能量来判断睡眠者是否发生了体动。将体动产生的能量定义为能量爆发曲线(power burst curve，PBC)，表达式为：
Figure BDA0003069812640000091
其中，Z(n)为能量爆发曲线；X(f，n)为雷达回波信号的距离-频率矩阵；n是采样点；f表示频率；ψ为频率的取值范围；γ是定义高频的阈值，可以设定为2Hz。
采用滑窗的方式对睡眠目标进行体动判断。在一个时间窗内，设置了一个能量阈值η来判断是否发生体动，即PBC检测器。如果高频所在的能量与总能量之比超过了该能量阈值η，则判定为体动发生。判定体动发生的表达式如下所示：
Figure BDA0003069812640000092
其中，Z(n)为能量爆发曲线；X(f，n)为雷达回波信号的距离-频率矩阵；n是采样点；f表示频率；η为能量阈值。
但是，使用PBC检测器检测人体睡眠活动时存在一些缺点，如PBC检测器不可避免地会发生虚警和漏警。假若考虑到雷达传感器对于微小动作极具敏感性，将能量阈值η可以设置地很小，这意味着几乎不存在漏警。但是，同样也增加了虚警的发生的可能性。
参见图2，本实施例的方法包括但不限于如下步骤：
S210、采用预设噪声阈值对人体睡眠活动对应的初始雷达时频数据进行处理，确定中间雷达时频数据。
S220、对中间雷达时频数据进行数据处理，得到帧序列能量阈值向量。
S230、采用帧序列能量阈值向量对中间雷达时频数据进行数据处理，得到目标雷达时频数据。
S240、根据分类网络模型对目标雷达时频数据进行分类，得到微动数据和体动数据，并将体动数据作为待识别数据。
其中，微动数据是指睡眠者在睡眠活动中晃动身体、说梦话、或者做其他微小的动作；分类网络模型为支持向量机模型(support vector machine，SVM)。
在本申请实施例中，经上述步骤得到目标雷达时频数据之后，再采用睡眠活动识别模型对目标雷达时频数据进行识别。具体的，先根据分类网络模型对目标雷达时频数据进行粗分类，得到微动数据和体动数据；当目标雷达时频数据为体动数据时，再根据识别网络模型对待识别数据进行识别。其中，根据分类网络模型对目标雷达时频数据进行粗分类的具体过程为：先从目标雷达时频数据中提取出特征数据，作为分类网络模型的输入；再根据分类网络模型将目标雷达时频数据进行分类为微动数据和体动数据；最后将体动数据作为待识别数据。其中，特征数据包括体征外多普勒能量、体征外信息量以及体征外多普勒能量与总多普勒能量之比。
具体的，体征外多普勒能量F1的表达式如下：
Figure BDA0003069812640000101
其中，S′(m，fd)表示目标雷达时频数据；M为雷达信号的帧序列的总个数；m是雷达信号的帧序列；F傅里叶变换的点数；fd表示多普勒频率；fd的体征外多普勒频率的取值为从4到F-4。
体征外信息量F2的表达式如下：
Figure BDA0003069812640000111
其中，S′(m，fd)表示目标雷达时频数据；
Figure BDA0003069812640000112
表示所有的频率分量；m是雷达信号的帧序列；fd表示多普勒频率，/>
Figure BDA0003069812640000113
代表的含义是防止分母为零。
体征外多普勒能量与总多普勒能量之比F3的表达式如下：
Figure BDA0003069812640000114
其中，M为雷达信号的帧序列的总个数；m是雷达信号的帧序列；fd表示多普勒频率；
Figure BDA0003069812640000115
表示所有的频率分量。
可选的，分类网络模型还可以采用高斯核函数的SVM。
S250、根据识别网络模型对待识别数据进行识别，得到人体睡眠活动对应的睡眠动作类型。
其中，识别网络模型为时序神经网络模型(long short term memory，LSTM)。
在本申请实施例中，经上述步骤，根据分类网络模型对目标雷达时频数据进行分类得到微动数据和体动数据，并将体动数据作为待识别数据之后，再根据识别网络模型对待识别数据进行细分类，其中，细分类别包含：挥手、翻身、起立和躺下。LSTM是循环神经网络的一种，具有记忆功能，能够学习复杂的时序信息。由于雷达时频图是由每个时间的向量信息组成的，因此，采用LSTM能够很好地学习目标雷达时频数据。
在本申请实施例中，识别网络模型的结构是一个LSTM细胞单元和一个全连接层。全连接层的输出是对softmax层进行四分类。在训练睡眠活动识别模型的过程中，通过不断地迭代参数，可以得到最优的睡眠活动识别模型。在训练完毕之后，将所得到的模型参数进行保存，以用于部署在边缘终端中。
本实施例提供的技术方案，通过采用预设噪声阈值对人体睡眠活动对应的初始雷达时频数据进行处理，确定中间雷达时频数据；对中间雷达时频数据进行数据处理，得到帧序列能量阈值向量；采用帧序列能量阈值向量对中间雷达时频数据进行数据处理，得到目标雷达时频数据；根据分类网络模型对目标雷达时频数据进行分类，得到微动数据和体动数据，并将体动数据作为待识别数据；根据识别网络模型对待识别数据进行识别，得到人体睡眠活动对应的睡眠动作类型。本申请通过引入微动数据的概念，一定程度上解决了PBC检测器发生虚警的概率，提高了睡眠活动识别的准确率；此外，本申请先利用分类网络模型对目标雷达时频数据进行粗分类，当粗分类结果为体动数据时，再利用识别网络模型进行细分类，从而得到人体睡眠活动对应的睡眠动作类型，本申请通过低复杂度、计算需求小的雷达时频数据处理方法，降低了睡眠活动识别系统的硬件资源和成本。
实施例三
图3A为本申请实施例提供的一种数据处理方法的第三流程示意图；图3B为本申请实施例提供的雷达回波信号示意图。本申请实施例是在上述实施例的基础上进行优化，具体优化为：增加了对初始雷达时频数据的确定过程进行详细的解释说明。
参考图3A，本实施例的方法包括但不限于如下步骤：
S310、获取雷达回波数据，并对雷达回波数据进行预处理，得到初始雷达时频数据。
在本申请实施例中，雷达回波数据可以通过网络数据库或者雷达传感器进行获取。例如雷达传感器探测和采集睡眠人员在睡眠过程中的人体各部位散射点的数据信息(即雷达回波数据)。本申请对雷达传感器的设备不做具体限定，可选的可以使用Novelda公司生产的X4M03雷达传感器。
示例性的，X4M03雷达模块是一款单发单收的脉冲多普勒雷达传感器。该雷达传感器所发射的是高斯包络的射频信号，人体睡眠活动对应的雷达信号表达式为：
Figure BDA0003069812640000131
Figure BDA0003069812640000132
其中，g(t)是雷达信号；V是发射信号的电压值；t是快时间；ωc是载频；τ代表由带宽fb决定的系数；fb表示雷达信号的带宽；a是常数。
在本申请实施例中，先对雷达信号进行硬件采样之后，得到人体睡眠活动对应的雷达回波信号，如图3B所示为雷达回波信号，可用r(m，n)表示雷达回波信号，其中，m是雷达帧序列，n是采样点；再对雷达回波信号进行静态杂波抑制，可选的，可以利用一种低复杂度的杂波抑制算法对雷达回波信号进行静态杂波抑制，如移动平均杂波抑制。杂波抑制算法表达式为：
c(m,n)＝βc(m-1,n)+(1-β)r(m,n) (9)
y(m，n)＝r(m,n)-c(m,n) (10)
其中，c(m，n)是背景杂波信号；r(m，n)表示雷达回波信号；m是雷达信号的帧序列；n是采样点；β是更新因子，即用上一帧的雷达回波信号来更新下一帧的雷达回波信号；y(m，n)是杂波抑制后的信号。
在本申请实施例中，首先，对杂波抑制后的信号y(m，n)进行数字混频和低通滤波等处理；然后，将其转化为慢时间-距离矩阵，可用z(m，n)表示慢时间-距离矩阵；最后，利用短时傅里叶变换将慢时间-距离矩阵z(m，n)转化为雷达时间-频率矩阵(即初始雷达时频数据)，可用S(m，fd)表示初始雷达时频数据，表达式为：
Figure BDA0003069812640000141
其中，w(l)是高斯窗函数；R是距离单元数；fd表示多普勒频率；m是雷达帧序列；n是采样点；l是做傅里叶变换的时间序列。
S320、采用预设噪声阈值对人体睡眠活动对应的初始雷达时频数据进行处理，确定中间雷达时频数据。
S330、对中间雷达时频数据进行数据处理，得到帧序列能量阈值向量。
S340、采用帧序列能量阈值向量对中间雷达时频数据进行数据处理，得到目标雷达时频数据。
S350、根据睡眠活动识别模型对目标雷达时频数据进行识别，得到人体睡眠活动对应的睡眠动作类型。
本实施例提供的技术方案，通过获取雷达回波数据，并对雷达回波数据进行预处理，得到初始雷达时频数据；采用预设噪声阈值对人体睡眠活动对应的初始雷达时频数据进行处理，确定中间雷达时频数据；对中间雷达时频数据进行数据处理，得到帧序列能量阈值向量；采用帧序列能量阈值向量对中间雷达时频数据进行数据处理，得到目标雷达时频数据；根据睡眠活动识别模型对目标雷达时频数据进行识别，得到人体睡眠活动对应的睡眠动作类型。本申请通过对雷达回波数据进行预处理，得到初始雷达时频数据。执行本申请的技术方案，可以降低睡眠活动识别模型对目标雷达时频数据进行识别的复杂度，降低睡眠活动识别系统的硬件资源和成本。
实施例四
图4为本申请实施例提供的一种数据处理装置的结构示意图，如图4所示，该装置400可以包括：
第一处理模块410，用于采用预设噪声阈值对人体睡眠活动对应的初始雷达时频数据进行处理，确定中间雷达时频数据。
第二处理模块420，用于对所述中间雷达时频数据进行数据处理，得到帧序列能量阈值向量；其中，所述中间雷达时频数据中的每一列元素对应一个雷达信号的帧序列；所述帧序列能量阈值向量中每一元素对应一个雷达信号的帧序列的能量阈值；
第三处理模块430，用于采用所述帧序列能量阈值向量对所述中间雷达时频数据进行数据处理，得到目标雷达时频数据；
识别模块440，用于根据睡眠活动识别模型对所述目标雷达时频数据进行识别，得到人体睡眠活动对应的睡眠动作类型。
进一步的，所述第二处理模块420，还具体用于对所述中间雷达时频数据的每一列元素的能量进行求和，得到雷达能量向量；其中，所述雷达能量向量为行向量；针对所述雷达能量向量中的每一个元素，对该元素乘以预设能量阈值，并除以所述初始雷达时频数据的行数，得到帧序列能量阈值向量。
进一步的，所述第三处理模块430，还具体用于根据帧序列能量阈值向量，针对所述中间雷达时频数据中的每一个元素，比较该元素与该元素所在列对应的帧序列能量阈值的大小关系，若该元素大于该元素所在列对应的帧序列能量阈值，则对该元素进行归一化处理，若该元素小于所述该元素所在列对应的帧序列能量阈值，则将该元素置为零，得到目标雷达时频数据。
进一步的，所述第一处理模块410，还具体用于针对所述初始雷达时频数据中的每一个元素，若该元素大于所述预设噪声阈值，则对该元素进行归一化处理；若该元素小于所述预设噪声阈值，则将该元素置为零，以得到中间雷达时频数据。
进一步的，所述识别模块440，还具体用于根据分类网络模型对所述目标雷达时频数据进行分类，得到微动数据和体动数据，并将所述体动数据作为待识别数据；其中，所述分类网络模型为支持向量机模型；根据识别网络模型对所述待识别数据进行识别，得到人体睡眠活动对应的睡眠动作类型；其中，所述识别网络模型为时序神经网络模型。
进一步的，上述数据处理装置，还可以包括：预处理模块；
所述预处理模块，用于获取雷达回波数据，并对雷达回波数据进行预处理，得到初始雷达时频数据。
本实施例提供的数据处理装置可适用于上述任意实施例提供的数据处理方法，具备相应的功能和有益效果。
实施例五
图5是用来实现本申请实施例的一种数据处理方法的电子设备的框图，图5示出了适于用来实现本申请实施例实施方式的示例性电子设备的框图。图5显示的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。该电子设备典型可以是智能手机、平板电脑、笔记本电脑、车载终端以及可穿戴设备等。
如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：一个或者多个处理器或者处理单元516，存储器528，连接不同系统组件(包括存储器528和处理单元516)的总线518。
总线518表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备500典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备500访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)530和/或高速缓存存储器532。电子设备500可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统534可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储器528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请实施例各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储器528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本申请实施例所描述的实施例中的功能和/或方法。
电子设备500也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，电子设备500还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器520通过总线518与电子设备500的其它模块通信。应当明白，尽管图5中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元516通过运行存储在存储器528中的程序，从而执行各种功能应用以及数据处理，例如实现本申请任一实施例所提供的数据处理方法。
实施例六
本申请实施例六还提供一种计算机可读存储介质，其上存储有计算机程序(或称为计算机可执行指令)，该程序被处理器执行时可以用于执行本申请上述任一实施例所提供的数据处理方法。
本申请实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请实施例进行了较为详细的说明，但是本申请实施例不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (7)

1.一种数据处理方法，其特征在于，所述方法包括：
采用预设噪声阈值对人体睡眠活动对应的初始雷达时频数据进行处理，确定中间雷达时频数据；
对所述中间雷达时频数据进行数据处理，得到帧序列能量阈值向量；其中，所述中间雷达时频数据中的每一列元素对应一个雷达信号的帧序列；所述帧序列能量阈值向量中每一个元素对应一个雷达信号的帧序列的能量阈值；
采用所述帧序列能量阈值向量对所述中间雷达时频数据进行数据处理，得到目标雷达时频数据；
根据睡眠活动识别模型对所述目标雷达时频数据进行识别，得到人体睡眠活动对应的睡眠动作类型；
其中，所述对所述中间雷达时频数据进行数据处理，得到帧序列能量阈值向量，包括：
对所述中间雷达时频数据的每一列元素的能量进行求和，得到雷达能量向量；其中，所述雷达能量向量为行向量；
针对所述雷达能量向量中的每一个元素，对该元素乘以预设能量阈值，并除以所述初始雷达时频数据的行数，得到帧序列能量阈值向量；
其中，所述采用所述帧序列能量阈值向量对所述中间雷达时频数据进行数据处理，得到目标雷达时频数据，包括：
根据帧序列能量阈值向量，针对所述中间雷达时频数据中的每一个元素，比较该元素与该元素所在列对应的帧序列能量阈值的大小关系，若该元素大于该元素所在列对应的帧序列能量阈值，则对该元素进行归一化处理，若该元素小于所述该元素所在列对应的帧序列能量阈值，则将该元素置为零，得到目标雷达时频数据；
其中，所述采用预设噪声阈值对人体睡眠活动对应的初始雷达时频数据进行处理，确定中间雷达时频数据，包括：
针对所述初始雷达时频数据中的每一个元素，若该元素大于所述预设噪声阈值，则对该元素进行归一化处理；若该元素小于所述预设噪声阈值，则将该元素置为零，以得到中间雷达时频数据。
2.根据权利要求1所述的方法，其特征在于，所述根据睡眠活动识别模型对所述目标雷达时频数据进行识别，得到人体睡眠活动对应的睡眠动作类型，包括：
根据分类网络模型对所述目标雷达时频数据进行分类，得到微动数据和体动数据，并将所述体动数据作为待识别数据；其中，所述分类网络模型为支持向量机模型；
根据识别网络模型对所述待识别数据进行识别，得到人体睡眠活动对应的睡眠动作类型；其中，所述识别网络模型为时序神经网络模型。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取雷达回波数据，并对雷达回波数据进行预处理，得到初始雷达时频数据。
4.一种数据处理装置，其特征在于，所述装置包括：
第一处理模块，用于采用预设噪声阈值对人体睡眠活动对应的初始雷达时频数据进行处理，确定中间雷达时频数据；
第二处理模块，用于对所述中间雷达时频数据进行数据处理，得到帧序列能量阈值向量；其中，所述中间雷达时频数据中的每一列元素对应一个雷达信号的帧序列；所述帧序列能量阈值向量中每一元素对应一个雷达信号的帧序列的能量阈值；
第三处理模块，用于采用所述帧序列能量阈值向量对所述中间雷达时频数据进行数据处理，得到目标雷达时频数据；
识别模块，用于根据睡眠活动识别模型对所述目标雷达时频数据进行识别，得到人体睡眠活动对应的睡眠动作类型；
所述第二处理模块，具体用于对所述中间雷达时频数据的每一列元素的能量进行求和，得到雷达能量向量；其中，所述雷达能量向量为行向量；针对所述雷达能量向量中的每一个元素，对该元素乘以预设能量阈值，并除以所述初始雷达时频数据的行数，得到帧序列能量阈值向量；
所述第三处理模块，具体用于根据帧序列能量阈值向量，针对所述中间雷达时频数据中的每一个元素，比较该元素与该元素所在列对应的帧序列能量阈值的大小关系，若该元素大于该元素所在列对应的帧序列能量阈值，则对该元素进行归一化处理，若该元素小于所述该元素所在列对应的帧序列能量阈值，则将该元素置为零，得到目标雷达时频数据；
所述第一处理模块，具体用于针对所述初始雷达时频数据中的每一个元素，若该元素大于所述预设噪声阈值，则对该元素进行归一化处理；若该元素小于所述预设噪声阈值，则将该元素置为零，以得到中间雷达时频数据。
5.根据权利要求4所述的装置，其特征在于，所述装置还包括：
预处理模块，用于获取雷达回波数据，并对雷达回波数据进行预处理，得到初始雷达时频数据。
6.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一项所述的数据处理方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一项所述的数据处理方法。
CN202110535885.5A 2021-05-17 2021-05-17 一种数据处理方法、装置、电子设备及存储介质 Active CN113208566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110535885.5A CN113208566B (zh) 2021-05-17 2021-05-17 一种数据处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110535885.5A CN113208566B (zh) 2021-05-17 2021-05-17 一种数据处理方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN113208566A CN113208566A (zh) 2021-08-06
CN113208566B true CN113208566B (zh) 2023-06-23

Family

ID=77092469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110535885.5A Active CN113208566B (zh) 2021-05-17 2021-05-17 一种数据处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113208566B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113729641A (zh) * 2021-10-12 2021-12-03 南京润楠医疗电子研究院有限公司 一种基于条件对抗网络的非接触式睡眠分期系统

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104267394A (zh) * 2014-10-07 2015-01-07 电子科技大学 高分辨率人体目标运动特征检测方法
CN107490795A (zh) * 2017-07-24 2017-12-19 长沙学院 一种通过雷达实现人体运动状态识别的方法
CN108226889A (zh) * 2018-01-19 2018-06-29 中国人民解放军陆军装甲兵学院 一种雷达目标识别的分类器模型训练方法
CN108256488A (zh) * 2018-01-19 2018-07-06 中国人民解放军陆军装甲兵学院 一种基于微多普勒特征提取和深度学习的雷达目标识别方法
CN108519812A (zh) * 2018-03-21 2018-09-11 电子科技大学 一种基于卷积神经网络的三维微多普勒手势识别方法
KR101910540B1 (ko) * 2018-03-14 2018-10-22 국방과학연구소 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치 및 방법
CN108919216A (zh) * 2018-04-03 2018-11-30 北京环境特性研究所 一种微动特征获取方法及装置
CN110569895A (zh) * 2019-08-30 2019-12-13 深圳大学 一种卷积神经网络的微多普勒雷达人体动作分类方法
CN110693454A (zh) * 2019-08-23 2020-01-17 深圳大学 基于雷达的睡眠特征事件检测方法、装置及存储介质
CN111134685A (zh) * 2018-11-02 2020-05-12 富士通株式会社 跌倒检测方法和装置
CN111227839A (zh) * 2020-01-19 2020-06-05 中国电子科技集团公司电子科学研究院 一种行为识别方法及装置
CN111273284A (zh) * 2020-03-06 2020-06-12 电子科技大学 一种人体躯干微动状态变化特征提取方法
CN111374641A (zh) * 2020-03-09 2020-07-07 深圳大学 睡眠特征事件的识别方法、装置、计算机设备和存储介质
CN111813224A (zh) * 2020-07-09 2020-10-23 电子科技大学 一种基于超高分辨率雷达精细手势库的建立与识别方法
WO2020258106A1 (zh) * 2019-06-26 2020-12-30 Oppo广东移动通信有限公司 手势识别的方法和设备、定位追踪的方法和设备
KR20210001227A (ko) * 2019-06-27 2021-01-06 한양대학교 산학협력단 비접촉식 제스쳐 인식 장치 및 방법
CN112327288A (zh) * 2020-10-29 2021-02-05 深圳大学 雷达人体动作识别方法、装置、电子设备和存储介质
CN112630777A (zh) * 2019-09-24 2021-04-09 新加坡国立大学 运动状态检测方法及系统
WO2021087777A1 (zh) * 2019-11-05 2021-05-14 深圳市大疆创新科技有限公司 数据处理方法、装置、雷达、设备及存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110008080A (ko) * 2008-04-03 2011-01-25 카이 메디컬, 아이엔씨. 비접촉식 생리학적 모션 센서 및 모션 센서의 사용 방법
US7924212B2 (en) * 2009-08-10 2011-04-12 Robert Bosch Gmbh Method for human only activity detection based on radar signals
US8682821B2 (en) * 2011-08-08 2014-03-25 Robert Bosch Gmbh Method for detection of movement of a specific type of object or animal based on radar signals
US10374863B2 (en) * 2012-12-05 2019-08-06 Origin Wireless, Inc. Apparatus, systems and methods for event recognition based on a wireless signal
US9817109B2 (en) * 2015-02-27 2017-11-14 Texas Instruments Incorporated Gesture recognition using frequency modulated continuous wave (FMCW) radar with low angle resolution
US11043005B2 (en) * 2018-11-23 2021-06-22 Volvo Car Corporation Lidar-based multi-person pose estimation
TWI687202B (zh) * 2018-12-21 2020-03-11 緯創資通股份有限公司 非接觸式生命徵象偵測系統與方法
CN118483692A (zh) * 2018-12-26 2024-08-13 深圳市卓驭科技有限公司 目标检测方法、系统及计算机可读存储介质
CN111751814A (zh) * 2019-03-29 2020-10-09 富士通株式会社 基于无线信号的运动状态检测装置、方法及系统
US11428780B2 (en) * 2019-10-04 2022-08-30 Qualcomm Incorporated Near field user detection using a radar signal analysis associated with a user equipment

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104267394A (zh) * 2014-10-07 2015-01-07 电子科技大学 高分辨率人体目标运动特征检测方法
CN107490795A (zh) * 2017-07-24 2017-12-19 长沙学院 一种通过雷达实现人体运动状态识别的方法
CN108226889A (zh) * 2018-01-19 2018-06-29 中国人民解放军陆军装甲兵学院 一种雷达目标识别的分类器模型训练方法
CN108256488A (zh) * 2018-01-19 2018-07-06 中国人民解放军陆军装甲兵学院 一种基于微多普勒特征提取和深度学习的雷达目标识别方法
KR101910540B1 (ko) * 2018-03-14 2018-10-22 국방과학연구소 시간 주파수 분석과 신경망을 이용한 레이더 변조 형태 인식 장치 및 방법
CN108519812A (zh) * 2018-03-21 2018-09-11 电子科技大学 一种基于卷积神经网络的三维微多普勒手势识别方法
CN108919216A (zh) * 2018-04-03 2018-11-30 北京环境特性研究所 一种微动特征获取方法及装置
CN111134685A (zh) * 2018-11-02 2020-05-12 富士通株式会社 跌倒检测方法和装置
WO2020258106A1 (zh) * 2019-06-26 2020-12-30 Oppo广东移动通信有限公司 手势识别的方法和设备、定位追踪的方法和设备
KR20210001227A (ko) * 2019-06-27 2021-01-06 한양대학교 산학협력단 비접촉식 제스쳐 인식 장치 및 방법
CN110693454A (zh) * 2019-08-23 2020-01-17 深圳大学 基于雷达的睡眠特征事件检测方法、装置及存储介质
CN110569895A (zh) * 2019-08-30 2019-12-13 深圳大学 一种卷积神经网络的微多普勒雷达人体动作分类方法
CN112630777A (zh) * 2019-09-24 2021-04-09 新加坡国立大学 运动状态检测方法及系统
WO2021087777A1 (zh) * 2019-11-05 2021-05-14 深圳市大疆创新科技有限公司 数据处理方法、装置、雷达、设备及存储介质
CN111227839A (zh) * 2020-01-19 2020-06-05 中国电子科技集团公司电子科学研究院 一种行为识别方法及装置
CN111273284A (zh) * 2020-03-06 2020-06-12 电子科技大学 一种人体躯干微动状态变化特征提取方法
CN111374641A (zh) * 2020-03-09 2020-07-07 深圳大学 睡眠特征事件的识别方法、装置、计算机设备和存储介质
CN111813224A (zh) * 2020-07-09 2020-10-23 电子科技大学 一种基于超高分辨率雷达精细手势库的建立与识别方法
CN112327288A (zh) * 2020-10-29 2021-02-05 深圳大学 雷达人体动作识别方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN113208566A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
US11996091B2 (en) Mixed speech recognition method and apparatus, and computer-readable storage medium
US9697440B2 (en) Method and apparatus for recognizing client feature, and storage medium
CN110633991A (zh) 风险识别方法、装置和电子设备
CN111399642A (zh) 手势的识别方法、装置、移动终端和存储介质
EP3685288B1 (en) Apparatus, method and computer program product for biometric recognition
CN110796108B (zh) 一种人脸质量检测的方法、装置、设备及存储介质
CN111242291A (zh) 神经网络后门攻击的检测方法、装置和电子设备
CN111400528B (zh) 一种图像压缩方法、装置、服务器及存储介质
CN111374641B (zh) 睡眠特征事件的识别方法、装置、计算机设备和存储介质
CN111914822B (zh) 文本图像标注方法、装置、计算机可读存储介质及设备
CN113208566B (zh) 一种数据处理方法、装置、电子设备及存储介质
CN113160823B (zh) 基于脉冲神经网络的语音唤醒方法、装置及电子设备
CN108460335B (zh) 视频细粒度识别方法、装置、计算机设备及存储介质
Indrasiri et al. Image Encoded Time Series Classification of Small Datasets: An Innovative Architecture Using Deep Learning Ensembles
CN116482680B (zh) 一种身体干扰识别方法、装置、系统和存储介质
CN111552832A (zh) 基于声纹特征与关联图谱数据的风险用户识别方法、装置
CN103976749A (zh) 一种实时疲劳提示的方法及装置
CN114469139B (zh) 脑电信号识别模型训练、脑电信号识别方法、装置及介质
CN115049546A (zh) 样本数据处理方法、装置、电子设备及存储介质
CN107995181B (zh) 一种基于步态的身份验证方法、装置、设备及存储介质
CN112614492A (zh) 基于时空信息融合的声纹识别方法、系统及存储介质
CN113837101B (zh) 手势识别方法、装置和电子设备
CN117478434B (zh) 边缘节点网络流量数据处理方法、装置、设备及介质
CN113408556B (zh) 身份识别方法及装置
CN113128296B (zh) 一种电子手写签字模糊标签化识别系统

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