CN117315886A - 一种基于uwb雷达的人员即将跌倒检测方法及装置 - Google Patents

一种基于uwb雷达的人员即将跌倒检测方法及装置 Download PDF

Info

Publication number
CN117315886A
CN117315886A CN202311148036.XA CN202311148036A CN117315886A CN 117315886 A CN117315886 A CN 117315886A CN 202311148036 A CN202311148036 A CN 202311148036A CN 117315886 A CN117315886 A CN 117315886A
Authority
CN
China
Prior art keywords
fall
dimensional
data
csi
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.)
Granted
Application number
CN202311148036.XA
Other languages
English (en)
Other versions
CN117315886B (zh
Inventor
王萍
高娇娇
张振亚
张红艳
丁伟
方潜生
程红梅
王文凯
殷涛
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.)
Anhui Jianzhu University
Original Assignee
Anhui Jianzhu University
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 Anhui Jianzhu University filed Critical Anhui Jianzhu University
Priority to CN202311148036.XA priority Critical patent/CN117315886B/zh
Publication of CN117315886A publication Critical patent/CN117315886A/zh
Application granted granted Critical
Publication of CN117315886B publication Critical patent/CN117315886B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • 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
    • 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
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
    • G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
    • 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
    • G08B21/0438—Sensor means for detecting
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Remote Sensing (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Animal Behavior & Ethology (AREA)
  • Evolutionary Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pathology (AREA)
  • Psychiatry (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)

Abstract

本发明涉及即将跌倒检测方法及装置技术领域，具体公开了一种基于UWB雷达的人员即将跌倒检测方法及装置，方法包括：数据采集：实时采集待监测室区域内检测时间段内待检测人员发生相关动作的连续二维CSI信号；数据预处理：对二维CSI信号进行降噪处理，获取二维CSI序列片段并进行分类标注；分类标注的二维CSI序列片段划分为三种类型；通过预设深度学习检测模型将步骤二中的near‑fall、fall和ADLs二维CSI序列片段经过滑动窗口的划分可以得到若干个CSI信号矩阵，进而完成输入数据构造；动作检测分类：构建深度神经网络模型将预处理后的二维CSI矩阵进行灰度化处理并作为深度神经网络的输入，完成数据的特征提取和对不同动作类型进行分类。

Description

一种基于UWB雷达的人员即将跌倒检测方法及装置
技术领域
本发明涉及即将跌倒检测方法及装置技术领域，具体涉及一种基于UWB雷达的人员即将跌倒检测方法及装置。
背景技术
随着人口老龄化的发展，满足养老需求的活动和休憩的场所老年人需求越来越多，而随着物联网技术、5G通信技术和边缘计算技术的快速发展，室内环境智能化发展也广泛运用于智慧养老，智能家居和室内康复等领域；并且由于老年人生活不便，在看护过程中为了增加看护智能化需求，需要提前预测老年人日常生活中的移动情况，预防老年人摔倒；并且老年人跌倒事件提前检测和预防对于其健康至关重要。
目前常用的基于可穿戴设备和视频设备的撞击前跌倒探测策略存在设备放电失败、穿戴要求高、舒适感欠缺以及隐私保护不足等问题；并且应用于检测室内人员即将跌倒的装置在无光和弱光等环境下无法及时进行跌倒检测，通过照明提示和报警处理等难以保证跌倒人员隐私，并且无法及时对老年人跌倒提供保护。
发明内容
本发明的目的在于提供一种基于UWB雷达的人员即将跌倒检测方法及装置，解决以下技术问题：
怎样完成在无光、弱光等环境下对室内人员即将跌倒检测，并且能够较好地保护个人隐私，通过即将跌倒检测能够有效解决撞击后检测跌倒无法对老年人跌倒提供保护的问题。
本发明的目的可以通过以下技术方案实现：
一种基于UWB雷达的人员即将跌倒检测方法，所述方法包括：
步骤一、数据采集：实时采集待监测室区域内检测时间段内待检测人员发生相关动作的连续二维CSI信号；
步骤二、数据预处理：对二维CSI信号进行降噪处理，获取二维CSI序列片段并进行分类标注；
所述分类标注的二维CSI序列片段划分为三种类型，分别是：near-fall、fall和ADLs二维CSI序列片段；
步骤三、通过预设深度学习检测模型将步骤二中的near-fall、fall和ADLs二维CSI序列片段经过滑动窗口的划分可以得到若干个CSI信号矩阵，进而完成输入数据构造；
步骤四、动作检测分类：构建深度神经网络模型将预处理后的二维CSI矩阵进行灰度化处理并作为深度神经网络的输入，完成数据的特征提取和对不同动作类型进行分类。
优选地，所述步骤二中二维CSI信号的降噪处理过程为：
选择一个静态物体的反射信号作为参考，选择幅度最大的脉冲；对于第k帧，通过设置降噪算法计算得到相位差完成降噪处理：
输入：第k帧的静止物体反射信号Sk′＝{S1′,S2′,…,Si′}；跌倒过程中的第k帧信号，Sk＝{S1,S2,…,Si}；
输出：相位差，c。
优选地，对所述near-fall、fall和ADLs二维CSI序列片段进行定义：
fall：指当个体正在经历一个不受控制的过渡阶段，向着不希望、潜在灾难性的状态转变的时间间隔，即为跌倒；
near-fall：指的是个体正在经历一个不受控制的过渡阶段，向着跌倒状态转变的时间间隔，即为即将跌倒；
ADLS：指的是个体处于控制下且处于受控制状态的所有时间间隔；
所述ADLs在本实验中包括站立、行走、躺下等动作，且根据所述near-fall、fall和ADLs二维CSI序列片段的定义，将连续序列划分成这三种类型的二维序列片段。
优选地，所述步骤三中滑动窗口划分二维CSI数据的方法为：
S1、将基于接收到的I和Q离散基带信号，计算得到CSI相位；
S2、将UWB全通道划分为96个子通道，滑动窗口可以将其划分为一个具有96×M行的二维矩阵，其中M是滑动窗口的大小；滑动窗口划分的二维CSI相位矩阵可表示为X＝Xk,l∈RM×96；
其中Xk,l表示第k帧中第l频段的相位值，通过设置滑动窗口大小和步长，将相位矩阵分割为多个子矩阵，且每个子矩阵成为深度神经网络的输入。
优选地，所述步骤四中深度神经网络由CNN、LSTM、FCN三部分组成；通过将预处理后二维CSI矩阵当作灰度图处理，并作为深度神经网络的输入，CNN与LSTM完成数据的特征提取，利用FCN完成分类。
优选地，所述CNN、LSTM、FCN三部分深度神经网络完成三种动作类型的分类过程为：
SS1、将相位矩阵类比灰度图作为CNN的输入，通过设置两层CNN结构；且每层CNN均包含大小为9×9卷积核的卷积层、批归一化、包含激活函数Relu的激活层；且第二层CNN还包括3×3最大值池化层；
SS2、将经过CNN后输出的三维幅值数据进行扁平化处理，将三维输出变成一维向量，输入两个LSTM单元叠加结构的神经网络的门机制中对信息进行筛选与整合，实现较长期序列信息记忆功能；
其中，所述门机制包括：遗忘门、输入门、输出门，共3种；
SS3、在LSTM输出连接到全连接神经网络上，通过使用ReLU函数进行激活，使用SoftMax函数完成对即将跌倒事件和其他事件的分类，进而识别出三种不同类型事件，实现跌倒的预测。
优选地，还包括：
步骤五、对构建的深度深度神经网络模型进行评价，所述评价的指标包括：Precision、Recall和F1值；
其中，所述Precision、Recall和F1值的表示方式分别为：
其中TP代表真正例、FN代表假反例、TN代表真反例、FP代表假正例。
优选地，所述步骤五中的评价还包括不同卷积核大小对比分析、不同距离对比分析、不同人员对比分析、不同网络结构对比分析。
一种基于UWB雷达的人员即将跌倒检测装置，所述检测装置包括UWB雷达信号采集板和PC机，包括：
数据采集模块，用于通过UWB雷达信号采集板实时采集数据；
数据预处理模块；用于利用PC机对UWB雷达信号采集板采集到数据进行进一步处理并完成数据构造；
动作检测分类模块；用于将预处理后数据搭建深度学习模型并进行分类。
本发明的有益效果：本发明通过一种基于UWB雷达和深度学习的室内人员即将跌倒检测方法及装置来检测室内环境中即将跌倒、跌倒、ADLs事件，基于人员即将跌倒动作对UWB雷达信号的影响，使用深度学习可完成在无光、弱光等环境下对室内人员即将跌倒检测，并且能够较好地保护个人隐私。该方法利用撞击前坠落探测策略进行室内人员即将跌倒检测，能够有效解决撞击后检测跌倒无法对老年人跌倒提供保护的问题。从实验结果来看，本发明方法具有较好的精确率与鲁棒性，这种方法可以应用在室内可以与报警装置组合从而实现实时、高效的监测与保护。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明一种基于UWB雷达的人员即将跌倒检测方法步骤示意图；
图2为本发明UWB雷达和深度学习的即将跌倒检测装置示意图；
图3为本发明的即将跌倒检测方法模型示意图；
图4为本发明不同时间维度的射频信号矩阵示意图；
图5为本发明噪声校正前、后相位示意图；
图6为本发明一个滑动窗口下的二维CSI相位矩阵示意图；
图7为本发明深度神经网络模型示意图；
图8为本发明实验环境与设备安装图，(a)实验设备安装，(b)UWB雷达开发板，(c)实验环境；
图9为本发明一个跌倒过程视频示例图，(a)ADLs，(b)near-fall，(c)fall；
图10为本发明一次跌倒过程数据集中不同类型序列段的标注图；
图11为本发明不同大小卷积核对分类的影响图；
图12为本发明不同距离对分类的影响；(a)实验平面图，(b)不同距离摔倒检测精确率；
图13为本发明不同人对分类结果的影响示意图；图a-f代表不同志愿者的分类结果。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1、3所示，本发明为一种基于UWB雷达的人员即将跌倒检测方法，方法包括：
步骤一、数据采集：实时采集待监测室区域内检测时间段内待检测人员发生相关动作的连续二维CSI信号；
步骤二、数据预处理：对二维CSI信号进行降噪处理，获取二维CSI序列片段并进行分类标注；
分类标注的二维CSI序列片段划分为三种类型，分别是：near-fall、fall和ADLs二维CSI序列片段；
步骤三、通过预设深度学习检测模型将步骤二中的near-fall、fall和ADLs二维CSI序列片段经过滑动窗口的划分可以得到若干个CSI信号矩阵，进而完成输入数据构造；
步骤四、动作检测分类：构建深度神经网络模型将预处理后的二维CSI矩阵进行灰度化处理并作为深度神经网络的输入，完成数据的特征提取和对不同动作类型进行分类。
通过上述技术方案，为了解决上述技术问题，本发明通过一种基于UWB雷达的人员即将跌倒检测方法；具体的实施例中，该方法利用商用超宽带(UWB)雷达信号采集板收集二维通道状态信息(CSI)数据，采用滑动窗口序列法获得不同标签的二维CSI序列片段，其中，包括即将跌倒(near-fall)、跌倒(fall)和日常活动(activities of daily Livings,ADLs)，基于CSI蕴含的相位信息，构建深度神经网络模型对三种不同事件类型进行分类。
本发明具体方法包括：首先进行数据采集：实时采集待监测室区域内检测时间段内待检测人员发生相关动作的连续二维CSI信号；UWB雷达实时采集待监测室内区域内连续二维CSI数据，通过不同时间维度的射频信号矩阵，主要分慢时间和快时间两个维度。
其中本发明实施例中通过使用商用UWB单天线开发板接收从目标物体反射回来的射频信号；射频信号感知方法通过探索射频通道状态信息(CSI)来区分人类活动，因此，首先对射频通道进行建模，一对发射机和接收机，在具有p条传播路径的室内环境中，给定载波频率建立以下基带射频信道模型：
其中，为第p条路径的振幅，n(t)为高斯噪声。此外，τp为信号传播引起的时间延迟，/>和/>分别是由静态反射和运动反射引起的第p个时间延迟；对于传输的信号s(t)，接收到的信号变成/>其中/>表示卷积。
射频信号矩阵请参照图4所示，射频信号经过一系列处理后，生成基带I/Q(无相位/正交相位)信号，然后使用模拟-数字转换器(analog-to-digital converter，ADC)转换器将其数字化为I/Q数据矩阵；矩阵反映了二维信道状态信息(CSI)，相比CSI幅度，人员的不同动作对CSI相位影响更为明显，使用CSI相位信息构造输入矩阵进行跌倒预测检测。
然后，进行数据预处理：对二维CSI信号进行降噪处理，获取二维CSI序列片段并进行分类标注；并且分类标注的二维CSI序列片段划分为三种类型，分别是：near-fall、fall和ADLs二维CSI序列片段；接着，通过预设深度学习检测模型将步骤二中的near-fall、fall和ADLs二维CSI序列片段经过滑动窗口的划分可以得到若干个CSI信号矩阵，进而完成输入数据构造；
最后，动作检测分类：构建深度神经网络模型将预处理后的二维CSI矩阵进行灰度化处理并作为深度神经网络的输入，完成数据的特征提取和对不同动作类型进行分类。
作为本发明的一种实施方式，请参照图5所示，步骤二中二维CSI信号的降噪处理过程为：
选择一个静态物体的反射信号作为参考，选择幅度最大的脉冲；对于第k帧，通过设置降噪算法计算得到相位差完成降噪处理：
输入：第k帧的静止物体反射信号Sk′＝{S1′,S2′,…,Si′}；跌倒过程中的第k帧信号，Sk＝{S1,S2,…,Si}；
输出：相位差，c。
作为本发明的一种实施方式，对near-fall、fall和ADLs二维CSI序列片段进行定义：
fall：指当个体正在经历一个不受控制的过渡阶段，向着不希望、潜在灾难性的状态转变的时间间隔，即为跌倒；
near-fall：指的是个体正在经历一个不受控制的过渡阶段，向着跌倒状态转变的时间间隔，即为即将跌倒；
ADLS：指的是个体处于控制下且处于受控制状态的所有时间间隔；
ADLs在本实验中包括站立、行走、躺下等动作，且根据near-fall、fall和ADLs二维CSI序列片段的定义，将连续序列划分成这三种类型的二维序列片段。
通过上述技术方案，由于器件工艺受限，UWB雷达信号采集板的模数转换器存在采样时钟而引起的采样时序偏移(STO)；由此信号相位扰动将影响多普勒和微多普勒信息，由于这种相位噪声的存在使得静止的物体可能被认为是在移动；为去除这种噪声，首先，找到一个静态物体的反射信号作为参考，选择幅度最大的脉冲，对于第k帧，可以根据二维CSI信号的降噪处理算法计算得到的相位差完成将噪；具体过程为：
输入：第k帧的静止物体反射信号Sk′＝{S1′,S2′,…,Si′}；跌倒过程中的第k帧信号，Sk＝{S1,S2,…,Si}；
输出：相位差，c；
P’＝arctan(Sk′)；//利用反正切函数获取序列Sk′的相位，P’为Sk′的相位序列
P’＝arctan(Sk′)；//利用反正切函数获取序列Sk′的相位，P’为Sk′的相位序列
P＝arctan(Sk)；//利用反正切函数获取序列Sk的相位，P为Sk的相位序列
P’＝mean(P)//获取序列P’的均值P’
P＝mean(P)；//获取序列P的均值P
c＝ads(P-P)；//获取P’与P差的绝对值
根据图5所示，使用上述差异调整快时域中所有样本的相位，可知经过时间域噪声修正的相位更加稳定。
作为本发明的一种实施方式，请参照图6所示，步骤三中滑动窗口划分二维CSI数据的方法为：
S1、将基于接收到的I和Q离散基带信号，计算得到CSI相位；
S2、将UWB全通道划分为96个子通道，滑动窗口可以将其划分为一个具有96×M行的二维矩阵，其中M是滑动窗口的大小；滑动窗口划分的二维CSI相位矩阵可表示为X＝Xk,l∈RM×96；
其中Xk,l表示第k帧中第l频段的相位值，通过设置滑动窗口大小和步长，将相位矩阵分割为多个子矩阵，且每个子矩阵成为深度神经网络的输入。
通过上述技术方案，上述内容中获得三种类型的CSI序列片段，本发明使用滑动窗口将三种类型的CSI时序数据中构建块信号。具体为，基于接收到的I和Q离散基带信号，计算得到CSI相位。实验中，UWB全通道划分为96个子频段(子通道)，滑动窗口可以将其划分为一个具有96×M行的二维矩阵(其中M是滑动窗口的大小)。滑动窗口划分的二维CSI相位矩阵可表示为X＝xk,l∈RM×96，其中xk,l表示第k帧中第l频段的相位值，请参照图6所示；通过设置适当的滑动窗口大小和步长，将相位矩阵分割为多个子矩阵，其中每个子矩阵成为深度神经网络的输入。
作为本发明的一种实施方式，请参照图7所示，步骤四中深度神经网络由CNN、LSTM、FCN三部分组成；通过将预处理后二维CSI矩阵当作灰度图处理，并作为深度神经网络的输入，CNN与LSTM完成数据的特征提取，利用FCN完成分类。
作为本发明的一种实施方式，请参照图7所示，CNN、LSTM、FCN三部分深度神经网络完成三种动作类型的分类过程为：
SS1、将相位矩阵类比灰度图作为CNN的输入，通过设置两层CNN结构；且每层CNN均包含大小为9×9卷积核的卷积层、批归一化、包含激活函数Relu的激活层；且第二层CNN还包括3×3最大值池化层；
SS2、将经过CNN后输出的三维幅值数据进行扁平化处理，将三维输出变成一维向量，输入两个LSTM单元叠加结构的神经网络的门机制中对信息进行筛选与整合，实现较长期序列信息记忆功能；
其中，门机制包括：遗忘门、输入门、输出门，共3种；
SS3、在LSTM输出连接到全连接神经网络上，通过使用ReLU函数进行激活，使用SoftMax函数完成对即将跌倒事件和其他事件的分类，进而识别出三种不同类型事件，实现跌倒的预测。
通过上述技术方案，本发明提出的深度神经网络模型请参照图所示，利用UWB雷达单天线开发板采集二维CSI数据，经过预处理后得到若干个二维CSI相位矩阵快信号，本发明将每个相位矩阵当作灰度图供给CNN。由此，可以利用CNN对二维CSI相位矩阵进行特征提取，扁平化后可利用LSTM进一步进行提取特征，最后通过全连接神经网络完成三种动作类型的分类。
深度神经网络模型的具体工作过程为：
首先，将相位矩阵类比灰度图作为CNN的输入，使用的CNN有两层结构。第1层CNN包含大小为9×9卷积核的卷积层、批归一化最后连接一个激活函数Relu，该函数通过yReLU(x)＝max(0,x)计算。第2层包含大小为9×9卷积核的卷积层、批归一化和使用Relu非线性激活函数的激活层、3×3最大值池化层。该部分利用卷积层完成特征提取，能够更加充分的利用每一个数据的特征，批归一化中用一个小批量来加快学习过程和减少过拟合，使得中间层的输出更加的稳定，实验的精确度可以得到提高，Relu函数相较于其他的激活函数能够减少计算量、避免梯度消失，池化层中采用最大池化允许对输出进行下采样，防止过拟合。
然后，LSTM神经网络中有遗忘门、输入门、输出门3种门机制，通过门机制的组合使用，能够对信息进行筛选与整合，实现较长期序列信息记忆功能；因为即将跌倒的动作具有顺序关系，可概化为序列关系，因此可以使用能够建模、分类序列关系的模型完成分类任务，而LSTM神经网络恰好具备这些能力；LSTM是对序列数据进行处理，而经过CNN后输出的为三维幅值数据，因此需要在输入进LSTM层之前做扁平化处理，将三维输出变成一维向量，本实施例中采用两个LSTM单元叠加的结构，第一层有100个LSTM单元，第二层有50个LSTM单元，且两个LSTM层之间逐步减少LSTM的单元数，以降低维度爆炸导致的过拟合风险。
最后，为了最终识别出三种不同类型事件从而实现跌倒的预测，在LSTM输出连接到全连接神经网络上，并使用Relu函数进行激活，最后使用SoftMax函数完成对即将跌倒事件和其他事件的分类。
作为本发明的一种实施方式，还包括：
步骤五、对构建的深度深度神经网络模型进行评价，评价的指标包括：Precision、Recall和F1值；
其中，Precision、Recall和F1值的表示方式分别为：
其中TP代表真正例、FN代表假反例、TN代表真反例、FP代表假正例。
作为本发明的一种实施方式，步骤五中的评价还包括不同卷积核大小对比分析、不同距离对比分析、不同人员对比分析、不同网络结构对比分析。
本发明还设置了一种基于UWB雷达的人员即将跌倒检测方法的即将跌倒检测装置，检测装置包括UWB雷达信号采集板和PC机，具体包括：
数据采集模块，用于通过UWB雷达信号采集板实时采集数据；
数据预处理模块；用于利用PC机对UWB雷达信号采集板采集到数据进行进一步处理并完成数据构造；
动作检测分类模块；用于将预处理后数据搭建深度学习模型并进行分类。
通过上述技术方案，并且通过实验表明，本发明使用UWB二维CSI数据对室内人员即将跌倒(near-fall)检测和跌倒(fall)检测精确率达97％，日常活动(ADLs)事件检测超过99％；该装置由商用超宽带(UWB)雷达和PC机组成，且通过实验探讨了装置与人员距离和不同人员对方法性能的影响；具通过设置数据采集模块、数据预处理模块、动作检测分类模块对通过接收商用UWB单天线开发板接收从目标物体反射回来的射频信号并进行信息建模处理，通过P设置发射机和接收机对射频信号进行接收和发射；通过PC机对信号数据进行分析和数据构造，实现老年人即将跌倒实时检测和预警，有利于及时有效解决撞击后检测跌倒无法对老年人跌倒提供保护的问题。
以下为实验与评估分析过程及分析结果：
1、实验环境和设置
请参照图8所示，所有实验在高校科研实验室环境中进行，包含桌子、椅子、柜子、电脑、实验设备等家具。本发明使用AW-UWB-EV-01设备进行数据采集，该设备基于UWB雷达芯片X4开发，提供了一个SISO单天线开发板；且该设备中心频率为7.3GHz或8.7GHz，脉冲带宽为1.5GHz，帧率为40fps。实验开发环境为Matlab，实验中，人员模拟了整个跌倒过程，信号开发板实时采集所有实验数据，实验共采集24000条数据；实验设备安装在离地面约2.7米的天花板上，实验环境与设备安装。
2、数据集标注
请参照图10所示，标注任务包括将与数据集中每个序列对应的跌倒和即将都跌倒类别的时间间隔描述进行关联，而其余部分则默认为ADLs类别。
请参照图9所示，每种活动类型都通过一个视频进行描述；原型视频集合被用来定义将与传感器读数序列相关的时间间隔与每个类别(fall、near-fall和ADLs)关联的标准；这些标准随后被用于标注数据集中的每个序列。
3、方法评估
(1)评价指标
使用精确率(Precision)、召回率(Recall)和F1值作为评估指标；TP、FN、TN和FP分别代表真正例、假反例、真反例和假正例。基于分类结果，将其分为即将跌倒、跌倒和日常活动。
(2)不同卷积核大小对比分析
我们还评估了不同的内核大小对的影响，结果如图11所示。这里有趣的见解是，当内核大小增加时，性能会首先提高。然而，如果我们继续将内核大小增加到9×9，精度就会开始下降。是因为较大的内核大小具有较大的接受域，因此具有较大内核大小的深度神经网络模型可以捕获更多的特性。但如果接受域太大，深度神经网络模型会捕捉到无用的噪声，从而导致性能下降。
(3)不同距离对比分析
UWB信号可以提供高精度的位置和距离信息，这对于动作识别非常重要。为了探索本发明中UWB与摔倒检测识别准确率的关系，我们在同等条件下采集多组数据进行对比。实验中，将安装设备在距离地面2.7米的位置，如图12所示，实验人员将从设备正下方o处开始，沿着半径r移动，记录在不同距离处摔倒的精确率。
从上图可以看出当人员逐渐远离设备，分类的效果逐渐变差，由于设备的极限距离为5m，因此这里只分析了从0m到5m的分类效果。当r≤4m时，每个类型精确率都能达到90％以上，由此可见使用CNN-LSTM-FCN深度神经网络模型的性能较好。同时在只安装单个UWB进行分类时，人员距离应控制在距离r小于4m的位置，如果需要覆盖一定范围可以根据图12(b)来安装其他UWB。
(4)不同人员对比分析
为了探索不同志愿者对模型的影响，我们选择了六名志愿者，其中包括三名男性和三名女性。在相同的环境下，我们收集了从站立到倒地的数据。每个志愿者采集24000条数据，其中70％用作测试集，30％用作训练集。测试集的实验结果如图13所示。由于不同志愿者的身高体重、摔倒姿势、摔倒幅度也各不相同，使得分类结果各不相同。从上图中可以得到对于ADLs不同人都能完全分出来，虽然不同人的摔倒方向与摔倒幅度不同，但fall与near-fall的精确度都能够达到97％以上，由此可见使用该分类方法的鲁棒性较好。
不同网络结构对比分析
在本节中，我们进一步通过将之前训练的CNN-LSTM-FCN分类模型与其他神经网络方法进行比较，来探究网络架构对实验结果的影响。在使用相同的传感器收集数据集的条件下，使用UWB采集到24000条数据使用滑动窗口进行划分，生成多个灰度图像，这些图像将作为深度神经网络的输入。我们进行了CNN、LSTM和CNN-LSTM-FCN之间的比较实验，旨在确定最佳网络结构，如下表所示。从下表可以看出，CNN-LSTM-FCN分类模型在所有指标上优于其他模型，这表明本发明的分类模型能够从UWB二维通道状态信息中捕捉到复杂的信息。
相同数据集下不同网络结构的结果对比
最后，我们对不同数量的CNN和LSTM层进行组合，进行了实验。通过优化，得到了最佳解决方案，并将结果如下表所示。从下表可以看出，组合了2个CNN层和2个LSTM层在所有指标上都取得了更好的表现，成为最佳组合方式。
不同网络结构组合结果对比
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (9)

1.一种基于UWB雷达的人员即将跌倒检测方法，其特征在于，所述方法包括：
步骤一、数据采集：实时采集待监测室区域内检测时间段内待检测人员发生相关动作的连续二维CSI信号；
步骤二、数据预处理：对二维CSI信号进行降噪处理，获取二维CSI序列片段并进行分类标注；
所述分类标注的二维CSI序列片段划分为三种类型，分别是：near-fall、fall和ADLs二维CSI序列片段；
步骤三、通过预设深度学习检测模型将步骤二中的near-fall、fall和ADLs二维CSI序列片段经过滑动窗口的划分可以得到若干个CSI信号矩阵，进而完成输入数据构造；
步骤四、动作检测分类：构建深度神经网络模型将预处理后的二维CSI矩阵进行灰度化处理并作为深度神经网络的输入，完成数据的特征提取和对不同动作类型进行分类。
2.根据权利要求1所述的一种基于UWB雷达的人员即将跌倒检测方法，其特征在于，所述步骤二中二维CSI信号的降噪处理过程为：
选择一个静态物体的反射信号作为参考，选择幅度最大的脉冲；对于第k帧，通过设置降噪算法计算得到相位差完成降噪处理：
输入：第k帧的静止物体反射信号Sk'＝{S1',S2',…,Si'}；跌倒过程中的第k帧信号，Sk＝{S1,S2,…,Si}；
输出：相位差，c。
3.根据权利要求1所述的一种基于UWB雷达的人员即将跌倒检测方法，其特征在于，对所述near-fall、fall和ADLs二维CSI序列片段进行定义：
fall：指当个体正在经历一个不受控制的过渡阶段，向着不希望、潜在灾难性的状态转变的时间间隔，即为跌倒；
near-fall：指的是个体正在经历一个不受控制的过渡阶段，向着跌倒状态转变的时间间隔，即为即将跌倒；
ADLS：指的是个体处于控制下且处于受控制状态的所有时间间隔；
所述ADLs在本实验中包括站立、行走、躺下等动作，且根据所述near-fall、fall和ADLs二维CSI序列片段的定义，将连续序列划分成这三种类型的二维序列片段。
4.根据权利要求1所述的一种基于UWB雷达的人员即将跌倒检测方法，其特征在于，所述步骤三中滑动窗口划分二维CSI数据的方法为：
S1、将基于接收到的I和Q离散基带信号，计算得到CSI相位；
S2、将UWB全通道划分为96个子通道，滑动窗口可以将其划分为一个具有96×M行的二维矩阵，其中M是滑动窗口的大小；滑动窗口划分的二维CSI相位矩阵可表示为X＝Xk,l∈RM ×96；
其中Xk,l表示第k帧中第l频段的相位值，通过设置滑动窗口大小和步长，将相位矩阵分割为多个子矩阵，且每个子矩阵成为深度神经网络的输入。
5.根据权利要求1所述的一种基于UWB雷达的人员即将跌倒检测方法，其特征在于，所述步骤四中深度神经网络由CNN、LSTM、FCN三部分组成；通过将预处理后二维CSI矩阵当作灰度图处理，并作为深度神经网络的输入，CNN与LSTM完成数据的特征提取，利用FCN完成分类。
6.根据权利要求5所述的一种基于UWB雷达的人员即将跌倒检测方法，其特征在于，所述CNN、LSTM、FCN三部分深度神经网络完成三种动作类型的分类过程为：
SS1、将相位矩阵类比灰度图作为CNN的输入，通过设置两层CNN结构；且每层CNN均包含大小为9×9卷积核的卷积层、批归一化、包含激活函数Relu的激活层；且第二层CNN还包括3×3最大值池化层；
SS2、将经过CNN后输出的三维幅值数据进行扁平化处理，将三维输出变成一维向量，输入两个LSTM单元叠加结构的神经网络的门机制中对信息进行筛选与整合，实现较长期序列信息记忆功能；
其中，所述门机制包括：遗忘门、输入门、输出门，共3种；
SS3、在LSTM输出连接到全连接神经网络上，通过使用ReLU函数进行激活，使用SoftMax函数完成对即将跌倒事件和其他事件的分类，进而识别出三种不同类型事件，实现跌倒的预测。
7.根据权利要求1所述的一种基于UWB雷达的人员即将跌倒检测方法，其特征在于，还包括：
步骤五、对构建的深度深度神经网络模型进行评价，所述评价的指标包括：Precision、Recall和F1值；
其中，所述Precision、Recall和F1值的表示方式分别为：
其中TP代表真正例、FN代表假反例、TN代表真反例、FP代表假正例。
8.根据权利要求7所述的一种基于UWB雷达的人员即将跌倒检测方法，其特征在于，所述步骤五中的评价还包括不同卷积核大小对比分析、不同距离对比分析、不同人员对比分析、不同网络结构对比分析。
9.一种应用于权利要求1-8的任一项所述的基于UWB雷达的人员即将跌倒检测方法的即将跌倒检测装置，所述检测装置包括UWB雷达信号采集板和PC机，其特征在于，包括：
数据采集模块，用于通过UWB雷达信号采集板实时采集数据；
数据预处理模块；用于利用PC机对UWB雷达信号采集板采集到数据进行进一步处理并完成数据构造；
动作检测分类模块；用于将预处理后数据搭建深度学习模型并进行分类。
CN202311148036.XA 2023-09-07 2023-09-07 一种基于uwb雷达的人员即将跌倒检测方法及装置 Active CN117315886B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311148036.XA CN117315886B (zh) 2023-09-07 2023-09-07 一种基于uwb雷达的人员即将跌倒检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311148036.XA CN117315886B (zh) 2023-09-07 2023-09-07 一种基于uwb雷达的人员即将跌倒检测方法及装置

Publications (2)

Publication Number Publication Date
CN117315886A true CN117315886A (zh) 2023-12-29
CN117315886B CN117315886B (zh) 2024-04-12

Family

ID=89259337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311148036.XA Active CN117315886B (zh) 2023-09-07 2023-09-07 一种基于uwb雷达的人员即将跌倒检测方法及装置

Country Status (1)

Country Link
CN (1) CN117315886B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118015785A (zh) * 2024-04-07 2024-05-10 吉林大学 远程监测护理系统及其方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549841A (zh) * 2018-03-21 2018-09-18 南京邮电大学 一种基于深度学习的老人跌倒行为的识别方法
CN109902702A (zh) * 2018-07-26 2019-06-18 华为技术有限公司 目标检测的方法和装置
CN111225354A (zh) * 2020-02-14 2020-06-02 重庆邮电大学 WiFi干扰环境下的CSI人体跌倒识别方法
CN111281393A (zh) * 2020-02-25 2020-06-16 山东省科学院自动化研究所 基于非接触式雷达技术的老年人跌倒检测方法及系统
CN111507361A (zh) * 2019-01-30 2020-08-07 富士通株式会社 基于微波雷达的动作识别装置、方法及系统
CN112069379A (zh) * 2020-07-03 2020-12-11 中山大学 一种基于lstm-cnn的高效舆情监测系统
CN112086165A (zh) * 2020-09-08 2020-12-15 南京邮电大学 一种基于深度学习的上肢康复监测方法及系统
CN113111865A (zh) * 2021-05-13 2021-07-13 广东工业大学 一种基于深度学习的跌倒行为检测方法和系统
CN113852384A (zh) * 2021-09-27 2021-12-28 广西万云科技有限公司 一种射频信号信噪比增强方法
CN114781463A (zh) * 2022-06-16 2022-07-22 深圳大学 一种跨场景鲁棒的室内摔倒无线检测方法及相关设备
WO2022213825A1 (zh) * 2021-04-06 2022-10-13 京东科技控股股份有限公司 基于神经网络的端到端语音增强方法、装置
CN116098602A (zh) * 2023-01-16 2023-05-12 中国科学院软件研究所 一种基于ir-uwb雷达的非接触式睡眠呼吸监测方法及装置
WO2023116196A1 (zh) * 2021-12-24 2023-06-29 南京邮电大学 用于室内定位的aoa和tof联合估计方法、装置及存储介质

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549841A (zh) * 2018-03-21 2018-09-18 南京邮电大学 一种基于深度学习的老人跌倒行为的识别方法
CN109902702A (zh) * 2018-07-26 2019-06-18 华为技术有限公司 目标检测的方法和装置
CN111507361A (zh) * 2019-01-30 2020-08-07 富士通株式会社 基于微波雷达的动作识别装置、方法及系统
CN111225354A (zh) * 2020-02-14 2020-06-02 重庆邮电大学 WiFi干扰环境下的CSI人体跌倒识别方法
CN111281393A (zh) * 2020-02-25 2020-06-16 山东省科学院自动化研究所 基于非接触式雷达技术的老年人跌倒检测方法及系统
CN112069379A (zh) * 2020-07-03 2020-12-11 中山大学 一种基于lstm-cnn的高效舆情监测系统
CN112086165A (zh) * 2020-09-08 2020-12-15 南京邮电大学 一种基于深度学习的上肢康复监测方法及系统
WO2022213825A1 (zh) * 2021-04-06 2022-10-13 京东科技控股股份有限公司 基于神经网络的端到端语音增强方法、装置
CN113111865A (zh) * 2021-05-13 2021-07-13 广东工业大学 一种基于深度学习的跌倒行为检测方法和系统
CN113852384A (zh) * 2021-09-27 2021-12-28 广西万云科技有限公司 一种射频信号信噪比增强方法
WO2023116196A1 (zh) * 2021-12-24 2023-06-29 南京邮电大学 用于室内定位的aoa和tof联合估计方法、装置及存储介质
CN114781463A (zh) * 2022-06-16 2022-07-22 深圳大学 一种跨场景鲁棒的室内摔倒无线检测方法及相关设备
CN116098602A (zh) * 2023-01-16 2023-05-12 中国科学院软件研究所 一种基于ir-uwb雷达的非接触式睡眠呼吸监测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118015785A (zh) * 2024-04-07 2024-05-10 吉林大学 远程监测护理系统及其方法
CN118015785B (zh) * 2024-04-07 2024-06-07 吉林大学 远程监测护理系统及其方法

Also Published As

Publication number Publication date
CN117315886B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
Sadreazami et al. Fall detection using standoff radar-based sensing and deep convolutional neural network
Jin et al. Multiple patients behavior detection in real-time using mmWave radar and deep CNNs
Khan et al. A deep learning framework using passive WiFi sensing for respiration monitoring
WO2020170221A1 (en) Handling concept drift in wi-fi-based localization
CN117315886B (zh) 一种基于uwb雷达的人员即将跌倒检测方法及装置
CN112998701A (zh) 基于毫米波雷达的生命体征检测与身份识别系统和方法
CN106559749B (zh) 一种基于射频层析成像的多目标被动式定位方法
Ruan et al. Tagfall: Towards unobstructive fine-grained fall detection based on uhf passive rfid tags
CN113609976B (zh) 一种基于WiFi设备的方向敏感多手势识别系统及方法
CN111505632A (zh) 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法
Jia et al. Multi-frequency and multi-domain human activity recognition based on SFCW radar using deep learning
Jia et al. Automatic event detection in low SNR microseismic signals based on multi-scale permutation entropy and a support vector machine
CN113447905A (zh) 双毫米波雷达人体跌倒检测装置及检测方法
CN113033654A (zh) 基于WiFi信道状态信息的室内入侵检测方法及系统
Wang et al. CSIID: WiFi-based human identification via deep learning
CN111901028B (zh) 一种基于多天线上csi的人体行为识别方法
Kwon et al. Human detection by deep neural networks recognizing micro-Doppler signals of radar
CN114781463A (zh) 一种跨场景鲁棒的室内摔倒无线检测方法及相关设备
Mishkhal et al. Deep Learning with network of Wearable sensors for preventing the Risk of Falls for Older People
CN116338684A (zh) 基于毫米波雷达与深度学习的人体跌倒检测方法及系统
Shankar et al. Radar-based non-intrusive fall motion recognition using deformable convolutional neural network
Showmik et al. Human activity recognition from wi-fi csi data using principal component-based wavelet cnn
CN113341392B (zh) 一种基于多站雷达微多普勒运动测向的人体行为分类方法
Bermudez et al. Population estimation using Wi-Fi’s received signal strength indicator based on artificial neural network
Parada et al. Smart surface: RFID-based gesture recognition using k-means algorithm

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