CN113450537A - 跌倒检测方法、装置、电子设备和存储介质 - Google Patents

跌倒检测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN113450537A
CN113450537A CN202110713407.9A CN202110713407A CN113450537A CN 113450537 A CN113450537 A CN 113450537A CN 202110713407 A CN202110713407 A CN 202110713407A CN 113450537 A CN113450537 A CN 113450537A
Authority
CN
China
Prior art keywords
signal
low
ultrasonic signal
feature vector
ultrasonic
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
Application number
CN202110713407.9A
Other languages
English (en)
Other versions
CN113450537B (zh
Inventor
周岭松
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.)
Beijing Xiaomi Mobile Software Co Ltd
Beijing Xiaomi Pinecone Electronic Co Ltd
Original Assignee
Beijing Xiaomi Mobile Software Co Ltd
Beijing Xiaomi Pinecone Electronic 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 Beijing Xiaomi Mobile Software Co Ltd, Beijing Xiaomi Pinecone Electronic Co Ltd filed Critical Beijing Xiaomi Mobile Software Co Ltd
Priority to CN202110713407.9A priority Critical patent/CN113450537B/zh
Publication of CN113450537A publication Critical patent/CN113450537A/zh
Application granted granted Critical
Publication of CN113450537B publication Critical patent/CN113450537B/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
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本公开涉及一种跌倒检测方法、装置、电子设备和存储介质，涉及智能检测技术领域，该方法包括：获取第一超声波信号，根据第一超声波信号和第二超声波信号，确定与第一超声波信号对应的声学特征向量，获取低频声波信号，其中，低频声波信号与第一超声波信号发生在相同时间范围内，对低频声波信号进行特征提取，得到低频声波信号对应的低频特征向量，将声学特征向量和低频特征向量输入预设的跌倒检测模型，确定环境中是否有人跌倒。本公开通过跌倒检测模型对超声波发生器发射到环境中的超声波信号以及环境中的低频声波信号进行监测，来准确地确定环境中是否有人跌倒，检测效率高，能够避免造成用户行动不便，同时确保用户日常生活的舒适度。

Description

跌倒检测方法、装置、电子设备和存储介质
技术领域
本公开涉及智能检测技术领域，尤其涉及一种跌倒检测方法、装置、电子设备和存储介质。
背景技术
随着经济的发展和医疗水平的提高，人类平均寿命不断地延长，社会老龄化进程加剧。老人由于自理能力和自我保护能力下降，在行动的过程中容易发生意外跌倒。特别是对于独居老人，如果发生意外跌倒，可能会出现脑部受伤或行动能力丧失等情况，为了避免错过治疗时机，需要在第一时间通知到相关看护人。
目前，主要是通过在老人身体多个部位部署加速度传感器(例如，让老人穿戴配备加速度传感器的衣服)，通过加速度传感器的状态变化来判断老人是否跌倒。但是，加速度传感器需要佩戴在老人身上，会造成老人行动不便，并影响老人日常生活的舒适度。
发明内容
为克服相关技术中存在的问题，本公开提供一种跌倒检测方法、装置、电子设备和存储介质。
根据本公开实施例的第一方面，提供一种跌倒检测方法，所述方法包括：
获取第一超声波信号，所述第一超声波信号为超声波发生器发射的第二超声波信号经环境反射后的信号；
根据所述第一超声波信号和所述第二超声波信号，确定与所述第一超声波信号对应的声学特征向量；
获取低频声波信号，其中，所述低频声波信号与所述第一超声波信号发生在相同时间范围内；
对所述低频声波信号进行特征提取，得到所述低频声波信号对应的低频特征向量；
将所述声学特征向量和所述低频特征向量输入预设的跌倒检测模型，确定所述环境中是否有人跌倒。
可选地，所述跌倒检测模型为采用预设样本集，对初始神经网络模型进行训练得到，所述预设样本集包括多对样本，每个所述样本包括：第一超声波信号样本和低频声波信号样本；所述第一超声波信号样本为预设环境内有人跌倒时，声音采集器所采集的超声波发生器发射的第二超声波信号样本经所述预设环境反射后的信号；所述低频声波信号样本为所述人在跌倒时的预设时间范围内产生的碰撞声。
可选地，所述第二超声波信号为对预设基带信号进行调制后得到的，所述根据所述第一超声波信号和所述第二超声波信号，确定与所述第一超声波信号对应的声学特征向量，包括：
确定所述第一超声波信号对应的目标基带信号；
根据所述目标基带信号和所述预设基带信号，确定所述声学特征向量。
可选地，所述确定所述第一超声波信号对应的目标基带信号，包括：
对所述第一超声波信号进行滤波处理，得到处理后的第一超声波信号；
对所述处理后的第一超声波信号进行解调，得到所述目标基带信号。
可选地，所述对所述低频声波信号进行特征提取，得到所述低频声波信号对应的低频特征向量，包括：
对所述低频声波信号进行滤波处理，得到处理后的低频声波信号；
对所述处理后的低频声波信号进行梅尔频率倒谱系数MFCC特征提取，得到所述低频特征向量。
可选地，所述第一超声波信号为多帧，所述将所述声学特征向量和所述低频特征向量输入预设的跌倒检测模型，确定所述环境中是否有人跌倒，包括：
根据每帧所述第一超声波信号对应的声学特征向量，利用预设的递归跟踪算法，确定该帧第一超声波信号对应的稳态特征向量；所述稳态特征向量用于表征在所述环境中没有人跌倒时所述第一超声波信号对应的声学特征向量；
根据所述声学特征向量和所述稳态特征向量，确定扰动特征向量；所述扰动特征向量用于表征所述声学特征向量相对于所述稳态特征向量产生的变化；
将所述扰动特征向量和所述低频特征向量输入所述跌倒检测模型，确定所述环境中是否有人跌倒。
可选地，所述根据所述声学特征向量和所述稳态特征向量，确定扰动特征向量，包括：
将每帧所述第一超声波信号对应的声学特征向量与该帧第一超声波信号对应的稳态特征向量的差值，作为该帧第一超声波信号对应的扰动特征向量。
根据本公开实施例的第二方面，提供一种跌倒检测装置，所述装置包括：
获取模块，被配置为获取第一超声波信号，所述第一超声波信号为超声波发生器发射的第二超声波信号经环境反射后的信号；
确定模块，被配置为根据所述第一超声波信号和所述第二超声波信号，确定与所述第一超声波信号对应的声学特征向量；
所述获取模块，还被配置为获取低频声波信号，其中，所述低频声波信号与所述第一超声波信号发生在相同时间范围内；
提取模块，被配置为对所述低频声波信号进行特征提取，得到所述低频声波信号对应的低频特征向量；
处理模块，被配置为将所述声学特征向量和所述低频特征向量输入预设的跌倒检测模型，确定所述环境中是否有人跌倒。
可选地，所述跌倒检测模型为采用预设样本集，对初始神经网络模型进行训练得到，所述预设样本集包括多对样本，每个所述样本包括：第一超声波信号样本和低频声波信号样本；所述第一超声波信号样本为预设环境内有人跌倒时，声音采集器所采集的超声波发生器发射的第二超声波信号样本经所述预设环境反射后的信号；所述低频声波信号样本为所述人在跌倒时的预设时间范围内产生的碰撞声。
可选地，所述第二超声波信号为对预设基带信号进行调制后得到的，所述确定模块包括：
第一确定子模块，被配置为确定所述第一超声波信号对应的目标基带信号；
第二确定子模块，被配置为根据所述目标基带信号和所述预设基带信号，确定所述声学特征向量。
可选地，所述第一确定子模块被配置为：
对所述第一超声波信号进行滤波处理，得到处理后的第一超声波信号；
对所述处理后的第一超声波信号进行解调，得到所述目标基带信号。
可选地，所述提取模块被配置为：
对所述低频声波信号进行滤波处理，得到处理后的低频声波信号；
对所述处理后的低频声波信号进行MFCC特征提取，得到所述低频特征向量。
可选地，所述处理模块包括：
第三确定子模块，被配置为根据每帧所述第一超声波信号对应的声学特征向量，利用预设的递归跟踪算法，确定该帧第一超声波信号对应的稳态特征向量；所述稳态特征向量用于表征在所述环境中没有人跌倒时所述第一超声波信号对应的声学特征向量；
所述第三确定子模块，还被配置为根据所述声学特征向量和所述稳态特征向量，确定扰动特征向量；所述扰动特征向量用于表征所述声学特征向量相对于所述稳态特征向量产生的变化；
处理子模块，被配置为将所述扰动特征向量和所述低频特征向量输入所述跌倒检测模型，确定所述环境中是否有人跌倒。
可选地，所述处理子模块被配置为：
将每帧所述第一超声波信号对应的声学特征向量与该帧第一超声波信号对应的稳态特征向量的差值，作为该帧第一超声波信号对应的扰动特征向量。
根据本公开实施例的第三方面，提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行本公开第一方面所提供的跌倒检测方法的步骤。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的跌倒检测方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：本公开首先获取第一超声波信号，第一超声波信号为超声波发生器发射的第二超声波信号经环境反射后的信号，之后根据第一超声波信号和第二超声波信号，确定与第一超声波信号对应的声学特征向量，再获取低频声波信号，其中，低频声波信号与第一超声波信号发生在相同时间范围内，并对低频声波信号进行特征提取，得到低频声波信号对应的低频特征向量，最后将声学特征向量和低频特征向量输入预设的跌倒检测模型，确定环境中是否有人跌倒。本公开通过跌倒检测模型对超声波发生器发射到环境中的超声波信号以及环境中的低频声波信号进行监测，来准确地确定环境中是否有人跌倒，检测效率高，并且不需要在用户身上布置传感器，能够避免造成用户行动不便，同时确保用户日常生活的舒适度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种跌倒检测方法的流程图。
图2是根据图1所示实施例示出的一种步骤102的流程图。
图3是根据一示例性实施例示出的一种预设基带信号的示意图。
图4是根据图1所示实施例示出的一种步骤105的流程图。
图5是根据一示例性实施例示出的一种跌倒检测装置的框图。
图6是根据图5所示实施例示出的一种确定模块的框图。
图7是根据图5所示实施例示出的一种处理模块的框图。
图8是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在介绍本公开提供的跌倒检测方法、装置、电子设备和存储介质之前，首先对本公开各个实施例所涉及应用场景进行介绍。该跌倒检测方法可以应用在有老人、幼儿、病人、残疾人士等用户活动的场景，该场景中设置有终端设备，该终端设备可以包括控制器、超声波发生器和声音采集器。其中，该控制器可以是例如可以是MCU(英文：MicrocontrollerUnit，中文：微控制单元)，CPU(英文：Central Processing Unit，中文：中央处理器)等具有控制功能的处理器，该终端设备例如可以是智能手机、平板电脑、笔记本电脑和智能音箱等移动终端，也可以是台式计算机、智能电视等固定终端。
图1是根据一示例性实施例示出的一种跌倒检测方法的流程图。如图1所示，该方法可以包括以下步骤：
在步骤101中，获取第一超声波信号。
其中，第一超声波信号为超声波发生器发射的第二超声波信号经环境反射后的信号。
示例地，在有人跌倒时，会对其所处环境内的超声场造成相应的扰动，因此，可以基于环境中出现的超声扰动，来实现对跌倒事件的检测。具体地，首先，超声波发生器向其所处环境中持续循环地发射第二超声波信号。之后可以由声音采集器从采集到的环境声音中，获取第二超声波信号经环境反射后的第一超声波信号。其中，超声波发生器可以采用专业的超声波发生器，也可以采用普通的扬声器发出，具体的，采用扬声器时，需要由终端设备中的控制器对预设基带信号进行调制，得到第二超声波信号，并由扬声器发出。
在步骤102中，根据第一超声波信号和第二超声波信号，确定与第一超声波信号对应的声学特征向量。
在本步骤中，声音采集器在获取到第一超声波信号后，可以将第一超声波信号发送给控制器，并由控制器对第一超声波信号进行解调，得到第一超声波信号对应的目标基带信号。然后，控制器可以根据第一超声波信号对应的目标基带信号以及预设基带信号，确定第一超声波信号对应的声学特征向量。其中，声学特征向量用于表征当前环境的声学特性，例如声学特征向量可以为CIR(英文：Channel Impulse Response，中文：信道脉冲响应)向量。
在步骤103中，获取低频声波信号，其中，低频声波信号与第一超声波信号发生在相同时间范围内。
示例地，在有人跌倒时，通常也会产生碰撞声。因此，还可以在超声扰动的基础上，结合人跌倒时产生的碰撞声，来实现对跌倒事件的检测，以提高跌倒事件检测的准确性。具体地，由于碰撞声属于中频以下的声音，声音采集器可以在从环境声音中获取第一超声波信号的同时，获取低频声波信号，即声音采集器可以从同一时间范围内的环境声音中，分别筛选出第一超声波信号和低频声波信号。其中，低频声波信号为频率小于16kHz的声波信号。
在步骤104中，对低频声波信号进行特征提取，得到低频声波信号对应的低频特征向量。
进一步的，声音采集器在获取到低频声波信号后，可以对低频声波信号进行滤波处理，以避免环境声音中除低频段外其他频率成分的干扰，得到处理后的低频声波信号。例如，声音采集器可以通过带通滤波器来对低频声波信号进行滤波处理。然后，声音采集器可以将处理后的低频声波信号发送给控制器，由控制器对处理后的低频声波信号进行MFCC(英文：Mel-Frequency Cepstral Coefficients，中文：梅尔频率倒谱系数)特征提取，得到低频声波信号对应的低频特征向量。
在步骤105中，将声学特征向量和低频特征向量输入预设的跌倒检测模型，确定环境中是否有人跌倒。
举例来说，当没有人运动时，不存在超声扰动，相当于环境处于稳态，此时声学特征向量可以认为是稳定不变的，而当有人运动时，声学特征向量会产生相应的变化。同时，对于不同的运动类型(例如，走动和发生跌倒)，声学特征向量产生的变化是不相同的。因此，可以利用声学特征向量是否产生变化(即是否存在超声扰动)，结合人跌倒时产生的碰撞声对应的低频特征向量，来确定环境中是否有人跌倒。具体地，可以预先训练一个根据声学特征向量以及低频特征向量，来确定环境中是否有人跌倒的跌倒检测模型。其中，跌倒检测模型可以采用常规的三层卷积神经网路。然后，由控制器可以将声学特征向量和低频特征向量输入到跌倒检测模型中，得到跌倒检测模型输出的环境中是否有人跌倒的检测结果。
需要说明的是，在对室内房间独处的老人、幼儿、病人以及残疾人士是否发生意外跌倒进行检测时，为了降低检测的使用成本，可以使用室内房间已有的终端设备来进行检测(此时终端设备所处的环境为室内房间)。例如，终端设备可以使用智能音箱、智能电视等室内常见的设备，此时超声波发生器可以为扬声器，声音采集器可以为麦克风。另外，终端设备中还可以设置有通信模块，在确定环境中有人跌倒时，控制器可以通过通信模块，向与终端设备关联的目标终端设备发送提示信息，以提示目标终端设备的使用者环境中有人跌倒。目标终端设备可以是用户的亲人、朋友、看护人所使用的设备。目标终端设备的使用者收到消息后可以及时地做出响应(例如，拨打电话确认情况、调用摄像头查看等)，从而确保用户的安全。
综上所述，本公开首先获取第一超声波信号，第一超声波信号为超声波发生器发射的第二超声波信号经环境反射后的信号，之后根据第一超声波信号和第二超声波信号，确定与第一超声波信号对应的声学特征向量，再获取低频声波信号，其中，低频声波信号与第一超声波信号发生在相同时间范围内，并对低频声波信号进行特征提取，得到低频声波信号对应的低频特征向量，最后将声学特征向量和低频特征向量输入预设的跌倒检测模型，确定环境中是否有人跌倒。本公开通过跌倒检测模型对超声波发生器发射到环境中的超声波信号以及环境中的低频声波信号进行监测，来准确地确定环境中是否有人跌倒，检测效率高，并且不需要在用户身上布置传感器，能够避免造成用户行动不便，同时确保用户日常生活的舒适度。
可选地，跌倒检测模型为采用预设样本集，对初始神经网络模型进行训练得到。其中，预设样本集包括多对样本，每个样本包括：第一超声波信号样本和低频声波信号样本，第一超声波信号样本为预设环境内有人跌倒时，声音采集器所采集的超声波发生器发射的第二超声波信号样本经预设环境反射后的信号，低频声波信号样本为人在跌倒时的预设时间范围内产生的碰撞声。
示例地，首先可以通过处于预设环境(例如，室内房间)中的超声波发生器向预设环境中持续循环地发射第二超声波信号样本，并在预设环境中模拟人跌倒的场景，同时利用声音采集器采集预设环境中的环境声音。之后从声音采集器采集到的预设环境中的环境声音中，获取第二超声波信号样本经预设环境反射后的第一超声波信号样本，以及人在跌倒时的预设时间范围内产生的低频声波信号样本。然后，将第一超声波信号样本和低频声波信号作为一对样本，再重复以上过程，获得多对样本，并将多对样本构成预设样本集。最后利用预设样本集对初始神经网络模型进行训练，得到跌倒检测模型。
图2是根据图1所示实施例示出的一种步骤102的流程图。如图2所示，第二超声波信号为对预设基带信号进行调制后得到的，步骤102可以包括以下步骤：
在步骤1021中，确定第一超声波信号对应的目标基带信号。
在本实施例中，以超声波发生器采用普通的扬声器发出，终端设备中的控制器对预设基带信号进行调制的过程中，在预设基带信号为图3所示的信号的情况下，此时预设基带信号包含320个非零点和160个零点，那么控制器得到的目标基带信号也包含320个非零点和160个零点。
声音采集器，例如，麦克风，在获取到第一超声波信号后，可以对第一超声波信号进行滤波处理，以避免环境声音中除超声频段外其他频率成分的干扰，得到处理后的第一超声波信号。例如，声音采集器可以通过带通滤波器来对第一超声波信号进行滤波处理。然后，声音采集器可以将处理后的第一超声波信号发送给控制器，由控制器对处理后的第一超声波信号进行解调，得到目标基带信号。
在步骤1022中，根据目标基带信号和预设基带信号，确定声学特征向量。
进一步的，在声学特征向量为CIR向量时，目标基带信号，预设基带信号和声学特征向量有如下关系：
Figure BDA0003134483950000111
其中，
Figure BDA0003134483950000112
为预设基带信号(可以用S表示)，
Figure BDA0003134483950000113
是声学特征向量(可以用h表示)，
Figure BDA0003134483950000114
为目标基带信号(可以用R表示)，当预设基带信号包含320个非零点和160个零点时，L+P＝320。
根据上述关系可以得出计算声学特征向量的算式为：h＝(STS)-1SR。因此，在控制器确定第一超声波信号对应的目标基带信号后，可以根据第一超声波信号对应的目标基带信号和预设基带信号，利用该算式，确定第一超声波信号对应的声学特征向量。
图4是根据图1所示实施例示出的一种步骤105的流程图。如图4所示，第一超声波信号为多帧，步骤105可以包括以下步骤：
在步骤1051中，根据每帧第一超声波信号对应的声学特征向量，利用预设的递归跟踪算法，确定该帧第一超声波信号对应的稳态特征向量。
其中，稳态特征向量用于表征在环境中没有人跌倒时第一超声波信号对应的声学特征向量。
举例来说，为了确保检测跌倒事件的准确性，所获取的第一超声波信号应为一个时间范围(例如，5s)内的超声波信号，此时，第一超声波信号为多帧，每帧第一超声波信号均对应一个声学特征向量，例如，可以将一个完整的目标基带信号对应的第一超声波信号作为一帧。同样的，由于低频声波信号与第一超声波信号发生在相同时间范围内，因此，低频声波信号也为多帧。控制器可以根据每帧第一超声波信号对应的声学特征向量，利用递归跟踪算法，确定每帧第一超声波信号对应的稳态特征向量。其中，稳态特征向量可以表示为：hstatiC(i)＝k1*hStatiC(i-1)+k2*h(i)，hStatiC(i)为第i帧第一超声波信号对应的稳态特征向量，h(i)为第i帧第一超声波信号对应的声学特征向量，k1、k2为根据经验设置的比例系数，例如，k1可以设置为0.985，k2可以设置为0.015。稳态特征向量可以理解为在环境处于稳态时(即没有人发生跌倒时)，每帧第一超声波信号所应该对应的声学特征向量。
在步骤1052中，根据声学特征向量和稳态特征向量，确定扰动特征向量。其中，扰动特征向量用于表征声学特征向量相对于稳态特征向量产生的变化。
进一步的，控制器在确定每帧第一超声波信号对应的稳态特征向量后，可以将每帧第一超声波信号对应的声学特征向量与该帧第一超声波信号对应的稳态特征向量的差值，作为该帧第一超声波信号对应的扰动特征向量。其中，扰动特征向量可以表示为：dCIR(i)＝h(i)-hStatiC(i)，dCIR(i)为第i帧第一超声波信号对应的扰动特征向量。在没有人运动时，dCIR(i)应该趋近于0，只有在有人运动时，dCIR(i)才会出现较大值。对于不同的运动类型，dCIR(i)的值也不相同，例如，在有人跌倒时和有人走动时，对应的dCIR(i)的值不同。
在步骤1053中，将扰动特征向量和低频特征向量输入跌倒检测模型，确定环境中是否有人跌倒。
在本步骤中，控制器可以将全部帧第一超声波信号对应的扰动特征向量，以及全部帧低频声波信号对应的低频特征向量，作为异常检测模型的输入，得到异常检测模型输出的环境中是否有人跌倒的检测结果。例如，当第一超声波信号、低频声波信号的帧数均为200时，可以将200帧第一超声波信号对应的扰动特征向量，以及200帧低频声波信号对应的低频特征向量，输入到异常检测模型，得到环境中是否有人跌倒的检测结果。
综上所述，本公开首先获取第一超声波信号，第一超声波信号为超声波发生器发射的第二超声波信号经环境反射后的信号，之后根据第一超声波信号和第二超声波信号，确定与第一超声波信号对应的声学特征向量，再获取低频声波信号，其中，低频声波信号与第一超声波信号发生在相同时间范围内，并对低频声波信号进行特征提取，得到低频声波信号对应的低频特征向量，最后将声学特征向量和低频特征向量输入预设的跌倒检测模型，确定环境中是否有人跌倒。本公开通过跌倒检测模型对超声波发生器发射到环境中的超声波信号以及环境中的低频声波信号进行监测，来准确地确定环境中是否有人跌倒，检测效率高，并且不需要在用户身上布置传感器，能够避免造成用户行动不便，同时确保用户日常生活的舒适度。
图5是根据一示例性实施例示出的一种跌倒检测装置的框图。如图5所示，该装置200包括获取模块201，确定模块202，提取模块203和处理模块204。
获取模块201，被配置为获取第一超声波信号，第一超声波信号为超声波发生器发射的第二超声波信号经环境反射后的信号。
确定模块202，被配置为根据第一超声波信号和第二超声波信号，确定与第一超声波信号对应的声学特征向量。
确定模块202，还被配置为获取低频声波信号，其中，低频声波信号与第一超声波信号发生在相同时间范围内。
提取模块203，被配置为对低频声波信号进行特征提取，得到低频声波信号对应的低频特征向量。
处理模块204，被配置为将声学特征向量和低频特征向量输入预设的跌倒检测模型，确定环境中是否有人跌倒。
可选地，跌倒检测模型为采用预设样本集，对初始神经网络模型进行训练得到，预设样本集包括多对样本，每个样本包括：第一超声波信号样本和低频声波信号样本，第一超声波信号样本为预设环境内有人跌倒时，声音采集器所采集的超声波发生器发射的第二超声波信号样本经预设环境反射后的信号，低频声波信号样本为人在跌倒时的预设时间范围内产生的碰撞声。
图6是根据图5所示实施例示出的一种确定模块的框图。如图6所示，第二超声波信号为对预设基带信号进行调制后得到的，确定模块202包括：第一确定子模块2021和第二确定子模块2022。
第一确定子模块2021，被配置为确定第一超声波信号对应的目标基带信号。
第二确定子模块2022，被配置为根据目标基带信号和预设基带信号，确定声学特征向量。
可选地，第一确定子模块2021被配置为：
对第一超声波信号进行滤波处理，得到处理后的第一超声波信号；
对处理后的第一超声波信号进行解调，得到目标基带信号。
提取模块203被配置为：
对低频声波信号进行滤波处理，得到处理后的低频声波信号。
对处理后的低频声波信号进行MFCC特征提取，得到低频特征向量。
图7是根据图5所示实施例示出的一种处理模块的框图。如图7所示，处理模块204包括：第三确定子模块2041和处理子模块2042。
第三确定子模块2041，被配置为根据每帧第一超声波信号对应的声学特征向量，利用预设的递归跟踪算法，确定该帧第一超声波信号对应的稳态特征向量，稳态特征向量用于表征在环境中没有人跌倒时第一超声波信号对应的声学特征向量。
第三确定子模块2041，还被配置为根据声学特征向量和稳态特征向量，确定扰动特征向量，扰动特征向量用于表征声学特征向量相对于稳态特征向量产生的变化。
处理子模块2042，被配置为将扰动特征向量和低频特征向量输入跌倒检测模型，确定环境中是否有人跌倒。
可选地，处理子模块2042被配置为：
将每帧第一超声波信号对应的声学特征向量与该帧第一超声波信号对应的稳态特征向量的差值，作为该帧第一超声波信号对应的扰动特征向量。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
综上所述，本公开首先获取第一超声波信号，第一超声波信号为超声波发生器发射的第二超声波信号经环境反射后的信号，之后根据第一超声波信号和第二超声波信号，确定与第一超声波信号对应的声学特征向量，再获取低频声波信号，其中，低频声波信号与第一超声波信号发生在相同时间范围内，并对低频声波信号进行特征提取，得到低频声波信号对应的低频特征向量，最后将声学特征向量和低频特征向量输入预设的跌倒检测模型，确定环境中是否有人跌倒。本公开通过跌倒检测模型对超声波发生器发射到环境中的超声波信号以及环境中的低频声波信号进行监测，来准确地确定环境中是否有人跌倒，检测效率高，并且不需要在用户身上布置传感器，能够避免造成用户行动不便，同时确保用户日常生活的舒适度。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的跌倒检测方法的步骤。
图8是根据一示例性实施例示出的一种电子设备的框图。例如，电子设备300可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图8，电子设备300可以包括以下一个或多个组件：处理组件302，存储器304，电力组件306，多媒体组件308，音频组件310，输入/输出(I/O)的接口312，传感器组件314，以及通信组件316。
处理组件302通常控制电子设备300的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件302可以包括一个或多个处理器320来执行指令，以完成上述的跌倒检测方法的全部或部分步骤。此外，处理组件302可以包括一个或多个模块，便于处理组件302和其他组件之间的交互。例如，处理组件302可以包括多媒体模块，以方便多媒体组件308和处理组件302之间的交互。
存储器304被配置为存储各种类型的数据以支持在电子设备300的操作。这些数据的示例包括用于在电子设备300上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电力组件306为电子设备300的各种组件提供电力。电力组件306可以包括电源管理系统，一个或多个电源，及其他与为电子设备300生成、管理和分配电力相关联的组件。
多媒体组件308包括在所述电子设备300和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件308包括一个前置摄像头和/或后置摄像头。当电子设备300处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件310被配置为输出和/或输入音频信号。例如，音频组件310包括一个麦克风(MIC)，当电子设备300处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器304或经由通信组件316发送。在一些实施例中，音频组件310还包括一个扬声器，用于输出音频信号。
I/O接口312为处理组件302和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件314包括一个或多个传感器，用于为电子设备300提供各个方面的状态评估。例如，传感器组件314可以检测到电子设备300的打开/关闭状态，组件的相对定位，例如所述组件为电子设备300的显示器和小键盘，传感器组件314还可以检测电子设备300或电子设备300一个组件的位置改变，用户与电子设备300接触的存在或不存在，电子设备300方位或加速/减速和电子设备300的温度变化。传感器组件314可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件314还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件314还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件316被配置为便于电子设备300和其他设备之间有线或无线方式的通信。电子设备300可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件316经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件316还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的跌倒检测方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器304，上述指令可由电子设备300的处理器320执行以完成上述的跌倒检测方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的跌倒检测方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种跌倒检测方法，其特征在于，所述方法包括：
获取第一超声波信号，所述第一超声波信号为超声波发生器发射的第二超声波信号经环境反射后的信号；
根据所述第一超声波信号和所述第二超声波信号，确定与所述第一超声波信号对应的声学特征向量；
获取低频声波信号，其中，所述低频声波信号与所述第一超声波信号发生在相同时间范围内；
对所述低频声波信号进行特征提取，得到所述低频声波信号对应的低频特征向量；
将所述声学特征向量和所述低频特征向量输入预设的跌倒检测模型，确定所述环境中是否有人跌倒。
2.根据权利要求1所述的方法，其特征在于，所述跌倒检测模型为采用预设样本集，对初始神经网络模型进行训练得到，所述预设样本集包括多对样本，每个所述样本包括：第一超声波信号样本和低频声波信号样本；所述第一超声波信号样本为预设环境内有人跌倒时，声音采集器所采集的超声波发生器发射的第二超声波信号样本经所述预设环境反射后的信号；所述低频声波信号样本为所述人在跌倒时的预设时间范围内产生的碰撞声。
3.根据权利要求1所述的方法，其特征在于，所述第二超声波信号为对预设基带信号进行调制后得到的，所述根据所述第一超声波信号和所述第二超声波信号，确定与所述第一超声波信号对应的声学特征向量，包括：
确定所述第一超声波信号对应的目标基带信号；
根据所述目标基带信号和所述预设基带信号，确定所述声学特征向量。
4.根据权利要求3所述的方法，其特征在于，所述确定所述第一超声波信号对应的目标基带信号，包括：
对所述第一超声波信号进行滤波处理，得到处理后的第一超声波信号；
对所述处理后的第一超声波信号进行解调，得到所述目标基带信号。
5.根据权利要求1所述的方法，其特征在于，所述对所述低频声波信号进行特征提取，得到所述低频声波信号对应的低频特征向量，包括：
对所述低频声波信号进行滤波处理，得到处理后的低频声波信号；
对所述处理后的低频声波信号进行梅尔频率倒谱系数MFCC特征提取，得到所述低频特征向量。
6.根据权利要求1所述的方法，其特征在于，所述第一超声波信号为多帧，所述将所述声学特征向量和所述低频特征向量输入预设的跌倒检测模型，确定所述环境中是否有人跌倒，包括：
根据每帧所述第一超声波信号对应的声学特征向量，利用预设的递归跟踪算法，确定该帧第一超声波信号对应的稳态特征向量；所述稳态特征向量用于表征在所述环境中没有人跌倒时所述第一超声波信号对应的声学特征向量；
根据所述声学特征向量和所述稳态特征向量，确定扰动特征向量；所述扰动特征向量用于表征所述声学特征向量相对于所述稳态特征向量产生的变化；
将所述扰动特征向量和所述低频特征向量输入所述跌倒检测模型，确定所述环境中是否有人跌倒。
7.根据权利要求6所述的方法，其特征在于，所述根据所述声学特征向量和所述稳态特征向量，确定扰动特征向量，包括：
将每帧所述第一超声波信号对应的声学特征向量与该帧第一超声波信号对应的稳态特征向量的差值，作为该帧第一超声波信号对应的扰动特征向量。
8.一种跌倒检测装置，其特征在于，所述装置包括：
获取模块，被配置为获取第一超声波信号，所述第一超声波信号为超声波发生器发射的第二超声波信号经环境反射后的信号；
确定模块，被配置为根据所述第一超声波信号和所述第二超声波信号，确定与所述第一超声波信号对应的声学特征向量；
所述获取模块，还被配置为获取低频声波信号，其中，所述低频声波信号与所述第一超声波信号发生在相同时间范围内；
提取模块，被配置为对所述低频声波信号进行特征提取，得到所述低频声波信号对应的低频特征向量；
处理模块，被配置为将所述声学特征向量和所述低频特征向量输入预设的跌倒检测模型，确定所述环境中是否有人跌倒。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
CN202110713407.9A 2021-06-25 2021-06-25 跌倒检测方法、装置、电子设备和存储介质 Active CN113450537B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110713407.9A CN113450537B (zh) 2021-06-25 2021-06-25 跌倒检测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110713407.9A CN113450537B (zh) 2021-06-25 2021-06-25 跌倒检测方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN113450537A true CN113450537A (zh) 2021-09-28
CN113450537B CN113450537B (zh) 2023-05-30

Family

ID=77812929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110713407.9A Active CN113450537B (zh) 2021-06-25 2021-06-25 跌倒检测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN113450537B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3754222A (en) * 1971-12-13 1973-08-21 Webster Electric Co Inc Intrusion detection device utilizing low frequency sound waves and phase detection techniques
CN101647716A (zh) * 2009-09-04 2010-02-17 重庆邮电大学 一种直接测量血流流速的装置
JP2014191616A (ja) * 2013-03-27 2014-10-06 National Institute Of Advanced Industrial & Technology 独居高齢者の見守り方法、装置およびサービス提供システム
CN105550961A (zh) * 2015-10-31 2016-05-04 东莞酷派软件技术有限公司 一种监护方法及装置
CN105708470A (zh) * 2016-01-21 2016-06-29 山东大学 基于多普勒探测器与传感器联合的跌倒检测系统和方法
CN105807923A (zh) * 2016-03-07 2016-07-27 中国科学院计算技术研究所 一种基于超声波的凌空手势识别方法及系统
CN106979980A (zh) * 2017-04-28 2017-07-25 武汉理工大学 一种新型多频谱声学相机及识别方法
CN107305351A (zh) * 2016-04-19 2017-10-31 哈曼国际工业有限公司 声学存在检测器
US9972187B1 (en) * 2016-11-13 2018-05-15 Agility4Life Biomechanical parameter determination for emergency alerting and health assessment
US20180263593A1 (en) * 2017-03-14 2018-09-20 Clarius Mobile Health Corp. Systems and methods for detecting and enhancing viewing of a needle during ultrasound imaging
CN109345771A (zh) * 2018-10-22 2019-02-15 杨松 一种检测人体跌倒的方法及系统
US20190130725A1 (en) * 2016-01-27 2019-05-02 Caduceus Wireless, Inc. System to determine events in a space
CN109870697A (zh) * 2018-12-27 2019-06-11 东莞理工学院 一种基于超声波声学的物体检测和分类方法
CN110059633A (zh) * 2019-04-19 2019-07-26 西北工业大学 一种基于超声波的人体步态感知及其身份识别方法
CN110780741A (zh) * 2019-10-28 2020-02-11 Oppo广东移动通信有限公司 模型训练方法、应用运行方法、装置、介质及电子设备
US20200146623A1 (en) * 2018-11-13 2020-05-14 CurieAI, Inc. Intelligent Health Monitoring
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
CN111257890A (zh) * 2020-01-19 2020-06-09 中国电子科技集团公司电子科学研究院 一种跌倒行为识别方法及装置
CN111323783A (zh) * 2020-02-27 2020-06-23 Oppo广东移动通信有限公司 场景识别方法、装置、存储介质及电子设备
US20210049890A1 (en) * 2018-05-11 2021-02-18 Samsung Electronics Co., Ltd. Electronic device and control method therefor
CN112380946A (zh) * 2020-11-09 2021-02-19 上海泗科智能科技有限公司 一种基于端侧ai芯片的跌倒检测方法及装置

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3754222A (en) * 1971-12-13 1973-08-21 Webster Electric Co Inc Intrusion detection device utilizing low frequency sound waves and phase detection techniques
CN101647716A (zh) * 2009-09-04 2010-02-17 重庆邮电大学 一种直接测量血流流速的装置
JP2014191616A (ja) * 2013-03-27 2014-10-06 National Institute Of Advanced Industrial & Technology 独居高齢者の見守り方法、装置およびサービス提供システム
CN105550961A (zh) * 2015-10-31 2016-05-04 东莞酷派软件技术有限公司 一种监护方法及装置
CN105708470A (zh) * 2016-01-21 2016-06-29 山东大学 基于多普勒探测器与传感器联合的跌倒检测系统和方法
US20190130725A1 (en) * 2016-01-27 2019-05-02 Caduceus Wireless, Inc. System to determine events in a space
CN105807923A (zh) * 2016-03-07 2016-07-27 中国科学院计算技术研究所 一种基于超声波的凌空手势识别方法及系统
WO2017152531A1 (zh) * 2016-03-07 2017-09-14 中国科学院计算技术研究所 一种基于超声波的凌空手势识别方法及系统
CN107305351A (zh) * 2016-04-19 2017-10-31 哈曼国际工业有限公司 声学存在检测器
US9972187B1 (en) * 2016-11-13 2018-05-15 Agility4Life Biomechanical parameter determination for emergency alerting and health assessment
US20180263593A1 (en) * 2017-03-14 2018-09-20 Clarius Mobile Health Corp. Systems and methods for detecting and enhancing viewing of a needle during ultrasound imaging
CN106979980A (zh) * 2017-04-28 2017-07-25 武汉理工大学 一种新型多频谱声学相机及识别方法
US20210049890A1 (en) * 2018-05-11 2021-02-18 Samsung Electronics Co., Ltd. Electronic device and control method therefor
CN109345771A (zh) * 2018-10-22 2019-02-15 杨松 一种检测人体跌倒的方法及系统
US20200146623A1 (en) * 2018-11-13 2020-05-14 CurieAI, Inc. Intelligent Health Monitoring
CN109870697A (zh) * 2018-12-27 2019-06-11 东莞理工学院 一种基于超声波声学的物体检测和分类方法
CN110059633A (zh) * 2019-04-19 2019-07-26 西北工业大学 一种基于超声波的人体步态感知及其身份识别方法
CN110780741A (zh) * 2019-10-28 2020-02-11 Oppo广东移动通信有限公司 模型训练方法、应用运行方法、装置、介质及电子设备
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
CN111257890A (zh) * 2020-01-19 2020-06-09 中国电子科技集团公司电子科学研究院 一种跌倒行为识别方法及装置
CN111323783A (zh) * 2020-02-27 2020-06-23 Oppo广东移动通信有限公司 场景识别方法、装置、存储介质及电子设备
CN112380946A (zh) * 2020-11-09 2021-02-19 上海泗科智能科技有限公司 一种基于端侧ai芯片的跌倒检测方法及装置

Also Published As

Publication number Publication date
CN113450537B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN108052079B (zh) 设备控制方法、装置、设备控制装置及存储介质
CN109446876B (zh) 手语信息处理方法、装置、电子设备和可读存储介质
EP3015780A1 (en) Method and device for controlling purification of air
US9848796B2 (en) Method and apparatus for controlling media play device
US10230891B2 (en) Method, device and medium of photography prompts
CN106600530B (zh) 照片合成方法及装置
US9924090B2 (en) Method and device for acquiring iris image
EP3024211A1 (en) Method and device for announcing voice call
CN109145679A (zh) 一种发出预警信息的方法、装置及系统
CN109325479B (zh) 步伐检测方法及装置
CN115132224A (zh) 异常声音处理方法、装置、终端及存储介质
CN113576451A (zh) 呼吸率检测方法、装置、存储介质及电子设备
CN112188091A (zh) 人脸信息识别方法、装置、电子设备及存储介质
CN108257091B (zh) 用于智能镜子的成像处理方法和智能镜子
US20170034347A1 (en) Method and device for state notification and computer-readable storage medium
CN112633232A (zh) 基于坐姿检测的交互方法及装置、设备、介质及家居设备
CN112509596A (zh) 唤醒控制方法、装置、存储介质及终端
CN111698600A (zh) 一种处理执行方法、装置及可读介质
CN107677363B (zh) 噪音提示的方法及智能终端
CN113450537B (zh) 跌倒检测方法、装置、电子设备和存储介质
CN108922495A (zh) 屏幕亮度调节方法及装置
CN109788367A (zh) 一种信息提示方法、装置、电子设备及存储介质
CN109922203A (zh) 终端、熄屏方法和装置
CN109803051A (zh) 环境亮度值获取方法及装置
CN113450521B (zh) 入侵者的监测方法、装置、电子设备和存储介质

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