CN113420634A - 人体摔倒的检测方法、装置、电子设备及存储介质 - Google Patents
人体摔倒的检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113420634A CN113420634A CN202110675994.7A CN202110675994A CN113420634A CN 113420634 A CN113420634 A CN 113420634A CN 202110675994 A CN202110675994 A CN 202110675994A CN 113420634 A CN113420634 A CN 113420634A
- Authority
- CN
- China
- Prior art keywords
- target object
- determining
- energy
- frequency
- motion
- 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.)
- Granted
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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例公开了一种人体摔倒的检测方法、装置、电子设备及存储介质。该方法包括:获取目标对象的行为的雷达回波信号,基于雷达回波信号确定目标对象的第一运动特征,其中,第一运动特征包括高频能量、高低频能量比、高频平均信息量、极端频率、极端频率比、运动时长和平均速度中的至少一项;将第一运动特征输入至预先建立的支持向量数据描述分类器,基于分类结果确定目标对象是否摔倒;其中,支持向量数据描述分类器基于非摔倒样本数据训练得到。本发明实施例的技术方案,可以降低了检测难度,提高了检测结果的准确度。
Description
技术领域
本发明实施例涉及控制系统领域,尤其涉及一种人体摔倒的检测方法、装置、电子设备及存储介质。
背景技术
在日常生活中,摔倒是导致老年人受伤的主要原因之一,因此通过对老年人的日常生活进行摔倒检测来防止老年人摔倒变得十分重要。
近年来,摔倒检测技术得到快速的发展和广泛的应用。现有技术为利用雷达传感器获取雷达回波信号,对雷达回波信号进行预处理之后采用神经网络进行学习,来区分人体摔倒运动与日常活动,以检测人体当前发生的运动是否为摔倒运动,达到人体摔倒检测的目的。
但是,采用现有技术中神经网络学习的方法进行检测,由于在现实生活中获取大量的雷达摔倒样本数据十分困难,因此提高了检测难度,影响了判断摔倒动作的准确度;并且,采用神经网络的分类方法容易导致过学习,进而产生对人体的检测准确率不高的问题。
发明内容
本发明实施例提供了一种人体摔倒的检测方法、装置、电子设备及存储介质,以实现通过非摔倒样本数据便可训练出支持向量数据描述分类器,从而基于雷达回波信号和支持向量数据描述分类器确定目标对象是否摔倒,降低了检测难度,提高了检测结果的准确度。
第一方面,本发明实施例提供了一种人体摔倒的检测方法,可以包括:
获取目标对象的行为的雷达回波信号,基于所述雷达回波信号确定所述目标对象的第一运动特征,其中,所述第一运动特征包括高频能量、高低频能量比、高频平均信息量、极端频率、极端频率比、运动时长和平均速度中的至少一项;
将所述第一运动特征输入至预先建立的支持向量数据描述分类器,基于分类结果确定所述目标对象是否摔倒;其中,所述支持向量数据描述分类器基于非摔倒样本数据训练得到。
第二方面,本发明实施例提供了一种人体摔倒的检测装置,可以包括:
获取模块,用于获取目标对象的行为的雷达回波信号,基于所述雷达回波信号确定所述目标对象的第一运动特征,其中,所述第一运动特征包括高频能量、高低频能量比、高频平均信息量、极端频率、极端频率比、运动时长和平均速度中的至少一项;
确定模块,用于将所述第一运动特征输入至预先建立的支持向量数据描述分类器,基于分类结果确定所述目标对象是否摔倒;其中,所述支持向量数据描述分类器基于非摔倒样本数据训练得到。
第三方面,本发明实施例提供了一种电子设备,可以包括:
一个或多个处理器;
存储器,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发明任意实施例所提供的人体摔倒的检测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本发明任意实施例所提供的人体摔倒的检测方法。
本发明实施例所提供的一种人体摔倒的检测方法,包括:获取目标对象的行为的雷达回波信号,基于雷达回波信号确定目标对象的第一运动特征,其中,第一运动特征包括高频能量、高低频能量比、高频平均信息量、极端频率、极端频率比、运动时长和平均速度中的至少一项;将第一运动特征输入至预先建立的支持向量数据描述分类器,基于分类结果确定目标对象是否摔倒;其中,支持向量数据描述分类器基于非摔倒样本数据训练得到。由此可见,本发明实施例通过非摔倒样本数据便可训练出支持向量数据描述分类器,从而基于雷达回波信号和支持向量数据描述分类器确定目标对象是否摔倒,降低了检测难度,提高了检测结果的准确度。
此外,本发明所提供的一种人体摔倒的检测装置、电子设备及存储介质与上述方法对应,具有同样的有益效果。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种人体摔倒的检测方法的流程图;
图2为本发明实施例提供的另一种人体摔倒的检测方法的流程图;
图3为本发明实施例提供的应用场景下的人体摔倒的检测方法的流程图;
图4为目标对象运动的轨迹示意图;
图5为本发明实施例提供的一种人体摔倒的检测装置的结构图;
图6为本发明实施例提供的一种电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
本发明的核心是提供一种人体摔倒的检测方法、装置、电子设备及存储介质,通过非摔倒样本数据便可训练出支持向量数据描述分类器,基于雷达回波信号和支持向量数据描述分类器确定目标对象是否摔倒,降低了检测难度,提高了检测结果的准确度。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
实施例一
图1为本发明实施例提供的一种人体摔倒的检测方法的流程图。该方法可以由本发明实施例提供的人体摔倒的检测装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在各种用户终端或服务器上。
如图1所示,本发明实施例的方法具体包括如下步骤:
S101、获取目标对象的行为的雷达回波信号,基于雷达回波信号确定目标对象的第一运动特征。
可选的,由于雷达具有穿透性强,不受光照影响的特点,可采用雷达对目标对象的行为进行检测。示例性的,雷达发射高斯包络的射频信号,其表达式为:
其中,s(t)是雷达发射的射频信号,VTX是脉冲幅度,t表示快时间,fc为载波频率,σ是由雷达带宽fb决定的,公式如下:
其中,e是自然常数。
可选的,获取目标对象的行为的雷达回波信号,行为包括人体摔倒、人体走路、坐下、弯腰、蹲下、捡东西、喝水、挥手、扩胸、伸展和抬腿中至少一种行为。基于获取到的雷达回波信号,可确定目标对象的第一运动特征。其中,第一运动特征包括高频能量、高低频能量比、高频平均信息量、极端频率、极端频率比、运动时长和平均速度中的至少一项。
进一步的,接收器接收到雷达回波信号r(m,n),m是雷达帧序列的编号,n是采样点的编号。雷达回波信号包含了多种背景杂波,在人体摔倒检测过程中,为了提高检测结果的精度,可在检测前对接收到的雷达回波信号进行滤波处理。具体的,在基于雷达回波信号确定目标对象的第一运动特征之前,还包括:对雷达回波信号进行滤波处理,基于滤波结果更新雷达回波信号。通过对雷达回波信号进行滤波处理,确保检测结果不受背景杂波的影响,提高检测结果的精度。
示例性的,背景杂波包括静态杂波和雷达天线引起的能量泄露中的至少一种。对于静态杂波,可采用带通滤波、杂波图法、二次对消器和三次对消器中至少一种方式对杂波进行抑制。例如,可通过移动平均算法对杂波进行抑制,移动平均杂波抑制算法可表示为如下公式:
c(m,n)=(1-α)*c(m-1,n)+α*r(m,n)
x(m,n)=r(m,n)-c(m,n)
其中,x(m,n)表示去除背景杂波后的信号,α是更新因子,用于控制当前雷达回波信号r(m,n)对背景杂波c(m,n)的影响程度。当α设定为0的时候,上式表示的是二次对消器杂波抑制方法,m是雷达帧序列的编号,n是采样点的编号。
S102、将第一运动特征输入至预先建立的支持向量数据描述分类器,基于分类结果确定目标对象是否摔倒;其中,支持向量数据描述分类器基于非摔倒样本数据训练得到。
在具体实施中,将确定出的第一运动特征作为输入项输入至预先建立的SVDD(Support Vector Data Description,支持向量数据描述)分类器中。SVDD是一种单值分类算法,能够区分待测目标与训练样本。示例性的,通过非线性变换将训练样本数据从原始空间映射到特征空间,然后在特征空间寻找一个体积最小的超球体;计算待测目标到超球体球心的距离是否大于超球体的半径,如果距离大于半径,则说明待测目标在超球体上或者内部,属于与训练样本同类型,是正常情况;反之,则说明待测目标与训练样本类型不相同,为异常情况。
可选的,基于非摔倒样本数据训练SVDD分类器。具体的,为了防止训练的超球体出现过拟合的情况而影响分类结果,可基于大量非摔倒样本数据和少量的摔倒样本数据训练出超球体。示例性的,非摔倒样本数据和摔倒样本数据的数据量比例可为9:1。进一步的,训练得到的SVDD分类器将非摔倒情况作为正常情况,将第一运动特征输入至SVDD分类器中,若SVDD分类器的分类结果反映出第一运动特征为异常情况,则说明第一运动特征并非非摔倒运动特征,进而确定目标对象发生摔倒;若SVDD分类器的分类结果反映出第一运动特征为正常情况,则说明第一运动特征为非摔倒运动特征,则可确定目标对象未发生摔倒。
本发明实施例所提供的一种人体摔倒的检测方法,包括:获取目标对象的行为的雷达回波信号,基于雷达回波信号确定目标对象的第一运动特征,其中,第一运动特征包括高频能量、高低频能量比、高频平均信息量、极端频率、极端频率比、运动时长和平均速度中的至少一项;将第一运动特征输入至预先建立的支持向量数据描述分类器,基于分类结果确定目标对象是否摔倒;其中,支持向量数据描述分类器基于非摔倒样本数据训练得到。由此可见,本发明实施例通过非摔倒样本数据便可训练出支持向量数据描述分类器,从而基于雷达回波信号和支持向量数据描述分类器确定目标对象是否摔倒,降低了检测难度,提高了检测结果的准确度。
实施例二
图2为本发明实施例提供的另一种人体摔倒的检测方法的流程图。本实施例以上述各技术方案为基础进行优化。可选的,还包括:如果基于分类结果确定出目标对象摔倒,则基于雷达回波信号,确定目标对象的第二运动特征;其中,第二运动特征包括平均速度、最大位移和停留位置中的至少一项;基于第二运动特征和预先建立的马氏距离分类器,确定目标对象是否摔倒。可选的,基于雷达回波信号确定目标对象的第一运动特征,包括:基于雷达回波信号生成频谱向量,计算处于预设频段内的频谱向量的能量值之和;当能量值之和大于预设能量阈值时,基于处于预设频段对应的雷达回波信号确定目标区间信号,基于目标区间信号确定目标对象的第一运动特征。其中,与上述各实施例相同或相应的术语的解释在此不再赘述。
如图2所示,本发明实施例的方法具体包括如下步骤:
S201、获取目标对象的行为的雷达回波信号,基于雷达回波信号生成频谱向量,计算处于预设频段内的频谱向量的能量值之和。
在具体实施中,对雷达回波信号可采用滑窗的方式进行检测,通过对每个窗内的信号进行合并距离单元操作和傅里叶变换操作后,生成频谱向量,频谱向量计算公式如下:
其中,w表示窗的索引,f为频率,L为傅里叶变换的点数,mw为任一窗口中的任一帧,n为采样点的编号。
可选的,由于人体发生摔倒动作的速度较快,可通过判断预设频段内的能量值之和来确定人体是否有快速运动发生。PBC(Power Burst Curve,能量爆发曲线)能量值计算公式如下:
其中,PBC(w)为索引w处对应的能量值,f1和f2为预设频段的两个频率极值。可选的,设定f1=50HZ,f2=100HZ,计算处于预设频段内的频谱向量的能量值之和,用于判断目标对象是否发生快速运动。
S202、当能量值之和大于预设能量阈值时,基于处于预设频段对应的雷达回波信号确定目标区间信号,基于目标区间信号确定目标对象的第一运动特征。
可选的,预先设定能量阈值,当计算得到的能量值之和大于该预设能量阈值时,则说明目标对象发生快速运动。当计算得到的能量值之和小于或等于预设能量阈值时,则说明目标对象未发生快速运动,进一步说明目标对象未摔倒。当确定出目标对象发生快速运动时,基于处于预设频段对应的雷达回波信号确定目标区间信号。示例性的,将雷达回波信号中快速运动发生时段对应的雷达回波信号作为目标区间信号。通过目标区间信号确定目标对象的第一运动特征,从而避免了雷达回波信号中非快速运动对应的信号的干扰。
可选的,基于处于预设频段对应的雷达回波信号确定目标区间信号,包括:确定雷达回波信号的的背景噪声的能量均值和能量标准差,基于能量均值和能量标准差确定出起始能量阈值;基于预设频段对应的第一时间段,确定摔倒动作的起始时刻所在的第二时间段;计算第二时间段中频谱向量在各个时刻的能量值,按照时间从早到晚的顺序,将能量值首次大于或等于起始能量阈值的时刻确定为起始时刻;基于起始时刻和预设时间长度确定目标区间信号。
具体的,确定雷达回波信号的的背景噪声的能量均值和能量标准差,基于能量均值和能量标准差确定出起始能量阈值,包括:
基于γ2=PBCmean+k1*PBCsigma,确定起始能量阈值;
其中,γ2为起始能量阈值,PBCmean为背景噪声的能量均值,PBCsigma为背景噪声的能量标准差,k1为预设权重值;k1的取值可根据采用的雷达的参数和目标对象所处场景进行确定;在一个实施例中,k1等于5;本领域技术人员可根据实际应用情况,确定k1的取值,本发明实施例对此不做限定。
具体的,预设频段在频谱向量中对应的时间段为第一时间段,由于确定出第一时间段内目标对象发生了快速运动,若该快速运动为摔倒动作,则可基于第一时间段确定出摔倒动作的起始时刻所在的第二时间段。示例性的,摔倒动作速度快,摔倒动作的起始时刻与结束时刻间隔时间很短,因此可确定第二时间段与第一时间段相邻,且按照时间从早到晚的顺序,第二时间段在第一时间段之前。可按照时间从早到晚的顺序,设定第一时间段前1秒的时间段为第二时间段。
具体的,在发生摔倒的起始时刻,频谱信号具有能量变大的特点。因此,计算第二时间段中频谱向量在各个时刻的能量值,按照时间从早到晚的顺序,将能量值首次大于或等于起始能量阈值的时刻确定为起始时刻。进一步的,基于起始时刻和预设时间长度确定目标区间信号。预设时间长度为摔倒动作全程所用时长。基于预设时间长度和起始时刻确定出摔倒动作的终止时刻,基于起始时刻和终止时刻在雷达回波信号中截取出目标区间信号,基于目标区间信号确定目标对象的第一运动特征。
S203、将第一运动特征输入至预先建立的支持向量数据描述分类器,基于分类结果确定目标对象是否摔倒;其中,支持向量数据描述分类器基于非摔倒样本数据训练得到。
S204、如果基于分类结果确定出目标对象摔倒,则基于雷达回波信号,确定目标对象的第二运动特征。
在上述实施例的基础上,如果基于分类结果确定出目标对象摔倒,为提高检测结果的准确性,避免喝水、挥手、扩胸、伸展和抬腿等较精细的动作干扰检测结果,可通过马氏距离分类器进一步进行确定。具体的,可基于雷达回波信号,确定出目标区间信号;基于目标区间信号,确定出目标对象的第二运动特征。其中,第二运动特征包括平均速度、最大位移和停留位置中的至少一项。
S205、基于第二运动特征和预先建立的马氏距离分类器,确定目标对象是否摔倒。
可选的,基于第二运动特征和预先建立的马氏距离分类器,确定目标对象是否摔倒,包括:基于马氏距离分类器,确定第二运动特征和摔倒运动特征的摔倒马氏距离,以及第二运动特征和非摔倒运动特征的非摔倒马氏距离;当摔倒马氏距离小于非摔倒马氏距离时,确定目标对象摔倒。
具体的,在训练马氏距离分类器时,可将蹲下、弯腰、坐下、喝水、挥手、扩胸、伸展和抬腿等日常动作数据作为非摔倒训练样本,分别基于摔倒训练样本和非摔倒训练样本计算平均速度、最大位移和停留位置三个样本特征,对于摔倒训练样本特征计算三个样本特征的摔倒均值和摔倒方差以及摔倒协方差距阵;相应的,对于非摔倒训练样本特征计算三个样本特征的非摔倒均值和非摔倒方差以及非摔倒协方差距阵,基于摔倒均值、摔倒方差、摔倒协方差距阵和非摔倒均值、非摔倒方差、非摔倒协方差距阵生成马氏距离分类器。
进一步的,将第二运动特征输入至预先建立的马氏距离分类器中,分别计算出第二运动特征和摔倒运动特征的摔倒马氏距离,以及第二运动特征和非摔倒运动特征的非摔倒马氏距离。当摔倒马氏距离小于非摔倒马氏距离时,说明相比非摔倒运动特征来说,第二运动特征与摔倒特征更为相近,则可确定目标对象摔倒。当摔倒马氏距离大于非摔倒马氏距离时,说明第二运动特征与非摔倒运动特征更相近,可确定目标对象非摔倒。
本发明实施例通过采用马氏距离分类器对目标对象是否发生摔倒进行进一步检测,提高了检测结果的准确度;且马氏距离分类器为低复杂度分类器,实现了检测过程低复杂度、低误报率的目的。
实施例三
上文中对于人体摔倒的检测方法对应的实施例进行了详细描述,为了使本领域技术人员进一步清楚本方法的技术方案,下文中给出具体的应用场景。
图3为本发明实施例提供的应用场景下的人体摔倒的检测方法的流程图;如图3所示,本发明实施例可采用Novelda公司生产的X4M03雷达检测人体行为。X4M03雷达是由单个发射器和单个接收器组成。该雷达发射高斯包络的射频信号,接收器接收到射频信号即为雷达回波信号。当接收到射频信号后,进行信号预处理操作,信号预处理操作包括对接收到的射频信号进行滤波处理。
可选的,可采用三步级联的低复杂度分类器检测目标对象是否摔倒。具体的,首先将信号预处理后得到的射频信号输入至PBC分类器中,对人体活动事件进行检测,确定目标对象是否发生快速运动。如果是,则基于预处理后的回波信号进行特征提取操作。如果否,则说明目标对象未发生快速运动,则进一步说明目标对象未摔倒。
可选的,在确定目标对象发生快速运动后,基于预处理后的回波信号进行特征提取操作。特征可分为时频特征和属性特征,时频特征包括高频能量Ehigh、高低频能量比高频平均信息量nathigh、极端频率F、极端频率比R、运动持续时间Tn和平均速度Vmaen;属性特征包括最大位移maxdis和停留位置lastposition。
具体的,在基于PBC分类器确定出目标对象发生快速运动后,可计算出起始能量阈值,基于起始能量阈值确定出摔倒动作的起始时刻。由于人体摔倒一般发生在t0秒内,因此提取起始时刻之后t0秒信号用于摔倒检测。本领域技术人员可根据实际应用情况,确定t0的数值,本发明实施例对此不做限定。对起始时刻之后t0秒的信号进行短时傅里叶变换生成时频图,从中提取时频特征用于摔倒检测。信号x(m,n)为起始时刻之后t0秒的信号,对x(m,n)进行短时间傅里叶变换,公式如下:
其中,Z(m,f)为短时傅里叶变换后得到的时频图,h(l)为权衡时间和频率分辨率的窗函数,l为变换参数。窗函数包括矩形窗、汉明窗、高斯窗等,较大的窗长度可能会降低时间分辨率,而较小的窗口长度可能会降低频率分辨率。
可选的,基于时频图提取高频能量Ehigh,公式如下:
其中,m是雷达帧序列的编号;在一个实施例中,可取f3=50HZ,f4=100HZ,将50HZ至100HZ之间的频段可确定为高频段。
其中,Elow是低频段的能量值。在一个实施例中,可取f5=8HZ,f6=25HZ,在8HZ至25HZ之间的频段可确定为低频段。
可选的,基于时频图提取高频段平均信息量nathigh,公式如下:
其中,P表示在提取的人体运动发生后t0秒数据内,时频图中高频段内的能量和占所有频段总能量的概率。在一个实施例中,f7=50HZ,f8=100HZ。
可选的,对时频图进行去杂波、二值化和形态学中至少一种处理,基于处理后得到的时频图,提取极端频率F和极端频率比R,公式如下:
F=max(f+max,f-max)
其中,f+max和f-max分别表示时频图Z(m,f)中,正频范围内的最大频率和负频范围内的最大频率。
可选的,基于时频图中,计算各时刻的PBC值,并分别与起始能量阈值γ2进行比较,将PBC值大于起始能量阈值γ2的时刻组成的时长确定为异常事件持续时间Tn。
在具体实施中,提取起始时刻之后t1时长的数据;基于该数据,采用有序统计恒虚警率检测器可确定t1时长中,目标对象距离雷达最近的位置和最远的位置,对该数据通过中值滤波和异常处理生成目标对象运动的轨迹,图4为目标对象运动的轨迹示意图,如图4所示,横轴表示运动时间,单位为秒;纵轴表示目标对象与雷达的运动距离,可通过设定的距离单元的数量确定目标对象与雷达的运动距离。示例性的,可将0.064米设定为一个距离单元。
可选的,最大位移maxdis的计算公式如下:
maxdis=R2-R1
其中,R1表示目标对象距离雷达最近的位置,R2表示目标对象距离雷达最远的位置。
可选的,目标对象停留位置lastposition可为目标对象运动发生t1时长中,按照时间顺序排序,最后t2时长中目标对象所在位置的均值。示例性的,t1=1秒,t2=0.3秒。
进一步的,将maxdis、lastposition、F、R、Tn、nat、Ehigh、Ehigh_ratio八个特征作第一运动特征输入至SVDD分类器中,若SVDD分类器的分类结果反映出第一运动特征为异常情况,则说明第一运动特征并非非摔倒运动特征,则可确定第一运动特征为摔倒运动特征,进而初步确定目标对象发生摔倒;若SVDD分类器的分类结果反映出第一运动特征为正常情况,则说明第一运动特征为非摔倒运动特征,则可确定第一运动特征为非摔倒运动特征,可确定目标对象未发生摔倒。
进一步的,为提高检测结果的精确性,当SVDD分类器的分类结果确定目标对象摔倒后,可将maxdis、lastposition、Vmean三个特征作为第二运动特征输入至预先建立的马氏距离分类器中,根据分类结果确定目标对象是否摔倒。具体的,在训练马氏距离分类器时,可将弯腰、蹲下、坐下、喝水、挥手、扩胸、伸展和抬腿等动作数据作为非摔倒训练样本,分别计算摔倒训练样本和非摔倒训练样本的maxdis、lastposition、Vmean三个样本特征,对于摔倒训练样本和非摔倒训练样本分别计算三个样本特征的均值和方差其中,q∈{fall,unfall},fall表示摔倒,unfall表示未摔倒。基于摔倒均值、摔倒方差、非摔倒均值和非摔倒方差对马氏距离分类器进行训练。
在确定目标对象是否摔倒时,可将第二运动特征输入至马氏距离分类器中;具体的,将[maxdis,lastposition,Vmean]T作为马氏距离分类器的输入,计算与摔倒运动特征的摔倒马氏距离,以及第二运动特征和非摔倒运动特征的非摔倒马氏距离。马氏距离计算公式如下:
为了更好地说明本发明实施例提供的人体摔倒的检测方法的效果,设计了实验场景进行详细描述。以Novalda公司生产的X4M03雷达为例,雷达主要参数如表1所示。
表1雷达主要参数
类型 | X4M03 |
工作原理 | Plused |
工作频率 | 7.9GHZ |
天线 | 单发单收 |
检测距离 | 0.4-9.8m |
距离分辨率 | 0.0064m |
功耗 | 54mw |
实验场景具体为在3.2m×5.4m的房间内有桌椅,椅子,防摔垫、电脑等物品,环境复杂。雷达固定房间正中央,距离地面3m高的三角支架上,正对地面放置。选取12名实验人员,获取实验人员的授权信息,授权信息包括实验人员的性别、身高和体重中至少一个信息。基于授权信息,确定出12名实验人员中有3名女生和9名男生,表2为实验人员信息表,如表2所示。
表2实验人员信息表
对12名实验人员通过雷达采集实验数据,实验数据包括日常活动数据和摔倒数据。示例性的,对于12位实验人员,总共采集摔倒数据446组,走路、蹲下、蹲着起来、坐下、坐着起来、捡东西等日常活动数据2260组,喝水、伸展运动、抬手、踢腿、扫地等日常活动数据1772组。
具体的,可基于SVDD分类器进行摔倒与非摔倒进行分类,本发明实施例将人体走路、蹲下、蹲着起来、坐下、坐着起来、捡东西等2260组日常活动数据按照3:1的比例交叉用于训练SVDD分类器和用于摔倒测试,并将喝水、伸展运动、抬手、踢腿、扫地等日常活动1772组以及所有的摔倒数据全部用于摔倒测试。
基于SVDD分类器确定为摔倒的实验数据,本发明实施例基于马氏距离分类器进行进一步摔倒确定。将弯腰、蹲下、坐下、喝水、伸展运动、抬手、踢腿、扫地等日常活动数据以及所有的摔倒数据,按照7:3的比例交叉用于训练马氏距离分类器和摔倒测试,并将SVDD分类器已确定出为摔倒的实验数据全部用于摔倒测试。示例性的,可验证100次,将100次结果取平均作为最终结果,SVDD分类器和马氏距离分类器二次检测结果如下表3所示:
表3 SVDD和马氏距离分类器二次检测结果
摔倒 | 非摔倒 | |
摔倒 | 97.3% | 0.43% |
非摔 | 2.7% | 99.57% |
从表3的结果可以看出,本发明实施例提供的人体摔倒的检测方法,具有低复杂度、低报误率、高准确率的特点。
实施例四
图5为本发明实施例提供的一种人体摔倒的检测装置的结构图;该装置用于执行上述任意实施例所提供的人体摔倒的检测方法。该装置与上述各实施例的人体摔倒的检测方法属于同一个发明构思,在人体摔倒的检测装置的实施例中未详尽描述的细节内容,可以参考上述人体摔倒的检测方法的实施例。如图5所示,该装置具体可包括:
获取模块10,用于获取目标对象的行为的雷达回波信号,基于雷达回波信号确定目标对象的第一运动特征,其中,第一运动特征包括高频能量、高低频能量比、高频平均信息量、极端频率、极端频率比、运动时长和平均速度中的至少一项;
确定模块11,用于将第一运动特征输入至预先建立的支持向量数据描述分类器,基于分类结果确定目标对象是否摔倒;其中,支持向量数据描述分类器基于非摔倒样本数据训练得到。
在本发明实施例任一可选实施方案的基础上,该装置还包括:
确定第二运动特征模块,用于如果基于分类结果确定出目标对象摔倒,则基于雷达回波信号,确定目标对象的第二运动特征;其中,第二运动特征包括平均速度、最大位移和停留位置中的至少一项;基于第二运动特征和预先建立的马氏距离分类器,确定目标对象是否摔倒。
在本发明实施例任一可选实施方案的基础上,确定第二运动特征模块,包括:
确定第二运动特征单元,用于基于马氏距离分类器,确定第二运动特征和摔倒运动特征的摔倒马氏距离,以及第二运动特征和非摔倒运动特征的非摔倒马氏距离;当摔倒马氏距离小于非摔倒马氏距离时,确定目标对象摔倒。
在本发明实施例任一可选实施方案的基础上,获取模块10包括:
计算能量值单元,用于基于雷达回波信号生成频谱向量,计算处于预设频段内的频谱向量的能量值之和;当能量值之和大于预设能量阈值时,基于处于预设频段对应的雷达回波信号确定目标区间信号,基于目标区间信号确定目标对象的第一运动特征。
在本发明实施例任一可选实施方案的基础上,计算能量值单元包括:
确定目标区间信号单元,用于确定雷达回波信号的的背景噪声的能量均值和能量标准差,基于能量均值和能量标准差确定出起始能量阈值;基于预设频段对应的第一时间段,确定摔倒动作的起始时刻所在的第二时间段;计算第二时间段中频谱向量在各个时刻的能量值,按照时间从早到晚的顺序,将能量值首次大于或等于起始能量阈值的时刻确定为起始时刻;基于起始时刻和预设时间长度确定目标区间信号。
在本发明实施例任一可选实施方案的基础上,确定目标区间信号单元包括:
确定起始能量阈值单元,用于基于γ2=PBCmean+k1*PBCsigma,确定起始能量阈值;其中,γ2为起始能量阈值,PBCmean为背景噪声的能量均值,PBCsigma为背景噪声的能量标准差,k1为预设权重值。
在本发明实施例任一可选实施方案的基础上,该装置还包括:
滤波模块,用于在基于雷达回波信号确定目标对象的第一运动特征之前,对雷达回波信号进行滤波处理,基于滤波结果更新雷达回波信号。
本发明实施例所提供的人体摔倒的检测装置可执行本发明任意实施例所提供的人体摔倒的检测方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述人体摔倒的检测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例五
图6为本发明实施例提供的一种电子设备的结构图。图6示出了适于用来实现本发明实施例实施方式的示例性电子设备20的框图。显示的电子设备20仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备20以通用计算设备的形式表现。电子设备20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201,系统存储器202,连接不同系统组件(包括系统存储器202和处理单元201)的总线203。
总线203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20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20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。
系统存储器202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)204和/或高速缓存存储器205。电子设备20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206可以用于读写不可移动的、非易失性磁介质。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203相连。存储器202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发明各实施例的功能。
具有一组(至少一个)程序模块207的程序/实用工具208,可以存储在例如存储器202中,这样的程序模块207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207通常执行本发明所描述的实施例中的功能和/或方法。
电子设备20也可以与一个或多个外部设备209(例如键盘、指向设备、显示器210等)通信,还可与一个或者多个使得用户能与该电子设备20交互的设备通信,和/或与使得该电子设备20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211进行。并且,电子设备20还可以通过网络适配器212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。如图所示,网络适配器212通过总线203与电子设备20的其它模块通信。应当明白,可以结合电子设备20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201通过运行存储在系统存储器202中的程序,从而执行各种功能应用以及数据处理。
本发明所提供的一种电子设备,能够实现如下方法:获取目标对象的行为的雷达回波信号,基于雷达回波信号确定目标对象的第一运动特征,其中,第一运动特征包括高频能量、高低频能量比、高频平均信息量、极端频率、极端频率比、运动时长和平均速度中的至少一项;将第一运动特征输入至预先建立的支持向量数据描述分类器,基于分类结果确定目标对象是否摔倒;其中,支持向量数据描述分类器基于非摔倒样本数据训练得到。由此可见,本发明实施例通过非摔倒样本数据便可训练出支持向量数据描述分类器,从而基于雷达回波信号和支持向量数据描述分类器确定目标对象是否摔倒,降低了检测难度,提高了检测结果的准确度。
实施例六
本发明实施例提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种人体摔倒的检测方法,该方法包括:
获取目标对象的行为的雷达回波信号,基于雷达回波信号确定目标对象的第一运动特征,其中,第一运动特征包括高频能量、高低频能量比、高频平均信息量、极端频率、极端频率比、运动时长和平均速度中的至少一项;将第一运动特征输入至预先建立的支持向量数据描述分类器,基于分类结果确定目标对象是否摔倒;其中,支持向量数据描述分类器基于非摔倒样本数据训练得到。由此可见,本发明实施例通过非摔倒样本数据便可训练出支持向量数据描述分类器,从而基于雷达回波信号和支持向量数据描述分类器确定目标对象是否摔倒,降低了检测难度,提高了检测结果的准确度。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的人体摔倒的检测方法中的相关操作。
本发明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发明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,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明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发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种人体摔倒的检测方法,其特征在于,包括:
获取目标对象的行为的雷达回波信号,基于所述雷达回波信号确定所述目标对象的第一运动特征,其中,所述第一运动特征包括高频能量、高低频能量比、高频平均信息量、极端频率、极端频率比、运动时长和平均速度中的至少一项;
将所述第一运动特征输入至预先建立的支持向量数据描述分类器,基于分类结果确定所述目标对象是否摔倒;其中,所述支持向量数据描述分类器基于非摔倒样本数据训练得到。
2.根据权利要求1所述的方法,其特征在于,还包括:
如果基于所述分类结果确定出所述目标对象摔倒,则基于所述雷达回波信号,确定所述目标对象的第二运动特征;其中,所述第二运动特征包括平均速度、最大位移和停留位置中的至少一项;
基于所述第二运动特征和预先建立的马氏距离分类器,确定所述目标对象是否摔倒。
3.根据权利要求2所述的方法,其特征在于,所述基于所述第二运动特征和预先建立的马氏距离分类器,确定所述目标对象是否摔倒,包括:
基于所述马氏距离分类器,确定所述第二运动特征和摔倒运动特征的摔倒马氏距离,以及所述第二运动特征和非摔倒运动特征的非摔倒马氏距离;
当所述摔倒马氏距离小于所述非摔倒马氏距离时,确定所述目标对象摔倒。
4.根据权利要求1所述的方法,其特征在于,所述基于所述雷达回波信号确定所述目标对象的第一运动特征,包括:
基于所述雷达回波信号生成频谱向量,计算处于预设频段内的所述频谱向量的能量值之和;
当所述能量值之和大于预设能量阈值时,基于处于所述预设频段对应的所述雷达回波信号确定目标区间信号,基于所述目标区间信号确定所述目标对象的第一运动特征。
5.根据权利要求4所述的方法,其特征在于,所述基于处于所述预设频段对应的所述雷达回波信号确定目标区间信号,包括:
确定所述雷达回波信号的的背景噪声的能量均值和能量标准差,基于所述能量均值和所述能量标准差确定出起始能量阈值;
基于所述预设频段对应的第一时间段,确定摔倒动作的起始时刻所在的第二时间段;
计算所述第二时间段中频谱向量在各个时刻的能量值,按照时间从早到晚的顺序,将所述能量值首次大于或等于所述起始能量阈值的时刻确定为所述起始时刻;
基于所述起始时刻和预设时间长度确定所述目标区间信号。
6.根据权利要求5所述的方法,其特征在于,所述确定所述雷达回波信号的背景噪声的能量均值和能量标准差,基于所述能量均值和所述能量标准差确定出起始能量阈值,包括:
基于γ2=PBCmean+k1*PBCsigma,确定所述起始能量阈值;
其中,γ2为所述起始能量阈值,PBCmean为所述背景噪声的能量均值,PBCsigma为所述背景噪声的能量标准差,k1为预设权重值。
7.根据权利要求1所述的方法,其特征在于,在所述基于所述雷达回波信号确定所述目标对象的第一运动特征之前,还包括:
对所述雷达回波信号进行滤波处理,基于滤波结果更新所述雷达回波信号。
8.一种人体摔倒的检测装置,其特征在于,包括:
获取模块,用于获取目标对象的行为的雷达回波信号,基于所述雷达回波信号确定所述目标对象的第一运动特征,其中,所述第一运动特征包括高频能量、高低频能量比、高频平均信息量、极端频率、极端频率比、运动时长和平均速度中的至少一项;
确定模块,用于将所述第一运动特征输入至预先建立的支持向量数据描述分类器,基于分类结果确定所述目标对象是否摔倒;其中,所述支持向量数据描述分类器基于非摔倒样本数据训练得到。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,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1-7中任一所述的人体摔倒的检测方法。
10.一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,所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的人体摔倒的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675994.7A CN113420634B (zh) | 2021-06-18 | 2021-06-18 | 人体摔倒的检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675994.7A CN113420634B (zh) | 2021-06-18 | 2021-06-18 | 人体摔倒的检测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420634A true CN113420634A (zh) | 2021-09-21 |
CN113420634B CN113420634B (zh) | 2023-09-29 |
Family
ID=77788967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110675994.7A Active CN113420634B (zh) | 2021-06-18 | 2021-06-18 | 人体摔倒的检测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420634B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114217284A (zh) * | 2021-12-03 | 2022-03-22 | 珠海安自达科技有限公司 | 一种基于特征的雷达运动目标检测和干扰抑制方法及系统 |
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200064444A1 (en) * | 2015-07-17 | 2020-02-27 | Origin Wireless, Inc. | Method, apparatus, and system for human identification based on human radio biometric information |
CN111914676A (zh) * | 2020-07-10 | 2020-11-10 | 泰康保险集团股份有限公司 | 人体摔倒检测方法、装置、电子设备和存储介质 |
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 |
CN112782684A (zh) * | 2020-12-31 | 2021-05-11 | 深圳大学 | 一种人体目标检测方法、装置、计算机设备和存储介质 |
US20210173045A1 (en) * | 2015-07-17 | 2021-06-10 | Yuqian HU | Method, apparatus, and system for fall-down detection based on a wireless signal |
-
2021
- 2021-06-18 CN CN202110675994.7A patent/CN113420634B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200064444A1 (en) * | 2015-07-17 | 2020-02-27 | Origin Wireless, Inc. | Method, apparatus, and system for human identification based on human radio biometric information |
US20210173045A1 (en) * | 2015-07-17 | 2021-06-10 | Yuqian HU | Method, apparatus, and system for fall-down detection based on a wireless signal |
CN111914676A (zh) * | 2020-07-10 | 2020-11-10 | 泰康保险集团股份有限公司 | 人体摔倒检测方法、装置、电子设备和存储介质 |
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 |
CN112782684A (zh) * | 2020-12-31 | 2021-05-11 | 深圳大学 | 一种人体目标检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
田一明;陈伟;王喜太;: "基于加速度小波包能量特征与多分类器融合的跌倒检测研究", 科技创新与应用, no. 18, pages 60 - 61 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114217284A (zh) * | 2021-12-03 | 2022-03-22 | 珠海安自达科技有限公司 | 一种基于特征的雷达运动目标检测和干扰抑制方法及系统 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113420634B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020103411A1 (zh) | 一种跌倒检测方法、装置及系统 | |
CN109031287B (zh) | 基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法 | |
CN113420634B (zh) | 人体摔倒的检测方法、装置、电子设备及存储介质 | |
CN107290741B (zh) | 基于加权联合距离时频变换的室内人体姿态识别方法 | |
CN110133610B (zh) | 基于时变距离-多普勒图的超宽带雷达动作识别方法 | |
US20200166610A1 (en) | Detection method, detection device, terminal and detection system | |
CN110007366B (zh) | 一种基于多传感器融合的生命搜寻方法以及系统 | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
CN110286368A (zh) | 一种基于超宽带雷达的老人跌倒检测方法 | |
CN110309690A (zh) | 基于时频谱和距离多普勒谱的手势识别检测方法 | |
CN111142102B (zh) | 一种呼吸数据计算方法以及相关设备 | |
CN112327288B (zh) | 雷达人体动作识别方法、装置、电子设备和存储介质 | |
Monge-Alvarez et al. | Audio-cough event detection based on moment theory | |
CN113963192A (zh) | 跌倒检测方法、装置和电子设备 | |
CN112580486B (zh) | 一种基于雷达微多普勒信号分离的人体行为分类方法 | |
WO2021248472A1 (zh) | 基于超宽带雷达的目标跟踪方法、装置、设备及存储介质 | |
Lin et al. | Binary neutron stars gravitational wave detection based on wavelet packet analysis and convolutional neural networks | |
CN112327286B (zh) | 低复杂度下日常活动分类方法、装置、设备及存储介质 | |
Chen et al. | A three-stage low-complexity human fall detection method using IR-UWB radar | |
Shao et al. | Deep learning methods for personnel recognition based on micro-Doppler features | |
CN114442079A (zh) | 目标对象的跌倒检测方法及装置 | |
CN112380903B (zh) | 一种基于WiFi-CSI信号增强的人体活动识别方法 | |
CN111507361A (zh) | 基于微波雷达的动作识别装置、方法及系统 | |
CN109009079A (zh) | 用户状态检测系统和方法、计算机设备、计算机存储介质 | |
Xia et al. | ECG quality assessment based on multi-feature fusion |
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 |