CN115327535A - 基于神经网络的毫米波雷达跌倒检测方法及系统 - Google Patents
基于神经网络的毫米波雷达跌倒检测方法及系统 Download PDFInfo
- Publication number
- CN115327535A CN115327535A CN202210805467.8A CN202210805467A CN115327535A CN 115327535 A CN115327535 A CN 115327535A CN 202210805467 A CN202210805467 A CN 202210805467A CN 115327535 A CN115327535 A CN 115327535A
- Authority
- CN
- China
- Prior art keywords
- network
- information
- fft
- time domain
- neural network
- 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
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/36—Means for anti-jamming, e.g. ECCM, i.e. electronic counter-counter measures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于神经网络的毫米波雷达跌倒检测方法和系统,把神经网络的高准确性和毫米波雷达的高性价比性结合起来,可以准确的解决实时跌倒检测的准确性问题,并且能够对跌倒时利用智慧云端作为报警作用,同时毫米波雷达具有低成本,低延时,低辐射,抗干扰能力强的优点。
Description
技术领域
本发明涉及毫米波雷达监测领域,具体一种基于神经网络的毫米波雷达跌倒检测方法及系统。
背景技术
在1943年随着神经网络的概念被第一次提出,人类进入了神经网络的研究时代。此时的第一代神经网络能够对简单的图像进行识别。到了1985年,随着BP算法的提出,此时的准确率已经达到了商用级别。与此同时到了2012年,卷积神经网络的提出使得模型得到了不同量级的提升。而目前,神经网络的发展突飞猛进,使得各种领域都加入了神经网络的行列。毫米波雷达在对目标跌倒检测中一直是一个性价比极高的方式。由于其较小的体积,稳定的性能,较低的辐射。毫米波雷达系列的跌倒产品层出不穷。但是由于跌倒这个行为和普通的下蹲,系鞋带等动作类似,任意造成不可避免的误判从而影响跌倒判断效果。因此如果把神经网络的高准确性和毫米波雷达的高性价比性结合起来,并且能够对跌倒时利用智慧云端作为报警作用,对于目标跌倒检测将是一个很好的方式。
发明内容
本发明要解决的主要技术问题是,提供一种基于神经网络的毫米波雷达跌倒检测方法,解决如何提高判断跌倒的精度。
为解决上述技术问题,本发明提供一种基于神经网络的毫米波雷达跌倒检测方法,包括如下步骤:
S1、通过毫米波雷达通过发射调频连续波对待测空间进行感应,所述调频连续波碰到目标后反射形成雷达回波;通过所述毫米波雷达接收所述雷达回波,并对所述雷达回波进行信号解调分析,包括对所述雷达回波进行距离维FFT和多普勒维FFT;
S2、将所述距离维FFT和多普勒维FFT的信息传入神经网络中预设的网络模型,并根据得到的训练结果对所述网络模型进行修正;
S3、在完成所述网络模型的训练之后,通过所述S1步骤获取新的距离维FFT和多普勒维FFT,将所述距离维FFT和多普勒维FFT输入训练之后的所述网络模型进行跌倒行为准确度的验证,并把准确度的结果传入智慧云端。
可选地,所述步骤S1具体包含如下子步骤:
S11、对所述回波信号和所述回波信号对应的所述调频连续波进行混频处理得到中频信号,再对一帧内的所述中频信号进行快时间域的FFT变换得到快时间域的距离维FFT信息;
S12、从所述S11中快时间域的信息中得到慢时间域信息,对慢时间域信息进行慢时间域的FFT变换得到慢时间域的多普勒维FFT信息。
可选地,所述S2具体包含如下子步骤:
S20、将所述快时间域的距离维FFT信息和所述慢时间域的多普勒维FFT信息重构,得到距离多普勒分布热图信息;
S21、所述训练模型包括RESNET网络,VGG网络和LSTM网络,所述LSTM网络将所述距离多普勒热图信息按照时间域拆开分段送入网络模型中提取时间信息特征,并将提取的时间信息特征输入所述RESNET网络;
S23、所述RESNET网络根据所述时间信息特征得到空间信息特征,并将提取的空间信息特征输入所述VGG网络;
S24、所述VGG网络根据所述空间信息特征得到跌倒检测的结果。
可选地,所述S3中还包括:
当将所述距离维FFT和多普勒维FFT输入训练之后的所述网络模型得到的输出结果确定发生跌倒时,触发防跌倒报警装置会被触发,并向所述智慧云端发送报警信息。
可选地,所述网络模型输入的源数据包括跌倒训练数据和非跌倒训练数据,其中:
所述跌倒训练数据包括:前倾跌倒数据,侧倾跌倒数据,后倾跌倒数据;
所述非跌倒训练数据包括:下蹲数据,系鞋带数据,挥手数据,高抬腿数据。
基于同样的发明构思,本发明还提供了一种基于神经网络的毫米波雷达跌倒检测系统,包括:毫米波雷达、神经网络和智慧云端;
所述毫米波雷达用于发射调频连续波对待测空间进行感应,所述调频连续波碰到目标后反射形成雷达回波,所述毫米波雷达还用于接收所述雷达回波;
所述神经网络用于从所述毫米波雷达获取所述雷达回波,对所述雷达回波进行信号解调分析,包括对所述雷达回波进行距离维FFT和多普勒维FFT;以及用于将所述距离维FFT和多普勒维FFT的信息传入神经网络中预设的网络模型,并根据得到的训练结果对所述网络模型进行修正;
所述神经网络还用于在完成所述网络模型的训练之后,获取新的距离维FFT和多普勒维FFT,将所述距离维FFT和多普勒维FFT输入训练之后的所述网络模型进行跌倒行为准确度的验证,并把准确度的结果传入智慧云端。
可选地,所述神经网络对所述雷达回波进行信号解调分析包括:
对所述回波信号和所述回波信号对应的所述调频连续波进行混频处理得到中频信号,再对一帧内的所述中频信号进行快时间域的FFT变换得到快时间域的距离维FFT信息;
从所述快时间域的信息中得到慢时间域信息,对慢时间域信息进行慢时间域的FFT变换得到慢时间域的多普勒维FFT信息。
可选地,所述神经网络将所述距离维FFT和多普勒维FFT的信息传入神经网络中预设的网络模型,并根据得到的训练结果对所述网络模型进行修正包括:
将所述快时间域的距离维FFT信息和所述慢时间域的多普勒维FFT信息重构,得到距离多普勒分布热图信息;
所述训练模型包括RESNET网络,VGG网络和LSTM网络,所述LSTM网络将所述距离多普勒热图信息按照时间域拆开分段送入网络模型中提取时间信息特征,并将提取的时间信息特征输入所述RESNET网络;
所述RESNET网络根据所述时间信息特征得到空间信息特征,并将提取的空间信息特征输入所述VGG网络;
所述VGG网络根据空间信息特征得到跌倒检测的结果。
可选地,所述神经网络还用于当将所述距离维FFT和多普勒维FFT输入训练之后的所述网络模型得到的输出结果确定发生跌倒时,触发防跌倒报警装置会被触发,并向所述智慧云端发送报警信息。
可选地,所述网络模型输入的源数据包括跌倒训练数据和非跌倒训练数据,其中:
所述跌倒训练数据包括:前倾跌倒数据,侧倾跌倒数据,后倾跌倒数据;
所述非跌倒训练数据包括:下蹲数据,系鞋带数据,挥手数据,高抬腿数据。
有益效果:
本发明提供的基于神经网络的毫米波雷达跌倒检测方法和系统,把神经网络的高准确性和毫米波雷达的高性价比性结合起来,可以准确的解决实时跌倒检测的准确性问题,并且能够对跌倒时利用智慧云端做为报警作用,同时毫米波雷达具有低成本,低延时,低辐射,抗干扰能力强的优点。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例提供的基于神经网络的毫米波雷达跌倒检测方法流程示意图;
图2是本发明实施例提供的基于神经网络的毫米波雷达跌倒检测过程示意图;
图3是本发明实施例提供的雷达解调回波经过一次FFT后得到的距离FFT图;
图4是本发明实施例提供的雷达解调回波经过二次FFT后得到的多普勒FFT图;
图5是本发明实施例提供的基于神经网络的毫米波雷达跌倒检测方法流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面通过附图及实施例,对本发明进行进一步详细说明。但是应该理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
参阅图1,本发明提出一种基于神经网络的毫米波雷达跌倒检测方法,其包括但不限于:
S1、通过毫米波雷达通过发射调频连续波对待测空间进行感应,调频连续波碰到目标后反射形成雷达回波;通过毫米波雷达接收雷达回波,并对雷达回波进行信号解调分析,包括对雷达回波进行距离维FFT(Fast Fourier Transform,快速傅里叶变换)和多普勒维FFT。
在一种示例中,S1具体包含如下子步骤:
S11、对回波信号和回波信号对应的调频连续波进行混频处理得到中频信号,再对一帧内的中频信号进行快时间域的FFT变换得到快时间域的距离维FFT信息;
S2、将距离维FFT和多普勒维FFT的信息传入神经网络中预设的网络模型,并根据得到的训练结果对所述网络模型进行修正。
在一种示例中,S2具体包含如下子步骤:
S20、将快时间域的距离维FFT信息和慢时间域的多普勒维FFT信息重构,得到距离多普勒分布热图信息;
S21、训练模型包括RESNET(Residual Network残差网络)网络,VGG(VisualGeometry Group,几何视觉组)网络网络和LSTM(长短期记忆)网络,LSTM网络将距离多普勒热图信息按照时间域拆开分段送入网络模型中提取时间信息特征,并将提取的时间信息特征输入RESNET网络;
S23、RESNET网络根据时间信息特征得到空间信息特征,VGG网络根据空间信息特征得到训练结果。本实施例中根据训练结果对网络模型的修正过程可采用现有各种网络模式的修正方式,在此对其不做限制。
S3、在完成网络模型的训练之后,通过S1步骤获取新的距离维FFT和多普勒维FFT,将距离维FFT和多普勒维FFT输入训练之后的网络模型进行跌倒行为准确度的验证,并把准确度的结果传入智慧云端。
在本实施例的一些示例中,S3中还可包括:当将距离维FFT和多普勒维FFT输入训练之后的网络模型得到的输出结果确定发生跌倒时,触发防跌倒报警装置会被触发,并向智慧云端发送报警信息。
在本实施例中,上述网络模型输入的源数据包括跌倒训练数据和非跌倒训练数据,其中:
跌倒训练数据可包括但不限于:前倾跌倒数据,侧倾跌倒数据,后倾跌倒数据;当然还可根据具体的训练需求加入其他数据;
非跌倒训练数据包括:下蹲数据,系鞋带数据,挥手数据,高抬腿数据,当然还可根据具体的训练需求加入其他数据。
可见,本实施例提供基于神经网络的毫米波雷达跌倒检测方法,可将神经网络的高准确性和毫米波雷达的高性价比性结合起来,可以准确的解决实时跌倒检测的准确性问题,并且能够对跌倒时利用智慧云端做为报警作用,同时毫米波雷达具有低成本,低延时,低辐射,抗干扰能力强的优点。
为了便于理解,本实施例下面以一种示例的检测过程为示例进行说明,参见图2所示,当人体信号经过毫米波雷达反射后经过解调得到中频信号,对该中频信号分别做距离FFT和多普勒FFT变换。其中距离FFT是把一帧数据内对快时间域做的FFT变换,多普勒FFT变换是对慢时间域做的FFT。然后把两者做为输入距离多普勒热图信息传入LSTM网络中。
距离多普勒热图信息具体的结构是:在距离FFT上对一个中频信号进行32点的采样,然后一帧数据中取64个中频信号,从而构成32x64的矩阵结构,再对32x64的信息进行多普勒FFT变换,得到64x64的矩阵结构。毫米波雷达具有3根天线,因此结构为64x64x3的矩阵,再对一段时间内进行截取信息,所以最后的距离多普勒热图信息结构为30x64x64x3的矩阵信息。
RESNET网络是一种目前流行的神经网络的结构,能够对于网络模型中的上下文信息丢失情况得到修复,其利用层间残差连接,通过最后的输出和输入多加了一个层间残差连接,使得最后的输出特征具有原始数据特征。
本示例中的RESNET网络利用了四个大小相同的的卷积核,来对时间信息特征做提取从而得到空间信息特征。
本示例的RESNET网络结构中,激活函数默认使用tanh函数,对每个时刻输出都应用到下一层。
本示例中RESNET网络的优化器采用Adam,且loss损失函数经过概率分布设置。
本示例中的RESNET网络有2层结构,第一层为2通道的4x4卷积核和4x4的最大值池化池,第二层为4通道的4x4卷积核和4x4的最大值池化池。
LSTM网络是为了解决长序列训练过程时梯度消失,过拟合等问题,专门用于长序列,而示例中的跌倒检测是需要长时间不断的检测,因此LSTM可以对距离多普勒热图信息进行提取得到时间信息特征。
RESNET网络利用LSTM得到时间信息特征后,经过权重矩阵,再通过激活函数,最后得到空间信息特征。
本示例中的LSTM网络由两层隐藏层结构构成,维度为128,多维度的网络结构可以对信息判断更准确。
VGG网络是一种经典的深度神经网络的结构,它利用小尺寸卷积核,进行了并行加速作用,使得训练结果时间更短。
VGG网络利用得到的空间信息特征从而得到训练结果。
本实例中的VGG网络由8层网络结构,加上三层全连接层,能够使最后的训练结果判断时间更短。
例如,一种场景参阅图3,本实施例的一种基于神经网络的毫米波雷达跌倒检测过程包括:毫米波雷达安装在墙面上,毫米波雷达通过发射24GHz的线性调频连续波对环境进行感知。遇到目标后调频连续波反射回去被接收,并与发射的回波进行相乘然后通过硬件傅里叶变换可以得到解调的回波信息,该解调信息的频率对应着目标的距离信息。参阅图4,再对每个距离维的数据FFT进行速度提取得到多普勒维FFT信息,其中,黑色方块代表该单元回波能量较强,根据距离维的结果,利用CFAR(恒虚警检测)算法判断是否有人进入当前空间。
根据多普勒维FFT信息和距离FFT做为距离多普勒热图做为神经网络的输入中,根据训练集效果调整部分参数,包括但不限于,激活函数损失函数等网络模型中的参数。
当网络模型训练完成之后,对测试数据集合进行检测,检测内容包括但不限于:前倾跌倒,侧倾跌倒,后倾跌倒,下蹲,挥手等被网络模型中加入的训练分类标签。
对于训练的结果,可以直接在雷达上通过灯光报警,例如非跌倒情况下为绿灯,跌倒时红灯闪烁做为警示,同时触发报警喇叭提醒。
对于训练结果,也会上传智慧云端,智慧云端另外一端包括但不限于手机,电脑,手表等智能工具,一旦发生跌倒,此时这些终端就会进行报警弹窗提示。
基于同样的发明构思,本发明还提供了一种基于神经网络的毫米波雷达跌倒检测系统,参见图5所示,其包括但不限于:毫米波雷达51、神经网络52和智慧云端53;
毫米波雷达51用于发射调频连续波对待测空间进行感应,调频连续波碰到目标后反射形成雷达回波,毫米波雷达51还用于接收雷达回波;
神经网络52用于从毫米波雷达获取雷达回波,对雷达回波进行信号解调分析,包括对雷达回波进行距离维FFT和多普勒维FFT;以及用于将距离维FFT和多普勒维FFT的信息传入神经网络中预设的网络模型,并根据得到的训练结果对网络模型进行修正;
神经网络52还用于在完成网络模型的训练之后,获取新的距离维FFT和多普勒维FFT,将距离维FFT和多普勒维FFT输入训练之后的网络模型进行跌倒行为准确度的验证,并把准确度的结果传入智慧云端53。
可选地,神经网络52对雷达回波进行信号解调分析包括:
对回波信号和回波信号对应的调频连续波进行混频处理得到中频信号,再对一帧内的中频信号进行快时间域的FFT变换得到快时间域的距离维FFT信息;
从快时间域的信息中得到慢时间域信息,对慢时间域信息进行慢时间域的FFT变换得到慢时间域的多普勒维FFT信息。
可选地,神经网络52将距离维FFT和多普勒维FFT的信息传入神经网络中预设的网络模型,并根据得到的训练结果对网络模型进行修正包括:
将快时间域的距离维FFT信息和慢时间域的多普勒维FFT信息重构,得到距离多普勒分布热图信息;
训练模型包括RESNET网络,VGG网络和LSTM网络,LSTM网络将距离多普勒热图信息按照时间域拆开分段送入网络模型中提取时间信息特征,并将提取的时间信息特征输入RESNET网络;
RESNET网络根据提取的时间信息特征得到空间信息特征,并将空间信息特征输入VGG网络。
VGG网络根据空间信息特征得到训练的结果。
可选地,神经网络52还用于当将距离维FFT和多普勒维FFT输入训练之后的网络模型得到的输出结果确定发生跌倒时,触发防跌倒报警装置会被触发,并向智慧云端53发送报警信息。
可选地,网络模型输入的源数据包括跌倒训练数据和非跌倒训练数据,其中:
跌倒训练数据包括:前倾跌倒数据,侧倾跌倒数据,后倾跌倒数据;
非跌倒训练数据包括:下蹲数据,系鞋带数据,挥手数据,高抬腿数据。
本实施例提供的基于神经网络的毫米波雷达跌倒检测系统,也实现了将神经网络的高准确性和毫米波雷达的高性价比性结合起来,可以准确的解决实时跌倒检测的准确性问题,并且能够对跌倒时利用智慧云端做为报警作用,同时毫米波雷达具有低成本,低延时,低辐射,抗干扰能力强的优点。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的毫米波雷达跌倒检测方法,其特征在于,包括如下步骤:
S1、通过毫米波雷达通过发射调频连续波对待测空间进行感应,所述调频连续波碰到目标后反射形成雷达回波;通过所述毫米波雷达接收所述雷达回波,并对所述雷达回波进行信号解调分析,包括对所述雷达回波进行距离维FFT和多普勒维FFT;
S2、将所述距离维FFT和多普勒维FFT的信息传入神经网络中预设的网络模型,并根据得到的训练结果对所述网络模型进行修正;
S3、在完成所述网络模型的训练之后,通过所述S1步骤获取新的距离维FFT和多普勒维FFT,将所述距离维FFT和多普勒维FFT输入训练之后的所述网络模型进行跌倒行为准确度的验证,并把准确度的结果传入智慧云端。
2.如权利要求1所述的基于神经网络的毫米波雷达跌倒检测方法,其特征在于,所述S1具体包含如下子步骤:
S11、对所述回波信号和所述回波信号对应的所述调频连续波进行混频处理得到中频信号,再对一帧内的所述中频信号进行快时间域的FFT变换得到快时间域的距离维FFT信息;
S12、从所述S11中快时间域的信息中得到慢时间域信息,对慢时间域信息进行慢时间域的FFT变换得到慢时间域的多普勒维FFT信息。
3.如权利要求2所述的基于神经网络的毫米波雷达跌倒检测方法,其特征在于,所述S2具体包含如下子步骤:
S20、将所述快时间域的距离维FFT信息和所述慢时间域的多普勒维FFT信息重构,得到距离多普勒分布热图信息;
S21、所述训练模型包括RESNET网络,VGG网络和LSTM网络,所述LSTM网络将所述距离多普勒热图信息按照时间域拆开分段送入网络模型中提取时间信息特征,并将提取的时间信息特征输入所述RESNET网络;
S23、所述RESNET网络根据所述时间信息特征得到空间信息特征,并将提取的空间信息特征输入所述VGG网络;
S24、所述VGG网络根据所述空间信息特征得到跌倒检测的结果。
4.如权利要求3所述的基于神经网络的毫米波雷达跌倒检测方法,其特征在于,所述S3中还包括:
当将所述距离维FFT和多普勒维FFT输入训练之后的所述网络模型得到的输出结果确定发生跌倒时,触发防跌倒报警装置会被触发,并向所述智慧云端发送报警信息。
5.如权利要求1-4任一项所述的基于神经网络的毫米波雷达跌倒检测方法,其特征在于,所述网络模型输入的源数据包括跌倒训练数据和非跌倒训练数据,其中:
所述跌倒训练数据包括:前倾跌倒数据,侧倾跌倒数据,后倾跌倒数据;
所述非跌倒训练数据包括:下蹲数据,系鞋带数据,挥手数据,高抬腿数据。
6.一种基于神经网络的毫米波雷达跌倒检测系统,其特征在于,包括:毫米波雷达、神经网络和智慧云端;
所述毫米波雷达用于发射调频连续波对待测空间进行感应,所述调频连续波碰到目标后反射形成雷达回波,所述毫米波雷达还用于接收所述雷达回波;
所述神经网络用于从所述毫米波雷达获取所述雷达回波,对所述雷达回波进行信号解调分析,包括对所述雷达回波进行距离维FFT和多普勒维FFT;以及用于将所述距离维FFT和多普勒维FFT的信息传入神经网络中预设的网络模型,并根据得到的训练结果对所述网络模型进行修正;
所述神经网络还用于在完成所述网络模型的训练之后,获取新的距离维FFT和多普勒维FFT,将所述距离维FFT和多普勒维FFT输入训练之后的所述网络模型进行跌倒行为准确度的验证,并把准确度的结果传入智慧云端。
7.如权利要求6所述的基于神经网络的毫米波雷达跌倒检测系统,其特征在于,所述神经网络对所述雷达回波进行信号解调分析包括:
对所述回波信号和所述回波信号对应的所述调频连续波进行混频处理得到中频信号,再对一帧内的所述中频信号进行快时间域的FFT变换得到快时间域的距离维FFT信息;
从所述快时间域的信息中得到慢时间域信息,对慢时间域信息进行慢时间域的FFT变换得到慢时间域的多普勒维FFT信息。
8.如权利要求7所述的基于神经网络的毫米波雷达跌倒检测系统,其特征在于,所述神经网络将所述距离维FFT和多普勒维FFT的信息传入神经网络中预设的网络模型,并根据得到的训练结果对所述网络模型进行修正包括:
将所述快时间域的距离维FFT信息和所述慢时间域的多普勒维FFT信息重构,得到距离多普勒分布热图信息;
所述训练模型包括RESNET网络,VGG网络和LSTM网络,所述LSTM网络将所述距离多普勒热图信息按照时间域拆开分段送入网络模型中提取时间信息特征,并将提取的时间信息特征输入所述RESNET网络;
所述RESNET网络根据所述时间信息特征得到空间信息特征,并将提取的空间信息特征输入所述VGG网络;
所述VGG网络根据空间信息特征得到跌倒检测的结果。
9.如权利要求6所述的基于神经网络的毫米波雷达跌倒检测系统,其特征在于,所述神经网络还用于当将所述距离维FFT和多普勒维FFT输入训练之后的所述网络模型得到的输出结果确定发生跌倒时,触发防跌倒报警装置会被触发,并向所述智慧云端发送报警信息。
10.如权利要求6所述的基于神经网络的毫米波雷达跌倒检测系统,其特征在于,所述网络模型输入的源数据包括跌倒训练数据和非跌倒训练数据,其中:
所述跌倒训练数据包括:前倾跌倒数据,侧倾跌倒数据,后倾跌倒数据;
所述非跌倒训练数据包括:下蹲数据,系鞋带数据,挥手数据,高抬腿数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210805467.8A CN115327535A (zh) | 2022-07-08 | 2022-07-08 | 基于神经网络的毫米波雷达跌倒检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210805467.8A CN115327535A (zh) | 2022-07-08 | 2022-07-08 | 基于神经网络的毫米波雷达跌倒检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115327535A true CN115327535A (zh) | 2022-11-11 |
Family
ID=83916732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210805467.8A Pending CN115327535A (zh) | 2022-07-08 | 2022-07-08 | 基于神经网络的毫米波雷达跌倒检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115327535A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117017276A (zh) * | 2023-10-08 | 2023-11-10 | 中国科学技术大学 | 一种基于毫米波雷达的实时人体紧密边界检测方法 |
-
2022
- 2022-07-08 CN CN202210805467.8A patent/CN115327535A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117017276A (zh) * | 2023-10-08 | 2023-11-10 | 中国科学技术大学 | 一种基于毫米波雷达的实时人体紧密边界检测方法 |
CN117017276B (zh) * | 2023-10-08 | 2024-01-12 | 中国科学技术大学 | 一种基于毫米波雷达的实时人体紧密边界检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520199B (zh) | 基于雷达图像与生成对抗模型的人体动作开集识别方法 | |
CN111352102B (zh) | 一种基于调频连续波雷达的多目标个数检测方法及装置 | |
US5247303A (en) | Data quality and ambiguity resolution in a doppler radar system | |
CN107290741A (zh) | 基于加权联合距离时频变换的室内人体姿态识别方法 | |
CN101881826A (zh) | 扫描模式海杂波局部多重分形目标检测器 | |
CN112904329A (zh) | 基于毫米波雷达的目标监测系统和方法 | |
CN105093196B (zh) | 基于逆伽马纹理复合高斯模型下的相干检测方法 | |
Kılıç et al. | Through‐Wall Radar Classification of Human Posture Using Convolutional Neural Networks | |
CN109766851A (zh) | 障碍物的确定方法及装置、倒车成像设备 | |
KR102275960B1 (ko) | 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법 | |
CN111142102A (zh) | 一种呼吸数据计算方法以及相关设备 | |
CN115327535A (zh) | 基于神经网络的毫米波雷达跌倒检测方法及系统 | |
CN113933808A (zh) | 机载雷达动目标检测方法、装置、设备及存储介质 | |
CN114005246A (zh) | 一种基于调频连续波毫米波雷达的老人跌倒检测方法及装置 | |
KR102215062B1 (ko) | 무인기 탐지를 위한 다중모드 레이더 신호 처리 장치 및 그 방법 | |
CN114509749A (zh) | 一种室内定位检测系统及方法 | |
Franceschi et al. | Deep learning-based radar detector for complex automotive scenarios | |
CN112578374A (zh) | 检测行人的方法和装置 | |
CN117031464B (zh) | 一种舱内运动活体与动目标干扰区分方法和装置 | |
Li et al. | In-vehicle occupant detection system using mm-wave radar | |
Li et al. | MTPGait: Multi-person gait recognition with spatio-temporal information via millimeter wave radar | |
CN214750816U (zh) | 基于毫米波雷达的目标监测系统 | |
Denny | The physics of bat echolocation: signal processing techniques | |
KR101007406B1 (ko) | 광대역 선형 주파수 변조 파형에 기반한 레이더 영상 데이터의 해상도 향상 장치 및 방법 | |
CN112083405B (zh) | 一种基于混合波形的目标检测方法及相关装置 |
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 |