CN117331047A - 基于毫米波雷达的人体行为数据分析方法及系统 - Google Patents
基于毫米波雷达的人体行为数据分析方法及系统 Download PDFInfo
- Publication number
- CN117331047A CN117331047A CN202311635402.4A CN202311635402A CN117331047A CN 117331047 A CN117331047 A CN 117331047A CN 202311635402 A CN202311635402 A CN 202311635402A CN 117331047 A CN117331047 A CN 117331047A
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- features
- signal
- domain features
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000007405 data analysis Methods 0.000 title claims abstract description 17
- 238000007637 random forest analysis Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000002068 genetic effect Effects 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 239000002245 particle Substances 0.000 claims description 95
- 230000006399 behavior Effects 0.000 claims description 80
- 238000001228 spectrum Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 20
- 238000003066 decision tree Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000009395 breeding Methods 0.000 claims description 7
- 230000001488 breeding effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000005021 gait Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S13/581—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of interrupted pulse modulated waves and based upon the Doppler effect resulting from movement of targets
- G01S13/582—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of interrupted pulse modulated waves and based upon the Doppler effect resulting from movement of targets adapted for simultaneous range and velocity measurements
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S13/588—Velocity or trajectory determination systems; Sense-of-movement determination systems deriving the velocity value from the range measurement
-
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S13/62—Sense-of-movement determination
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于毫米波雷达的人体行为数据分析方法及系统,涉及数据分析技术领域,包括:配置测量雷达,获取距离信息和角度信息,根据角度信息,结合回波信号的相位差计算方位角和俯仰角,以及进行多普勒频移采集,获取目标速度信息,生成输入信号;根据输入信号,基于特征提取算法,结合滤波操作对输入信号对应的原始时间序列信号进行去噪,通过傅里叶变换提取输入信号的频域特征,时域特征和时频特征;根据时域特征和频域特征以及时频特征,结合行为识别模型,通过行为识别模型的遗传模块对行为识别模型的随机森林模块进行超参数调优,根据时域特征和频域特征以及时频特征,通过优化后的随机森林模块对人体状态进行分析,得到人体行为。
Description
技术领域
本发明涉及数据分析技术领域,尤其涉及一种基于毫米波雷达的人体行为数据分析方法及系统。
背景技术
人体的行为监测与步态识别在现代生活中具有重要的价值。经过数十年的研究,人体行为识别技术取得了巨大进步,由于雷达监测具有其他技术手段不具备的巨大优势,因此被广泛应用于安保监视、搜索救援、医学监护、居家养老、智能家居、人机交互等多个领域。
现有技术中, CN114580473A公开了一种基于雷达的人体行为识别方法及系统,包括如下步骤:信号获取步骤:雷达波束辐射被测人体,获取雷达的基带信号;信号处理步骤:对基带信号进行预处理,对预处理后的基带信号进行特征提取,得到人体行为的特征指标,并对人体行为进行分类。本发明适用于全天时、非接触、无隐私泄露风险的人体行为识别,可以识别:走路-跌倒、站着-跌倒、正常走路、站着-摆手、站着-坐下和走路-坐下总共6种常见的人体行为。
综上,现有技术虽然能够通过对雷达信号进行处理从而实现对人体行为模式进行分析,但仅通过预设的数据模型进行对比,无法根据实时数据进行动态分析,因此需要一种方案解决现有技术中存在的问题。
发明内容
本发明实施例提供一种基于毫米波雷达的人体行为数据分析方法及系统,用于基于毫米波雷达测量数据对人体行为进行分析。
本发明实施例的第一方面,提供一种基于毫米波雷达的人体行为数据分析方法,包括:
配置测量雷达,根据所述测量雷达获取距离信息和角度信息,根据所述角度信息,结合回波信号的相位差计算方位角和俯仰角,以及根据多普勒效应进行多普勒频移采集,获取目标速度信息,生成输入信号;
根据所述输入信号,基于特征提取算法,结合滤波操作对所述输入信号对应的原始时间序列信号进行去噪,并通过傅里叶变换提取所述输入信号的频域特征,时域特征和时频特征;
根据所述时域特征和所述频域特征以及所述时频特征,结合预设的行为识别模型,通过所述行为识别模型的遗传模块对所述行为识别模型的随机森林模块进行超参数调优,根据所述时域特征和所述频域特征以及所述时频特征,通过优化后的随机森林模块对人体状态进行分析,得到人体行为。
在一种可选的实施方式中,
所述根据所述测量雷达获取距离信息和角度信息,根据所述角度信息,结合回波信号的相位差计算方位角和俯仰角,以及根据多普勒效应进行多普勒频移采集,获取目标速度信息,生成输入信号包括:
根据配置的测量雷达,通过接收反射波获取目标与所述测量雷达之间的距离信息;根据所述反射波在不同天线元件上的初始相位差,对所述初始相位差进行相位解包,得到标准相位差,根据所述标准相位差,结合天线元件的位置关系建立几何关系,根据所述几何关系计算得到方位角和俯仰角;
比较所述测量雷达的发射频率和接收频率的差异,根据频率差异计算目标相对所述测量雷达的运动速度,根据所述运动速度的数值判断目标运动方向,对所述反射波通过快速傅里叶变换,得到频谱信息并根据所述频谱信息确定多普勒频移;
保存计算和测量得到的全部数据,并记为输入信号。
在一种可选的实施方式中,
通过特征提取算法提取所述输入信号的频域特征和时域特征包括:
获取输入信号的原始时间序列信号,通过滤波器对所述原始时间序列信号进行去噪,得到纯净信号,根据所述纯净信号,计算所述纯净信号的平均值,标准差及峰值,并将所述平均值,所述标准差以及所述峰值记为时域特征;
获取计算得到的纯净信号,通过快速傅里叶变换计算得到信号频谱,并根据所述信号频谱,结合预设的能量集中阈值确定能量集中区域,计算所述能量集中区域中的信号能量,并将所述信号能量记为频域特征。
在一种可选的实施方式中,
所述计算所述能量集中区域中的信号能量如下公式所示:
;
其中,E表示信号能量,f 1 表示能量集中区域的频率下限,f 2 表示能量集中区域的频率上限,S clean ()表示纯净信号在t时刻的振幅,t表示时间,f表示频率,j表示电流和电压间的相位关系。
在一种可选的实施方式中,
通过特征提取算法提取所述输入信号的时频特征包括:
获取所述输入信号,根据所述输入信号选择窗函数,获取通过计算得到的纯净信号,根据所述纯净信号,对每个时间点应用所述窗函数,并进行短时傅里叶变换,得到短时变换结果;
根据所述短时变换结果计算得到时频能量分布和时频熵,将所述时频能量分布和所述时频熵转换特征向量格式并保存,记为时频特征。
在一种可选的实施方式中,
所述根据所述时域特征和所述频域特征以及所述时频特征,结合预设的行为识别模型,通过所述行为识别模型的遗传模块对所述行为识别模型的随机森林模块进行超参数调优包括:
根据所述时域特征和所述频域特征以及所述时频特征,确定每个超参数的初始值,并将每一组超参数编码形成一个个体;
随机生成初始粒子群,其中每个粒子代表一组超参数数值,并通过适应度函数计算所述初始粒子群中每个粒子对应的第一适应度值,选择所述初始粒子群中具有最高适应度值的粒子,记为初代最优粒子;
根据所述初代最优粒子,随机生成繁殖种群,对于所述繁殖种群中的每个粒子,计算与其对应的第二适应度值,并与所述第一适应度值比较,并根据适应度值的大小降序排列,选择适应度值前20%的粒子作为优胜者,记为二代最优粒子;
将二代最优粒子使用多点交叉操作,并对经过交叉后的粒子进行随机变异操作,得到三代粒子群,计算所述三代粒子群中每个粒子对应的第三适应度值,选择适应度值最高的粒子作为三代最优粒子,并根据所述三代最优粒子调整所述随机森林模块的超参数。
在一种可选的实施方式中,
所述根据所述时域特征和所述频域特征以及所述时频特征,通过优化后的随机森林模块对人体状态进行分析,得到人体行为包括:
根据所述遗传模块调整所述随机森林模块的超参数,并获取所述时域特征和所述频域特征,将所述时域特征和所述频域特征通过预处理转换为标准特征输入;
根据所述标准特征输入,初始化随机森林,确定所述随机森林中的决策树数量和决策树深度,将所述标准特征输入添加至所述随机森林模块中,每个决策树根据分裂条件通过有放回抽样对所述标准输入特征进行重要性预测,生成特征重要性;
根据所述特征重要性,统计每个决策树的分类结果,并根据所述分类结果进行投票统计,最终得到人体行为。
本发明实施例的第二方面,提供一种基于毫米波雷达的人体行为数据分析系统,包括:
第一单元,用于配置测量雷达,根据所述测量雷达获取距离信息和角度信息,根据所述角度信息,结合回波信号的相位差计算方位角和俯仰角,以及根据多普勒效应进行多普勒频移采集,获取目标速度信息,生成输入信号;
第二单元,用于根据所述输入信号,基于特征提取算法,结合滤波操作对所述输入信号对应的原始时间序列信号进行去噪,并通过傅里叶变换提取所述输入信号的频域特征,时域特征和时频特征;
第三单元,用于根据所述时域特征和所述频域特征以及所述时频特征,结合预设的行为识别模型,通过所述行为识别模型的遗传模块对所述行为识别模型的随机森林模块进行超参数调优,根据所述时域特征和所述频域特征以及所述时频特征,通过优化后的随机森林模块对人体状态进行分析,得到人体行为。
本发明实施例的第三方面,
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调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
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,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明基于特征提取算法和滤波操作,方案对输入信号进行了有效的去噪处理,保留了信号中的关键信息,提取了频域特征、时域特征和时频特征,为后续行为识别提供了高质量的输入,通过遗传算法对行为识别模型的随机森林模块进行超参数调优,提高了行为识别模型的性能,使得模型能够更好地适应不同场景和行为的识别任务,提高了模型的鲁棒性和泛化能力,通过优化后的随机森林模块对时域特征和频域特征的综合分析,能够准确识别和分类人体的不同行为,为行为分析提供了高准确性的结果,综上,本发明通过整合雷达获取的信息、信号处理、特征提取和优化的行为识别模型,实现了对人体行为的高效准确分析。
附图说明
图1为本发明实施例基于毫米波雷达的人体行为数据分析方法的流程示意图;
图2为本发明实施例基于毫米波雷达的人体行为数据分析系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例基于毫米波雷达的人体行为数据分析方法的流程示意图,如图1所示,所述方法包括:
S1.配置测量雷达,根据所述测量雷达获取距离信息和角度信息,根据所述角度信息,结合回波信号的相位差计算方位角和俯仰角,以及根据多普勒效应进行多普勒频移采集,获取目标速度信息,生成输入信号;
所述多普勒频移是指由于运动引起的信号频率的变化,多普勒频移是基于多普勒效应产生的,涉及到一个物体相对于观察者的运动,其中所述测量雷达是毫米波雷达。
在一种可选的实施方式中,
所述根据所述测量雷达获取距离信息和角度信息,根据所述角度信息,结合回波信号的相位差计算方位角和俯仰角,以及根据多普勒效应进行多普勒频移采集,获取目标速度信息,生成输入信号包括:
根据配置的测量雷达,通过接收反射波获取目标与所述测量雷达之间的距离信息;根据所述反射波在不同天线元件上的初始相位差,对所述初始相位差进行相位解包,得到标准相位差,根据所述标准相位差,结合天线元件的位置关系建立几何关系,根据所述几何关系计算得到方位角和俯仰角;
比较所述测量雷达的发射频率和接收频率的差异,根据频率差异计算目标相对所述测量雷达的运动速度,根据所述运动速度的数值判断目标运动方向,对所述反射波通过快速傅里叶变换,得到频谱信息并根据所述频谱信息确定多普勒频移;
保存计算和测量得到的全部数据,并记为输入信号。
所述相位解包是在信号处理中的一个步骤,通常用于处理由于信号的周期性而产生的相位跳变问题,当测量的相位值超过一个周期的范围时,需要进行相位解包,所述频谱信息表示信号在频率域中的分布情况,通常通过对信号进行傅里叶变换来获得。
配置测量雷达发射脉冲,并等待反射波的返回,接收目标反射波,并通过测量反射波的时间延迟计算目标与雷达之间的距离,利用反射波在不同天线元件上的初始相位差,进行相位解包得到标准相位差,结合天线元件的位置关系(物理距离,即基线的长度),建立目标方向与测量值之间的几何关系,根据相位差信息和天线基线长度,结合几何关系和标准相位差,计算目标的方位角和俯仰角;
从雷达系统中获取发射脉冲的频率和接收到的反射波的频率,比较测量雷达的发射频率和接收频率的差异,得到频率差异值,利用多普勒效应的公式,通过频率差异计算目标相对雷达的运动速度,根据速度的正负,判断目标的运动方向。若所述速度为正,则目标朝向雷达运动,若所述速度为负,则目标远离雷达运动,对接收到的反射波进行快速傅里叶变换,得到频谱信息,通过分析频谱的中心位置和分布,计算多普勒频移的大小和方向,确定反射波的多普勒频移;
保存所述多普勒频移,方位角和俯仰角和运动速度,记为输入信号。
本实施例中,通过配置的测量雷达,利用接收反射波的方式,实现对目标与雷达之间距离信息的高精度获取,有助于准确地定位目标位置,利用反射波在不同天线元件上的初始相位差,通过相位解包得到标准相位差,结合天线元件的位置关系建立几何关系,从而计算目标的方位角和俯仰角,为目标的方向和位置提供了准确的信息,通过对反射波进行快速傅里叶变换,得到频谱信息,并根据频谱信息确定多普勒频移,提供了目标的运动速度更为详细的信息,尤其在涉及快速运动的场景中,对行为分析具有重要作用,综上,本实施例通过对雷达获取的信号进行多方面的处理和分析,为后续行为数据分析提供了关键的输入,为发明方案的准确性和可靠性奠定了基础。
S2.根据所述输入信号,基于特征提取算法,结合滤波操作对所述输入信号对应的原始时间序列信号进行去噪,并通过傅里叶变换提取所述输入信号的频域特征,时域特征和时频特征;
所述时域特征是信号处理领域中描述信号在时间轴上行为和性质的特征,提供了有关信号随时间变化的信息,包括信号的振幅、频率、相位,所述频域特征是信号在频率域上的性质和特征,提供了关于信号在不同频率上的分布和振幅信息,所述时频特征是一种将信号在时域和频域上的特性结合起来的分析方法,以便更全面地了解信号的动态性质,通常用于揭示信号随时间变化的频率特性或频率随时间的变化,所述特征提取算法是一种用于从原始数据中提取相关信息的计算方法。
在一种可选的实施方式中,
通过特征提取算法提取所述输入信号的频域特征和时域特征包括:
获取输入信号的原始时间序列信号,通过滤波器对所述原始时间序列信号进行去噪,得到纯净信号,根据所述纯净信号,计算所述纯净信号的平均值,标准差及峰值,并将所述平均值,所述标准差以及所述峰值记为时域特征;
获取计算得到的纯净信号,通过快速傅里叶变换计算得到信号频谱,并根据所述信号频谱,结合预设的能量集中阈值确定能量集中区域,计算所述能量集中区域中的信号能量,并将所述信号能量记为频域特征。
获取原始时间序列信号,选择适当的滤波器类型和截止频率,通过数字信号处理工具或库应用于原始信号,得到纯净信号,使用数学计算库或信号处理工具通过计算所有数据点的平均值求纯净信号的平均值,并计算纯净信号的标准差,使用峰值检测算法(如寻找信号中的局部最大值)来识别峰值,并将所述平均值,所述标准差以及所述峰值记为时域特征;
获取纯净信号,即通过滤波器去噪后的信号,对纯净信号进行快速傅里叶变换,将信号从时域转换到频域,得到信号的频谱,根据信号特性设置能量筛选阈值,并根据所述能量筛选阈值确定所述信号频谱中频谱信号能量大于所述能量筛选阈值对应的能量集中区域,在能量集中区域内,通过公式计算频谱的能量,得到频域特征,即信号在能量集中区域中的能量。
本实施例中,时域和频域特征的提取有助于增强对不同人体行为的区分度,例如站立、走动、呼吸等,从而更精细地分析人体行为,去噪和频谱分析等步骤有助于提高信号的质量,使得从毫米波雷达中获取的人体行为数据更加可靠和稳定,结合时域和频域特征的分析,可以提高基于毫米波雷达的人体行为数据分析系统对于动作、状态等信息的准确性和鲁棒性,综上,本实施例在提高数据质量、增强特征区分度以及提高系统准确性等方面具有积极的影响。
在一种可选的实施方式中,
所述计算所述能量集中区域中的信号能量如下公式所示:
;
其中,E表示信号能量,f 1 表示能量集中区域的频率下限,f 2 表示能量集中区域的频率上限,S clean ()表示纯净信号在t时刻的振幅,t表示时间,f表示频率,j表示电流和电压间的相位关系。
本函数中,通过计算信号在特定频率范围内的能量,可以在一定程度上抑制与人体行为无关的噪声或干扰,提高对人体运动信号的准确性,有助于从毫米波雷达接收到的信号中捕捉人体行为的特定频率信息。例如,人体的呼吸和步态等运动会在频谱中表现为特定的频率成分,积分的上下限和允许选择感兴趣的频率范围,以便更精确地分析特定频率成分的能量分布,综上,本函数能够通过频域分析获取信号能量,有助于更精确地捕捉和分析人体运动特征。
在一种可选的实施方式中,
通过特征提取算法提取所述输入信号的时频特征包括:
获取所述输入信号,根据所述输入信号选择窗函数,获取通过计算得到的纯净信号,根据所述纯净信号,对每个时间点应用所述窗函数,并进行短时傅里叶变换,得到短时变换结果;
根据所述短时变换结果计算得到时频能量分布和时频熵,将所述时频能量分布和所述时频熵转换特征向量格式并保存,记为时频特征。
所述窗函数是在时域信号上进行截断或调整的一种数学函数,目的是限制信号在有限时间内的观测,避免频谱泄漏等问题,所述时频能量分布是指在时域和频域上描述信号能量分布的一种表示,所述时频熵是一种衡量信号时频分布混沌程度或不确定性的指标,反映了信号在时频域上的复杂性和变化程度。
获取输入信号,根据信号特性选择合适的窗函数,如汉宁窗和高斯窗等,应用选择的窗函数,并获取通过计算得到的纯净信号,确定短时傅里叶变换的参数,包括窗长、重叠比例等,以平衡时域和频域的分辨率,对纯净信号的每个时间点应用窗函数,并进行短时傅里叶变换,得到时频域上的局部频谱信息,记为短时变换结果;
对于每个时间点和频率,通过对所述短时变换结果的幅度平方计算其能量值,计算其局部频谱的熵,通过将每个时间点的频谱能量和熵作为特征向量的一个维度,将时频能量分布和时频熵整理为特征向量的格式,记为时频特征。
本实施例中,应用窗函数有效减小了干扰或噪声的影响,突出了信号的主要特征,时频熵作为描述信号复杂性和不确定性的指标,提供了对信号时频分布的更深层次理解,通过计算时频能量分布,得到了信号在时频域上的能量分布情况,对信号的时频动态特性进行了详细描述,通过时频能量分布和时频熵的结合,得到了全面的时频特征描述,有助于更深入地理解人体行为的复杂动态变化,综上,本实施例通过时频特征的提取,能够更好地捕捉和描述人体行为数据的时频动态特性,为后续的数据分析和模型建模提供更为丰富和有力的特征信息。
S3.根据所述时域特征和所述频域特征以及所述时频特征,结合预设的行为识别模型,通过所述行为识别模型的遗传模块对所述行为识别模型的随机森林模块进行超参数调优,根据所述时域特征和所述频域特征以及所述时频特征,通过优化后的随机森林模块对人体状态进行分析,得到人体行为。
所述行为识别模型是一种通过分析传感器数据或其他输入来识别和分类个体行为的系统,所述随机森林模块用于选择最重要的特征,所述遗传模块用于模拟自然选择和遗传机制,通过进化的方式搜索最优解。
在一种可选的实施方式中,
所述根据所述时域特征和所述频域特征以及所述时频特征,结合预设的行为识别模型,通过所述行为识别模型的遗传模块对所述行为识别模型的随机森林模块进行超参数调优包括:
根据所述时域特征和所述频域特征以及所述时频特征,确定每个超参数的初始值,并将每一组超参数编码形成一个个体;
随机生成初始粒子群,其中每个粒子代表一组超参数数值,并通过适应度函数计算所述初始粒子群中每个粒子对应的第一适应度值,选择所述初始粒子群中具有最高适应度值的粒子,记为初代最优粒子;
根据所述初代最优粒子,随机生成繁殖种群,对于所述繁殖种群中的每个粒子,计算与其对应的第二适应度值,并与所述第一适应度值比较,并根据适应度值的大小降序排列,选择适应度值前20%的粒子作为优胜者,记为二代最优粒子;
将二代最优粒子使用多点交叉操作,并对经过交叉后的粒子进行随机变异操作,得到三代粒子群,计算所述三代粒子群中每个粒子对应的第三适应度值,选择适应度值最高的粒子作为三代最优粒子,并根据所述三代最优粒子调整所述随机森林模块的超参数。
所述繁殖种群是遗传算法中用于产生下一代的集合,目标是引入多样性,通过遗传算法的操作,使得新生成的个体在超参数空间中更具有多样性,以便更好地探索整个搜索空间,所述超参数是机器学习算法中的一类配置参数,它们在训练模型之前设置,而不是通过训练数据学习得到,其中,所述第一适应度值,第二适应度值和第三适应度值使用同一个适应度函数计算得到。
使用时域特征、频域特征和时频特征确定每个超参数的初始值,并将每一组超参数编码形成一个个体;
随机生成初始粒子群,所述初始粒子群中的每个粒子代表一组超参数数值,设计适应度函数,并考虑准确性和泛化能力,对初始粒子群中的每个粒子,计算其适应度值,选择具有最高适应度值的粒子作为初代最优粒子;
利用初代最优粒子的超参数信息,例如编码后的超参数向量,从初代最优粒子的超参数信息出发随机生成繁殖种群,并保证繁殖种群具有一定的多样性,对繁殖种群中的每个粒子,计算与其对应的第二适应度值,将第一适应度值和第二适应度值进行比较,将所有粒子按照适应度值的大小进行降序排列,选择适应度值前20%的粒子作为优胜者,记为二代最优粒子;
对二代最优粒子进行多点交叉操作,选择多个交叉点,将两个父粒子的部分超参数值进行互换,并对交叉后的粒子进行随机变异操作,随机修改某些超参数的值,通过交叉和变异得到的粒子形成三代粒子群,对三代粒子群中的每个粒子,使用适应度函数计算其对应的第三适应度值,从三代粒子群中选择适应度值最高的粒子作为三代最优粒子,根据三代最优粒子的超参数,调整随机森林模块的相应超参数,并将三代最优粒子的超参数信息返回,作为随机森林模块的新配置。
本实施例中,通过结合时域特征、频域特征和时频特征,可以更全面地捕捉毫米波雷达反射信号中的信息,通过将每个超参数的初始值与特征进行关联,可以在初始阶段更好地探索超参数空间,通过适应度函数计算每个粒子的第一适应度值,选择初代最优粒子,有助于确定在初始时哪些超参数配置可能对于问题的解决是有效的,通过多点交叉和随机变异,引入了基因的交换和变异,增加了种群的多样性,有助于更全面地搜索超参数空间,综上,本实施例优化了超参数配置,有助于提高对人体行为数据分析的准确性和泛化能力,同时通过多代优化有助于提高系统的性能和可靠性。
在一种可选的实施方式中,
所述根据所述时域特征和所述频域特征以及所述时频特征,通过优化后的随机森林模块对人体状态进行分析,得到人体行为包括:
根据所述遗传模块调整所述随机森林模块的超参数,并获取所述时域特征和所述频域特征,将所述时域特征和所述频域特征通过预处理转换为标准特征输入;
根据所述标准特征输入,初始化随机森林,确定所述随机森林中的决策树数量和决策树深度,将所述标准特征输入添加至所述随机森林模块中,每个决策树根据分裂条件通过有放回抽样对所述标准输入特征进行重要性预测,生成特征重要性;
根据所述特征重要性,统计每个决策树的分类结果,并根据所述分类结果进行投票统计,最终得到人体行为。
获取通过遗传算模块得到的三代最优粒子中的超参数,包括决策树数量、决策树深度等,利用得到的超参数调整随机森林模块,确保遗传算法得到的超参数配置被有效应用,将获取的时域特征和频域特征进行归一化、标准化等预处理操作,确保特征具有相同的尺度,将预处理后的时域特征和频域特征合并为标准特征输入;
根据标准特征输入初始化随机森林,确定决策树数量和决策树深度,使用遗传模块得到的超参数,将标准特征输入添加至随机森林模块,对每个决策树根据分裂条件通过有放回抽样对标准输入特征进行重要性预测,汇总每个决策树生成的特征重要性,其中,所述有放回抽样是一种采样方法,其中每个样本在抽取后被放回样本集,从而可能被下一次抽取再次选中,同一个样本可能在采样的过程中被选中多次,也有可能一次都不被选中,示例性地,对一个包含两个样本的数据集,A和B,进行抽样,可能每次的抽样结果都为A,而B被抽中的次数为0;
根据特征重要性,统计每个决策树的分类结果,根据每个决策树的分类结果进行投票统计,最终的投票结果即为人体行为的分类结果。
本实施例中,通过遗传模块调整随机森林模块的超参数,可以优化随机森林的性能,使其更适应当前数据集和任务,能够提高模型的泛化能力和准确性,预处理操作确保了特征的一致性和可比性,为后续的模型训练提供了良好的输入,有放回抽样模拟了在训练过程中的多次观察,使得模型更具鲁棒性,通过有放回抽样,每个决策树都能够获得对数据集的不同视角,提高了模型的多样性,综上,本实施例综合考虑不同特征,在保证准确性的同时又具有较好泛化能力和可解释性。
图2为本发明实施例基于毫米波雷达的人体行为数据分析系统的结构示意图,如图2所示,所述系统包括:
第一单元,用于配置测量雷达,根据所述测量雷达获取距离信息和角度信息,根据所述角度信息,结合回波信号的相位差计算方位角和俯仰角,以及根据多普勒效应进行多普勒频移采集,获取目标速度信息,生成输入信号;
第二单元,用于根据所述输入信号,基于特征提取算法,结合滤波操作对所述输入信号对应的原始时间序列信号进行去噪,并通过傅里叶变换提取所述输入信号的频域特征,时域特征和时频特征;
第三单元,用于根据所述时域特征和所述频域特征以及所述时频特征,结合预设的行为识别模型,通过所述行为识别模型的遗传模块对所述行为识别模型的随机森林模块进行超参数调优,根据所述时域特征和所述频域特征以及所述时频特征,通过优化后的随机森林模块对人体状态进行分析,得到人体行为。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于毫米波雷达的人体行为数据分析方法,其特征在于,包括:
配置测量雷达,根据所述测量雷达获取距离信息和角度信息,根据所述角度信息,结合回波信号的相位差计算方位角和俯仰角,以及根据多普勒效应进行多普勒频移采集,获取目标速度信息,生成输入信号;
根据所述输入信号,基于特征提取算法,结合滤波操作对所述输入信号对应的原始时间序列信号进行去噪,并通过傅里叶变换提取所述输入信号的频域特征,时域特征和时频特征;
通过特征提取算法提取所述输入信号的频域特征和时域特征包括:
获取输入信号的原始时间序列信号,通过滤波器对所述原始时间序列信号进行去噪,得到纯净信号,根据所述纯净信号,计算所述纯净信号的平均值,标准差及峰值,并将所述平均值,所述标准差以及所述峰值记为时域特征;
获取计算得到的纯净信号,通过快速傅里叶变换计算得到信号频谱,并根据所述信号频谱,结合预设的能量集中阈值确定能量集中区域,计算所述能量集中区域中的信号能量,并将所述信号能量记为频域特征;
所述计算所述能量集中区域中的信号能量如下公式所示:
;
其中,E表示信号能量,f 1 表示能量集中区域的频率下限,f 2 表示能量集中区域的频率上限,S clean ()表示纯净信号在t时刻的振幅,t表示时间,f表示频率,j表示电流和电压间的相位关系;
根据所述时域特征和所述频域特征以及所述时频特征,结合预设的行为识别模型,通过所述行为识别模型的遗传模块对所述行为识别模型的随机森林模块进行超参数调优,根据所述时域特征和所述频域特征以及所述时频特征,通过优化后的随机森林模块对人体状态进行分析,得到人体行为。
2.根据权利要求1所述的方法,其特征在于,所述根据所述测量雷达获取距离信息和角度信息,根据所述角度信息,结合回波信号的相位差计算方位角和俯仰角,以及根据多普勒效应进行多普勒频移采集,获取目标速度信息,生成输入信号包括:
根据配置的测量雷达,通过接收反射波获取目标与所述测量雷达之间的距离信息,根据所述反射波在不同天线元件上的初始相位差,对所述初始相位差进行相位解包,得到标准相位差,根据所述标准相位差,结合天线元件的位置关系建立几何关系,根据所述几何关系计算得到方位角和俯仰角;
比较所述测量雷达的发射频率和接收频率的差异,根据频率差异计算目标相对所述测量雷达的运动速度,根据所述运动速度的数值判断目标运动方向,对所述反射波通过快速傅里叶变换,得到频谱信息并根据所述频谱信息确定多普勒频移;
保存计算和测量得到的全部数据,并记为输入信号。
3.根据权利要求1所述的方法,其特征在于,通过特征提取算法提取所述输入信号的时频特征包括:
获取所述输入信号,根据所述输入信号选择窗函数,获取通过计算得到的纯净信号,根据所述纯净信号,对每个时间点应用所述窗函数,并进行短时傅里叶变换,得到短时变换结果;
根据所述短时变换结果计算得到时频能量分布和时频熵,将所述时频能量分布和所述时频熵转换特征向量格式并保存,记为时频特征。
4.根据权利要求1所述的方法,其特征在于,所述根据所述时域特征和所述频域特征以及所述时频特征,结合预设的行为识别模型,通过所述行为识别模型的遗传模块对所述行为识别模型的随机森林模块进行超参数调优包括:
根据所述时域特征和所述频域特征以及所述时频特征,确定每个超参数的初始值,并将每一组超参数编码形成一个个体;
随机生成初始粒子群,其中每个粒子代表一组超参数数值,并通过适应度函数计算所述初始粒子群中每个粒子对应的第一适应度值,选择所述初始粒子群中具有最高适应度值的粒子,记为初代最优粒子;
根据所述初代最优粒子,随机生成繁殖种群,对于所述繁殖种群中的每个粒子,计算与其对应的第二适应度值,并与所述第一适应度值比较,并根据适应度值的大小降序排列,选择适应度值前20%的粒子作为优胜者,记为二代最优粒子;
将二代最优粒子使用多点交叉操作,并对经过交叉后的粒子进行随机变异操作,得到三代粒子群,计算所述三代粒子群中每个粒子对应的第三适应度值,选择适应度值最高的粒子作为三代最优粒子,并根据所述三代最优粒子调整所述随机森林模块的超参数。
5.根据权利要求1所述的方法,其特征在于,所述根据所述时域特征和所述频域特征以及所述时频特征,通过优化后的随机森林模块对人体状态进行分析,得到人体行为包括:
根据所述遗传模块调整所述随机森林模块的超参数,并获取所述时域特征和所述频域特征,将所述时域特征和所述频域特征通过预处理转换为标准特征输入;
根据所述标准特征输入,初始化随机森林,确定所述随机森林中的决策树数量和决策树深度,将所述标准特征输入添加至所述随机森林模块中,每个决策树根据分裂条件通过有放回抽样对所述标准输入特征进行重要性预测,生成特征重要性;
根据所述特征重要性,统计每个决策树的分类结果,并根据所述分类结果进行投票统计,最终得到人体行为。
6.一种基于毫米波雷达的人体行为数据分析系统,用于实现前述权利要求1-5中任一项所述的基于毫米波雷达的人体行为数据分析方法,其特征在于,包括:
第一单元,用于配置测量雷达,根据所述测量雷达获取距离信息和角度信息,根据所述角度信息,结合回波信号的相位差计算方位角和俯仰角,以及根据多普勒效应进行多普勒频移采集,获取目标速度信息,生成输入信号;
第二单元,用于根据所述输入信号,基于特征提取算法,结合滤波操作对所述输入信号对应的原始时间序列信号进行去噪,并通过傅里叶变换提取所述输入信号的频域特征,时域特征和时频特征;
第三单元,用于根据所述时域特征和所述频域特征以及所述时频特征,结合预设的行为识别模型,通过所述行为识别模型的遗传模块对所述行为识别模型的随机森林模块进行超参数调优,根据所述时域特征和所述频域特征以及所述时频特征,通过优化后的随机森林模块对人体状态进行分析,得到人体行为。
7.一种电子设备,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调用所述存储器存储的指令,以执行权利要求1至5中任意一项所述的方法。
8.一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,所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311635402.4A CN117331047A (zh) | 2023-12-01 | 2023-12-01 | 基于毫米波雷达的人体行为数据分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311635402.4A CN117331047A (zh) | 2023-12-01 | 2023-12-01 | 基于毫米波雷达的人体行为数据分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117331047A true CN117331047A (zh) | 2024-01-02 |
Family
ID=89279704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311635402.4A Pending CN117331047A (zh) | 2023-12-01 | 2023-12-01 | 基于毫米波雷达的人体行为数据分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117331047A (zh) |
Citations (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108459311A (zh) * | 2018-03-22 | 2018-08-28 | 三明学院 | 基于Hough变换的卷积神经网络下微多普勒目标分类方法 |
CN108564005A (zh) * | 2018-03-26 | 2018-09-21 | 电子科技大学 | 一种基于卷积神经网络的人体跌倒辨识方法 |
CN110045348A (zh) * | 2019-05-05 | 2019-07-23 | 应急管理部上海消防研究所 | 一种基于改进卷积神经网络的人体运动状态分类方法 |
CN110133610A (zh) * | 2019-05-14 | 2019-08-16 | 浙江大学 | 基于时变距离-多普勒图的超宽带雷达动作识别方法 |
US20190317191A1 (en) * | 2018-04-11 | 2019-10-17 | Infineon Technologies Ag | Human Detection and Identification in a Setting Using Millimiter-Wave Radar |
CN111175718A (zh) * | 2019-12-18 | 2020-05-19 | 南京理工大学 | 联合时频域的地面雷达自动目标识别方法及系统 |
CN111465983A (zh) * | 2017-12-22 | 2020-07-28 | 罗伯特·博世有限公司 | 用于确定占用的系统和方法 |
CN111514585A (zh) * | 2020-03-17 | 2020-08-11 | 清华大学 | 智能体的控制方法及系统、计算机装置以及存储介质 |
CN111650582A (zh) * | 2020-07-27 | 2020-09-11 | 四川长虹电器股份有限公司 | 一种基于mimo毫米波雷达的手势识别方法 |
CN112147601A (zh) * | 2020-09-03 | 2020-12-29 | 南京信息工程大学 | 一种基于随机森林的海面小目标检测方法 |
CN112198507A (zh) * | 2020-09-25 | 2021-01-08 | 森思泰克河北科技有限公司 | 人体跌倒特征的检测方法及装置 |
CN112674740A (zh) * | 2020-12-22 | 2021-04-20 | 北京工业大学 | 一种基于毫米波雷达的生命体征检测方法 |
CN112782684A (zh) * | 2020-12-31 | 2021-05-11 | 深圳大学 | 一种人体目标检测方法、装置、计算机设备和存储介质 |
CN112971769A (zh) * | 2021-02-04 | 2021-06-18 | 杭州慧光健康科技有限公司 | 一种基于生物雷达的居家人员摔倒检测系统和方法 |
CN113030936A (zh) * | 2021-03-24 | 2021-06-25 | 中国人民解放军93114部队 | 一种基于微多普勒特征的手势识别方法及系统 |
CN113033416A (zh) * | 2021-03-26 | 2021-06-25 | 深圳市华杰智通科技有限公司 | 一种基于稀疏函数的毫米波雷达手势识别方法 |
CN113050797A (zh) * | 2021-03-26 | 2021-06-29 | 深圳市华杰智通科技有限公司 | 一种通过毫米波雷达实现手势识别的方法 |
CN113420634A (zh) * | 2021-06-18 | 2021-09-21 | 深圳大学 | 人体摔倒的检测方法、装置、电子设备及存储介质 |
CN113598759A (zh) * | 2021-09-13 | 2021-11-05 | 曲阜师范大学 | 一种基于肌电特征优化的下肢动作识别方法及系统 |
CN113848544A (zh) * | 2021-08-03 | 2021-12-28 | 隔空微电子(广州)有限公司 | 基于多普勒雷达的人体存在感应检测方法、装置、存储介质 |
CN113866737A (zh) * | 2021-09-03 | 2021-12-31 | 西安电子科技大学 | 基于Stacking集成算法的空间微动目标识别方法 |
CN114038012A (zh) * | 2021-11-08 | 2022-02-11 | 四川启睿克科技有限公司 | 基于毫米波雷达和机器学习的跌倒检测方法及系统 |
CN114580473A (zh) * | 2022-02-28 | 2022-06-03 | 上海交通大学 | 基于雷达的人体行为识别方法及系统 |
CN114742117A (zh) * | 2022-06-13 | 2022-07-12 | 长沙莫之比智能科技有限公司 | 复杂室内场景下毫米波雷达的人体生命体征检测方法 |
CN114757433A (zh) * | 2022-04-24 | 2022-07-15 | 四川大学 | 一种饮用水源抗生素抗性相对风险快速识别方法 |
CN114969267A (zh) * | 2022-06-13 | 2022-08-30 | 华东理工大学 | 一种核电质量缺陷成因分析方法 |
CN115061094A (zh) * | 2022-06-06 | 2022-09-16 | 北京理工大学 | 一种基于神经网络与svm的雷达目标识别方法 |
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 |
US20230018686A1 (en) * | 2019-12-12 | 2023-01-19 | Google Llc | Privacy-preserving radar-based fall monitoring |
CN115754967A (zh) * | 2022-11-28 | 2023-03-07 | 四川启睿克科技有限公司 | 一种基于毫米波雷达人体跌倒检测方法 |
CN115736854A (zh) * | 2022-11-09 | 2023-03-07 | 德心智能科技(常州)有限公司 | 一种基于毫米波雷达的呼吸心跳监测系统 |
CN115813378A (zh) * | 2022-11-01 | 2023-03-21 | 华南理工大学 | 基于连续波雷达信号的非接触式人体身份识别方法 |
CN116027324A (zh) * | 2023-03-24 | 2023-04-28 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的跌倒检测方法、装置及毫米波雷达设备 |
CN116106894A (zh) * | 2023-02-07 | 2023-05-12 | 北京航空航天大学 | 基于5d毫米波雷达的目标跟踪方法、设备及存储介质 |
CN116244673A (zh) * | 2022-12-08 | 2023-06-09 | 兰州云帆知联科技有限公司 | 一种基于无线信号的行为与身份识别方法 |
CN116616747A (zh) * | 2022-09-08 | 2023-08-22 | 深圳绿米联创科技有限公司 | 姿态识别方法、装置、电子设备及存储介质 |
CN116662740A (zh) * | 2023-05-31 | 2023-08-29 | 广东乐贤卫浴有限公司 | 一种交互式三体系雷达感应系统及其智能坐便器 |
CN116702638A (zh) * | 2023-05-05 | 2023-09-05 | 郑州大学 | 排水管道淤积病害双层智能诊断方法及系统 |
CN116804735A (zh) * | 2023-06-16 | 2023-09-26 | 北京理工大学 | 一种基于小波变换与神经网络的雷达目标识别方法 |
CN116862658A (zh) * | 2023-07-14 | 2023-10-10 | 中国工商银行股份有限公司 | 信用评估方法、装置、电子设备、介质和程序产品 |
CN116933002A (zh) * | 2022-04-01 | 2023-10-24 | 新加坡国立大学 | 一种动作检测方法、装置、终端设备和存储介质 |
CN117064349A (zh) * | 2023-08-17 | 2023-11-17 | 德心智能科技(常州)有限公司 | 毫米波雷达与智能床联动的姿态控制方法及系统 |
-
2023
- 2023-12-01 CN CN202311635402.4A patent/CN117331047A/zh active Pending
Patent Citations (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111465983A (zh) * | 2017-12-22 | 2020-07-28 | 罗伯特·博世有限公司 | 用于确定占用的系统和方法 |
CN108459311A (zh) * | 2018-03-22 | 2018-08-28 | 三明学院 | 基于Hough变换的卷积神经网络下微多普勒目标分类方法 |
CN108564005A (zh) * | 2018-03-26 | 2018-09-21 | 电子科技大学 | 一种基于卷积神经网络的人体跌倒辨识方法 |
US20190317191A1 (en) * | 2018-04-11 | 2019-10-17 | Infineon Technologies Ag | Human Detection and Identification in a Setting Using Millimiter-Wave Radar |
CN110045348A (zh) * | 2019-05-05 | 2019-07-23 | 应急管理部上海消防研究所 | 一种基于改进卷积神经网络的人体运动状态分类方法 |
CN110133610A (zh) * | 2019-05-14 | 2019-08-16 | 浙江大学 | 基于时变距离-多普勒图的超宽带雷达动作识别方法 |
US20230018686A1 (en) * | 2019-12-12 | 2023-01-19 | Google Llc | Privacy-preserving radar-based fall monitoring |
CN111175718A (zh) * | 2019-12-18 | 2020-05-19 | 南京理工大学 | 联合时频域的地面雷达自动目标识别方法及系统 |
CN111514585A (zh) * | 2020-03-17 | 2020-08-11 | 清华大学 | 智能体的控制方法及系统、计算机装置以及存储介质 |
CN111650582A (zh) * | 2020-07-27 | 2020-09-11 | 四川长虹电器股份有限公司 | 一种基于mimo毫米波雷达的手势识别方法 |
CN112147601A (zh) * | 2020-09-03 | 2020-12-29 | 南京信息工程大学 | 一种基于随机森林的海面小目标检测方法 |
CN112198507A (zh) * | 2020-09-25 | 2021-01-08 | 森思泰克河北科技有限公司 | 人体跌倒特征的检测方法及装置 |
CN112674740A (zh) * | 2020-12-22 | 2021-04-20 | 北京工业大学 | 一种基于毫米波雷达的生命体征检测方法 |
CN112782684A (zh) * | 2020-12-31 | 2021-05-11 | 深圳大学 | 一种人体目标检测方法、装置、计算机设备和存储介质 |
CN112971769A (zh) * | 2021-02-04 | 2021-06-18 | 杭州慧光健康科技有限公司 | 一种基于生物雷达的居家人员摔倒检测系统和方法 |
CN113030936A (zh) * | 2021-03-24 | 2021-06-25 | 中国人民解放军93114部队 | 一种基于微多普勒特征的手势识别方法及系统 |
CN113033416A (zh) * | 2021-03-26 | 2021-06-25 | 深圳市华杰智通科技有限公司 | 一种基于稀疏函数的毫米波雷达手势识别方法 |
CN113050797A (zh) * | 2021-03-26 | 2021-06-29 | 深圳市华杰智通科技有限公司 | 一种通过毫米波雷达实现手势识别的方法 |
CN113420634A (zh) * | 2021-06-18 | 2021-09-21 | 深圳大学 | 人体摔倒的检测方法、装置、电子设备及存储介质 |
CN113848544A (zh) * | 2021-08-03 | 2021-12-28 | 隔空微电子(广州)有限公司 | 基于多普勒雷达的人体存在感应检测方法、装置、存储介质 |
CN113866737A (zh) * | 2021-09-03 | 2021-12-31 | 西安电子科技大学 | 基于Stacking集成算法的空间微动目标识别方法 |
CN113598759A (zh) * | 2021-09-13 | 2021-11-05 | 曲阜师范大学 | 一种基于肌电特征优化的下肢动作识别方法及系统 |
CN114038012A (zh) * | 2021-11-08 | 2022-02-11 | 四川启睿克科技有限公司 | 基于毫米波雷达和机器学习的跌倒检测方法及系统 |
CN114580473A (zh) * | 2022-02-28 | 2022-06-03 | 上海交通大学 | 基于雷达的人体行为识别方法及系统 |
CN116933002A (zh) * | 2022-04-01 | 2023-10-24 | 新加坡国立大学 | 一种动作检测方法、装置、终端设备和存储介质 |
CN114757433A (zh) * | 2022-04-24 | 2022-07-15 | 四川大学 | 一种饮用水源抗生素抗性相对风险快速识别方法 |
CN115061094A (zh) * | 2022-06-06 | 2022-09-16 | 北京理工大学 | 一种基于神经网络与svm的雷达目标识别方法 |
CN114742117A (zh) * | 2022-06-13 | 2022-07-12 | 长沙莫之比智能科技有限公司 | 复杂室内场景下毫米波雷达的人体生命体征检测方法 |
CN114969267A (zh) * | 2022-06-13 | 2022-08-30 | 华东理工大学 | 一种核电质量缺陷成因分析方法 |
CN116616747A (zh) * | 2022-09-08 | 2023-08-22 | 深圳绿米联创科技有限公司 | 姿态识别方法、装置、电子设备及存储介质 |
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 |
CN115813378A (zh) * | 2022-11-01 | 2023-03-21 | 华南理工大学 | 基于连续波雷达信号的非接触式人体身份识别方法 |
CN115736854A (zh) * | 2022-11-09 | 2023-03-07 | 德心智能科技(常州)有限公司 | 一种基于毫米波雷达的呼吸心跳监测系统 |
CN115754967A (zh) * | 2022-11-28 | 2023-03-07 | 四川启睿克科技有限公司 | 一种基于毫米波雷达人体跌倒检测方法 |
CN116244673A (zh) * | 2022-12-08 | 2023-06-09 | 兰州云帆知联科技有限公司 | 一种基于无线信号的行为与身份识别方法 |
CN116106894A (zh) * | 2023-02-07 | 2023-05-12 | 北京航空航天大学 | 基于5d毫米波雷达的目标跟踪方法、设备及存储介质 |
CN116027324A (zh) * | 2023-03-24 | 2023-04-28 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的跌倒检测方法、装置及毫米波雷达设备 |
CN116702638A (zh) * | 2023-05-05 | 2023-09-05 | 郑州大学 | 排水管道淤积病害双层智能诊断方法及系统 |
CN116662740A (zh) * | 2023-05-31 | 2023-08-29 | 广东乐贤卫浴有限公司 | 一种交互式三体系雷达感应系统及其智能坐便器 |
CN116804735A (zh) * | 2023-06-16 | 2023-09-26 | 北京理工大学 | 一种基于小波变换与神经网络的雷达目标识别方法 |
CN116862658A (zh) * | 2023-07-14 | 2023-10-10 | 中国工商银行股份有限公司 | 信用评估方法、装置、电子设备、介质和程序产品 |
CN117064349A (zh) * | 2023-08-17 | 2023-11-17 | 德心智能科技(常州)有限公司 | 毫米波雷达与智能床联动的姿态控制方法及系统 |
Non-Patent Citations (4)
Title |
---|
周飞飞;李翔宇;: "基于超声波的真实场景手势识别算法", 计算机工程与设计, no. 03, pages 229 - 234 * |
尹龙飞等: "信号与系统答疑解惑与典型题解", vol. 1, 31 May 2022, 北京邮电大学出版社, pages: 25 - 26 * |
王俊;郑彤;雷鹏;张原;樵明朗;: "基于卷积神经网络的手势动作雷达识别方法", 北京航空航天大学学报, no. 06, pages 4 - 10 * |
谢晓兰;陈梓涵;: "基于时间距离像的人体动作深度学习分类", 桂林理工大学学报, no. 01, pages 200 - 206 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | PRI modulation recognition based on squeeze-and-excitation networks | |
Huynh-The et al. | Accurate LPI radar waveform recognition with CWD-TFA for deep convolutional network | |
CN112147601B (zh) | 一种基于随机森林的海面小目标检测方法 | |
CN112001270A (zh) | 基于一维卷积神经网络的地面雷达自动目标分类识别方法 | |
CN101893704A (zh) | 一种基于粗糙集的雷达辐射源信号识别方法 | |
Ghadimi et al. | Deep learning-based approach for low probability of intercept radar signal detection and classification | |
CN110647788B (zh) | 一种基于微多普勒特征的人类日常行为分类方法 | |
Han et al. | A unified method for deinterleaving and PRI modulation recognition of radar pulses based on deep neural networks | |
Wei et al. | Automatic modulation recognition for radar signals via multi-branch ACSE networks | |
CN112462355A (zh) | 一种基于时频三特征提取的对海目标智能检测方法 | |
CN112068120A (zh) | 基于二维傅里叶变换的微多普勒时频平面单兵小分队识别方法 | |
CN105158749A (zh) | 高频雷达海杂波幅度统计分布检验方法 | |
CN115343704A (zh) | 基于多任务学习的fmcw毫米波雷达的手势识别方法 | |
CN112464721A (zh) | 微地震事件自动识别方法及装置 | |
Yang et al. | Extraction and denoising of human signature on radio frequency spectrums | |
CN115469303A (zh) | 一种检测人体姿态和生命体征的认知生物雷达方法与装置 | |
CN103076595B (zh) | 一种多元离散雷达辐射源信号的异常类型识别方法 | |
CN114842280A (zh) | 一种基于卷积神经网络的自动识别微地震信号算法 | |
CN117331047A (zh) | 基于毫米波雷达的人体行为数据分析方法及系统 | |
CN116430317A (zh) | 一种辐射源调制样式与个体识别方法及系统 | |
CN113608190B (zh) | 基于奇异空间三特征的海面目标检测方法及系统 | |
CN115345216A (zh) | 一种融合先验信息的fmcw雷达干扰消除方法 | |
CN114052675B (zh) | 一种基于融合注意力机制的脉搏异常判别方法及系统 | |
CN110458179A (zh) | 基于i-vector局部加权的光纤振动振源识别分类方法及系统 | |
CN108197646A (zh) | 一种用于分布式光纤传感系统的目标分类识别方法 |
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 |