CN112468956A - 室内定位和运动状态的人体活动监测方法 - Google Patents
室内定位和运动状态的人体活动监测方法 Download PDFInfo
- Publication number
- CN112468956A CN112468956A CN202011259819.1A CN202011259819A CN112468956A CN 112468956 A CN112468956 A CN 112468956A CN 202011259819 A CN202011259819 A CN 202011259819A CN 112468956 A CN112468956 A CN 112468956A
- Authority
- CN
- China
- Prior art keywords
- positioning
- signal
- formula
- axis
- human body
- 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
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
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- 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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种室内定位和运动状态的人体活动监测方法,由制作室内地图、采集定位信号、处理定位信号、建立定位数据库、处理加速度信号、提取人体活动特征、建立动作数据库、识别位置和动作步骤组成。本发明根据室内空间和人体活动行为的特点,通过人体携带的加速度传感器,实时采集人体活动的行为数据,对数据进行分析,建立个人活动行为模型,所收集的数据进行对比,分类识别人的行走、站立、躺卧、坐着、突然跌倒活动行为特征。本发明经实验验证,结果表明,本发明能够准确地定位人***置和识别出人体活动的五种典型行为,提出的特征提取及识别方法的有效性,可用于能源消耗评估、智能监测、生物医学研究、健康状况评估、健康监测等领域。
Description
技术领域
本发明属于监测技术领域,具体涉及到室内定位和运动状态相结合的人体活动监测方法技术领域。
背景技术
随着人工智能和微机电***的发展,行为感知技术在智能和个性化服务方面发挥着重要作用,例如老人监护、健康医疗等方面。目前对人类活动行为监测的研究中最为常见的两种方法分别是基于视频的人类活动识别和基于加速度传感器的人类活动识别。基于视频的人类活动识别技术具有较高的准确度和清晰的人体运动图像,但大多数情况下都需要多个摄像机一起工作,容易暴露用户隐私。如果只使用一个摄像机,精度就会大大降低,无法突出它的优点。
基于加速度传感器的人类活动识别方法主要包括数据采集、原始数据的预处理、特征值的提取和识别分类四个关键步骤。其中,特征提取和分类识别是最为重要的两个步骤。数据采集主要用传感器采集不同行为下的原始三轴加速度信号。原始数据的预处理方法主要包括均值滤波、小波分析、Kalman滤波等方法。特征值的提取方法当前使用最为广泛的特征有时域特征和频域特征。时域特征可以反映信号的分布情况且在计算时复杂度相对较低,在人体活动行为识别问题中被广泛应用。频域特征通过对信号的频率特征进行计算从而准确识别人体运动行为,特别是用在周期重复的人体运动。对人体活动行为进行分类方法常用的有决策树、支持向量机、最近邻法和神经网络等。
上述现有技术的缺点如下:
(1)现有的基于加速度传感器的人类活动识别方法缺失了人体动作与室内环境的关联关系,容易出现非危险动作误判的问题。
(2)对于时域特征其提取一般只考虑了一维的情况,只对加速度时间轴上的原始信号进行了提取,影响了识别的效果。方差和标准差作为特征可以识别步行和跑步等差别较大的动作,但是对于差别不大的动作识别不理想。
(3)对于频域特征的提取需要较长采样时间,对实时性影响较大。
发明内容
本发明所要解决的技术问题在于克服上述现有技术的缺点,提供一种能与室内定位相结合、对人体活动进行实时处理的室内定位和运动状态相结合的人体活动监测方法。
解决上述技术问题所采用的技术方案是由下述步骤组成:
(1)制作室内地图
在室内以一条经线与相邻一条经线间隔0.5~1m划经线,以一条纬线与相邻一条纬线间隔0.5~1m划纬线,得到小方格区域。
(2)采集定位信号
在室内地图的任意1个小方格区域的中心位置作为人站立的位置,以人站立的位置为圆心,半径为12m画圆,在圆区域内至少设置3个不在同一个小方格区域的信号发射器,以4dBm功率发射射频信号,人体携带有射频信号接收机和加速度传感器,每个射频信号接收机接收的信号强度PR与接收距离d之间的关系按式(1)确定。
其中,XdBm是零均值的高斯分布随机数,d0是参考距离,P0是相距参考距离为d0时接收到的功率,f是传播因子,2<f<4。
(3)处理定位信号
采用均值滤波法按式(2)对接收的信号强度PR进行处理,得到接受信号强度值Y:
其中,q为接受信号的次数,q为有限的正整数。
(4)建立定位数据库
以室内地图的任意1个小方格区域中心位置作为人站立的位置,人体携带的射频信号接收机接收发射机发出的发射机名称和射频信号,射频信号接收机组成一个接收信号强度的集合,遍历地图中所有小方格区域中心位置,建立人站立的每个位置和其接收到发射机名称及其信号强度的定位数据库。
(5)处理加速度信号
用有限长单位冲激响应滤波方法按式(3)对加速度传感器采集的数字信号进行滤波处理,输出滤波后的信号y(n)。
其中,L是滤波器的窗体长度,L的取值为6~10,h(m)和h(n)是脉冲滤波***,x(n)和x(n-m)是输入待滤波信号。
(6)提取人体活动特征
按式(7)-式(9)确定X、Y、Z三轴方向上分量的标准差δX,δY,δZ:
其中,μX,μY,μZ分别是X、Y、Z三轴方向上加速度值的算术平均值。
按式(10)-式(12)确定X与Y、X与Z、Y与Z轴之间的相关系数Corre_Coef(X,Y)、Corre_Coef(X,Z)、Corre_Coef(Y,Z):
其中,cov(X,Y)是X轴与Y轴的协方差,cov(X,Z)是X轴与Z轴的协方差,cov(Y,Z)是Y轴与Z轴的协方差。
将三轴方向上分量的均值标准差δX、δY、δZ和任意两轴之间的相关系数Corre_Coef(X,Y)、Corre_Coef(X,Z)、Corre_Coef(Y,Z)作为时域特征值,提取用以表征人体活动行为的9个特征向量。
(7)建立动作数据库
在人做每一个动作时,人体携带的加速度传感器采集该动作的三轴加速度信号,并用式(4)-式(12)提取该动作的9个特征向量,建立坐、站立、行走、躺卧、突然跌倒五种动作及其对应提取的9个特征向量的动作数据库。
(8)识别位置和动作
人在室内地图的任意位置做坐、站立、行走、躺卧、突然跌倒五种动作时,将该位置采集到的定位信号按式(2)处理,处理后的定位信号按式(13)在定位数据库中进行位置识别,将采集到的加速度信号按式(4)-式(12)提取9个特征向量,提取的9个特征向量按式(13)在动作数据库中进行动作识别。
f(x)=ωK(x,xi)+b (13)
其中,xi是支持向量,x是输入向量,b是支持向量机的阈值,ω是支持向量机的权重因子,K(x,xi)是支持向量机的核函数。
在本发明的处理定位信号步骤(3)中,所述q的取值为20~30。
在本发明的处理加速度信号步骤(5)中,所述的L取值最佳为8。
在本发明的构建人体活动特征步骤(6)中,所述的N的取值为20~40。
在本发明的识别位置和动作步骤(13)中,所述的支持向量机的核函数为径向基函数。
在本发明的制作室内地图步骤(1)中,所述的一条经线与相邻一条经线间隔同一条纬线与相邻一条纬线间隔相等。
本发明根据室内空间和人体活动行为的特点,通过人体携带的加速度传感器,实时采集人体活动的行为数据,对数据进行分析,建立个人活动行为模型,所收集的数据进行对比,分类识别个人的行走、站立、躺卧、坐着、突然跌倒活动行为特征。本发明人体定位和动作识别方法经过实验验证,实验结果表明,本发明能够准确地定位人***置和识别出人体活动的五种典型行为,本发明提出的特征提取及识别方法的有效性,可用于能源消耗评估、智能监测、生物医学研究、健康状况评估、健康监测等领域。
附图说明
图1是本发明的实施例1的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明,但本发明不限于下述的实施例。
实施例1
在图1中,本实施例的室内定位和运动状态的人体活动监测方法由下述步骤组成:
(1)制作室内地图
在室内以一条经线与相邻一条经线间隔0.75m划经线,以一条纬线与相邻一条纬线间隔0.75m划纬线,得到小方格区域。小方格区域也可以划成长方形区域,按照室内的具体面积来确定。
(2)采集定位信号
在室内地图的任意1个小方格区域的中心位置作为人站立的位置,以人站立的位置为圆心,半径为12m画圆,在圆区域内设置3个不在同一个小方格区域的信号发射器,以4dBm功率发射射频信号,人体携带有射频信号接收机和加速度传感器,每个射频信号接收机接收的信号强度PR与接收距离d之间的关系按式(1)确定:
其中,XdBm是零均值的高斯分布随机数,d0是参考距离,P0是相距参考距离为d0时接收到的功率,f是传播因子,2<f<4,本实施例的f取值为3。
(3)处理定位信号
采用均值滤波法按式(2)对接收的信号强度PR进行处理,得到接受信号强度值Y:
其中,q为接受信号的次数,q为有限的正整数,本实施例的q取值为25。
(4)建立定位数据库
以室内地图的任意1个小方格区域中心位置作为人站立的位置,人体携带的射频信号接收机接收发射机发出的发射机名称和射频信号,射频信号接收机组成一个接收信号强度的集合,遍历地图中所有小方格区域中心位置,建立人站立的每个位置和其接收到发射机名称及其信号强度的定位数据库。
(5)处理加速度信号
用有限长单位冲激响应滤波方法按式(3)对加速度传感器采集的数字信号进行滤波处理,输出滤波后的信号y(n):
其中,L是滤波器的窗体长度,本实施例的L取值为8,h(m)和h(n)是脉冲滤波***,x(n)和x(n-m)是输入待滤波信号。本实施例的h(m)和h(n)是脉冲滤波***为:
h(n)=wN(n)hd(n),
h(m)=wN(m)hd(m),
其中,hd(n)和hd(m)为理想滤波器,wN(n)和wN(m)为汉宁窗体函数。
(6)提取人体活动特征
本实施例的N取值为30。
按式(7)-式(9)确定X、Y、Z三轴方向上分量的标准差δX,δY,δZ:
其中,μX,μY,μZ分别是X、Y、Z三轴方向上加速度值的算术平均值。
按式(10)-式(12)确定X与Y、X与Z、Y与Z轴之间的相关系数Corre_Coef(X,Y)、Corre_Coef(X,Z)、Corre_Coef(Y,Z):
其中,cov(X,Y)是X轴与Y轴的协方差,cov(X,Z)是X轴与Z轴的协方差,cov(Y,Z)是Y轴与Z轴的协方差。
将三轴方向上分量的均值标准差δX、δY、δZ和任意两轴之间的相关系数Corre_Coef(X,Y)、Corre_Coef(X,Z)、Corre_Coef(Y,Z)作为时域特征值,提取用以表征人体活动行为的9个特征向量。
(7)建立动作数据库
在人做每一个动作时,人体携带的加速度传感器采集该动作的三轴加速度信号,并用式(4)-式(12)提取该动作的9个特征向量,建立坐、站立、行走、躺卧、突然跌倒五种动作及其对应提取的9个特征向量的动作数据库。
(8)识别位置和动作
人在室内地图的任意位置做坐、站立、行走、躺卧、突然跌倒五种动作时,将该位置采集到的定位信号按式(2)处理,处理后的定位信号按式(13)在定位数据库中进行位置识别,将采集到的加速度信号按式(4)-式(12)提取9个特征向量,提取的9个特征向量按式(13)在动作数据库中进行动作识别:
f(x)=ωK(x,xi)+b (13)
其中,xi是支持向量,x是输入向量,b是支持向量机的阈值,ω是支持向量机的权重因子,K(x,xi)是支持向量机的核函数。
实施例2
本实施例的室内定位和运动状态的人体活动监测方法由下述步骤组成:
(1)制作室内地图
在室内以一条经线与相邻一条经线间隔0.5m划经线,以一条纬线与相邻一条纬线间隔0.5m划纬线,得到小方格区域。小方格区域也可以划成长方形区域,按照室内的具体面积来确定。
(2)采集定位信号
在室内地图的任意1个小方格区域的中心位置作为人站立的位置,以人站立的位置为圆心,半径为12m画圆,在圆区域内设置3个不在同一个小方格区域的信号发射器,以4dBm功率发射射频信号,人体携带有射频信号接收机和加速度传感器,每个射频信号接收机接收的信号强度PR与接收距离d之间的关系按式(1)确定:
其中,XdBm是零均值的高斯分布随机数,d0是参考距离,P0是相距参考距离为d0时接收到的功率,f是传播因子,2<f<4,本实施例的f取值为2.5。
(3)处理定位信号
采用均值滤波法按式(2)对接收的信号强度PR进行处理,得到接受信号强度值Y:
其中,q为接受信号的次数,q为有限的正整数,本实施例的q取值为20。该步骤的其它步骤与实施例1相同。
(5)处理加速度信号
用有限长单位冲激响应滤波方法按式(3)对加速度传感器采集的数字信号进行滤波处理,输出滤波后的信号y(n):
其中,L是滤波器的窗体长度,本实施例的L取值为6。该步骤的其它步骤与实施例1相同。
(6)提取人体活动特征
本实施例的N取值为20。该步骤的其它步骤与实施例1相同。
其它步骤与实施例1相同。
实施例3
本实施例的室内定位和运动状态的人体活动监测方法由下述步骤组成:
(1)制作室内地图
在室内以一条经线与相邻一条经线间隔1m划经线,以一条纬线与相邻一条纬线间隔1m划纬线,得到小方格区域。小方格区域也可以划成长方形区域,按照室内的具体面积来确定。
(2)采集定位信号
在室内地图的任意1个小方格区域的中心位置作为人站立的位置,以人站立的位置为圆心,半径为12m画圆,在圆区域内设置4个不在同一个小方格区域的信号发射器,以4dBm功率发射射频信号,人体携带有射频信号接收机和加速度传感器,每个射频信号接收机接收的信号强度PR与接收距离d之间的关系按式(1)确定:
其中,XdBm是零均值的高斯分布随机数,d0是参考距离,P0是相距参考距离为d0时接收到的功率,f是传播因子,2<f<4,本实施例的f取值为3.5。
(3)处理定位信号
采用均值滤波法按式(2)对接收的信号强度PR进行处理,得到接受信号强度值Y:
其中,q为接受信号的次数,q为有限的正整数,本实施例的q取值为40。该步骤的其它步骤与实施例1相同。
(5)处理加速度信号
用有限长单位冲激响应滤波方法按式(3)对加速度传感器采集的数字信号进行滤波处理,输出滤波后的信号y(n):
其中,L是滤波器的窗体长度,本实施例的L取值为10。该步骤的其它步骤与实施例1相同。
(6)提取人体活动特征
本实施例的N取值为40。该步骤的其它步骤与实施例1相同。
其它步骤与实施例1相同。
为了验证本发明的有益效果,发明人采用本发明实施例1的方法进行了实验室的研究实验。建立的人行为活动数据库见表1,室内定位误差结果见表2。按实施例1的方法将实验室地面制作地图,划经纬线,将室内划分成小方格区域,人在10个小方格区域内站立、坐着、躺卧、行走、突然跌倒5种行为活动,人行为活动实验检测结果见表3。
表1 5种行为活动数据库
表2室内定位误差结果表
表3 5种行为活动检测结果表
由表2可见,定位精度在2m以内的概率达到100%,满足室内定位精确的需求。由表3可见,动作识别准确率达到了99%,充分表明本发明识别方法的有效性。本发明能够准确地定位人***置和识别出人体活动的五种典型行为,提出的特征提取及识别方法的有效性,可用于能源消耗评估、智能监测、生物医学研究、健康状况评估、健康监测等领域。
Claims (6)
1.一种室内定位和运动状态的人体活动监测方法,其特征在于由下述步骤组成:
(1)制作室内地图
在室内以一条经线与相邻一条经线间隔0.5~1m划经线,以一条纬线与相邻一条纬线间隔0.5~1m划纬线,得到小方格区域;
(2)采集定位信号
在室内地图的任意1个小方格区域的中心位置作为人站立的位置,以人站立的位置为圆心,半径为12m画圆,在圆区域内至少设置3个不在同一个小方格区域的信号发射器,以4dBm功率发射射频信号,人体携带有射频信号接收机和加速度传感器,每个射频信号接收机接收的信号强度PR与接收距离d之间的关系按式(1)确定:
其中,XdBm是零均值的高斯分布随机数,d0是参考距离,P0是相距参考距离为d0时接收到的功率,f是传播因子,2<f<4;
(3)处理定位信号
采用均值滤波法按式(2)对接收的信号强度PR进行处理,得到接受信号强度值Y:
其中,q为接受信号的次数,q为有限的正整数;
(4)建立定位数据库
以室内地图的任意1个小方格区域中心位置作为人站立的位置,人体携带的射频信号接收机接收发射机发出的发射机名称和射频信号,射频信号接收机组成一个接收信号强度的集合,遍历地图中所有小方格区域中心位置,建立人站立的每个位置和其接收到发射机名称及其信号强度的定位数据库;
(5)处理加速度信号
用有限长单位冲激响应滤波方法按式(3)对加速度传感器采集的数字信号进行滤波处理,输出滤波后的信号y(n):
其中,L是滤波器的窗体长度,L取值为6~10,h(m)和h(n)是脉冲滤波***,x(n)和x(n-m)是输入待滤波信号;
(6)提取人体活动特征
按式(7)-式(9)确定X、Y、Z三轴方向上分量的标准差δX,δY,δZ:
其中,μX,μY,μZ分别是X、Y、Z三轴方向上加速度值的算术平均值;
按式(10)-式(12)确定X与Y、X与Z、Y与Z轴之间的相关系数Corre_Coef(X,Y)、Corre_Coef(X,Z)、Corre_Coef(Y,Z):
其中,cov(X,Y)是X轴与Y轴的协方差,cov(X,Z)是X轴与Z轴的协方差,cov(Y,Z)是Y轴与Z轴的协方差;
将三轴方向上分量的均值标准差δX、δY、δZ和任意两轴之间的相关系数Corre_Coef(X,Y)、Corre_Coef(X,Z)、Corre_Coef(Y,Z)作为时域特征值,提取用以表征人体活动行为的9个特征向量;
(7)建立动作数据库
在人做每一个动作时,人体携带的加速度传感器采集该动作的三轴加速度信号,并用式(4)-式(12)提取该动作的9个特征向量,建立坐、站立、行走、躺卧、突然跌倒五种动作及其对应提取的9个特征向量的动作数据库;
(8)识别位置和动作
人在室内地图的任意位置做坐、站立、行走、躺卧、突然跌倒五种动作时,将该位置采集到的定位信号按式(2)处理,处理后的定位信号按式(13)在定位数据库中进行位置识别,将采集到的加速度信号按式(4)-式(12)提取9个特征向量,提取的9个特征向量按式(13)在动作数据库中进行动作识别:
f(x)=ωK(x,xi)+b (13)
其中,xi是支持向量,x是输入向量,b是支持向量机的阈值,ω是支持向量机的权重因子,K(x,xi)是支持向量机的核函数。
2.根据权利要求1所述的室内定位和运动状态的人体活动监测方法,其特征在于:在处理定位信号步骤(3)中,所述q的取值为20~30。
3.根据权利要求1所述的室内定位和运动状态的人体活动监测方法,其特征在于:在处理加速度信号步骤(5)中,所述的L取值为8。
4.根据权利要求1所述的室内定位和运动状态的人体活动监测方法,其特征在于:在构建人体活动特征步骤(6)中,所述的N的取值为20~40。
5.根据权利要求1所述的室内定位和运动状态的人体活动监测方法,其特征在于:在识别位置和动作步骤(13)中,所述的支持向量机的核函数为径向基函数。
6.根据权利要求1所述的室内定位和运动状态的人体活动监测方法,其特征在于:在制作室内地图步骤(1)中,所述的一条经线与相邻一条经线间隔同一条纬线与相邻一条纬线间隔相等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011259819.1A CN112468956B (zh) | 2020-11-12 | 2020-11-12 | 室内定位和运动状态的人体活动监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011259819.1A CN112468956B (zh) | 2020-11-12 | 2020-11-12 | 室内定位和运动状态的人体活动监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112468956A true CN112468956A (zh) | 2021-03-09 |
CN112468956B CN112468956B (zh) | 2022-10-11 |
Family
ID=74825728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011259819.1A Active CN112468956B (zh) | 2020-11-12 | 2020-11-12 | 室内定位和运动状态的人体活动监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112468956B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116745A (zh) * | 2013-03-01 | 2013-05-22 | 南通大学 | 基于几何代数的老人跌倒状态建模、特征提取及识别方法 |
CN104598880A (zh) * | 2015-03-06 | 2015-05-06 | 中山大学 | 一种基于模糊支持向量机的行为识别方法 |
CN105528613A (zh) * | 2015-11-30 | 2016-04-27 | 南京邮电大学 | 一种基于智能手机gps速度与加速度数据的行为识别方法 |
CN106981174A (zh) * | 2017-04-27 | 2017-07-25 | 南京邮电大学 | 一种基于智能手机的老人跌倒检测方法 |
CN107909771A (zh) * | 2017-10-08 | 2018-04-13 | 南京邮电大学 | 一种基于无线传感网络的人员跌倒报警***及其实现方法 |
WO2019018371A1 (en) * | 2017-07-17 | 2019-01-24 | The University Of North Carolina At Chapel Hill Office Of Technology Commercialization | METHODS, SYSTEMS, AND COMPUTER-READABLE NON-TEMPORARY ENVIRONMENT FOR ASSESSING THE QUALITY OF LOWER LIMBS MOVEMENTS |
US20200202117A1 (en) * | 2012-09-18 | 2020-06-25 | Origin Wireless, Inc. | Method, apparatus, and system for wireless gait recognition |
-
2020
- 2020-11-12 CN CN202011259819.1A patent/CN112468956B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200202117A1 (en) * | 2012-09-18 | 2020-06-25 | Origin Wireless, Inc. | Method, apparatus, and system for wireless gait recognition |
CN103116745A (zh) * | 2013-03-01 | 2013-05-22 | 南通大学 | 基于几何代数的老人跌倒状态建模、特征提取及识别方法 |
CN104598880A (zh) * | 2015-03-06 | 2015-05-06 | 中山大学 | 一种基于模糊支持向量机的行为识别方法 |
CN105528613A (zh) * | 2015-11-30 | 2016-04-27 | 南京邮电大学 | 一种基于智能手机gps速度与加速度数据的行为识别方法 |
CN106981174A (zh) * | 2017-04-27 | 2017-07-25 | 南京邮电大学 | 一种基于智能手机的老人跌倒检测方法 |
WO2019018371A1 (en) * | 2017-07-17 | 2019-01-24 | The University Of North Carolina At Chapel Hill Office Of Technology Commercialization | METHODS, SYSTEMS, AND COMPUTER-READABLE NON-TEMPORARY ENVIRONMENT FOR ASSESSING THE QUALITY OF LOWER LIMBS MOVEMENTS |
CN107909771A (zh) * | 2017-10-08 | 2018-04-13 | 南京邮电大学 | 一种基于无线传感网络的人员跌倒报警***及其实现方法 |
Non-Patent Citations (6)
Title |
---|
任宇飞: "基于SVM的人体运动分析与防跌倒检测技术", 《信息技术》 * |
刘宇等: "基于加速度时域特征的实时人体行为模式识别", 《上海交通大学学报》 * |
张洁: "基于加速度传感器的人体运动行为识别研究", 《自动化与仪器仪表》 * |
梁维杰等: "基于支持向量机的跌倒检测方法研究", 《测控技术》 * |
王志明等: "基于WIFI的人群行为识别***研究", 《中国新通信》 * |
郝德华等: "基于Pearson相关系数的快速虚拟网格匹配定位算法", 《计算机应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112468956B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gu et al. | Paws: Passive human activity recognition based on wifi ambient signals | |
CN106407905B (zh) | 基于机器学习的无线感知动作识别方法 | |
Li et al. | Smart home monitoring system via footstep-induced vibrations | |
CN107749143A (zh) | 一种基于WiFi信号的穿墙室内人员跌倒探测***及方法 | |
Liu et al. | Elderly-falling detection using distributed direction-sensitive pyroelectric infrared sensor arrays | |
CN105841961A (zh) | 一种基于Morlet小波变换和卷积神经网络的轴承故障诊断方法 | |
CN107947874B (zh) | 基于WiFi信道状态信息的室内地图语义标识方法 | |
CN110730473B (zh) | 面向WiFi活动识别的信号特征提取方法 | |
Zhu et al. | NotiFi: A ubiquitous WiFi-based abnormal activity detection system | |
CN105139029A (zh) | 一种监狱服刑人员的行为识别方法及装置 | |
CN101256715A (zh) | 无线传感器网络中基于粒子滤波的多车辆声信号分离方法 | |
CN111698258A (zh) | 一种基于WiFi的环境入侵检测方法和*** | |
CN114222202B (zh) | 一种基于WiFi CSI的环境自适应活动检测方法及*** | |
CN113453180B (zh) | 一种人体摔倒智能检测方法、***、信息数据处理终端 | |
Sahoo et al. | Wi-fi sensing based real-time activity detection in smart home environment | |
CN103530988A (zh) | 一种草坪践踏及危害程度的预警方法 | |
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 | |
CN112468956B (zh) | 室内定位和运动状态的人体活动监测方法 | |
CN117665807A (zh) | 基于毫米波多人零样本的人脸识别方法 | |
CN110123328B (zh) | 一种基于无线识别的呼吸频率检测方法 | |
Yang et al. | An identity perception algorithm based on WiFi channel state information | |
CN115291184B (zh) | 一种毫米波雷达与深度学习结合的姿态监测方法 | |
CN112883355B (zh) | 一种基于rfid和卷积神经网络的非接触式用户身份认证方法 | |
CN108648417A (zh) | 基于深度学习的树莓派老人摔倒检测*** | |
CN115204240A (zh) | 基于毫米波雷达和fpga的跌倒检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |