CN115204240A - 基于毫米波雷达和fpga的跌倒检测方法及装置 - Google Patents
基于毫米波雷达和fpga的跌倒检测方法及装置 Download PDFInfo
- Publication number
- CN115204240A CN115204240A CN202210969297.7A CN202210969297A CN115204240A CN 115204240 A CN115204240 A CN 115204240A CN 202210969297 A CN202210969297 A CN 202210969297A CN 115204240 A CN115204240 A CN 115204240A
- Authority
- CN
- China
- Prior art keywords
- data
- falling
- fpga
- layer
- millimeter wave
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/76—Architectures of general purpose stored program computers
- G06F15/78—Architectures of general purpose stored program computers comprising a single central processing unit
- G06F15/7867—Architectures of general purpose stored program computers comprising a single central processing unit with reconfigurable architecture
- G06F15/7871—Reconfiguration support, e.g. configuration loading, configuration switching, or hardware OS
- G06F15/7878—Reconfiguration support, e.g. configuration loading, configuration switching, or hardware OS for pipeline reconfiguration
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Molecular Biology (AREA)
- Emergency Management (AREA)
- Computer Hardware Design (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Neurology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于毫米波雷达和FPGA的跌倒检测方法及装置,使用雷达采集跌倒和未跌倒的人体姿态数据,进行下采样,短时傅里叶变换,取分贝值,再设置合适的阈值组成含有特征信息的二值图片。将这些特征图进行卷积神经网络的训练得到卷积神经网络模型,再将整个数据处理流程和卷积神经网络模型部署到FPGA内部进行跌倒检测。当判定为跌倒时则产生报警信息。本发明具有检测率高,实时性强,成本低,模型可重塑,不侵犯隐私等特点。
Description
技术领域
本发明属于数据处理技术领域,特别是一种基于毫米波雷达和FPGA的跌倒检测方法及装置。
背景技术
随着老年人口数量的增长,老人的跌倒与救护成为了一个亟待解决的重要社会问题。对于独处老人来说,如果摔倒在地上后丧失行动的能力,而又没有其他人在第一时间给予帮助,长时间躺在地上将造成更加严重的后续伤害,造成生命危险。
目前跌倒检测设备可大致分为可穿戴的和非可穿戴的。可穿戴式的装置一般基于微型电子传感器的装置。限制将设备放置在身体的单一部位(腰部、手腕、胸部等)。绝大多数可穿戴式坠落探测器都是加速度计设备的形式。其中一些传感器还结合了其他传感器,如陀螺仪,以获取有关患者位置的信息,基于穿戴设备的算法具有高精度、低误检的优点,但是在穿戴过程中,容易给老人带来不舒适的体验,造成老人的抵触心理。另外,由于使用人员多为年龄较大的老人,记忆力衰退明显,很容易发生忘记佩戴的情况。非可穿戴设备往往不引人注目,更容易接受,更好的舒适。一种常见的非显眼的跌倒检测装置是摄像机,其中图像处理技术可以隔离和检测跌倒。然而,基于视觉的***不能在低光照或遮挡环境下发挥作用,也常常涉及到老人隐私问题。另一种非可穿戴设备是使用雷达来进行跌倒检测,常常需要多个软件的配合才能完成检测,虽然避开了老人隐私问题,但也带来了新的问题如检测时间较长,资源消耗量大。
发明内容
本发明的目的在于针对现有技术存在的不足,提供一种基于毫米波雷达和FPGA的跌倒检测方法及装置,解决传统跌倒检测准确度低,计算速度慢,成本高,隐私性差的问题。
实现本发明目的的技术解决方案为:一种基于毫米波雷达和FPGA的跌倒检测方法,所述方法包括以下步骤:
步骤S1,采集预设区域内的人体姿态数据,标注跌倒数据和未跌倒数据;
步骤S2,对采集并标注的数据进行预处理获得特征图,形成数据集;
步骤S3,构建卷积神经网络模型,利用标注好的数据集进行网络训练,得到训练好的网络模型;
步骤S4,将训练好的网络模型加载到FPGA中,利用FPGA进行完整的跌倒检测;
步骤S5,当FPGA判定输入数据特征为跌倒时,利用蜂鸣器进行报警。
进一步地,步骤S1中所述人体姿态数据是由毫米波雷达雷达和ADC采集板采集,其中跌倒数据包括正面扑倒、背面躺倒和侧面跌倒这几种姿态,未跌倒数据包括无目标、缓步和慢蹲这几种姿态。
进一步地,步骤S2包括以下步骤:
步骤S21,下采样:针对标注好的人体姿态数据,每个线性调频脉冲chirp取一个采样点数据,得到下采样后的雷达数据;
步骤S22,对下采样后的雷达数据进行短时傅里叶变换,公式为:
式中,x(m)为下采样后的雷达数据,ω(n)是窗函数,Xn(ejw)为加窗后的傅里叶变换数据;
步骤S23,对短时傅里叶变换处理后的数据取分贝值;
步骤S24,对取分贝值后的数据进行二值化处理,得到二值化后的跌倒和未跌倒的数据集。
进一步地,步骤S23中取分贝值的公式为20log|x|,x为短时傅里叶变换后的数据。
进一步地,步骤S3中卷积神经网络模型的结构具体为:第一层为卷积层,第二层为池化层,第三层为卷积层,第四层为池化层,第五层为卷积层,第六层为池化层,第七层为全连接层1,第八层为全连接层2。
进一步地,步骤S4具体包括:
步骤S41,使用毫米波雷达采集人体姿态数据,通过以太网发送给FPGA;
步骤S42,FPGA对采集的信号进行步骤S2的下采样、短时傅里叶变换和二值化,得到特征数据;
步骤S43,通过部署在FPGA上的训练好的网络模型对特征数据进行特征提取,判定是否跌倒。
一种基于毫米波雷达和FPGA的跌倒检测装置,所述装置包括:
模型训练模块,用于将采集的跌倒和未跌倒的人体姿态数据组合成特征图片,并利用该特征图片训练卷积网经网络,训练获得的网络模型用于后续特征识别模块进行跌倒和未跌倒数据的识别;
数据采集模块,用于利用毫米波雷达板和ADC采集板采集空间内的人体活动数据;
数据接收模块,用于通过以太网接收雷达数据并进行下采样;
数据预处理模块,用于对采样的数据进行短时傅里叶变换获取频谱,再对其频谱数据取分贝值,最后进行二值化处理得到特征图;
特征识别模块,用于通过卷积神经网络挖掘特征图特征,检测跌倒状态;
报警模块,用于在特征识别模块输出判定为跌倒时,由蜂鸣器产生报警信号。
进一步地,所述模型训练模块包括:
第一模块,用于对毫米波雷达采集的跌倒和未跌倒的人体姿态数据进行下采样、短时傅里叶变换,之后取分贝值并进行二值化得到跌倒和未跌倒数据的特征图;
第二模块,将跌倒和未跌倒的特征图分为两组,作为卷积神经网络模型训练的数据,得到训练好的卷积神经网络模型。
本发明与现有技术相比,其显著优点为:
1)运行速度快。本发明利用FPGA并行和流水线处理的优势对短时傅里叶变换模块和取分贝值模块引入流水线结构,对卷积层输入数据做并行化处理,使得每次跌倒判定均能在3ms内完成。
2)检测率高。本发明利用部署在FPGA内部的卷积神经网络进行跌倒检测,获得了95%以上的跌倒检测率。
3)神经网络模型的训练时间短。本发明利用二值化后的特征图片进行模型训练大大减小了网络模型训练的时间。
4)为将来硬件架构的实现提供了选择。现有的基于毫米波雷达的跌倒检测方案大多数都是以微处理器作为中央处理器,而这些微处理器仅限于软件架构和应用程序的研究。本发明利用FPGA作为处理器为将来硬件架构的实现提供了选择。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明实施例中基于毫米波雷达和FPGA的跌倒检测方法的流程示意图。
图2为本发明实施例中基于毫米波雷达和FPGA的跌倒检测采用的卷积神经网络模型示意图。
图3为本发明实施例中基于毫米波雷达和FPGA的跌倒检测装置示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明,若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
结合图1和图2,提供了一种基于毫米波雷达和FPGA的跌倒检测方法,所述方法包括以下步骤:
步骤S1,采集预设区域内的人体姿态数据,标注跌倒数据和未跌倒数据;
步骤S2,对采集并标注的数据进行预处理获得特征图,形成数据集;
步骤S3,构建卷积神经网络模型,利用标注好的数据集进行网络训练,得到训练好的网络模型;
步骤S4,将训练好的网络模型加载到FPGA中,利用FPGA进行完整的跌倒检测;
步骤S5,当FPGA判定输入数据特征为跌倒时,利用蜂鸣器进行报警。
在其中一个实施例中,步骤S1中,设置毫米波雷达为1个发射天线和1个接收天线,chirp起始频率为77GHz,调频斜率为29.982MHz/us,调频持续时间为60us,采样率为5000ksps,每次采集数据的frames为128,每个frame的chirps数为64,每个chirp采样点数为64;
使空间内的人体以特定姿态在检测范围内活动或者离开检测范围,空间内的回波信号与发射信号混频后得到的中频信号,经过ADC采样获得空间内人体活动的雷达数据,其中人体姿态数据是由毫米波雷达雷达和ADC采集板采集的,其中跌倒数据包括正面扑倒、背面躺倒和侧面跌倒几种姿态,未跌倒数据包括无目标、缓步和慢蹲几种姿态。
进一步地,在其中一个实施例中,步骤S2包括以下步骤:
步骤S21,下采样:针对标注好的人体姿态数据,每个线性调频脉冲chirp取第32个采样点数据,得到下采样后的雷达数据;
步骤S22,对下采样后的雷达数据进行短时傅里叶变换,公式为:
式中,x(m)为下采样后的雷达数据,ω(n)是窗函数,Xn(ejw)为加窗后的傅里叶变换数据;窗函数使用的是汉明窗,重叠点数为64,傅里叶变换点数为256;
步骤S23,对短时傅里叶变换处理后的数据取分贝值;
步骤S24,对取分贝值后的数据进行二值化处理,得到二值化后的跌倒和未跌倒的数据集。
进一步地,在其中一个实施例中,步骤S23中取分贝值的公式为20log|x|,x为短时傅里叶变换后的数据。
进一步地,在其中一个实施例中,步骤S4具体包括:
步骤S41,使用毫米波雷达采集人体姿态数据,通过以太网发送给FPGA;
这里,设置毫米波雷达为1个发射天线和1个接收天线,chirp起始频率为77GHz,调频斜率为29.982MHz/us,调频持续时间为60us,采样率为5000ksps,每次采集数据的frames为128,每个frames的chirps数为64,每个chirp采样点数为64;
空间内的回波信号与发射信号混频后得到的中频信号,经过ADC采样获得空间内人体姿态的雷达数据,再将雷达数据通过以太网发送给FPGA;
步骤S42,FPGA对采集的信号进行步骤S2的下采样、短时傅里叶变换和二值化,得到特征数据;
步骤S43,通过部署在FPGA上的训练好的网络模型对特征数据进行特征提取,判定是否跌倒;这里,利用八层卷积神经网络进行特征提取:
第一层为卷积层,输入为256*42大小的特征图,卷积核数量为4,大小为3*3,步长为1,输出四个254*40大小的特征图;
第二层为池化层,2*2最大池化,步长为2,输出四个127*20的特征图;
第三层为卷积层,卷积核数量为4,大小为3*3,步长为1,输出四个125*18大小的特征图;
第四层为池化层,2*2最大池化,步长为2,输出四个62*9的特征图;
第五层为卷积层,卷积核数量为4,大小为3*3,步长为1,输出四个60*7大小的特征图;
第六层为池化层,2*2最大池化,步长为2,输出四个30*3的特征图;
第七层为全连接层1,128个神经元,128个输出;
第八层为全连接层2,2个神经元,2个输出;
第八层全连接层2两个输出数据的大小分别代表跌倒和未跌倒的概率大小,若跌倒概率大于未跌倒概率,则产生报警信号。
在一个实施例中,结合图3,提供了一种基于毫米波雷达和FPGA的跌倒检测装置,所述装置包括:
模型训练模块,用于将采集的跌倒和未跌倒的人体姿态数据组合成特征图片,并利用该特征图片训练卷积网经网络,训练获得的网络模型用于后续特征识别模块进行跌倒和未跌倒数据的识别;
数据采集模块,用于利用毫米波雷达板和ADC采集板采集空间内的人体活动数据;
数据接收模块,用于通过以太网接收雷达数据并进行下采样;
数据预处理模块,用于对采样的数据进行短时傅里叶变换获取频谱,再对其频谱数据取分贝值,最后进行二值化处理得到特征图;
特征识别模块,用于通过卷积神经网络挖掘特征图特征,检测跌倒状态;
报警模块,用于在特征识别模块输出判定为跌倒时,由蜂鸣器产生报警信号。
进一步地,在其中一个实施例中,所述模型训练模块包括:
第一模块,用于对毫米波雷达采集的跌倒和未跌倒的人体姿态数据进行下采样、短时傅里叶变换,之后取分贝值并进行二值化得到跌倒和未跌倒数据的特征图;
第二模块,将跌倒和未跌倒的特征图分为两组,作为卷积神经网络模型训练的数据,得到训练好的卷积神经网络模型。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于毫米波雷达和FPGA的跌倒检测方法,其特征在于,所述方法包括以下步骤:
步骤S1,采集预设区域内的人体姿态数据,标注跌倒数据和未跌倒数据;
步骤S2,对采集并标注的数据进行预处理获得特征图,形成数据集;
步骤S3,构建卷积神经网络模型,利用标注好的数据集进行网络训练,得到训练好的网络模型;
步骤S4,将训练好的网络模型加载到FPGA中,利用FPGA进行完整的跌倒检测;
步骤S5,当FPGA判定输入数据特征为跌倒时,利用蜂鸣器进行报警。
2.根据权利要求1所述的基于毫米波雷达和FPGA的跌倒检测方法,其特征在于,步骤S1中所述人体姿态数据是由毫米波雷达雷达和ADC采集板采集,其中跌倒数据包括正面扑倒、背面躺倒和侧面跌倒这几种姿态,未跌倒数据包括无目标、缓步和慢蹲这几种姿态。
4.根据权利要求3所述的基于毫米波雷达和FPGA的跌倒检测方法,其特征在于,步骤S23中取分贝值的公式为20log|x|,x为短时傅里叶变换后的数据。
5.根据权利要求1所述的基于毫米波雷达和FPGA的跌倒检测方法,其特征在于,步骤S3中卷积神经网络模型的结构具体为:第一层为卷积层,卷积核数量为4,大小为3*3;第二层为池化层,2*2最大池化;第三层为卷积层,卷积核数量为4,大小为3*3;第四层为池化层,2*2最大池化;第五层为卷积层,卷积核数量为4,大小为3*3;第六层为池化层,2*2最大池化;第七层为全连接层1;第八层为全连接层2。
6.根据权利要求1所述的基于毫米波雷达和FPGA的跌倒检测方法,其特征在于,步骤S4具体包括:
步骤S41,使用毫米波雷达采集人体姿态数据,通过以太网发送给FPGA;
步骤S42,FPGA对采集的信号进行步骤S2的下采样、短时傅里叶变换和二值化,得到特征数据;
步骤S43,通过部署在FPGA上的训练好的网络模型对特征数据进行特征提取,判定是否跌倒。
7.一种基于毫米波雷达和FPGA的跌倒检测装置,其特征在于,所述装置包括:
模型训练模块,用于将采集的跌倒和未跌倒的人体姿态数据组合成特征图片,并利用该特征图片训练卷积网经网络,训练获得的网络模型用于后续特征识别模块进行跌倒和未跌倒数据的识别;
数据采集模块,用于利用毫米波雷达板和ADC采集板采集空间内的人体活动数据;
数据接收模块,用于通过以太网接收雷达数据并进行下采样;
数据预处理模块,用于对采样的数据进行短时傅里叶变换获取频谱,再对其频谱数据取分贝值,最后进行二值化处理得到特征图;
特征识别模块,用于通过卷积神经网络挖掘特征图特征,检测跌倒状态;
报警模块,用于在特征识别模块输出判定为跌倒时,由蜂鸣器产生报警信号。
8.根据权利要求7所述的基于毫米波雷达和FPGA的跌倒检测装置,其特征在于,所述模型训练模块包括:
第一模块,用于对毫米波雷达采集的跌倒和未跌倒的人体姿态数据进行下采样、短时傅里叶变换,之后取分贝值并进行二值化得到跌倒和未跌倒数据的特征图;
第二模块,将跌倒和未跌倒的特征图分为两组,作为卷积神经网络模型训练的数据,得到训练好的卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210969297.7A CN115204240A (zh) | 2022-08-12 | 2022-08-12 | 基于毫米波雷达和fpga的跌倒检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210969297.7A CN115204240A (zh) | 2022-08-12 | 2022-08-12 | 基于毫米波雷达和fpga的跌倒检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115204240A true CN115204240A (zh) | 2022-10-18 |
Family
ID=83586923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210969297.7A Pending CN115204240A (zh) | 2022-08-12 | 2022-08-12 | 基于毫米波雷达和fpga的跌倒检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204240A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117269957A (zh) * | 2023-11-21 | 2023-12-22 | 天津爱仕凯睿科技发展有限公司 | 一种基于雷达检测技术的人体跌倒检测方法及*** |
-
2022
- 2022-08-12 CN CN202210969297.7A patent/CN115204240A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117269957A (zh) * | 2023-11-21 | 2023-12-22 | 天津爱仕凯睿科技发展有限公司 | 一种基于雷达检测技术的人体跌倒检测方法及*** |
CN117269957B (zh) * | 2023-11-21 | 2024-02-13 | 天津爱仕凯睿科技发展有限公司 | 一种基于雷达检测技术的人体跌倒检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111887861B (zh) | 一种基于毫米波雷达的室内人员安全一体化监测方法 | |
US10506990B2 (en) | Devices and methods for fall detection based on phase segmentation | |
Li et al. | Fall detection for elderly person care using convolutional neural networks | |
US20160073953A1 (en) | Food intake monitor | |
Hnoohom et al. | An Efficient ResNetSE Architecture for Smoking Activity Recognition from Smartwatch. | |
CN103810817A (zh) | 一种穿戴式人体瘫倒检测报警装置及应用 | |
US20220373646A1 (en) | Joint estimation of respiratory and heart rates using ultra-wideband radar | |
Hossain et al. | A direction-sensitive fall detection system using single 3D accelerometer and learning classifier | |
CN106725445A (zh) | 一种脑电波控制的便携式人体运动损伤监护***与方法 | |
Kepski et al. | Event‐driven system for fall detection using body‐worn accelerometer and depth sensor | |
Boudouane et al. | Fall detection system with portable camera | |
CN114469076A (zh) | 一种融合身份特征的独居老人跌倒识别方法及*** | |
CN109561855A (zh) | 用于跌倒检测的设备、***和方法 | |
CN113963192A (zh) | 跌倒检测方法、装置和电子设备 | |
CN203931101U (zh) | 一种穿戴式人体瘫倒检测报警装置 | |
Martínez-Villaseñor et al. | Deep learning for multimodal fall detection | |
CN115204240A (zh) | 基于毫米波雷达和fpga的跌倒检测方法及装置 | |
Ding et al. | A fall detection method based on K-nearest neighbor algorithm with MIMO millimeter-wave radar | |
CN107019501B (zh) | 基于遗传算法和概率神经网络的远程摔倒检测方法及*** | |
Parmar et al. | A comprehensive survey of various approaches on human fall detection for elderly people | |
Jawale et al. | Elcare: elderly care with fall detection | |
CN106781245B (zh) | 基于可穿戴设备的服刑人员斗殴预警的方法与*** | |
WO2023273640A1 (zh) | 癫痫检测方法和装置 | |
Troped et al. | Environment feature extraction and classification for Context aware Physical Activity monitoring | |
CN116264012A (zh) | 一种用于短信报警器的无接触式跌倒方向检测方法 |
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 |