CN114038012A - 基于毫米波雷达和机器学习的跌倒检测方法及系统 - Google Patents
基于毫米波雷达和机器学习的跌倒检测方法及系统 Download PDFInfo
- Publication number
- CN114038012A CN114038012A CN202111313188.1A CN202111313188A CN114038012A CN 114038012 A CN114038012 A CN 114038012A CN 202111313188 A CN202111313188 A CN 202111313188A CN 114038012 A CN114038012 A CN 114038012A
- Authority
- CN
- China
- Prior art keywords
- frequency
- machine learning
- time
- millimeter wave
- wave radar
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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
- A61B5/1123—Discriminating type of movement, e.g. walking or running
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- 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
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/18—Classification; Matching by matching signal segments by plotting the signal segments against each other, e.g. analysing scattergrams
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及信息处理技术领域,公开了一种基于毫米波雷达和机器学习的跌倒检测方法及系统,旨在解决现有的跌倒检测存在准确度不高的问题,主要技术方案包括:通过毫米波雷达采集预设检测空间内人体反射的第一回波信号;数据处理模块对采集的第一回波信号进行预处理后,通过短时傅里叶变换获得对应的第一时频图;通过特征提取模块从所述第一时频图中提取第一多维特征,所述第一多维特征至少包括:人体躯干多普勒频率、极限多普勒频率、极限频率比和事件时间;跌倒检测模块根据提取的第一多维特征并基于预先训练好的机器学习模型获得人体跌倒情况。本发明提高了跌倒检测的准确性,特别适用于老人。
Description
技术领域
本发明涉及信息处理技术领域,具体来说涉及一种基于毫米波雷达和机器学习的跌倒检测方法及系统。
背景技术
随着我国老龄化问题日趋严重,老人的健康问题日益成为社会关注的热点话题。在家居环境下,老人的意外跌倒严重影响其身心健康。而且,意外跌倒后的及时救援至关重要,可以把伤害降到最小。因此,如何快速准确地实时检测跌倒行为,并及时报警救援是老人健康监护和健康管理亟待解决的关键问题,对构建安全智能的家居生活具有积极意义。
目前,跌倒检测技术可分为两类:接触式的跌倒检测,和非接触式的跌倒检测。接触式的跌倒检测一般是指通过佩戴加速度计,压力传感器等穿戴式设备检测人体姿态运动信号。但由于检测者常常忘记佩戴设备,并且该方法存在佩戴舒适性等问题,存在一定的局限性。根据传感器类型的不同,非接触式的跌倒检测可分为基于相机,WiFi,超宽带雷达和毫米波雷达四种方式。基于相机的跌倒检测技术最为流行并且简单方便,检测准确度高,但不利于隐私保护,在弱光环境下检测效果差。基于WiFi的方法虽成本低,但易受外来信号干扰。基于超宽带雷达成本高且扩展性差。相比之下,毫米波雷达不仅成本低,不易受环境因素(如天气、温度、光照等)影响,而且具有较好的隐私保护性,更适合用于家居环境下的跌倒检测。而现有基于毫米波雷达的跌倒检测技术往往只提取人体的躯干多普勒频率作为检测指标,并以此来判断人体是否跌倒,其准确度较低。
发明内容
本发明旨在解决现有的跌倒检测存在准确度不高的问题,提出一种基于毫米波雷达和机器学习的跌倒检测方法及系统。
本发明解决上述技术问题所采用的技术方案是:
一方面,本发明提出一种基于毫米波雷达和机器学习的跌倒检测方法,包括以下步骤:
步骤1、通过毫米波雷达采集预设检测空间内人体反射的第一回波信号;
步骤2、对采集的第一回波信号进行预处理后,通过短时傅里叶变换获得对应的第一时频图;
步骤3、从所述第一时频图中提取第一多维特征,所述第一多维特征至少包括:人体躯干多普勒频率、极限多普勒频率、极限频率比和事件时间;
步骤4、根据提取的第一多维特征并基于预先训练好的机器学习模型获得人体跌倒情况。
进一步地,步骤4中,所述机器学习模型的训练方法包括:
获取特征数据,所述特征数据包括跌倒、坐下、行走、弯腰和直立对应的第二多维特征,所述第二多维特征至少包括:人体躯干多普勒频率、极限多普勒频率、极限频率比和事件时间;
将随机选取的预设数量的特征数据作为训练数据进行模型训练,得到用于检测人体跌倒情况的机器学习模型;
将剩余的特征数据作为验证数据对机器学习模型进行验证,若准确率小于第一预设值,则重新选取训练数据并重新训练机器学习模型,直到准确率大于或等于第一预设值。
进一步地,所述特征数据的获取方法包括:
选取预设数量的不同人体分别重复跌倒动作、坐下动作、行走动作、弯腰动作和直立动作,并通过毫米波雷达采集各动作对应的人体反射的第二回波信号;
对采集的第二回波信号进行预处理后,通过短时傅里叶变换获得对应的第二时频图,并从所述第二时频图中提取得到各动作对应的第二多维特征。
进一步地,步骤2中,对采集的第一回波信号进行预处理包括:对采集的第一回波信号进行滤波处理。
进一步地,其特征在于,所述极限多普勒频率的表达式如下:
F=max(f+max,-f-min);
式中,F表示极限多普勒频率,f+max表示正频率范围内的最大频率,f-min表示负频率范围内的最小频率。
进一步地,其特征在于,所述极限频率比的表达式如下:
式中,R表示极限频率比,f+max表示正频率范围内的最大频率,f-min表示负频率范围内的最小频率。
进一步地,所述事件时间的表达式如下:
L=tmax_freq-tbegin;
式中,L表示事件时间,tmax_freq表示极限最大频率对应的时间,tbegin表示事件初始时间,所述事件初始时间设定为频率超过第二预设值对应的时间。
进一步地,所述方法还包括:
根据第一多维特征及其对应的跌倒检测结果对机器学习模型进行更新。
进一步地,所述方法还包括:
步骤5、当检测到人体跌倒后,启动警报。
另一方面,本发明还提出一种毫米波雷达和机器学习的跌倒检测系统,包括:
毫米波雷达,用于采集预设检测空间内人体反射的第一回波信号;
数据处理模块,用于对采集的第一回波信号进行预处理后,通过短时傅里叶变换获得对应的第一时频图;
特征提取模块:用于从所述第一时频图中提取第一多维特征,所述第一多维特征至少包括:人体躯干多普勒频率、极限多普勒频率、极限频率比和事件时间;
跌倒检测模块,用于根据提取的第一多维特征并基于预先训练好的机器学习模型获得人体跌倒情况。
本发明的有益效果是:本发明所述的基于毫米波雷达和机器学习的跌倒检测方法及系统,根据毫米波雷达获取的人体回波信号并基于机器学习模型来实现跌倒检测,通过提取人体回波信号对应的时频图中的多维特征来判断人体是否跌倒,提高了跌倒检测的准确性。
附图说明
图1为本发明实施例所述的基于毫米波雷达和机器学习的跌倒检测方法的流程示意图;
图2为本发明实施例所述的毫米波雷达位置结构示意图;
图3为本发明实施例所述的基于毫米波雷达和机器学习的跌倒检测系统的结构示意图。
具体实施方式
下面将结合附图对本发明的实施方式进行详细描述。
本发明所述的基于毫米波雷达和机器学习的跌倒检测方法及系统,主要技术方案包括:通过毫米波雷达采集预设检测空间内人体反射的第一回波信号;数据处理模块对采集的第一回波信号进行预处理后,通过短时傅里叶变换获得对应的第一时频图;通过特征提取模块从所述第一时频图中提取第一多维特征,所述第一多维特征至少包括:人体躯干多普勒频率、极限多普勒频率、极限频率比和事件时间;跌倒检测模块根据提取的第一多维特征并基于预先训练好的机器学习模型获得人体跌倒情况。
具体而言,本发明首先通过在预设检测空间内设置毫米波雷达,来检测预设检测空间内人体反射的第一回波信号,然后通过数据处理模块对第一回波信号进行相应的处理后得到第一回波信号对应的第一时频图,再通过特征提取模块在第一时频图中提取第一多维特征,最后将提取的第一多维特征输入至预先训练好的机器学习模型中即可得到检测结果。
实施例
本发明实施例所述的基于毫米波雷达和机器学习的跌倒检测方法,如图1所示,包括以下步骤:
步骤S1、通过毫米波雷达采集预设检测空间内人体反射的第一回波信号;
以居家环境为例,如图2所示,本实施例把毫米波雷达固定在客厅角落处,垂直高度为1.5米,毫米波雷达向下倾斜30度,并与左右墙体夹角为45度,设置1个发射天线和1个接收天线,使目标人体的活动范围在毫米波雷达可监测的视野范围内,进而通过毫米波雷达采集人体反射的第一回波信号。
步骤S2、对采集的第一回波信号进行预处理后,通过短时傅里叶变换获得对应的第一时频图;
本实施例中,预处理主要为滤波处理,对采集的第一回波信号进行滤波处理处理后,通过短时傅里叶变换(Short-Time Fourier Transform,STFT)进行时频分析,获得第一回波信号对应的第一时频图。
步骤S3、从所述第一时频图中提取第一多维特征,所述第一多维特征至少包括:人体躯干多普勒频率、极限多普勒频率、极限频率比和事件时间;
其中,人体躯干多普勒频率是指时频图中包含的整个时间段内峰值信号的平均频率,其提取方法属于现有技术,此处不再赘述。
极限多普勒频率提取的表达式如下:
F=max(f+max,-f-min);
式中,F表示极限多普勒频率,f+max表示正频率范围内的最大频率,f-min表示负频率范围内的最小频率。
极限频率比提取的表达式如下:
式中,R表示极限频率比,f+max表示正频率范围内的最大频率,f-min表示负频率范围内的最小频率。
事件时间提取的表达式如下:
L=tmax_freq-tbegin;
式中,L表示事件时间,tmax_freq表示极限最大频率对应的时间,tbegin表示事件初始时间,所述事件初始时间设定为频率超过第二预设值对应的时间,本实施例中,所述第二预设值为极限最大频率的一半。
步骤S4、根据提取的第一多维特征并基于预先训练好的机器学习模型获得人体跌倒情况。
本实施例中,机器学习模型的训练方法包括:
步骤A、获取特征数据,所述特征数据包括跌倒、坐下、行走、弯腰和直立对应的第二多维特征,所述第二多维特征至少包括:人体躯干多普勒频率、极限多普勒频率、极限频率比和事件时间;
其中,特征数据的获取方法包括:
选取预设数量的不同人体分别重复跌倒动作、坐下动作、行走动作、弯腰动作和直立动作,并通过毫米波雷达采集各动作对应的人体反射的第二回波信号;
对采集的第二回波信号进行预处理后,通过短时傅里叶变换获得对应的第二时频图,并从所述第二时频图中提取得到各动作对应的第二多维特征。
本实施例中的特征数据通过专业演员模仿老人动作得到,对于跌倒动作对应的第二回波信号,其分类结果为1,其余三种动作对应的第二回波信号的分类结果为0。本实施例选取10个不同演员,每个演员分别重复上述动作,得到10*4*2=80组特征数据。
步骤B、将随机选取的预设数量的特征数据作为训练数据进行模型训练,得到用于检测人体跌倒情况的机器学习模型。
具体而言,本实施例从10*4*2=80组特征数据中随机选取60组作为训练数据进行模型训练,机器学习模型可以为:支持向量机(Support Vector Machine,SVM)、逻辑回归(logistic Regression,LR)、随机森林(Random Forest,RF)等。
步骤C、将剩余的20组特征数据作为验证数据对机器学习模型进行验证,若准确率小于第一预设值,则重新选取训练数据并重新训练机器学习模型,直到准确率大于或等于第一预设值。
在训练得到用于跌倒检测的机器学习模型之后,将第一多维特征输入至机器学习模型中即可得到对应的分类结果,进而完成跌倒检测。
其中,第二多维特征与第一多维特征中的人体躯干多普勒频率、极限多普勒频率、极限频率比和事件时间的提取表达式相同,此处不再赘述。
步骤S5、当检测到人体跌倒后,启动警报。
在具体应用时,可已通过无线通信模块以及移动终端向目标人体的家人发出警报,或者直接拨打120急救电话。
为了进一步提高跌倒检测的准确性,本实施例还包括:根据第一多维特征及其对应的跌倒检测结果对机器学习模型进行更新。
具体而言,在跌倒检测完成后,收集对应的第一多维特征和跌倒检测结果,并根据收集的第一多维特征及其对应的跌倒检测结果对机器学习模型进行定期更新,进而提高机器学习模型的准确性。
基于上述技术方案,本实施例还提出一种基于毫米波雷达和机器学习的跌倒检测系统,如图3所示,包括:
毫米波雷达,用于采集预设检测空间内人体反射的第一回波信号;
数据处理模块,用于对采集的第一回波信号进行预处理后,通过短时傅里叶变换获得对应的第一时频图;
特征提取模块:用于从所述第一时频图中提取第一多维特征,所述第一多维特征至少包括:人体躯干多普勒频率、极限多普勒频率、极限频率比和事件时间;
跌倒检测模块,用于根据提取的第一多维特征并基于预先训练好的机器学习模型获得人体跌倒情况。
可以理解,由于本发明实施例所述的基于毫米波雷达和机器学习的跌倒检测系统是用于实现实施例所述基于毫米波雷达和机器学习的跌倒检测方法的系统,对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的较为简单,相关之处参见方法的部分说明即可。
Claims (10)
1.基于毫米波雷达和机器学习的跌倒检测方法,其特征在于,包括以下步骤:
步骤1、通过毫米波雷达采集预设检测空间内人体反射的第一回波信号;
步骤2、对采集的第一回波信号进行预处理后,通过短时傅里叶变换获得对应的第一时频图;
步骤3、从所述第一时频图中提取第一多维特征,所述第一多维特征至少包括:人体躯干多普勒频率、极限多普勒频率、极限频率比和事件时间;
步骤4、根据提取的第一多维特征并基于预先训练好的机器学习模型获得人体跌倒情况。
2.如权利要求1所述的基于毫米波雷达和机器学习的跌倒检测方法,其特征在于,步骤4中,所述机器学习模型的训练方法包括:
获取特征数据,所述特征数据包括跌倒、坐下、行走、弯腰和直立对应的第二多维特征,所述第二多维特征至少包括:人体躯干多普勒频率、极限多普勒频率、极限频率比和事件时间;
将随机选取的预设数量的特征数据作为训练数据进行模型训练,得到用于检测人体跌倒情况的机器学习模型;
将剩余的特征数据作为验证数据对机器学习模型进行验证,若准确率小于第一预设值,则重新选取训练数据并重新训练机器学习模型,直到准确率大于或等于第一预设值。
3.如权利要求2所述的基于毫米波雷达和机器学习的跌倒检测方法,其特征在于,所述特征数据的获取方法包括:
选取预设数量的不同人体分别重复跌倒动作、坐下动作、行走动作、弯腰动作和直立动作,并通过毫米波雷达采集各动作对应的人体反射的第二回波信号;
对采集的第二回波信号进行预处理后,通过短时傅里叶变换获得对应的第二时频图,并从所述第二时频图中提取得到各动作对应的第二多维特征。
4.如权利要求1所述的基于毫米波雷达和机器学习的跌倒检测方法,其特征在于,步骤2中,对采集的第一回波信号进行预处理包括:对采集的第一回波信号进行滤波处理。
5.如权利要求1或2所述的基于毫米波雷达和机器学习的跌倒检测方法,其特征在于,所述极限多普勒频率的表达式如下:
F=max(f+max,-f-min);
式中,F表示极限多普勒频率,f+max表示正频率范围内的最大频率,f-min表示负频率范围内的最小频率。
7.如权利要求1或2所述的基于毫米波雷达和机器学习的跌倒检测方法,其特征在于,所述事件时间的表达式如下:
L=tmax_freq-tbegin;
式中,L表示事件时间,tmax_freq表示极限最大频率对应的时间,tbegin表示事件初始时间,所述事件初始时间设定为频率超过第二预设值对应的时间。
8.如权利要求1所述的基于毫米波雷达和机器学习的跌倒检测方法,其特征在于,所述方法还包括:
根据第一多维特征及其对应的跌倒检测结果对机器学习模型进行更新。
9.如权利要求1所述的基于毫米波雷达和机器学习的跌倒检测方法,其特征在于,所述方法还包括:
步骤5、当检测到人体跌倒后,启动警报。
10.基于毫米波雷达和机器学习的跌倒检测系统,其特征在于,包括:
毫米波雷达,用于采集预设检测空间内人体反射的第一回波信号;
数据处理模块,用于对采集的第一回波信号进行预处理后,通过短时傅里叶变换获得对应的第一时频图;
特征提取模块:用于从所述第一时频图中提取第一多维特征,所述第一多维特征至少包括:人体躯干多普勒频率、极限多普勒频率、极限频率比和事件时间;
跌倒检测模块,用于根据提取的第一多维特征并基于预先训练好的机器学习模型获得人体跌倒情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111313188.1A CN114038012A (zh) | 2021-11-08 | 2021-11-08 | 基于毫米波雷达和机器学习的跌倒检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111313188.1A CN114038012A (zh) | 2021-11-08 | 2021-11-08 | 基于毫米波雷达和机器学习的跌倒检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114038012A true CN114038012A (zh) | 2022-02-11 |
Family
ID=80143266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111313188.1A Pending CN114038012A (zh) | 2021-11-08 | 2021-11-08 | 基于毫米波雷达和机器学习的跌倒检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114038012A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114553639A (zh) * | 2022-02-21 | 2022-05-27 | 中国人民解放军国防科技大学 | Morse信号检测与识别方法 |
CN114895301A (zh) * | 2022-05-23 | 2022-08-12 | 武汉大学 | 一种毫米波雷达和视频辅助的室内跌倒检测方法及装置 |
CN115291184A (zh) * | 2022-10-08 | 2022-11-04 | 四川启睿克科技有限公司 | 一种毫米波雷达与深度学习结合的姿态监测方法 |
CN115372963A (zh) * | 2022-10-24 | 2022-11-22 | 北京清雷科技有限公司 | 基于毫米波雷达信号的跌倒行为多层次检测方法及设备 |
CN115529204A (zh) * | 2022-10-08 | 2022-12-27 | 东莞理工学院 | 一种室内控制系统及方法 |
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 |
CN114895301B (zh) * | 2022-05-23 | 2024-07-09 | 武汉大学 | 一种毫米波雷达和视频辅助的室内跌倒检测方法及装置 |
-
2021
- 2021-11-08 CN CN202111313188.1A patent/CN114038012A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114553639A (zh) * | 2022-02-21 | 2022-05-27 | 中国人民解放军国防科技大学 | Morse信号检测与识别方法 |
CN114553639B (zh) * | 2022-02-21 | 2024-02-27 | 中国人民解放军国防科技大学 | Morse信号检测与识别方法 |
CN114895301A (zh) * | 2022-05-23 | 2022-08-12 | 武汉大学 | 一种毫米波雷达和视频辅助的室内跌倒检测方法及装置 |
CN114895301B (zh) * | 2022-05-23 | 2024-07-09 | 武汉大学 | 一种毫米波雷达和视频辅助的室内跌倒检测方法及装置 |
CN115291184A (zh) * | 2022-10-08 | 2022-11-04 | 四川启睿克科技有限公司 | 一种毫米波雷达与深度学习结合的姿态监测方法 |
CN115529204A (zh) * | 2022-10-08 | 2022-12-27 | 东莞理工学院 | 一种室内控制系统及方法 |
CN115372963A (zh) * | 2022-10-24 | 2022-11-22 | 北京清雷科技有限公司 | 基于毫米波雷达信号的跌倒行为多层次检测方法及设备 |
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 |
---|---|---|
CN114038012A (zh) | 基于毫米波雷达和机器学习的跌倒检测方法及系统 | |
Tan et al. | Exploiting WiFi channel state information for residential healthcare informatics | |
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 | |
CN111738060A (zh) | 基于毫米波雷达的人体步态识别系统 | |
CN108564005A (zh) | 一种基于卷积神经网络的人体跌倒辨识方法 | |
CN107749143A (zh) | 一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法 | |
CN110337066A (zh) | 基于信道状态信息室内人员活动识别方法、人机交互系统 | |
CN107422643A (zh) | 基于振动检测的智能家居监控方法及系统 | |
CN103295364B (zh) | 一种基于双鉴的摔倒事件检测系统 | |
CN112716474A (zh) | 基于生物微波雷达的非接触式睡眠状态监测方法和系统 | |
CN108852311A (zh) | 一种基于蓝牙室内定位的老人生理数据采集系统 | |
CN108109336A (zh) | 一种基于加速度传感器的人体跌倒识别方法 | |
CN105243285A (zh) | 一种大数据健康预测系统 | |
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 | |
CN111568437A (zh) | 一种非接触式离床实时监测方法 | |
CN113963192A (zh) | 跌倒检测方法、装置和电子设备 | |
CN114814832A (zh) | 基于毫米波雷达的人体跌倒行为实时监测系统及监测方法 | |
CN116087943A (zh) | 基于毫米波雷达的室内跌倒检测方法及系统 | |
CN114140997B (zh) | 养老院卫生间老人滞留及身体状况监测预警系统及方法 | |
CN114994663A (zh) | 一种基于毫米波雷达的跌倒检测方法及系统 | |
Ding et al. | A fall detection method based on K-nearest neighbor algorithm with MIMO millimeter-wave radar | |
CN110751115B (zh) | 一种无接触式人体行为识别方法和系统 | |
CN115422962A (zh) | 一种基于毫米波雷达和深度学习算法的姿态和手势识别方法及装置 | |
CN108648417A (zh) | 基于深度学习的树莓派老人摔倒检测系统 |
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 |