CN116087943A - 基于毫米波雷达的室内跌倒检测方法及*** - Google Patents
基于毫米波雷达的室内跌倒检测方法及*** Download PDFInfo
- Publication number
- CN116087943A CN116087943A CN202211558051.7A CN202211558051A CN116087943A CN 116087943 A CN116087943 A CN 116087943A CN 202211558051 A CN202211558051 A CN 202211558051A CN 116087943 A CN116087943 A CN 116087943A
- Authority
- CN
- China
- Prior art keywords
- millimeter wave
- wave radar
- motion information
- indoor
- fft operation
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 230000033001 locomotion Effects 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 9
- 230000035559 beat frequency Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005311 autocorrelation function Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 230000003542 behavioural effect Effects 0.000 claims 1
- 230000032683 aging Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013019 agitation Methods 0.000 description 1
- 230000008484 agonism Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
Images
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
- 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
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1123—Discriminating type of movement, e.g. walking or running
-
- 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
-
- 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
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physiology (AREA)
- Electromagnetism (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Dentistry (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本公开提供了一种基于毫米波雷达的室内跌倒检测方法及***,涉及毫米波雷达信号技术领域,包括发射连续调频毫米波雷达信号并接收,对获取的毫米波雷达信号进行FFT运算;对FFT运算后的毫米波雷达信号进行自适应恒虚警率检测,选择有效的目标运动信息;对有效的目标运动信息进行滤波处理,检测室内是否有人存在,若检测到室内有人存在,则使用深度学习LSTM网络获取人体目标的运动信息,根据人体目标的运动信息判断是否有跌倒事件发生。通过对获得的人体运动的信息的联合计算并判定是否发生了跌倒,避免了单一信息计算导致误报率高的问题。
Description
技术领域
本公开涉及毫米波雷达信号技术领域,具体涉及基于毫米波雷达的室内跌倒检测方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
目前人口老龄化已经成为全球多地的普遍现象。尤其我国的人口老龄化现状更是日益严峻,并呈现出以下特点:老年人口规模庞大、老龄化速度快、老年抚养比大幅度上升。届时加强老年人用品的科技化、智能化升级势在必行。
据统计,跌倒是65岁以上老年人上海甚至死亡的首位原因,即使是平时身体状态良好的老人,也有17.7%的比例摔倒后造成重伤。目前的跌倒检测***主要分为穿戴式和非穿戴式。但是穿戴式的设备需要经常充电,并且无法保证老人时时刻刻地穿戴设备。对于非穿戴式的检测***来讲,主要使用摄像头、热红外或者毫米波雷达。但是使用摄像头或者红外容易受到光纤以及遮挡物的影响,无法保证全天候进行检测,而且容易暴露用户的隐私。但是对于目前来讲,使用毫米波雷达进行室内跌倒检测依然有准确率低、误报率高的问题。
发明内容
本公开为了解决上述问题,提出了基于毫米波雷达的室内跌倒检测方法及***,提供一种非接触式的室内跌倒检测方法,能够准确识别室内人员的跌倒状态,使用深度学习网络训练分类器,建立人体跌倒判定机制,适用于室内环境,保证检测准确性以及可靠性。
根据一些实施例,本公开采用如下技术方案:
基于毫米波雷达的室内跌倒检测方法,包括:
发射连续调频毫米波雷达信号并接收,对获取的毫米波雷达信号进行FFT运算;
对FFT运算后的毫米波雷达信号进行自适应恒虚警率检测,选择有效的目标运动信息;
对有效的目标运动信息进行滤波处理,检测室内是否有人存在,若检测到室内有人存在,则使用深度学习LSTM网络获取人体目标的运动信息,根据人体目标的运动信息判断是否有跌倒事件发生。
根据一些实施例,本公开采用如下技术方案:
基于毫米波雷达的室内跌倒检测***,包括:
信号发射回收模块,用于发射连续调频毫米波雷达信号并接收;对获取的毫米波雷达信号进行FFT运算;
信号计算处理模块,用于对获取的毫米波雷达信号进行FFT运算;对FFT运算后的毫米波雷达信号进行自适应恒虚警率检测,选择有效的目标运动信息;
模型判断检测模块,用于对有效的目标运动信息进行滤波处理,检测室内是否有人存在,若检测到室内有人存在,则使用深度学习LSTM网络获取人体目标的运动信息,根据人体目标的运动信息判断是否有跌倒事件发生。
根据一些实施例,本公开采用如下技术方案:
一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现所述的基于毫米波雷达的室内跌倒检测方法。
根据一些实施例,本公开采用如下技术方案:
一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现所述的基于毫米波雷达的室内跌倒检测方法。
与现有技术相比,本公开的有益效果为:
1、本公开的检测方法,采用非接触方式,对人体的日常生活没有影响,不需要收集视频,能够保护用户的隐私安全,能够准确、快速地识别室内人员的跌倒状态,具有易用、安全使用舒适等优点,适用于家居、养老院、病房等室内环境,保障老年人日常生活的健康。
元件简单,安装方便,能够快速识别孤寡、独居老人浴室跌倒状态并及时发生预警信息,具有易用、安全、使用舒适等优点,适用于家庭、机构、社区等养老模式,提升老年人生活的安全性和健康性。
2、本公开的检测***的工作方法,采用声音传感器进行室内人体目标识别,降低了跌倒检测的误报事件,避免检测过程中因为动物的运动而发生报警,保证了检测准确性以及可靠性。
3、本公开使用深度学习网络训练分类器,利用建立的数据集对分类器进行训练,提升分类器的性能和准确度,保障检测到人体运动信息的准确度。
4、本公开使用建立的人体跌倒判定机制,通过对获得的人体运动的信息(速度、加速度、距离、角度等)的联合计算并判定是否发生了跌倒,避免了单一信息计算导致误报率高的问题,提升跌倒检测的准确率并减低误报率。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例的工作流程图;
图2为本公开实施例跌倒检测机制流程图;
图3为本公开实施例的VI-CFAR结构图;
图4为本公开实施例的LSTM网络结构图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
本公开的一种实施例中提供了一种基于毫米波雷达的室内跌倒检测方法,如图1所示,包括:
步骤1:启动检测设备,发射连续调频毫米波雷达信号并接收,将毫米波信号传入处理器,对毫米波雷达信号在速度、距离、角度三个维度上进行FFT运算。
所述对获取的毫米波雷达信号进行FFT运算的具体的步骤为:
步骤1.1:对回波的每一个chirp维进行FFT运算,得到距离-脉冲图;
步骤1.2:对距离FFT的结果在chirp维做FFT运算,得到距离-多普勒图,提取其峰值即可得到室内目标的差拍频率(fI)和多普勒频率(fD);
步骤1.3:通过差拍频率计算回波时延,从而计算室内目标的距离;其差拍频率计算公式为:
其中,fB为发射波与回波之间的差拍频率,fD为多普勒频率,fI为中频信号的频率,K表示Chirp的斜率R为目标距离,c为电磁波速度。
步骤1.4:通过多普勒频率计算目标室内运动目标的速度,其多普勒频率计算公式为:
其中,fD为多普勒频率,v表示目标速度,λ表示电磁波波长。
步骤1.5:利用回波到达不同RX天线的相位差计算目标的角度。对多个RX的距离、速度两个维度的FFT结果在RX维做FFT运算,得到距离-多普勒-方位图;其中两个RX之间的相位差计算公式为:
其中,ω为两个接收天线之间的相位差,θ为目标相对于雷达的角度。
步骤2:所述对FFT运算后的毫米波雷达信号进行自适应恒虚警率检测,选择有效的目标运动信息的步骤为,如图3所示,
步骤2.1:将信号传入平方律检波器中并进行处理;
步骤2.2:将平方律检波器中输出的信号传入VI-CFAR检测器中进行处理,并获得参考单元A和B;
其中,n为参考单元数。
步骤2.4:进行杂波背景判断并进行CFAR策略选择;
步骤2.5:将待检测单元输入到比较器进行检测,选择有效的目标运动信息。
进一步的,步骤3:对有效的目标运动信息进行滤波处理,即对进行VI-CFAR后的信号使用Singerαβγ卡尔曼滤波器对信号进行滤波处理。
所述进行滤波处理的步骤为:
步骤3.1:定义室内目标为一个随机加速度模型,其中模型的公式为:
其中,w(n)是具有零均值、单位方差的高斯随机变量;σm是机动标准偏差;其中激动相关系数ρm的公式为:
其中,τm是由于目标运动引起的目标加速度的相关时间,T为目标运动时间。
步骤3.2:定义模型的自相关函数,其函数公式为:
其中,σa为标准偏差。
步骤3.3:定义滤波器的转移矩阵为:
步骤3.4:然后使用模型和矩阵函数对信号进行滤波处理。
步骤4:检测室内是否有人存在,所述检测室内是否有人存在的方法为使用声音传感器判断室内是否有人存在,当检测到室内有语音对话或者其他人体行为声音后,判断为室内目标为人体,否则判断室内没有人存在。
步骤5:使用深度学习网络训练分类器,并使用分类器获取室内有效人体目标的运动信息;所述人体目标的运动信息包括速度、加速度、距离、角度。
如图4所示,其具体步骤为:
步骤5.1:设定LSTM的结构,包括忘记门、输入门、细胞状态和输出门。其中,忘记门计算公式为:
ft=σ(Wf·[ht-1,xt]+bf) (9)
其中,Wf为权值,ht-1为上一个输出,xt为当前输入,σ为忘记门,bf是一个设定的参数。
输入门计算公式为:
it=σ(Wi·[ht-1,xt]+bi) (10)
细胞状态计算公式为:
其中,Ct为新的细胞状态,Ct-1为上一个细胞状态。
输出门计算公式为:
ot=σ(Wo[ht-1,xt]+bo)(13)
ht=ot*tanh(Ct)(14)
其中,Wo为权重、bo为一个参数。ht为新的输出。
步骤5.2:将计算目标运动信息的数据集输入到LSTM网络训练分类器;
步骤5.3:将处理后信号后得到距离、速度、角度信息作为输入数据输入到LSTM网络中,得到目标的运动信息;
步骤6:利用分类器获得的人体运动信息判定是否有跌倒事件发生;
如图2所示,其具体步骤为:
步骤6.1:利用获得的人体速度求取加速度;
步骤6.2:设置加速度阈值,如果人体加速度低于阈值时判定没有跌倒事件发生,若加速度超过阈值时则进行下一步判断;
步骤6.3:若人体加速度超过设置的加速度阈值时,继续检测人体是否有急减速的行为(人体碰撞地面其速度会急减),若没有急减速行为发生则判定为没有跌倒事件发生,若检测到的人体有急减速发生则继续进行检测;
步骤6.4:继续判断人体从加速到减速的时间是否小于3秒,如果整个事件的时间不小于3秒则判定没有跌倒事件发生,如果小于3秒则继续检测;
步骤6.5:计算人体重心高度点变化,从加速到减速的人体高度变化如果大于50cm,则判定为有跌倒事件发生。
实施例2
本公开的一种实施例中提供了一种基于毫米波雷达的室内跌倒检测***,包括:
信号发射回收模块,用于发射连续调频毫米波雷达信号并接收;对获取的毫米波雷达信号进行FFT运算;
信号计算处理模块,用于对获取的毫米波雷达信号进行FFT运算;对FFT运算后的毫米波雷达信号进行自适应恒虚警率检测,选择有效的目标运动信息;
模型判断检测模块,用于对有效的目标运动信息进行滤波处理,检测室内是否有人存在,若检测到室内有人存在,则使用深度学习LSTM网络获取人体目标的运动信息,根据人体目标的运动信息判断是否有跌倒事件发生。
所述信号发射回收模块中包括检测设备,用于发射连续调频毫米波信号并回收;
所述信号计算处理模块中包括处理器,用于对获取的毫米波雷达信号进行FFT运算;对FFT运算后的毫米波雷达信号进行自适应恒虚警率检测,选择有效的目标运动信息;
所述信号计算处理模块中还包括声音传感器,用于判断室内是否有人存在,获取声音信号。
还包括平方律检波器、Singerαβγ卡尔曼滤波器,用于对FFT运算后的信号进行自适应恒虚警率检测,选出有效的目标运动信息、对信号进行滤波处理。
实施例3
本公开的一种实施例中提供了一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现所述的基于毫米波雷达的室内跌倒检测方法步骤。
实施例4
本公开的一种实施例中提供了一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现所述的基于毫米波雷达的室内跌倒检测方法步骤。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.基于毫米波雷达的室内跌倒检测方法,其特征在于,包括:
发射连续调频毫米波雷达信号并接收,对获取的毫米波雷达信号进行FFT运算;
对FFT运算后的毫米波雷达信号进行自适应恒虚警率检测,选择有效的目标运动信息;
对有效的目标运动信息进行滤波处理,检测室内是否有人存在,若检测到室内有人存在,则使用深度学习LSTM网络获取人体目标的运动信息,根据人体目标的运动信息判断是否有跌倒事件发生。
2.如权利要求1所述的基于毫米波雷达的室内跌倒检测方法,其特征在于,所述对获取的毫米波雷达信号进行FFT运算的过程包括:对毫米波雷达信号在速度、距离、角度三个维度进行FFT运算,对回波的每一个chirp维进行FFT运算,得到距离-脉冲图;对距离FFT的结果在chirp维做FFT运算,得到距离-多普勒图,提取其峰值得到室内目标的差拍频率和多普勒频率。
3.如权利要求1所述的基于毫米波雷达的室内跌倒检测方法,其特征在于,所述对FFT运算后的毫米波雷达信号进行自适应恒虚警率检测,选择有效的目标运动信息的步骤为:
S1:将信号传入平方律检波器中并进行处理;
S2:将平方律检波器中输出的信号传入VI-CFAR检测器中进行处理,并获得参考单元A和B;
S3:对参考单元A和B进行计算,进行杂波背景判断并进行CFAR策略选择;
S4:将待检测单元输入到比较器进行检测,选择有效的目标运动信息。
4.如权利要求1所述的基于毫米波雷达的室内跌倒检测方法,其特征在于,所述对有效的目标运动信息进行滤波处理的方式为:对进行VI-CFAR后的信号使用Singerαβγ卡尔曼滤波器对信号进行滤波处理。
5.如权利要求4所述的基于毫米波雷达的室内跌倒检测方法,其特征在于,所述进行滤波处理的步骤为:
定义室内目标为随机加速度模型以及模型的自相关函数,然后定义滤波器的转移矩阵,使用模型和矩阵函数对信号进行滤波处理。
6.如权利要求1所述的基于毫米波雷达的室内跌倒检测方法,其特征在于,所述检测室内是否有人存在的方法为使用声音传感器判断室内是否有人存在,当检测到室内有语音对话或者其他人体行为声音后,判断为室内目标为人体,否则判断室内没有人存在。
7.如权利要求1所述的基于毫米波雷达的室内跌倒检测方法,其特征在于,所述人体目标的运动信息包括速度、加速度、距离以及角度。
8.基于毫米波雷达的室内跌倒检测***,其特征在于,包括:
信号发射回收模块,用于发射连续调频毫米波雷达信号并接收;对获取的毫米波雷达信号进行FFT运算;
信号计算处理模块,用于对获取的毫米波雷达信号进行FFT运算;对FFT运算后的毫米波雷达信号进行自适应恒虚警率检测,选择有效的目标运动信息;
模型判断检测模块,用于对有效的目标运动信息进行滤波处理,检测室内是否有人存在,若检测到室内有人存在,则使用深度学习LSTM网络获取人体目标的运动信息,根据人体目标的运动信息判断是否有跌倒事件发生。
9.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如权利要求1-7任一项所述的基于毫米波雷达的室内跌倒检测方法。
10.一种电子设备,其特征在于,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如权利要求1-7任一项所述的基于毫米波雷达的室内跌倒检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211558051.7A CN116087943A (zh) | 2022-12-06 | 2022-12-06 | 基于毫米波雷达的室内跌倒检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211558051.7A CN116087943A (zh) | 2022-12-06 | 2022-12-06 | 基于毫米波雷达的室内跌倒检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116087943A true CN116087943A (zh) | 2023-05-09 |
Family
ID=86211092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211558051.7A Pending CN116087943A (zh) | 2022-12-06 | 2022-12-06 | 基于毫米波雷达的室内跌倒检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116087943A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116602663A (zh) * | 2023-06-02 | 2023-08-18 | 深圳市震有智联科技有限公司 | 一种基于毫米波雷达的智能监测方法及*** |
CN117831224A (zh) * | 2024-02-29 | 2024-04-05 | 深圳市迈远科技有限公司 | 基于毫米雷达的跌倒报警方法、装置、设备及介质 |
-
2022
- 2022-12-06 CN CN202211558051.7A patent/CN116087943A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116602663A (zh) * | 2023-06-02 | 2023-08-18 | 深圳市震有智联科技有限公司 | 一种基于毫米波雷达的智能监测方法及*** |
CN116602663B (zh) * | 2023-06-02 | 2023-12-15 | 深圳市震有智联科技有限公司 | 一种基于毫米波雷达的智能监测方法及*** |
CN117831224A (zh) * | 2024-02-29 | 2024-04-05 | 深圳市迈远科技有限公司 | 基于毫米雷达的跌倒报警方法、装置、设备及介质 |
CN117831224B (zh) * | 2024-02-29 | 2024-05-24 | 深圳市迈远科技有限公司 | 基于毫米雷达的跌倒报警方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116087943A (zh) | 基于毫米波雷达的室内跌倒检测方法及*** | |
CN107290741B (zh) | 基于加权联合距离时频变换的室内人体姿态识别方法 | |
CN112401856B (zh) | 一种基于毫米波雷达的疗养院监护方法及*** | |
US20140266860A1 (en) | Method and system for activity detection and classification | |
US9562965B2 (en) | Two-stage filtering based method for multiple target tracking | |
JP2020071226A (ja) | 転倒検出方法及び装置 | |
CN112184626A (zh) | 姿态识别方法、装置、设备及计算机可读介质 | |
WO2007020763A1 (en) | Computer implemented method for identifying a moving object by using a statistical classifier | |
CN110456320A (zh) | 一种基于自由空间步态时序特征的超宽带雷达身份识别方法 | |
CN114895301A (zh) | 一种毫米波雷达和视频辅助的室内跌倒检测方法及装置 | |
CN114038012A (zh) | 基于毫米波雷达和机器学习的跌倒检测方法及*** | |
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 | |
CN113850204A (zh) | 一种基于深度学习和超宽带雷达的人体动作识别方法 | |
Mokhtari et al. | Non-wearable UWB sensor to detect falls in smart home environment | |
CN114814832A (zh) | 基于毫米波雷达的人体跌倒行为实时监测***及监测方法 | |
CN116602663A (zh) | 一种基于毫米波雷达的智能监测方法及*** | |
Shankar et al. | Radar-based non-intrusive fall motion recognition using deformable convolutional neural network | |
Ding et al. | A fall detection method based on K-nearest neighbor algorithm with MIMO millimeter-wave radar | |
CN114442079A (zh) | 目标对象的跌倒检测方法及装置 | |
CN114005246B (zh) | 一种基于调频连续波毫米波雷达的老人跌倒检测方法及装置 | |
CN114994663A (zh) | 一种基于毫米波雷达的跌倒检测方法及*** | |
CN117315886B (zh) | 一种基于uwb雷达的人员即将跌倒检测方法及装置 | |
CN111232778B (zh) | 电梯轿厢的人数统计方法及其装置 | |
CN113341392A (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 | |
CN106781245B (zh) | 基于可穿戴设备的服刑人员斗殴预警的方法与*** |
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 |