CN114492525A - 一种运用无线网络监控酒后驾驶的方法及可存储介质 - Google Patents
一种运用无线网络监控酒后驾驶的方法及可存储介质 Download PDFInfo
- Publication number
- CN114492525A CN114492525A CN202210087117.2A CN202210087117A CN114492525A CN 114492525 A CN114492525 A CN 114492525A CN 202210087117 A CN202210087117 A CN 202210087117A CN 114492525 A CN114492525 A CN 114492525A
- Authority
- CN
- China
- Prior art keywords
- data
- drunk driving
- self
- wireless network
- attention
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- 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
Abstract
本发明公开了一种运用无线网络监控酒后驾驶的方法及可存储介质,涉及智能检测领域。本发明包括以下步骤:获取生命特征和精神运动协调数据;对生命特征和精神运动协调数据做去噪处理;将所述生命特征和精神运动协调数据输入自注意卷积神经网络处理;根据自注意卷积神经网络预测是否酒后驾驶,利用随机森林对血液酒精浓度(BAC)进行估值。本发明提出了一系列信号处理方法和融合生命特征和精神运动协调的自注意卷积神经网络(即C‑Attention)来实现非接触、非侵入、实时的酒后驾驶监测系统。
Description
技术领域
本发明涉及智能检测领域,更具体的说是涉及一种运用无线网络监控酒后驾驶的方法及可存储介质。
背景技术
非接触式生命体征监测技术,生命体征是身体和精神健康的重要指标。近年来,人们对利用无线信号进行非接触式生命体征监测进行了广泛的研究。例如,使用毫米波信号的接收信号强度(RSS)等等。然而,所有这些系统都依赖专有的硬件,例如雷达。因此,一些研究人员在生命体征监测中探索了可以轻易被智能手机等智能设备捕获的声音信号。在这个范围内,BreathListener根据胸部运动的能谱密度恢复呼吸模式。不幸的是,声音信号的感知范围很小(大约30厘米),这限制了这些系统在车内心率监测等场景的应用。
无线网络通信技术(即WiFi技术),一些人不仅将无线局域网(WLAN)作为一种通信工具,还将其作为感知人类活动的工具。WiFi信号通过分析接收信号的特征,可以捕捉呼吸和心跳引起的胸部运动。有些产品利用现成WiFi设备的RSS来监测呼吸频率、使用WiFi信号的信道状态信息(CSI)来跟踪睡眠期间的呼吸和心率等等。与声学信号相比,WiFi信号的感知范围更广。
为了实现一个非接触式的、持续性的、实时的、基于WiFi方法的酒后驾驶监测系统,需要克服一些挑战。1.如何在不干扰驾驶过程的情况下对酒后驾驶进行持续监测;2.如何在复杂的驾驶环境下提取清晰的生命体征;3.如何结合生命体征和精神运动协调的信息,以达到全面的酒后驾驶预测。
发明内容
有鉴于此,本发明提供了一种运用无线网络监控酒后驾驶的方法及可存储介质,通过WiFi传感系统跟踪生命体征。WiFi发射器是手机上的热点,接收器是车载单元(OBU)。精神运动协调是由一个连接在汽车方向盘上的惯性传感器(IMU)测量的。该系统包括两个主要模块:一个是信号处理和融合模块,负责对两个数据流进行预处理、清洗、处理和融合;另一个是酒后驾驶分析器,负责提取特征,判断驾驶员是否醉酒,并进行血液酒精浓度(BAC)估计。如果该系统确定司机喝醉了,就会通过智能手机发出警报。系统可有效的在复杂的驾驶环境下提取清晰的生命体征,自注意卷积神经网络可以融合生命体征和精神运动协调的信息进行预测,达到了在不干扰驾驶过程的情况下对酒后驾驶进行持续监测的效果。在未来的现实世界中,该系统可以设计成在紧急情况下采取其他行动,例如取代驾驶员,使汽车处于自动驾驶模式。
为了实现上述目的,本发明采用如下技术方案:
一种运用无线网络监控酒后驾驶的方法,包括以下步骤:
获取生命特征和精神运动协调数据;
对生命特征和精神运动协调数据做去噪处理;
将所述生命特征和精神运动协调数据输入自注意卷积神经网络预测是否酒后驾驶;
根据自注意卷积神经网络输出结果,通过随机森林(RF)预测酒后驾驶的BAC具体值。
可选的,获取生命特征和神经运动协调数据具体如下:
利用无线网络获取惯性传感器的测量数据得到神经运动协调数据;
利用无线网络获取酒后驾驶分析器的数据得到生命特征。
可选的,去噪处理具体如下:
采用Hampel滤波器,其中Hampel滤波器分别应用于每个子载波,去除异常高或低振幅的异常值,计算方式为:
|hi-median(hi,K)|>δ×std(hi,K);
其中hi是一个数据点,median(hi,K)和std(hi,K)为hi相邻K个样本的中位数和标准差,δ为常数参数,K是本地窗口的长度;
通过快速傅里叶反变换将Hampel滤波后的信号划分为时域后,计算每个时间间隔的功率延迟剖面(PDP),计算方式为;
ΔT=N/(F*Cn*2);
其中N为总子载波数,F为WiFi信号带宽,Cn为采集的子载波数;
通过主成分分析(PCA)计算主成分,计算方式为:
P=D*eig(cov(D));
其中D是包含所有子载波的数据矩阵,cov(D)是D的协方差矩阵,eig(cov(D))是cov(D)的特征向量。P的每一列代表一个主成分,选取方差最大的第一个主成分,归一化主成分;
首先用快速傅里叶变换将信号变换到频域,计算窗口的能量,计算方式为:
其中ΩI为当前窗口中经过快速傅里叶变换后的数据点集合,Ri为第i个数据点,N为窗口中总点数;根据平均能量,采用滑动窗方法去除信号中的突变。
可选的,所述精神运动协调数据包括角速度和加速度。
可选的,利用陀螺仪信号进行精神运动协调数据分割,使加速度数据与陀螺仪数据同步,对加速度数据进行分段。
可选的,还包括特征提取生命特征和精神运动协调数据,并对提取的特征进行皮尔森相关系数、斯皮尔曼秩相关系数、肯德尔秩相关系数分析。
可选的,还包括通过基尼系数分析每个特征对模型的影响
,计算方式为:
其中D提供数据集,pk为属于类k的样本的比例,k为类的数量。
可选的,自注意卷积神经网络的处理过程如下:
自注意卷积神经网络由,嵌入层和一维卷积层,多头自注意模块和前馈网络组成,其中多头自注意模块的计算方式为:
MultiHead(Q,K,V)=Concathead1,…,headn)WO
其中, n是head的数目,Q是由注意函数计算的一组查询的结果,K和V是键和值,*T是矩阵变换,是一个比例因子。在多头自注意模块的每一子层中使用残差结构连接,并且每一个子层连接一个归一化层以防止网络过拟合;最后,通过池化层和完全连接层预测司机的状态。
这个公式是上面Multihead的一个子部分,公式的整体意义就是做注意点计算。其中的参数是计算中的中间值,比如Q、K、V没有具体的物理意义,是一种计算方式。
一种计算机存储介质,所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现任意一项所述的一种运用无线网络监控酒后驾驶的方法的步骤。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种运用无线网络监控酒后驾驶的方法及可存储介质,在进行呼吸和心跳检测的时候。首先,使用Hampel滤波器通过去除异常高或低振幅的异常值来平滑信号。其次,由于车内环境紧凑,且包含许多干扰人体直接反射的反射路径,利用功率延迟曲线消除多路径效应。然后采用主成分分析对子载波的重要信息进行提取和整合。在第四步中,消除了由于颠簸驾驶条件引起的突变,这种突变与生命体征的频率范围重叠,前三步无法消除。最后,利用自适应变分模式分解来分离恢复呼吸和心跳模式。这五个步骤共同作用,以净化接收到的噪声信号,并帮助恢复准确的生命体征。IMU采集的精神运动协调数据通过巴特沃斯低通滤波器去除高频干扰,利用陀螺仪信号进行数据分割,使加速度数据与陀螺仪数据同步。之后对生命特征和精神运动协调数据进行数据分析,确定这两个数据对于预测酒后驾驶有重大作用。最后把处理过后的两种数据放入自注意卷积神经网络预测司机的状态,并通过随机森林的机器学习算法对BAC进行估值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明的流程示意图;
图2为实施例的发射-接收天线对之间四个子载波1、6、24和30的CSI幅值的示意图;
图3为实施例的通过Hampel滤波器进行平滑处理前后的示意图;
图4为实施例的多径切除前后的信号示意图;
图5为实施例的多径消除后方差最大的子载波和主成分分析的第一个主成分信号的示意图;
图6为实施例的通过滑动窗方法去除信号中的突变前后信号的示意图;
图7为实施例的通过巴特沃斯低通滤波器去除高频干扰后信号的示意图;
图8为实施例的呼吸信号和心跳信号的示意图;
图9为实施例的陀螺仪信号和加速度信号进行数据分割后的示意图;
图10为实施例的皮尔森相关、斯皮尔曼秩相关系数、肯德尔秩相关的分析图;
图11为实施例的基尼系数分析图;
图12为实施例的自注意卷积神经网络的网络结构图。
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,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明实施例公开了一种运用无线网络监控酒后驾驶的方法及可存储介质。
本发明所采用的技术方案是:无线网络通信方法监测酒后驾驶。
请见图1,本发明包括以下步骤:
步骤1:利用WiFi技术获取CSI信号,可以找到发射-接收天线对之间四个子载波1、6、24和30的CSI幅值,如图2;
步骤2:采用Hampel滤波器,在保留与胸部运动相关的重要信息的同时对CSI信号进行平滑处理。Hampel滤波器分别应用于每个子载波,去除异常高或低振幅的异常值;
|hi-median(hi,K)|>δ×std(hi,K);
其中hi是一个数据点,median(hi,K)和std(hi,K)为hi相邻K个样本的中位数和标准差,δ为常数参数,K是本地窗口的长度。该公式是计算数据中的异常值,异常值的判定由公式右边给出,也就是数据中K个数据点的标准差的常数倍。
然后,公式左边为计算每个数据点与K个数据点的中位数的绝对值,当该绝对值大于公式右边的判定值,即认为该数据点为异常值。最后对通过公式计算的异常值进行丢弃。
一个检测到异常值的hi会被中值(hi,K)代替。过滤前后的信号,如图3;
步骤3:通过快速傅里叶反变换将上述步骤标定的信号划分为时域后,计算每个时间间隔的功率延迟剖面(PDP);
ΔT=N/(F*Cn*2);
其中N=64为总子载波数,F=40Mhz为WiFi信号带宽,Cn=60为采集的子载波数。任何延迟超过300ns的路径都被认为是多径反射并被移除。多径切除前后的信号,如图4;
步骤4:通过主成分分析(PCA)计算主成分;
P=D*eig(cov(D));
其中D是len*60矩阵,len是每个子载波中的样本数,60是收集到的子载波数,cov(D)是D的协方差矩阵,eig(cov(D))是cov(D)的特征向量。P的每一列代表一个主成分,选取方差最大的第一个主成分,归一化主成分。如图5,比较了方差最大的子载波(多径消除后)和主成分分析的第一个主成分;
步骤5:首先用快速傅里叶变换将信号变换到频域,计算窗口的能量;
其中ΩI为当前窗口中经过快速傅里叶变换后的数据点集合,Ri为第i个数据点,N为窗口中总点数。根据平均能量,采用滑动窗方法去除信号中的突变,如图6;
完整的滑动窗口法如下所示;
其中阈值ET被设定为到目前为止接收信号的平均能量的两倍。窗口大小L初始化为2s,如果连续四个窗口的平均能量大于阈值,窗口大小将增加1s,之后,如果平均能量是阈值的一半,窗口大小将恢复到初始大小;
步骤6:采用巴特沃斯低通滤波器去除高频干扰,如图7;
步骤7:利用自适应变分模态分解(AVMD)方法来自适应地确定分解模态数,先将时间序列信号B(t)通过一个本征模态函数(IMF)分解为K个子信号(模态);
其中uk(t)是第k个模式;
通过计算各模态的解析信号,将模态与一个指数混合,以将它们的频率移到基带。最后,通过梯度的L2范数的平方估计每个模式的带宽;
其中j2=-1,wk为uk(t)模的中心频率,δ(t)为狄拉克函数。通过比较IMF的带宽和呼吸/心跳的频率范围来确定哪个IMF是呼吸信号,哪个IMF是心跳信号。如图8,IMF1的频率为0.2667Hz,IMF2的频率为0.2667Hz,IMF3的频率为1.067Hz;
完整的AVMD算法如下所示;
其中b(ω)为滤波信号的频域表示,λ是二次惩罚项,α为白噪声的方差。的希尔伯特变换在第5行中计算,基于此,第6行计算k个瞬时频率uif(k),第7行计算平均瞬时频率mif(k)。曲率IC是根据第8行的mif(k)推导出来的。
λ基于更新速率β在第11行更新,收敛条件在第12行给出。通过自动调整模式数,提出的AVMD可以实现理想的分解。具体来说,当模态数为1时,根据第8行,曲率IC为零,然后模态数增加1。当模态数为2时,曲率IC为-0.227。当模态数为3时,曲率IC的最大绝对值为-0.136。当模式数为4时,曲率IC的最大绝对值为0.664,大于曲率阈值CT。因此,选择模式数为3;
步骤8:把IMU采集的精神运动协调数据(角速度G(t)和加速度A(t))通过巴特沃斯低通滤波器去除高频干扰,由于人体的大部分动作都在0~20Hz的范围内,因此将截止频率定为40Hz;
步骤9:利用陀螺仪信号进行数据分割,使加速度数据与陀螺仪数据同步,从而对加速度数据进行分段,当陀螺仪的z轴读数大于0.01rad/s时开始分割操作,当读数返回零时结束分割操作。分割结果如图9;
步骤10:利用生命特征和精神运动协调数据,进行特征提取,并且对特征进行皮尔森相关、斯皮尔曼秩相关系数、肯德尔秩相关分析。如图10说明生命体征特征与BAC有较强的正相关关系,所有陀螺仪特性都与BAC呈正相关;
步骤11:进一步通过基尼系数分析每个特征对模型的影响;
其中D提供数据集,pk为属于类k的样本的比例,k为类的数量。实验中k为20个类。如图11所示进一步证实了生命体征在判断是否喝醉时所起的重要作用;
步骤12:处理过后的两种数据放入自注意卷积神经网络(C-Attention),经过嵌入层和三个一维卷积层,再通过一个多头自注意模块和一个前馈网络;
MultiHead(Q,K,V)=Concathead1,…,headn)WO
在每一子层中使用残差结构连接,并且进入归一化层。最后通过一个池化层和一个完全连接层预测司机的状态;
在的C-Attention模型实现中,输入特征图的大小是1*20。嵌入层的输出特征图大小是20*16,3个卷积层的输出特征图大小分别是20*64、20*32和20*16。多头自注意模块和前馈网络的输出特征映射大小是20*16。全连接层的输出特征映射大小是1*20。对全连接层的输出采用sigmoid函数,得到最终的预测结果;
步骤13:通过随机森林(RF)预测酒后驾驶的BAC具体值;
本发明可有效的在复杂的驾驶环境下提取清晰的生命体征,自注意卷积神经网络可以融合生命体征和精神运动协调的信息进行预测,达到了在不干扰驾驶过程的情况下对酒后驾驶进行持续监测的效果。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种运用无线网络监控酒后驾驶的方法,其特征在于,包括以下步骤:
获取生命特征和精神运动协调数据;
对生命特征和精神运动协调数据做去噪处理;
将所述生命特征和精神运动协调数据输入自注意卷积神经网络预测是否酒后驾驶;
根据自注意卷积神经网络输出结果,通过随机森林(RF)预测酒后驾驶的BAC具体值。
2.根据权利要求1所述的一种运用无线网络监控酒后驾驶的方法,其特征在于,获取生命特征和神经运动协调数据具体如下:
利用无线网络获取惯性传感器的测量数据得到神经运动协调数据;
利用无线网络获取酒后驾驶分析器的数据得到生命特征。
3.根据权利要求1所述的一种运用无线网络监控酒后驾驶的方法,其特征在于,去噪处理具体如下:
采用Hampel滤波器,其中Hampel滤波器分别应用于每个子载波,去除异常高或低振幅的异常值,计算方式为:
|hi-median(hi,K)|>δ×std(hi,K);
其中hi是一个数据点,median(hi,K)和std(hi,K)为hi相邻K个样本的中位数和标准差,δ为常数参数,K是本地窗口的长度;
通过快速傅里叶逆变换将Hampel滤波后的信号划分为时域后,计算每个时间间隔的功率延迟剖面(PDP),计算方式为:
ΔT=N/(F*Cn*2);
其中N为总子载波数,F为WiFi信号带宽,Cn为采集的子载波数;
通过主成分分析(PCA)计算主成分,计算方式为:
P=D*eig(cov(D));
其中D是包含所有子载波的数据矩阵,cov(D)是D的协方差矩阵,eig(cov(D))是cov(D)的特征向量;P的每一列代表一个主成分,选取方差最大的第一个主成分,归一化主成分;
首先用快速傅里叶变换将信号变换到频域,计算窗口的能量,计算方式为:
其中ΩI为当前窗口中经过快速傅里叶变换后的数据点集合,Ri为第i个数据点,N为窗口中总点数;根据平均能量,采用滑动窗方法去除信号中的突变。
4.根据权利要求1所述的一种运用无线网络监控酒后驾驶的方法,其特征在于,所述精神运动协调数据包括角速度和加速度。
5.根据权利要求4所述的一种运用无线网络监控酒后驾驶的方法,其特征在于,利用陀螺仪信号进行精神运动协调数据分割,使加速度数据与陀螺仪数据同步,对加速度数据进行分段。
6.根据权利要求1所述的一种运用无线网络监控酒后驾驶的方法,其特征在于,还包括特征提取生命特征和精神运动协调数据,并对提取的特征进行皮尔森相关系数、斯皮尔曼秩相关系数、肯德尔秩相关系数分析。
9.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-8中任意一项所述的一种运用无线网络监控酒后驾驶的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210087117.2A CN114492525A (zh) | 2022-01-25 | 2022-01-25 | 一种运用无线网络监控酒后驾驶的方法及可存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210087117.2A CN114492525A (zh) | 2022-01-25 | 2022-01-25 | 一种运用无线网络监控酒后驾驶的方法及可存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114492525A true CN114492525A (zh) | 2022-05-13 |
Family
ID=81474092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210087117.2A Pending CN114492525A (zh) | 2022-01-25 | 2022-01-25 | 一种运用无线网络监控酒后驾驶的方法及可存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114492525A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204279222U (zh) * | 2014-10-28 | 2015-04-22 | 燕山大学里仁学院 | 一种汽车无线智能酒后驾驶监测装置 |
CN105225421A (zh) * | 2015-10-10 | 2016-01-06 | 英华达(南京)科技有限公司 | 疲劳驾驶控制系统及方法 |
CN205800921U (zh) * | 2016-06-08 | 2016-12-14 | 中国计量大学 | 一种基于Wi‑Fi无线通讯的酒驾监护系统 |
CN109214438A (zh) * | 2018-08-22 | 2019-01-15 | 重庆信络威科技有限公司 | 一种基于卷积神经网络的驾驶行为识别系统的搭建方法 |
CN209938324U (zh) * | 2019-03-29 | 2020-01-14 | 闽南理工学院 | 一种多信息融合的车载防酒驾装置 |
US20210093203A1 (en) * | 2019-09-30 | 2021-04-01 | DawnLight Technologies | Systems and methods of determining heart-rate and respiratory rate from a radar signal using machine learning methods |
-
2022
- 2022-01-25 CN CN202210087117.2A patent/CN114492525A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204279222U (zh) * | 2014-10-28 | 2015-04-22 | 燕山大学里仁学院 | 一种汽车无线智能酒后驾驶监测装置 |
CN105225421A (zh) * | 2015-10-10 | 2016-01-06 | 英华达(南京)科技有限公司 | 疲劳驾驶控制系统及方法 |
CN205800921U (zh) * | 2016-06-08 | 2016-12-14 | 中国计量大学 | 一种基于Wi‑Fi无线通讯的酒驾监护系统 |
CN109214438A (zh) * | 2018-08-22 | 2019-01-15 | 重庆信络威科技有限公司 | 一种基于卷积神经网络的驾驶行为识别系统的搭建方法 |
CN209938324U (zh) * | 2019-03-29 | 2020-01-14 | 闽南理工学院 | 一种多信息融合的车载防酒驾装置 |
US20210093203A1 (en) * | 2019-09-30 | 2021-04-01 | DawnLight Technologies | Systems and methods of determining heart-rate and respiratory rate from a radar signal using machine learning methods |
Non-Patent Citations (2)
Title |
---|
YANJIAO CHEN 等: "DetectDUI: An In-Car Detection System for Drink Driving and BACs", 《IEEE/ACM》 * |
王等: "基于组合导航的汽车姿态数据采集系统设计", 《电子产品世界》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3554354B1 (en) | System and method for contactless blood pressure determination | |
Zheng et al. | V2iFi: In-vehicle vital sign monitoring via compact RF sensing | |
Jia et al. | WiFind: Driver fatigue detection with fine-grained Wi-Fi signal features | |
CN109670434B (zh) | 基于无线信道状态信息的坐姿时长检测方法 | |
CN106175767A (zh) | 一种非接触式的多人呼吸参数实时检测方法及系统 | |
CN206239402U (zh) | 一种基于dsp的汽车疲劳驾驶实时检测系统 | |
CN111568437A (zh) | 一种非接触式离床实时监测方法 | |
CN114999643A (zh) | 一种基于WiFi的老人智能监护方法 | |
CN114818788A (zh) | 基于毫米波感知的追踪目标状态识别方法和装置 | |
Chen et al. | DetectDUI: an in-car detection system for drink driving and BACs | |
Toda et al. | Ecg signal reconstruction using fmcw radar and convolutional neural network | |
CN107944418A (zh) | 一种使用Wi‑FiCSI信息检测疲劳驾驶的方法 | |
CN109431526B (zh) | 基于wifi的驾驶状态识别方法及系统 | |
CN112545530A (zh) | 一种基于hrv和对抗网络的预测醉驾和疲劳驾驶的方法 | |
CN110916672A (zh) | 一种基于一维卷积神经网络的老年人日常活动监测方法 | |
CN114492525A (zh) | 一种运用无线网络监控酒后驾驶的方法及可存储介质 | |
CA3139034A1 (en) | System and method for filtering time-varying data for physiological signal prediction | |
CN114557685A (zh) | 一种非接触式运动鲁棒心率测量方法及测量装置 | |
CN111461206A (zh) | 一种方向盘嵌入脑电传感器的基于脑电的疲劳检测方法 | |
CN113069105B (zh) | 利用智能手机扬声器和麦克风的驾驶员吸烟行为检测方法 | |
CN115281628A (zh) | 一种面向汽车智能座舱的自适应生命体征监测方法 | |
Toda et al. | ECG Signal Reconstruction Using FMCW Radar and a Convolutional Neural Network for Contactless Vital-Sign Sensing | |
Ahamed et al. | An efficient method for heart rate monitoring using wrist-type photoplethysmographic signals during intensive physical exercise | |
CN110569891A (zh) | 基于WiFi的被动式坐姿时长检测方法 | |
Duan et al. | Wibfall: A device-free fall detection model for bathroom |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220513 |