CN110958568B - 基于WiFi的船舶驾驶室人员值班行为识别方法及*** - Google Patents
基于WiFi的船舶驾驶室人员值班行为识别方法及*** Download PDFInfo
- Publication number
- CN110958568B CN110958568B CN201911166193.7A CN201911166193A CN110958568B CN 110958568 B CN110958568 B CN 110958568B CN 201911166193 A CN201911166193 A CN 201911166193A CN 110958568 B CN110958568 B CN 110958568B
- Authority
- CN
- China
- Prior art keywords
- behavior
- csi
- duty
- cab
- state
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- 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)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Alarm Systems (AREA)
Abstract
一种基于WiFi的船舶驾驶室人员值班行为识别方法,该方法包括以下步骤:A、部署设备采集整个船舶驾驶室内的CSI信号;B、对采集的CSI信号进行滤波处理;C、对滤波后的CSI信号进行多径去除;D、利用主成分分析对去除多径后的CSI信号进行降维处理;E、提取一个滑动窗口W内连续的CSI信号,分析其时域和频域信息,计算出在该信息下每种行为的统计特征;F、对计算所得的行为统计特征,利用隐马尔可夫模型进行分类判别,识别其状态行为;G、构建异常状态检测器,检测出驾驶室人员值班异常状态行为。本设计不仅可以实现全天候的对驾驶室人员值班行为进行无死角的识别,而且也避免了侵犯驾驶室人员的隐私。
Description
技术领域
本发明涉及模式识别技术领域,尤其涉及一种基于WiFi的船舶驾驶室人员值班行为识别方法及***,主要适用于实现全天候的对驾驶室人员值班行为进行无死角的识别,且避免侵犯驾驶室人员的隐私。
背景技术
船舶航行安全一直以来都是人们关注的热点问题,研究表明许多航行事故的发生都是由于船舶驾驶员没有认真履行驾驶员值班规则,疲劳驾驶、疏忽驾驶所造成的。因此,有必要采取一些措施来规范船舶驾驶员的值班行为。
现有的大多数方法是应用计算机视觉布设监控摄像头,但这种方法有几个缺点:首先,监控摄像头不能在黑暗或弱光下有效工作;其次,监控摄像头的部署不当会造成监控盲点,虽然可以通过增加摄像头的部署来解决,但硬件成本和部署复杂性会增加;最后,也是最大的问题:监控会造成隐私侵犯。由于基于摄像机技术的各种缺陷,近年来基于WiFi的人体行为识别技术应运而生。
发明内容
本发明的目的是克服现有技术中存在的对驾驶室人员值班行为监控效果差、且侵犯驾驶室人员隐私的缺陷与问题,提供一种实现全天候的对驾驶室人员值班行为进行无死角的识别,且避免侵犯驾驶室人员的隐私的基于WiFi的船舶驾驶室人员值班行为识别方法及***。
为实现以上目的,本发明的技术解决方案是:一种基于WiFi的船舶驾驶室人员值班行为识别方法,该方法包括以下步骤:
A、部署设备采集整个船舶驾驶室内的CSI信号;
B、对采集的CSI信号进行滤波处理;
C、对滤波后的CSI信号进行多径去除;
D、利用主成分分析对去除多径后的CSI信号进行降维处理;
E、提取一个滑动窗口W内连续的CSI信号,分析其时域和频域信息,计算出在该信息下每种行为的统计特征;
F、对计算所得的行为统计特征,利用隐马尔可夫模型进行分类判别,识别其状态行为;
G、构建异常状态检测器,检测出驾驶室人员值班异常状态行为。
步骤A具体包括以下步骤:
A1、采集船舶驾驶室静态状态下的信号作为基准数据;
A2、采集人体在设备周围行走、坐着原地活动时的信号作为动态数据。
步骤E具体包括以下步骤:
E1、若滑动窗口W包含T个测量值,则时频域中CSI矩阵M表示为:
上式中,Hi为滑动窗口内第i次采样时采集的CSI值,Sj为第j个子载波的CSI序列;
E2、在时域中,计算不同滑动窗口时刻下每一对CSI的互相关值,其中,滑动窗口W设置为30,具体计算公式如下:
上式中,t1、t2为滑动窗口内的两个不同时刻;
在频域中,计算CSI的30个子载波之间的互相关值,具体计算公式如下:
上式中,f1、f2为30个子载波中的序号;
步骤F具体包括以下步骤:
F1、定义三种行为状态,包括静态状态、人员行走状态和其他活动状态;
F2、为每一种状态训练一个隐马尔可夫模型;
F3、将计算所得的运动指数MI输入到每一个模型中与每一个模型进行匹配,计算生成概率最大的模型所对应的状态为该时刻所属的行为状态。
步骤G中,驾驶室人员值班异常状态行为检测方法如下:
统计静态状态中序列数目,记为Cm;设置一个船舶值班异常行为预警值,记为Ck;若Cm≥Ck,则认为船舶驾驶室人员值班行为存在异常;
统计人员处于行走状态的序列数目,记为Cn;在全体序列CT中所占的比例,定义为值班行为异常度,记为η=Cn/CT;设置一个认为值班行为正常的最高容忍度,记为λ;若η≤λ,则认为船舶驾驶室人员值班行为存在异常。
一种基于WiFi的船舶驾驶室人员值班行为识别***,包括数据采集模块、数据预处理模块、特征提取模块、行为识别分类模块和异常状态检测模块;
所述数据采集模块,用于采集驾驶室内无线信号,获取信道状态信息;
所述数据预处理模块,用于对数据采集模块获取的CSI数据依次进行滤波、多径去除以及降维处理;
所述特征提取模块,用于提取经数据预处理模块处理后的CSI信号,并分析其时域和频域信息,计算出在该信息下每种行为的统计特征;
所述行为识别分类模块,用于通过隐马尔可夫模型对特征提取模块计算所得的行为统计特征进行分类,识别驾驶室人员状态行为;
所述异常状态检测模块,用于检测出驾驶室人员值班异常状态行为。
与现有技术相比,本发明的有益效果为:
本发明一种基于WiFi的船舶驾驶室人员值班行为识别方法及***中采用廉价的商用WiFi设备实现了对船舶驾驶室人员的行为识别,通过数据采集模块、数据预处理模块、特征提取模块、行为识别分类模块和异常状态检测模块来完成,具有非侵入、保护个人隐私的优点,而且可以实时观测到驾驶室的人员行为,为智能航运监管、船舶航行安全提供了保障。因此,本发明不仅可以实现全天候的对驾驶室人员值班行为进行无死角的识别,而且也避免了侵犯驾驶室人员的隐私。
附图说明
图1是本发明中基于WiFi的船舶驾驶室人员值班行为识别方法的整体流程图。
图2是本发明的实施例中船舶驾驶室时域情况下静态状态时CSI子载波之间相关性结果示意图。
图3是本发明的实施例中船舶驾驶室时域情况下人员处于行走状态时CSI子载波之间相关性结果示意图。
图4是本发明的实施例中船舶驾驶室频域情况下静态状态与人员处于行走状态时CSI子载波之间相关性结果示意图。
图5是本发明的实施例中在某一段时间内计算所得的船舶驾驶室内运动指数MI结果示意图。
图6是本发明中基于WiFi的船舶驾驶室人员值班行为识别***的结构示意图。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1,一种基于WiFi的船舶驾驶室人员值班行为识别方法,该方法包括以下步骤:
A、部署设备采集整个船舶驾驶室内的CSI信号;
B、对采集的CSI信号进行滤波处理;
C、对滤波后的CSI信号进行多径去除;
D、利用主成分分析对去除多径后的CSI信号进行降维处理;
E、提取一个滑动窗口W内连续的CSI信号,分析其时域和频域信息,计算出在该信息下每种行为的统计特征;
F、对计算所得的行为统计特征,利用隐马尔可夫模型进行分类判别,识别其状态行为;
G、构建异常状态检测器,检测出驾驶室人员值班异常状态行为。
步骤A具体包括以下步骤:
A1、采集船舶驾驶室静态状态下的信号作为基准数据;
A2、采集人体在设备周围行走、坐着原地活动时的信号作为动态数据。
步骤E具体包括以下步骤:
E1、若滑动窗口W包含T个测量值,则时频域中CSI矩阵M表示为:
上式中,Hi为滑动窗口内第i次采样时采集的CSI值,Sj为第j个子载波的CSI序列;
E2、在时域中,计算不同滑动窗口时刻下每一对CSI的互相关值,其中,滑动窗口W设置为30,具体计算公式如下:
上式中,t1、t2为滑动窗口内的两个不同时刻;
在频域中,计算CSI的30个子载波之间的互相关值,具体计算公式如下:
上式中,f1、f2为30个子载波中的序号;
步骤F具体包括以下步骤:
F1、定义三种行为状态,包括静态状态、人员行走状态和其他活动状态;
F2、为每一种状态训练一个隐马尔可夫模型;
F3、将计算所得的运动指数MI输入到每一个模型中与每一个模型进行匹配,计算生成概率最大的模型所对应的状态为该时刻所属的行为状态。
步骤G中,驾驶室人员值班异常状态行为检测方法如下:
统计静态状态中序列数目,记为Cm;设置一个船舶值班异常行为预警值,记为Ck;若Cm≥Ck,则认为船舶驾驶室人员值班行为存在异常;
统计人员处于行走状态的序列数目,记为Cn;在全体序列CT中所占的比例,定义为值班行为异常度,记为η=Cn/CT;设置一个认为值班行为正常的最高容忍度,记为λ;若η≤λ,则认为船舶驾驶室人员值班行为存在异常。
参见图6,一种基于WiFi的船舶驾驶室人员值班行为识别***,包括数据采集模块、数据预处理模块、特征提取模块、行为识别分类模块和异常状态检测模块;
所述数据采集模块,用于采集驾驶室内无线信号,获取信道状态信息;
所述数据预处理模块,用于对数据采集模块获取的CSI数据依次进行滤波、多径去除以及降维处理;
所述特征提取模块,用于提取经数据预处理模块处理后的CSI信号,并分析其时域和频域信息,计算出在该信息下每种行为的统计特征;
所述行为识别分类模块,用于通过隐马尔可夫模型对特征提取模块计算所得的行为统计特征进行分类,识别驾驶室人员状态行为;
所述异常状态检测模块,用于检测出驾驶室人员值班异常状态行为。
本发明的原理说明如下:
人体行为检测的核心思想是对CSI的变化进行量化,在没有人体运动的情况下,不同子载波的CSI值包含随机噪声,相关性很小,而随着人体开始运动,不同子载波之间的相关性随着活动的剧烈程度其相关性逐渐增大。
实施例:
参见图1,一种基于WiFi的船舶驾驶室人员值班行为识别方法,该方法包括以下步骤:
A、部署设备,利用笔记本电脑、商用WiFi设备以及Inter5300网卡采集整个船舶驾驶室内的CSI信号;具体包括以下步骤:
A1、采集船舶驾驶室静态状态下的信号作为基准数据;
A2、采集人体在设备周围行走、坐着原地活动时的信号作为动态数据;
所采集的信号的信道频率响应表示为:
上式中,H(fk)为中心频率为fk的第k个子载波的CSI信息,||H(fk)||为子载波的幅度信息,∠H(fk)为子载波的相位信息;
B、对采集的CSI信号进行滤波处理,消除由于船舶钢铁环境以及动态环境所引起的噪声;
C、对滤波后的CSI信号进行多径去除,消除船舶密闭狭窄环境所引起的其他路径,如反射、散射等非视距传播对信号的影响;具体地,利用反傅里叶变换,将CSI信号的信道频率响应转换成信道冲击响应,去除掉时延在0.5ms之后的成分,在通过傅里叶变换转回成信道频率响应;
D、利用主成分分析对去除多径后的CSI信号进行降维处理;
E、提取一个滑动窗口W内连续的CSI信号,分析其时域和频域信息,计算出在该信息下每种行为的统计特征;具体包括以下步骤:
E1、若滑动窗口W在特定采样率下包含T个测量值,则时频域中CSI矩阵M表示为:
上式中,Hi为滑动窗口内第i次采样时采集的CSI值,Sj为第j个子载波的CSI序列;
E2、在时域中,计算不同滑动窗口时刻下每一对CSI的互相关值,其中,滑动窗口W设置为30,具体计算公式如下:
上式中,t1、t2为滑动窗口内的两个不同时刻;
驾驶室静态状态与存在人员行走状态时的不同结果参见图2、图3,由图中可见,驾驶室人员处于行走状态时的CSI子载波相关性要明显大于静态状态时的CSI子载波相关性;
在频域中,计算CSI的30个子载波之间的互相关值,具体计算公式如下:
上式中,f1、f2为30个子载波中的序号;
图4包括驾驶室静态状态时的CSI30个子载波之间的相关性示意图与驾驶室人员处于行走状态时的CSI30个子载波之间的相关性示意图,由图4可以明显看出,驾驶室人员处于行走状态时的子载波相关系数在0.7到0.8之间波动,而静态状态时子载波相关系数明显降低到0.1以下;
图5为某一段时间内,计算所得的驾驶室内运动指数MI的示意图,由此可以作为不同行为状态的特征;
F、对计算所得的行为统计特征,利用隐马尔可夫模型进行分类判别,识别其状态行为;具体包括以下步骤:
F1、定义三种行为状态,包括静态状态、人员行走状态和其他活动状态;
F2、为每一种状态训练一个隐马尔可夫模型;
F3、将计算所得的运动指数MI输入到每一个模型中与每一个模型进行匹配,计算生成概率最大的模型所对应的状态为该时刻所属的行为状态;
G、构建异常状态检测器,检测出驾驶室人员值班异常状态行为;
驾驶室人员值班异常状态行为检测方法如下:
统计静态状态中序列数目,记为Cm;设置一个船舶值班异常行为预警值,记为Ck;若Cm≥Ck,则认为船舶驾驶室人员值班行为存在异常;
统计人员处于行走状态的序列数目,记为Cn;在全体序列CT中所占的比例,定义为值班行为异常度,记为η=Cn/CT;设置一个认为值班行为正常的最高容忍度,记为λ;若η≤λ,则认为船舶驾驶室人员值班行为存在异常。
参见图6,一种基于WiFi的船舶驾驶室人员值班行为识别***,包括数据采集模块、数据预处理模块、特征提取模块、行为识别分类模块和异常状态检测模块;
所述数据采集模块,用于采集驾驶室内无线信号,获取信道状态信息;
所述数据预处理模块,用于对数据采集模块获取的CSI数据依次进行滤波、多径去除以及降维处理;
所述特征提取模块,用于提取经数据预处理模块处理后的CSI信号,并分析其时域和频域信息,计算出在该信息下每种行为的统计特征;
所述行为识别分类模块,用于通过隐马尔可夫模型对特征提取模块计算所得的行为统计特征进行分类,识别驾驶室人员状态行为;
所述异常状态检测模块,用于检测出驾驶室人员值班异常状态行为。
Claims (4)
1.一种基于WiFi的船舶驾驶室人员值班行为识别方法,其特征在于,该方法包括以下步骤:
A、部署设备采集整个船舶驾驶室内的CSI信号;
B、对采集的CSI信号进行滤波处理;
C、对滤波后的CSI信号进行多径去除;
D、利用主成分分析对去除多径后的CSI信号进行降维处理;
E、提取一个滑动窗口W内连续的CSI信号,分析其时域和频域信息,计算出在该信息下每种行为的统计特征;具体包括以下步骤:
E 1、若滑动窗口W包含T个测量值,则时频域中CSI矩阵M表示为:
上式中,Hi为滑动窗口内第i次采样时采集的CSI值,Sj为第j个子载波的CSI序列;
E2、在时域中,计算不同滑动窗口时刻下每一对CSI的互相关值,其中,滑动窗口W设置为30,具体计算公式如下:
上式中,t1、t2为滑动窗口内的两个不同时刻;
在频域中,计算CSI的30个子载波之间的互相关值,具体计算公式如下:
上式中,f1、f2为30个子载波中的序号;
F、对计算所得的行为统计特征,利用隐马尔可夫模型进行分类判别,识别其状态行为;
G、构建异常状态检测器,检测出驾驶室人员值班异常状态行为。
2.根据权利要求1所述的一种基于WiFi的船舶驾驶室人员值班行为识别方法,其特征在于:步骤A具体包括以下步骤:
A1、采集船舶驾驶室静态状态下的信号作为基准数据;
A2、采集人体在设备周围行走、坐着原地活动时的信号作为动态数据。
3.根据权利要求1所述的一种基于WiFi的船舶驾驶室人员值班行为识别方法,其特征在于:步骤F具体包括以下步骤:
F1、定义三种行为状态,包括静态状态、人员行走状态和其他活动状态;
F2、为每一种状态训练一个隐马尔可夫模型;
F3、将计算所得的运动指数MI输入到每一个模型中与每一个模型进行匹配,计算生成概率最大的模型所对应的状态为该时刻所属的行为状态。
4.根据权利要求3所述的一种基于WiFi的船舶驾驶室人员值班行为识别方法,其特征在于:步骤G中,驾驶室人员值班异常状态行为检测方法如下:
统计静态状态中序列数目,记为Cm;设置一个船舶值班异常行为预警值,记为Ck;若Cm≥Ck,则认为船舶驾驶室人员值班行为存在异常;
统计人员处于行走状态的序列数目,记为Cn;在全体序列CT中所占的比例,定义为值班行为异常度,记为η=Cn/CT;设置一个认为值班行为正常的最高容忍度,记为λ;若η≤λ,则认为船舶驾驶室人员值班行为存在异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911166193.7A CN110958568B (zh) | 2019-11-25 | 2019-11-25 | 基于WiFi的船舶驾驶室人员值班行为识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911166193.7A CN110958568B (zh) | 2019-11-25 | 2019-11-25 | 基于WiFi的船舶驾驶室人员值班行为识别方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110958568A CN110958568A (zh) | 2020-04-03 |
CN110958568B true CN110958568B (zh) | 2020-11-13 |
Family
ID=69978417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911166193.7A Active CN110958568B (zh) | 2019-11-25 | 2019-11-25 | 基于WiFi的船舶驾驶室人员值班行为识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110958568B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686130B (zh) * | 2020-12-28 | 2021-07-30 | 广州市勤思网络科技有限公司 | 一种智慧渔船监管决策*** |
CN112949487A (zh) * | 2021-03-01 | 2021-06-11 | 武汉理工大学 | 一种基于WiFi的船舶驾驶室人员数量检测方法及*** |
CN113238659A (zh) * | 2021-06-29 | 2021-08-10 | 中国科学技术大学 | 基于wifi信号的实时行为识别方法与*** |
WO2023136112A1 (ja) * | 2022-01-12 | 2023-07-20 | 株式会社村田製作所 | 演算装置および演算プログラム |
CN114861756B (zh) * | 2022-03-30 | 2024-06-18 | 北京大学 | 基于短期观测的驾驶行为模式实时分类方法及*** |
CN116245425B (zh) * | 2023-05-04 | 2023-08-01 | 武汉理工大学 | 一种基于无线信号的船舶值班人员警觉性表征评估方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502894B (zh) * | 2014-11-28 | 2017-01-11 | 无锡儒安科技有限公司 | 基于物理层信息的运动物体被动检测方法 |
CN106407905B (zh) * | 2016-08-31 | 2019-05-14 | 电子科技大学 | 基于机器学习的无线感知动作识别方法 |
CN106792505B (zh) * | 2016-11-18 | 2019-08-09 | 清华大学 | 一种目标追踪***和方法 |
CN106658590B (zh) * | 2016-12-28 | 2023-08-01 | 南京航空航天大学 | 基于WiFi信道状态信息多人室内环境状态监控***的设计与实现 |
CN106899968B (zh) * | 2016-12-29 | 2020-04-24 | 南京航空航天大学 | 一种基于WiFi信道状态信息的主动非接触身份认证方法 |
CN107749143B (zh) * | 2017-10-30 | 2023-09-19 | 安徽工业大学 | 一种基于WiFi信号的穿墙室内人员跌倒探测***及方法 |
CN108197612A (zh) * | 2018-02-05 | 2018-06-22 | 武汉理工大学 | 一种船舶敏感区检测人员入侵的方法及*** |
CN108875584A (zh) * | 2018-05-23 | 2018-11-23 | 西北工业大学 | 一种基于无线感知的高可靠用户行为识别方法 |
CN109918994B (zh) * | 2019-01-09 | 2023-09-15 | 天津大学 | 一种基于商用Wi-Fi的暴力行为检测方法 |
-
2019
- 2019-11-25 CN CN201911166193.7A patent/CN110958568B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110958568A (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110958568B (zh) | 基于WiFi的船舶驾驶室人员值班行为识别方法及*** | |
CN107095669B (zh) | 一种癫痫患者脑电信号的处理方法及*** | |
CN107749143B (zh) | 一种基于WiFi信号的穿墙室内人员跌倒探测***及方法 | |
CN110991406B (zh) | 一种基于rsvp脑电特征的弱小目标检测方法及*** | |
Choi et al. | Automatic segmentation of latent fingerprints | |
CN104586387A (zh) | 一种时、频、空域多参数脑电特征提取与融合方法 | |
CN104720796A (zh) | 一种用于癫痫发作时间段的自动检测***及方法 | |
CN103793690A (zh) | 一种基于皮下血流探测的人体生物活体检测方法及应用 | |
CN108693973A (zh) | 一种融合脑电信号和环境信息的紧急状况检测*** | |
CN111753674A (zh) | 一种基于深度学习的疲劳驾驶的检测识别方法 | |
CN109255309B (zh) | 面向遥感图像目标检测的脑电与眼动融合方法及装置 | |
CN106446849B (zh) | 一种疲劳驾驶检测方法 | |
CN107293301B (zh) | 基于牙齿咬合声音的识别方法及*** | |
CN106128032A (zh) | 一种疲劳状态监测及预警方法及其*** | |
EP3449409B1 (en) | Biometric method and device for identifying a person through an electrocardiogram (ecg) waveform | |
CN112364769A (zh) | 基于商用Wi-Fi的人群计数方法 | |
CN109567832A (zh) | 一种基于智能手环的检测愤怒驾驶状态的方法及*** | |
CN106940904B (zh) | 基于人脸识别和语音识别的考勤*** | |
CN114041784B (zh) | 基于商用Wi-Fi的双人步态病症判断装置 | |
CN111067513A (zh) | 一种特征权重自学习的睡眠质量检测关键脑区判定方法 | |
CN111652132B (zh) | 基于深度学习的非视距身份识别方法、设备及存储介质 | |
Chen et al. | Image quality assessment model based on features and applications in face recognition | |
Dehzangi et al. | Driver distraction detection using MEL cepstrum representation of galvanic skin responses and convolutional neural networks | |
CN107334481B (zh) | 一种驾驶分心检测方法及*** | |
Utomo et al. | Driver fatigue prediction using different sensor data with deep learning |
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 |