CN108133160B - 基于rfid的游泳安全监控*** - Google Patents
基于rfid的游泳安全监控*** Download PDFInfo
- Publication number
- CN108133160B CN108133160B CN201711391804.9A CN201711391804A CN108133160B CN 108133160 B CN108133160 B CN 108133160B CN 201711391804 A CN201711391804 A CN 201711391804A CN 108133160 B CN108133160 B CN 108133160B
- Authority
- CN
- China
- Prior art keywords
- swimming
- motion
- rfid
- safety monitoring
- unit
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
- G06K7/10366—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the interrogation device being adapted for miscellaneous applications
- G06K7/10415—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the interrogation device being adapted for miscellaneous applications the interrogation device being fixed in its position, such as an access control device for reading wireless access cards, or a wireless ATM
- G06K7/10425—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves the interrogation device being adapted for miscellaneous applications the interrogation device being fixed in its position, such as an access control device for reading wireless access cards, or a wireless ATM the interrogation device being arranged for interrogation of record carriers passing by the interrogation device
-
- 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
- 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
- G08B21/08—Alarms for ensuring the safety of persons responsive to the presence of persons in a body of water, e.g. a swimming pool; responsive to an abnormal condition of a body of water
- G08B21/088—Alarms for ensuring the safety of persons responsive to the presence of persons in a body of water, e.g. a swimming pool; responsive to an abnormal condition of a body of water by monitoring a device worn by the person, e.g. a bracelet attached to the swimmer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Toxicology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种基于RFID的游泳安全监控***,包括:运动建模模块、运动评估模块和安全监控模块;运动建模模块,用于:根据游泳运动的周期性特征结果,定义单个周期的活动作为运动单元;将对象的游泳活动的状态分为:非游泳状态和游泳状态;根据对接收到的信号的规律性分析,完成状态的划分和转移;通过完成运动单元的划分,建立个人泳姿模型;运动评估模块,用于在运动建模模块的基础上至少实现对对象的泳姿识别分类和泳姿熟练度评估;安全监控模块根据接收到的相应信号,完成游泳的活动监控和安全预警。本发明兼顾游泳场景中的隐私性、对RFID标签佩戴者运动低干扰性需求,实现对佩戴者的动作识别进而实现安全监控目的。
Description
技术领域
本发明属于无线感知领域,涉及基于RFID技术的无线感知***设计、部署、及数据分析,用于监控游泳过程的动作捕捉和安全检测。
背景技术
游泳是一种常见的健身方式,它可以改善心血管***,可以提高肺活量,提高呼吸***的机能,改善肌肉***的能力,改善体温调节的机制,加强皮肤血液循环,增强抵抗力,还能达到减肥,健美形体的目标。据不完全统计目前全国的游泳场所超过10000所。与此同时,作为一项全民热爱的运动,游泳的安全问题不容忽视。据***估计全国每年有5.7万人死于溺水,相当于每天有150多人。溺死成为继道路交通伤害事故后意外伤害死亡的第二位原因。目前,我国现有游泳场馆10000多个,如果按照每个游泳场馆配备4名救生员计算,持有救生员证书的固定救生员总数大约在4-5万人,而目前实际只有不超过15000人持有救生员证书,只有实际需要量的三分之一,救生员数量短缺的现象仍将在今后相当长的时间内存在。在个人防范意识不足、救生员数量短缺、现有安全保护***不够完善的情况下,研究建立一种游泳安全监控平台具有极重要的意义。而目前没有任何一个实现游泳安全监控的解决方案被提出。
目前现有的动作识别技术根据数据来源可以分为三种:基于计算机视觉的方法,基于特定的运动传感器的方法以及基于无线信号的方法。
其一,基于计算机视觉的方法,这种方法通过对摄像头中的人物进行识别与追踪来完成活动识别任务等,这种方法确实具有其本身的优势,但因为游泳馆作为一个隐私敏感性较高的场所,此方法在游泳馆场景中的应用会有一些不足;其次是这类技术无法避免且无法解决的镜头遮挡问题,人像与物体在镜头中的重叠会严重干扰对人物动作行为的判断。其二,基于特定的运动传感器的方法中,主要使用到的是加速度计和陀螺仪,通过对这两种传感器得到的运动数据进行建模分析,可以进一步识别佩戴者的动作,这种应用常见于各类运动软件中。由于这两种传感器得到的数据精度较高,可以应用于诸多场景,比如论文1,论文S-SMART2和B-Pack3都论证了基于可穿戴传感器的人物活动识别的解决方案的可行性。然而使用这种方法需要特殊定制的硬件可穿戴设备或者是集成了运动传感器的智能设备,无法解决在游泳馆这样的场景中,防水性和降低对佩戴者的运动干扰性需求。其三,基于无线信号的解决方案,包括基于WIFI信号的动作识别与基于RFID的动作识别技术。基于WIFI的识别技术经典案例如论文Harmon4讨论了如何根据WiFi信号强度完成粗粒度的人类活动识别,论文RT-Fall5提出了基于商用WiFi设备的一个实时的、无接触的摔倒检测***。WIFI信号无处不在、极易受到干扰,因此基于WiFi信号的解决方案可以轻松部署,但使用场景会有限制条件较多,识别精度不高。基于RFID的解决方案介于特殊运动传感器与WiFi之间,展现出它本身低成本,易维护,能够适用于各类极端情况等优势,。而基于RFID的姿势识别通常起始于物体追踪或者生物跟踪,比如RF-IDraw6,Tagora7就是两类基于RFID标签的物体定位和追踪***。除此之外,论文8,Tagball9,SmartSurface10,RF-IDraw,GRfid11都证明了使用RFID进行手势识别的可行性。
基于RFID的识别方案通常会包含两类:免穿戴标签式和穿戴标签式。前者通常更常见于粗粒度的动作识别任务,而后者更常见于细致的运动轨迹捕捉任务中。
1A.Bulling,U.Blanke,and B.Schiele.A tutorial on human activityrecognition using body-worn inertial sensors.Acm Computing Sur-veys,46(3):33,2014.
2M.Hardegger,D.Roggen,A.Calatroni,and G.Ster.S-smart:A uni-fiedbayesian framework for simultaneous semantic mapping,activity recognition,andtracking.Acm Transactions on Intelligent Systems&Technology,7(3):1–28,2016.
3R.Ohmura,F.Naya,H.Noma,and K.Kogure.B-pack:a bluetooth-basedwearable sensing device for nursing activity recognition.In InternationalSymposium on Wireless Pervasive Computing,page 6pp.,2006.
4N.Z.Chi,Y.Yao,N.T.Xie,N.Z.Huang,M.Hammond,and N.T.Zhu.Harmony:Exploiting coarse-grained received signal strength from iot devices for humanactivity recognition.In IEEE International Conference on Network Protocols,pages 1–10,2016.
5H.Wang,D.Zhang,Y.Wang,J.Ma,Y.Wang,and S.Li.Rt-fall:A real-time andcontactless fall detection system with commodity wifi devices.pages1–1,2016.
6J.Wang,D.Vasisht,and D.Katabi.Rf-idraw:virtual touch screen in theair using rf signals.Acm Sigcomm Computer Communication Review,44(4):235–246,2015.
7L.Yang,Y.Chen,X.Y.Li,C.Xiao,M.Li,and Y.Liu.Tagoram:real-timetracking of mobile RFID tags to high precision using COTS devices.2014.
8P.Asadzadeh,L.Kulik,and E.Tanin.Gesture recognition using rfidtechnology.Personal and Ubiquitous Computing,16(3):225–234,2012.
9Q.Lin,L.Yang,Y.Sun,and T.Liu.Beyond one-dollar mouse:Abattery-freedevice for 3d human-computer interaction via rfid tags.In IEEE INFOCOM 2015-IEEE Conference on Computer Commu-nications,pages1661–1669,2015.
10R.Parada,K.Nur,J.Meli-Segu,and R.Pous.Smart surface:Rfid-basedgesture recognition using k-means algorithm.InInternational Conference onIntelligent Environments,2016.
11Y.Zou,J.Xiao,J.Han,K.Wu,Y.Li,and L.M.Ni.Grfid:A device-free gesturerecognition system using cots rfid device.IEEE Transac-tions on MobileComputing,pages 1–1,2016。
发明内容
为解决上述问题,本发明致力于研究基于RFID的游泳安全健康技术方案,提出一种基于RFID的游泳安全监控***,兼顾游泳场景中的隐私性、对RFID标签佩戴者运动低干扰性需求,实现对佩戴者的动作识别进而实现安全监控目的,并且达到较高的准确性。本发明采用的技术方案是:
一种基于RFID的游泳安全监控***,包括:运动建模模块、运动评估模块和安全监控模块;
运动建模模块,用于:根据游泳运动的周期性特征结果,定义单个周期的活动作为运动单元;将对象的游泳活动的状态分为:非游泳状态和游泳状态;根据对接收到的信号的规律性分析,完成状态的划分和转移;通过完成运动单元的划分,建立个人泳姿模型;
运动评估模块,用于在运动建模模块的基础上至少实现对对象的泳姿识别分类和泳姿熟练度评估;
安全监控模块根据接收到的相应信号,完成游泳的活动监控和安全预警。
具体地,个人泳姿模型通过DTW算法构建,具体包括:
定义mi=[ts,te],其中mi表示第i个运动单元,ts,te分别是这个运动单元的开始时间和结束时间,而且mi.te=mi+1.ts;mi.te表示第i个运动单元的结束时间,mi+1.ts表示第i+1个运动单元的起始时间;因此,游泳活动可以表示为序列M={m0,m1…,mi};每个单独的运动单元包含了游泳活动的一个最小周期;使用离群点检测方法划分运动单元,并根据经验值,设定一个最长时长阈值Δtε,使得对任意mi都有:0<mi.te-mi.ts≤Δtε;
计算相邻两个活动单元的相似度实现游泳状态与非游泳状态的区分;
已知对象的接收信号序列为S,其中其中n是区间[mi.ts,mi.te]中采集的信号样本数,N是S中包含的运动单元总数,为运动单元mi的接收信号序列,R1*n表示实数一维矩阵;那么相邻两个运动单元mi和mi+1之间的相似度通过KL散度计算:
进一步地,每个运动单元的信息使用本单元内获取的单个对象上的多个RFID标签的联合信号强度表示。
进一步地,RFID标签设于对象的头部、手臂。
进一步地,运动评估模块中泳姿识别分类:通过对象的当前信号特征与已知不同泳姿下的信号特征的相似度比较,实现泳姿识别分类。
更进一步地,泳姿识别分类采用决策树分类算法。
进一步地,安全监控模块中,进行过度运动与意外的检测;
对于过度运动,根据对对象的运动观测,预测运动下一运动单元的持续时间、移动距离,若预测到下一运动单元的持续时间大于设定时间阈值,或下一运动单元的移动距离小于设定距离阈值,则向对象发出提醒;
对于意外,通过对象手臂和头部RFID标签的信号异常检测。
本发明的优点在于:
1)实现了监控游泳过程的动作捕捉和安全检测。
2)顾游泳场景中的隐私性、对RFID标签佩戴者运动低干扰性需求。
附图说明
图1为本发明的游泳安全监控***示意图。
图2为本发明的实验部署图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
研究发现,在游泳池边上部署RFID阅读器,并且在游泳者的头部、手臂贴上RFID标签,当游泳者进行游泳运动时,佩戴的RFID标签信号会发生周期性变化。因为游泳本身是一种周期性运动,因此引起的RFID信号的相位周期性变化,具有明显的相关性,基于此发现,本发明可以通过对RFID信号变化的趋势,确定游泳者的位置;根据RFID信号变化周期性特点识别游泳者的动作,进而实现动作识别和安全监控的目标。
本发明提出的基于RFID的游泳安全监控***,如图1所示,主要包括三个模块:运动建模模块、运动评估模块和安全监控模块。下文所称的对象为游泳者,即监控对象。信号是指接收到的RFID信号。
(一)运动建模模块;
运动建模模块主要实现对接收的信号数据进行初步的处理,主要是物理意义上的转换,为下一步分析进行准备。根据游泳活动的周期性特征结果,定义本***的研究单位为单个周期的活动——即称为运动单元,这是本***的最小观测单位。在这个模块中,***完成对运动单元的划分,每个运动单元的信息使用本单元内获取的单个对象上的多个RFID标签的联合信号强度表示。
本***中,将游泳者在泳池的活动定义为两个状态,非游泳状态和游泳状态。前者是无序运动,后者是有序运动,根据对接收到的信号的规律性分析,可以完成状态的划分和转移。在对游泳活动的进一步分析中,通过完成运动单元的划分,建立个人泳姿模型(ISPM)。个人泳姿模型本身也是一个联合信号强度分布,它体现了目前观测到的游泳者的泳姿特点,是观测到的所有运动单元的“弯曲路径”。“弯曲路径”这一概念是来自于动态时间包裹算法(Dynamic Time Wrap,DTW),在本***中计划使用DTW算法完个人泳姿模型的构建。
定义mi=[ts,te],其中mi表示第i个运动单元,ts,te分别是这个运动单元的开始时间和结束时间,而且mi.te=mi+1.ts;注意mi.te表示第i个运动单元的结束时间,mi+1.ts表示第i+1个运动单元的起始时间,后同;因此,游泳活动可以表示为序列M={m0,m1…,mi};每个单独的运动单元包含了游泳活动的一个最小周期;使用离群点检测方法划分运动单元,并根据经验值,设定一个最长时长阈值Δtε,使得对任意mi都有:0<mi.te-mi.ts≤Δtε;那么当对象处于非游泳状态时,一般是无周期、无规律的无序运动时可以尽快通过运动单元的相似性检测出当前状态;
状态的判断主要是对游泳状态与非游泳状态的区分,主要利用了游泳活动的周期性特征,相邻活动单元存在较高相似度;通过计算相邻两个活动单元的相似度可以完成定义;已知对象的接收信号序列为S,其中 其中n是区间[mi.ts,mi.te]中采集的信号样本数,N是S中包含的运动单元总数,为运动单元mi的接收信号序列,R1*n表示实数一维矩阵;那么相邻两个运动单元mi和mi+1之间的相似度通过KL散度计算:
相邻两个运动单元的KL散度越大,说明相似度越低,那么当时,说明所对应的相邻两个运动单元属于同一泳姿,且对象处于游泳状态;若时,说明对象当前不属于游泳状态、或者对象变换了泳姿;于是可以根据实验结果设定一个阈值ε,使得时为前者;否则为后者
(二)运动评估模块;
运动评估模块在上一模块的基础上完成特定场景下的内容感知部分,实现对游泳者对象的泳姿识别分类,标准性评估和泳姿熟练度评估。
泳姿识别分类:通过对象的当前信号特征与已知不同泳姿下的信号特征的相似度比较,实现泳姿识别分类的目标,其中使用到决策树分类算法。
标准性评估:因为获取的信号只能反应游泳者的手部动作与头部动作,根据这一部分的信息不能完全评估用户的泳姿的标准性,但是可以实现基本的标准评估,比如从换气频率,挥臂频率与移动距离等角度进行评判。
泳姿熟练度评估:熟练度的评估是反应了游泳者自身的表现情况,应该根据对该用户的长期观测结果计算其在同一泳姿下表现的波动情况来确定,具体使用Earth Mover’s Distance(EMD)12距离来计算不同活动单元的差异性,并计算其波动方差来实现。
12Y.Rubner,C.Tomasi,and L.J.Guibas.The earth mover’s distance as ametric for image retrieval.International Journal of Computer Vision,40(2):99–121,2000。
(三)安全监控模块;
安全监控模块根据接收到的相应信号,区分异常状况与正常状况,完成游泳的活动监控和安全预警;
根据对接收到的信号可以直接反应用户的手部与头部动作,联系上下文感知实现危险预警;一般来说,造成异常状况通常有两大原因:一是过度运动,二是意外。
对于过度运动,可以通过运动预测进而避免;根据对对象的运动观测,预测运动下一运动单元的持续时间、移动距离,若预测到下一运动单元的持续时间大于设定时间阈值,或下一运动单元的移动距离小于设定距离阈值,说明游泳者已经很疲劳,体力消耗过大,此时向对象发出提醒;
对于意外,可以通过手部和头部RFID标签的信号异常检测到;发生意外时,手部和头部RFID标签的信号会发生急剧的非规则变化,通过***预定义的危险预警指标进行检测;
如图2所示,实验阶段使用单个ImpinjR420阅读器读取标签数据,阅读器部署在泳道横向边沿,RFID标签为UHF防水标签,数据读取***基于Java实现,数据分析模块基于Python实现,实验场地为标准游泳馆的单个泳道范围内2.5m*5m的活动区域内,具体部署图如图一所示。本***采集的实验数据集包括了10位志愿者的长达2个小时的游泳记录,从中选择了3个志愿者的数据进行观察分析,对剩下的志愿者的游泳记录进行测试。分析阶段,分析得到各项阈值设定,并确定生成泳姿分类决策树,测试阶段,使用得到的数值配置结果与决策树对测试数据进行分析,并比对实际结果,实现了泳姿动作识别的92.1%的准确度。
Claims (6)
1.一种基于RFID的游泳安全监控***,其特征在于,包括:运动建模模块、运动评估模块和安全监控模块;
运动建模模块,用于:根据游泳活动的周期性特征结果,定义单个周期的活动作为运动单元;将对象的游泳活动的状态分为:非游泳状态和游泳状态;根据对接收到的信号的规律性分析,完成状态的划分和转移;通过完成运动单元的划分,建立个人泳姿模型;
运动评估模块,用于在运动建模模块的基础上至少实现对对象的泳姿识别分类和泳姿熟练度评估;
安全监控模块根据接收到的信号即单个对象上的多个RFID标签的联合信号,完成游泳的活动监控和安全预警;
个人泳姿模型通过DTW算法构建,具体包括:
定义mi=[ts,te],其中mi表示第i个运动单元,ts,te分别是这个运动单元的开始时间和结束时间,而且mi.te=mi+1.ts;mi.te表示第i个运动单元的结束时间,mi+1.ts表示第i+1个运动单元的起始时间;因此,游泳活动可以表示为序列M={m0,m1…,mi};每个单独的运动单元包含了游泳活动的一个最小周期;使用离群点检测方法划分运动单元,并根据经验值,设定一个最长时长阈值Δtε,使得对任意mi都有:0<mi.te-mi.ts≤Δtε;
计算相邻两个运动单元的相似度实现游泳状态与非游泳状态的区分;
已知对象的接收信号序列为S,其中其中n是区间[mi.ts,mi.te]中采集的信号样本数,N是S中包含的运动单元总数,为运动单元mi的接收信号序列,R1*n表示实数一维矩阵;那么相邻两个运动单元mi和mi+1之间的相似度通过KL散度计算:
2.如权利要求1所述的基于RFID的游泳安全监控***,其特征在于,
每个运动单元的信息使用本单元内获取的单个对象上的多个RFID标签的联合信号强度表示。
3.如权利要求2所述的基于RFID的游泳安全监控***,其特征在于,
RFID标签设于对象的头部、手臂。
4.如权利要求1所述的基于RFID的游泳安全监控***,其特征在于,
运动评估模块中泳姿识别分类:通过对象的当前信号特征与已知不同泳姿下的信号特征的相似度比较,实现泳姿识别分类。
5.如权利要求4所述的基于RFID的游泳安全监控***,其特征在于,
泳姿识别分类采用决策树分类算法。
6.如权利要求1所述的基于RFID的游泳安全监控***,其特征在于,
安全监控模块中,进行过度运动与意外的检测;
对于过度运动,根据对对象的运动观测,预测运动下一运动单元的持续时间、移动距离,若预测到下一运动单元的持续时间大于设定时间阈值,或下一运动单元的移动距离小于设定距离阈值,则向对象发出提醒;
对于意外,通过对象手臂和头部RFID标签的信号异常检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711391804.9A CN108133160B (zh) | 2017-12-21 | 2017-12-21 | 基于rfid的游泳安全监控*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711391804.9A CN108133160B (zh) | 2017-12-21 | 2017-12-21 | 基于rfid的游泳安全监控*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108133160A CN108133160A (zh) | 2018-06-08 |
CN108133160B true CN108133160B (zh) | 2021-09-28 |
Family
ID=62391160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711391804.9A Active CN108133160B (zh) | 2017-12-21 | 2017-12-21 | 基于rfid的游泳安全监控*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108133160B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726666A (zh) * | 2018-12-25 | 2019-05-07 | 鸿视线科技(北京)有限公司 | 基于标定的动作捕捉方法、***以及计算机可读存储介质 |
CN110008847B (zh) * | 2019-03-13 | 2021-07-20 | 华南理工大学 | 一种基于卷积神经网络的泳姿识别方法 |
CN114330384B (zh) * | 2021-11-24 | 2024-06-25 | 南京邮电大学 | 一种基于无源rfid相位信息的手臂运动轨迹追踪方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7260369B2 (en) * | 2005-08-03 | 2007-08-21 | Kamilo Feher | Location finder, tracker, communication and remote control system |
US6825767B2 (en) * | 2002-05-08 | 2004-11-30 | Charles Humbard | Subscription system for monitoring user well being |
CN103021136B (zh) * | 2012-12-24 | 2014-09-24 | 电子科技大学 | 一种基于物联网的游泳池溺水监控***及监控方法 |
CN104700069B (zh) * | 2015-01-13 | 2016-06-08 | 西安交通大学 | 一种非绑定式射频标签健身动作识别监控***及其方法 |
WO2017011814A1 (en) * | 2015-07-16 | 2017-01-19 | Blast Motion Inc. | Multi-sensor event detection and tagging system |
CN105353881B (zh) * | 2015-12-04 | 2018-11-16 | 深圳大学 | 基于rfid的手势识别方法及*** |
CN106175781B (zh) * | 2016-08-25 | 2019-08-20 | 歌尔股份有限公司 | 利用可穿戴设备监测游泳状态的方法及可穿戴设备 |
CN107376247B (zh) * | 2017-08-16 | 2019-07-12 | 高驰运动科技(深圳)有限公司 | 一种基于智能手表的游泳运动分析方法和该智能手表 |
-
2017
- 2017-12-21 CN CN201711391804.9A patent/CN108133160B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108133160A (zh) | 2018-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11978256B2 (en) | Face concealment detection | |
Chen et al. | Intelligent fall detection method based on accelerometer data from a wrist-worn smart watch | |
Gupta et al. | A survey on human activity recognition and classification | |
ES2330489T3 (es) | Sistema de control del lavado de las manos. | |
Yao et al. | Rf-care: Device-free posture recognition for elderly people using a passive rfid tag array | |
CN108133160B (zh) | 基于rfid的游泳安全监控*** | |
Inturi et al. | A novel vision-based fall detection scheme using keypoints of human skeleton with long short-term memory network | |
CN112042181B (zh) | 利用可穿戴设备的客体事件感知方法及运用其的管理服务器 | |
CN103677265A (zh) | 一种智能感应手套及智能感应方法 | |
Li et al. | Collaborative fall detection using smart phone and Kinect | |
Pan et al. | Using accelerometer for counting and identifying swimming strokes | |
JP7327837B2 (ja) | カメラモジュール及び無線通信装置を活用して事象の感知を行うウェアラブル機器 | |
Fereidoonian et al. | Human activity recognition: From sensors to applications | |
Martínez-Villaseñor et al. | Deep learning for multimodal fall detection | |
CN110866468A (zh) | 一种基于无源rfid的手势识别***及方法 | |
CN110807471B (zh) | 一种多模态传感器的行为识别***及识别方法 | |
Li et al. | Efficient health-related abnormal behavior detection with visual and inertial sensor integration | |
Jain et al. | Ambient intelligence-based multimodal human action recognition for autonomous systems | |
Liu et al. | Automatic fall risk detection based on imbalanced data | |
Yao et al. | Unobtrusive posture recognition via online learning of multi-dimensional RFID received signal strength | |
De et al. | Fall detection approach based on combined two-channel body activity classification for innovative indoor environment | |
De et al. | Fall detection approach based on combined displacement of spatial features for intelligent indoor surveillance | |
Kaudki et al. | Human fall detection using RFID technology | |
CN114373142A (zh) | 基于深度学习的行人跌倒检测方法 | |
Liu et al. | Mctn: A multi-channel temporal network for wearable fall prediction |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201800 room j1958, building 6, 1288 Yecheng Road, Jiading District, Shanghai Applicant after: Ruan Internet of things Technology Group Co.,Ltd. Address before: No. 501, area a, Liye building, Qingyuan Road, Science Park, taikeyuan University, Xinwu District, Wuxi City, Jiangsu Province, 214135 Applicant before: RUN TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |