CN117892202B - 基于毫米波信号的护理动作监测方法及电子设备 - Google Patents
基于毫米波信号的护理动作监测方法及电子设备 Download PDFInfo
- Publication number
- CN117892202B CN117892202B CN202410293315.3A CN202410293315A CN117892202B CN 117892202 B CN117892202 B CN 117892202B CN 202410293315 A CN202410293315 A CN 202410293315A CN 117892202 B CN117892202 B CN 117892202B
- Authority
- CN
- China
- Prior art keywords
- millimeter wave
- wave signal
- point cloud
- target
- nursing
- 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
- 230000000474 nursing effect Effects 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000013136 deep learning model Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 82
- 230000009471 action Effects 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
-
- 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
-
- 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
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Radar, Positioning & Navigation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提供一种基于毫米波信号的护理动作监测方法及电子设备,方法包括:周期性发送预设频率的毫米波信号至用户所处的空间;分别接收毫米波信号被用户反射后形成多个不同的目标毫米波信号;基于FFT算法、DOA估计算法和CFAR算法对各个目标毫米波信号进行处理,得到各个目标毫米波信号整体对应的点云信息;将点云信息中的各个点云数据帧发送至计算终端,以使该计算终端在预设的时间窗口接收多个点云数据帧,并判断时间窗口是否为护理窗口,若是,则将护理窗口内的各个点云数据帧输入至预先训练的深度学习模型,输出得到对应的护理动作结果。本申请能够有效降低护理监测方法的流程复杂度,以及有效降低护理监测成本,进而能够有效提升患者的体验。
Description
技术领域
本申请涉及护理监测领域,尤其涉及一种基于毫米波信号的护理动作监测方法及电子设备。
背景技术
毫米波雷达已广泛用于自动驾驶、工业、无人机和医学应用等领域。毫米波雷达有比较高的感知精度,同时具有较强的抗干扰能力。辅以FMCW调制技术,可以低成本地获得目标的距离、角度和速度等信息。除此之外,毫米波信号不易受外界环境影响,可以穿透烟雾和水蒸气,且不易受光照条件的影响。毫米波感知技术已经得到了非常广泛的应用,如基于毫米波的手势识别、步态识别以及心跳呼吸识别等,可为我们提供更加智能、便捷和高质量的产品体验。
现有的护理监测方法复杂度高,成本高,用户的体验差。
发明内容
鉴于此,本申请实施例提供了一种基于毫米波信号的护理动作监测方法及设备,以消除或改善现有技术中存在的一个或更多个缺陷。
本申请的第一个方面提供了一种基于毫米波信号的护理动作监测方法,该方法包括:
周期性发送预设频率的毫米波信号至用户所处的空间;
分别接收所述毫米波信号被用户反射后形成多个不同的目标毫米波信号;所述用户包括护理人员和被护理者;
基于FFT算法、DOA估计算法和CFAR算法对各个所述目标毫米波信号进行处理,以得到各个所述目标毫米波信号整体对应的点云信息;
将所述点云信息中的各个点云数据帧发送至计算终端,以使该计算终端在预设的时间窗口接收多个点云数据帧,并判断所述时间窗口是否为护理窗口,若是,则将所述护理窗口内的各个点云数据帧输入至预先训练的深度学习模型,输出得到对应的护理动作结果。
在本申请的一些实施例中,所述基于FFT算法、DOA估计算法和CFAR算法对各个所述目标毫米波信号进行处理,以得到各个所述目标毫米波信号整体对应的点云信息,包括:
对各个所述目标毫米波信号的帧长维度分别进行FFT计算,得到各个目标毫米波信号各自对应的多普勒特征矩阵和距离特征矩阵;
基于DOA估计算法和各个所述目标毫米波信号得到各个所述目标毫米波信号整体对应的距离角度矩阵;
基于CFAR目标检测算法分别对各个所述多普勒特征矩阵及对应的距离角度矩阵进行处理,得到各个目标毫米波信号整体对应的点云信息。
在本申请的一些实施例中,所述基于DOA估计算法和各个所述目标毫米波信号得到各个所述目标毫米波信号整体对应的距离角度矩阵,包括:
基于各个所述目标毫米波信号各自对应的接收天线的排布情况得到各个所述接收天线各自对应的转换系数矩阵;
将各个所述转换系数矩阵与各自对应的距离特征矩阵进行相乘后采用DOA估计算法进行处理以得到所述距离角度矩阵。
在本申请的一些实施例中,所述基于CFAR目标检测算法分别对各个所述多普勒特征矩阵及对应的距离角度矩阵进行处理,得到各个目标毫米波信号整体对应的点云信息,包括:
基于CFAR目标检测算法计算加权后的距离角度矩阵的位置信息;
基于各个所述多普勒特征矩阵和所述位置信息得到各个目标毫米波信号整体对应的点云信息。
本申请的第二个方面提供了一种基于毫米波信号的护理动作监测方法,该方法包括:
在预设的时间窗口接收由毫米波雷达发送的点云信息中的各个点云数据帧;所述点云信息由所述毫米波雷达周期性发送预设频率的毫米波信号至用户所处的空间,分别接收所述毫米波信号被用户反射后形成多个不同的目标毫米波信号;基于FFT算法、DOA估计算法和CFAR算法对各个所述目标毫米波信号进行处理得到,所述用户包括护理人员和被护理者;
判断所述时间窗口是否为护理窗口;若是,则将所述护理窗口内的各个点云数据帧输入至预先训练的深度学习模型,输出得到对应的护理动作结果。
在本申请的一些实施例中,本申请的第二个方面提供的基于毫米波信号的护理动作监测方法中,所述判断所述时间窗口是否为护理窗口,包括:
判断所述时间窗口内每一秒接收的点云数据帧的数量是否大于预设的数量阈值,以及每一秒中预设空间范围的点云数据帧的数量占每一秒接收的点云数据帧总数的比例是否大于预设的比例阈值,若均是,则确定该时间窗口为护理窗口。
在本申请的一些实施例中,本申请的第二个方面提供的基于毫米波信号的护理动作监测方法中,所述将所述护理窗口内的各个点云数据帧输入至预先训练的深度学习模型,输出得到对应的护理动作结果,包括:
将所述护理窗口中的各个点云数据帧输入所述卷积神经网络,提取各个所述点云数据帧各自对应的多维度特征;
将各个所述多维度特征根据时间顺序依次输入循环神经网络,提取各个所述多维度特征在时间维度上的关联信息,输出护理动作特征矩阵。
基于所述护理动作特征矩阵和预设的护理动作标签得到所述护理动作结果。
本申请的第三个方面提供了一种电子设备,若该电子设备为一毫米波雷达,则用于实现如前述的第一方面所述的基于毫米波信号的护理动作监测方法;
若所述电子设备为一计算终端,则该计算终端包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前述的第二方面所述的基于毫米波信号的护理动作监测方法。
本申请的第四个方面提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现前述的第二方面所述的基于毫米波信号的护理动作监测方法。
本申请的第五个方面提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现前述的第二方面所述的基于毫米波信号的护理动作监测方法。
综上所述,本申请提供一种基于毫米波信号的护理动作监测方法,所述方法包括:周期性发送预设频率的毫米波信号至用户所处的空间;分别接收毫米波信号被用户反射后形成多个不同的目标毫米波信号;基于FFT算法、DOA估计算法和CFAR算法对各个目标毫米波信号进行处理,得到各个目标毫米波信号整体对应的点云信息;将各个点云数据帧发送至计算终端,以使该计算终端在预设的时间窗口接收多个点云数据帧,并判断时间窗口是否为护理窗口,若是,则将护理窗口内的各个点云数据帧输入至预先训练的深度学习模型,输出得到对应的护理动作结果。本申请能够有效降低护理监测方法的流程复杂度,以及有效降低护理监测成本,进而能够有效提升患者的体验。
本申请的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本申请的实践而获知。本申请的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是,能够用本申请实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本申请能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,并不构成对本申请的限定。附图中的部件不是成比例绘制的,而只是为了示出本申请的原理。为了便于示出和描述本申请的一些部分,附图中对应部分可能被放大,即,相对于依据本申请实际制造的示例性装置中的其它部件可能变得更大。在附图中:
图1为本申请一实施例中的基于毫米波信号的第一护理动作监测方法的流程示意图。
图2为本申请另一实施例中基于毫米波信号的第二护理动作监测方法的流程示意图。
图3为本申请另一实施例中基于毫米波信号的第二护理动作监测方法的整体架构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本申请做进一步详细说明。在此,本申请的示意性实施方式及其说明用于解释本申请,但并不作为对本申请的限定。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本申请,在附图中仅仅示出了与根据本申请的方案密切相关的结构和/或处理步骤,而省略了与本申请关系不大的其他细节。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此,还需要说明的是,如果没有特殊说明,术语“连接”在本文不仅可以指直接连接,也可以表示存在中间物的间接连接。
在下文中,将参考附图描述本申请的实施例。在附图中,相同的附图标记代表相同或类似的部件,或者相同或类似的步骤。
具体通过下述实施例进行详细说明。
本申请实施例提供一种可以由毫米波雷达执行的基于毫米波信号的第一护理动作监测方法,参见图1,所述的基于毫米波信号的护理动作监测方法具体包含有如下内容:
步骤110:周期性发送预设频率的毫米波信号至用户所处的空间。
步骤120:分别接收所述毫米波信号被用户反射后形成多个不同的目标毫米波信号;所述用户包括护理人员和被护理者。
步骤130:基于FFT算法、DOA估计算法和CFAR算法对各个所述目标毫米波信号进行处理,以得到各个所述目标毫米波信号整体对应的点云信息。
步骤140:将所述点云信息中的各个点云数据帧发送至计算终端,以使该计算终端在预设的时间窗口接收多个点云数据帧,并判断所述时间窗口是否为护理窗口,若是,则将所述护理窗口内的各个点云数据帧输入至预先训练的深度学习模型,输出得到对应的护理动作结果。
具体来说,毫米波雷达(如德州仪器IWR 6843)首先周期性发送预设频率的毫米波信号至用户所处的空间。然后采用多个接收天线接收毫米波信号被用户反射后形成多个不同的目标毫米波信号;接着基于FFT(快速傅里叶变换)算法、DOA(Direction of Arrival,方向到达)估计算法和CFAR(Constant False Alarm Rate,恒定虚警率)目标检测算法对各个目标毫米波信号进行处理,以得到各个目标毫米波信号整体对应的点云信息。最后将点云信息中的各个点云数据帧发送至计算终端,以使该计算终端在预设的时间窗口接收多个点云数据帧,并判断所述时间窗口是否为护理窗口,若是,则将所述护理窗口内的各个点云数据帧输入至预先训练的深度学习模型,输出得到对应的护理动作结果,从而能够有效降低护理监测方法的流程复杂度,以及有效降低护理监测成本,进而能够有效提升患者的体验。
其中,用户包括护理人员和被护理者。毫米波信号表示一个二维信息,包含有固定采样点数的频率随时间线性变化的信号段。目标毫米波信息为二维信号,包括帧长,离散采样点数。点云数据帧包括多个点的X、Y、Z三维坐标、速度和信号强度信息。
为了进一步降低护理监测方法的流程复杂度,步骤130包括:
步骤131:对各个所述目标毫米波信号的帧长维度分别进行两次FFT计算,得到各个目标毫米波信号各自对应的多普勒特征矩阵和距离特征矩阵。
对步骤131而言,多普勒特征(即速度特征)如式1所示,距离特征如式2所示:
(1)
其中,为波长,表示毫米波信号和目标毫米波信号的相位差,t表示时间。
(2)
其中,c为光速,f为毫米波信号和目标毫米波信号的频率差,d为用户和接收天线之间的距离,s为毫米波信号的频率增长斜率。
步骤132:基于DOA估计算法和各个所述目标毫米波信号得到各个所述目标毫米波信号整体对应的距离角度矩阵。
步骤133:基于CFAR目标检测算法分别对各个所述多普勒特征矩阵及对应的距离角度矩阵进行处理,得到各个目标毫米波信号整体对应的点云信息。
具体来说,毫米波雷达首先对各个目标毫米波信号的帧长维度分别进行FFT计算,得到各个目标毫米波信号各自对应的多普勒特征矩阵和距离特征矩阵;然后基于DOA估计算法和各个目标毫米波信号得到各个目标毫米波信号各自对应的距离角度矩阵;最后基于CFAR目标检测算法分别对各个多普勒特征矩阵及对应的距离角度矩阵进行处理,得到各个目标毫米波信号整体对应的点云信息,从而能够进一步降低护理监测方法的流程复杂度。
为了有效获取距离角度矩阵,步骤132包括:
基于各个所述目标毫米波信号各自对应的接收天线的排布情况得到各个所述接收天线各自对应的转换系数矩阵,如式3所示;
(3)
j表示虚数符号,表示第m根接收天线与第一根接收天线之间的相位差。
将各个所述转换系数矩阵与各自对应的距离特征矩阵进行相乘后采用DOA估计算法进行处理以得到所述距离角度矩阵,如式4所示。
(4)
其中,为第m根接收天线接收的目标毫米波信号对应的距离特征矩阵,表示第m根接收天线对应的转换系数矩阵。
具体来说,毫米波雷达首先基于各个目标毫米波信号各自对应的接收天线的排布情况得到各个接收天线各自对应的转换系数矩阵;最后将各个转换系数矩阵与各自对应的距离特征矩阵进行相乘后采用DOA估计算法进行处理以得到距离角度矩阵。
为了有效获取点云数据帧,步骤133包括:
基于CFAR目标检测算法计算加权后的距离角度矩阵的位置信息;
基于各个所述多普勒特征矩阵和所述位置信息得到各个目标毫米波信号整体对应的点云信息。
具体来说,毫米波雷达基于CFAR目标检测算法分别计算各个多普勒特征矩阵及对应的距离角度矩阵的位置信息;然后分别基于各个多普勒特征矩阵的位置信息及对应的距离角度矩阵的位置信息得到各个目标毫米波信号整体对应的点云信息。
本申请实施例还提供一种可以由计算终端执行的基于毫米波信号的第二护理动作监测方法,参见图2,所述的基于毫米波信号的护理动作监测方法具体包含有如下内容:
步骤210:在预设的时间窗口接收由毫米波雷达发送的点云信息中的各个点云数据帧;所述点云信息由所述毫米波雷达周期性发送预设频率的毫米波信号至用户所处的空间,分别接收所述毫米波信号被用户反射后形成多个不同的目标毫米波信号;基于FFT算法、DOA估计算法和CFAR算法对各个所述目标毫米波信号进行处理得到,所述用户包括护理人员和被护理者。
步骤220:判断所述时间窗口是否为护理窗口;若是,则将所述护理窗口内的各个点云数据帧输入至预先训练的深度学习模型,输出得到对应的护理动作结果。
具体来说,计算终端在预设的时间窗口接收由毫米波雷达发送的点云信息中的各个点云数据帧;
判断时间窗口是否为护理窗口;若是,则将护理窗口内的各个点云数据帧输入至预先训练的深度学习模型,输出得到对应的护理动作结果,从而能够有效降低护理监测方法的流程复杂度,以及有效降低护理监测成本,进而能够有效提升患者的体验。
其中,点云数据帧由毫米波雷达周期性发送预设频率的毫米波信号至用户所处的空间,分别接收毫米波信号被用户反射后形成多个不同的目标毫米波信号;基于FFT算法、DOA估计算法和CFAR算法对各个目标毫米波信号进行处理得到,所述用户包括护理人员和被护理者。
为了有效获取护理窗口,步骤220中的所述判断所述时间窗口是否为护理窗口,包括:
判断所述时间窗口内每一秒接收的点云数据帧的数量是否大于预设的数量阈值,以及每一秒中预设空间范围的点云数据帧的数量占每一秒接收的点云数据帧总数的比例是否大于预设的比例阈值,若均是,则确定该时间窗口为护理窗口。
具体来说,参见图3,计算终端判断时间窗口内每一秒接收的点云数据帧的数量是否大于预设的数量阈值,以及每一秒中预设空间范围的点云数据帧的数量占每一秒接收的点云数据帧总数的比例是否大于预设的比例阈值,若均是,则确定该时间窗口为护理窗口。
为了进一步降低护理监测方法的流程复杂度,以及有效降低护理监测成本,步骤220中的所述将所述护理窗口内的各个点云数据帧输入至预先训练的深度学习模型,输出得到对应的护理动作结果,包括:
将所述护理窗口中的各个点云数据帧输入所述卷积神经网络,提取各个所述点云数据帧各自对应的多维度特征,包括点云的位置,多普勒速度和信号强度。
将各个所述多维度特征根据时间顺序依次输入循环神经网络,提取各个所述多维度特征在时间维度上的关联信息,输出护理动作特征矩阵,该矩阵包括多个护理动作的种类,以及各种类对应的多个护理动作。
基于所述护理动作特征矩阵和预设的护理动作标签得到所述护理动作结果。
具体来说,参见图3,计算终端首先将护理窗口中的各个点云数据帧(包括空间信息即X、Y、Z坐标,多普勒信息和信号强度信息),以帧为单位输入卷积神经网络(如ResNet网络,仅用前三层网络),提取各个点云数据帧各自对应的与护理动作相关的多维度特征。然后将各个多维度特征根据时间顺序依次输入循环神经网络(如LSTM网络,层数为1,隐藏层节点数为128),提取各个多维度特征在时间维度上的关联信息,输出毫米波点云连续帧序列的护理动作特征矩阵。最后基于护理动作特征矩阵中的每一行中的归一化概率最大值在矩阵中的序号与预设的护理动作标签(序号)的对应关系得到护理动作的类型,并将该护理动作保存在本地***,从而能够进一步降低护理监测方法的流程复杂度,以及有效降低护理监测成本。
综上所述,本申请提供一种基于毫米波信号的护理动作监测方法,所述方法包括:周期性发送预设频率的毫米波信号至用户所处的空间;分别接收毫米波信号被用户反射后形成多个不同的目标毫米波信号;基于FFT算法、DOA估计算法和CFAR算法对各个目标毫米波信号进行处理,得到各个目标毫米波信号整体对应的点云信息;将各个点云数据帧发送至计算终端,以使该计算终端在预设的时间窗口接收多个点云数据帧,并判断时间窗口是否为护理窗口,若是,则将护理窗口内的各个点云数据帧输入至预先训练的深度学习模型,输出得到对应的护理动作结果。本申请能够有效降低护理监测方法的流程复杂度,以及有效降低护理监测成本,进而能够有效提升患者的体验。
本申请实施例还提供了一种电子设备,例如中心服务器,该电子设备可以包括处理器、存储器、接收器及发送器,处理器用于执行上述实施例提及的基于毫米波信号的第二护理动作监测方法,其中处理器和存储器可以通过总线或者其他方式连接,以通过总线连接为例。该接收器可通过有线或无线方式与处理器、存储器连接。
处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本申请实施例中的基于毫米波信号的第二护理动作监测方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的基于毫米波信号的第二护理动作监测方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中,当被所述处理器执行时,执行实施例中的基于毫米波信号的第二护理动作监测方法。
在本申请的一些实施例中,用户设备可以包括处理器、存储器和收发单元,该收发单元可包括接收器和发送器,处理器、存储器、接收器和发送器可通过总线***连接,存储器用于存储计算机指令,处理器用于执行存储器中存储的计算机指令,以控制收发单元收发信号。
作为一种实现方式,本申请中接收器和发送器的功能可以考虑通过收发电路或者收发的专用芯片来实现,处理器可以考虑通过专用处理芯片、处理电路或通用芯片实现。
作为另一种实现方式,可以考虑使用通用计算机的方式来实现本申请实施例提供的服务器。即将实现处理器,接收器和发送器功能的程序代码存储在存储器中,通用处理器通过执行存储器中的代码来实现处理器,接收器和发送器的功能。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时以实现前述的基于毫米波信号的第二护理动作监测方法的步骤。该计算机可读存储介质可以是有形存储介质,诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白,结合本文中所公开的实施方式描述的各示例性的组成部分、***和方法,能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
本申请中,针对一个实施方式描述和/或例示的特征,可以在一个或更多个其它实施方式中以相同方式或以类似方式使用,和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本申请的优选实施例,并不用于限制本申请,对于本领域的技术人员来说,本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种基于毫米波信号的护理动作监测方法,其特征在于,包括:
周期性发送预设频率的毫米波信号至用户所处的空间;
分别接收所述毫米波信号被用户反射后形成多个不同的目标毫米波信号;所述用户包括护理人员和被护理者;
基于FFT算法、DOA估计算法和CFAR算法对各个所述目标毫米波信号进行处理,以得到各个所述目标毫米波信号整体对应的点云信息;
将所述点云信息中的各个点云数据帧发送至计算终端,以使该计算终端在预设的时间窗口接收多个点云数据帧,并判断所述时间窗口内每一秒接收的点云数据帧的数量是否大于预设的数量阈值,以及每一秒中预设空间范围的点云数据帧的数量占每一秒接收的点云数据帧总数的比例是否大于预设的比例阈值,若均是,则确定该时间窗口为护理窗口,将所述护理窗口内的各个点云数据帧输入至预先训练的深度学习模型,输出得到对应的护理动作结果;
所述基于FFT算法、DOA估计算法和CFAR算法对各个所述目标毫米波信号进行处理,以得到各个所述目标毫米波信号整体对应的点云信息,包括:
对各个所述目标毫米波信号的帧长维度分别进行FFT计算,得到各个目标毫米波信号各自对应的多普勒特征矩阵和距离特征矩阵;
组成所述多普勒特征矩阵的各个距离特征v如式(1)所示:
(1)
其中,为波长,表示毫米波信号和目标毫米波信号的相位差,t表示时间;
组成所述距离特征矩阵的各个用户和接收天线之间的距离d如式(2)所示:
(2)
其中,c为光速,f为毫米波信号和目标毫米波信号的频率差,s为毫米波信号的频率增长斜率;
基于DOA估计算法和各个所述目标毫米波信号得到各个所述目标毫米波信号整体对应的距离角度矩阵;
基于CFAR目标检测算法分别对各个所述多普勒特征矩阵及对应的距离角度矩阵进行处理,得到各个目标毫米波信号整体对应的点云信息;
所述基于DOA估计算法和各个所述目标毫米波信号得到各个所述目标毫米波信号整体对应的距离角度矩阵,包括:
基于各个所述目标毫米波信号各自对应的接收天线的排布情况得到各个所述接收天线各自对应的转换系数矩阵;
所述转换系数矩阵如式(3)所示:
(3)
其中,j表示虚数符号,表示第m根接收天线与第一根接收天线之间的相位差;
将各个所述转换系数矩阵与各自对应的距离特征矩阵进行相乘后采用DOA估计算法进行处理以得到所述距离角度矩阵;
所述距离角度矩阵如式(4)所示:
(4)
其中,为第m根接收天线接收的目标毫米波信号对应的距离特征矩阵。
2.根据权利要求1所述的基于毫米波信号的护理动作监测方法,其特征在于,所述基于CFAR目标检测算法分别对各个所述多普勒特征矩阵及对应的距离角度矩阵进行处理,得到各个目标毫米波信号整体对应的点云信息,包括:
基于CFAR目标检测算法计算加权后的距离角度矩阵的位置信息;
基于各个所述多普勒特征矩阵和所述位置信息得到各个目标毫米波信号整体对应的点云信息。
3.一种基于毫米波信号的护理动作监测方法,其特征在于,包括:
在预设的时间窗口接收由毫米波雷达发送的点云信息中的各个点云数据帧;所述点云信息由所述毫米波雷达周期性发送预设频率的毫米波信号至用户所处的空间,分别接收所述毫米波信号被用户反射后形成多个不同的目标毫米波信号;基于FFT算法、DOA估计算法和CFAR算法对各个所述目标毫米波信号进行处理得到,所述用户包括护理人员和被护理者;
判断所述时间窗口内每一秒接收的点云数据帧的数量是否大于预设的数量阈值,以及每一秒中预设空间范围的点云数据帧的数量占每一秒接收的点云数据帧总数的比例是否大于预设的比例阈值,若均是,则确定该时间窗口为护理窗口,将所述护理窗口内的各个点云数据帧输入至预先训练的深度学习模型,输出得到对应的护理动作结果;
其中,所述毫米波雷达基于FFT算法、DOA估计算法和CFAR算法对各个所述目标毫米波信号进行处理,以得到各个所述目标毫米波信号整体对应的点云信息,包括:
对各个所述目标毫米波信号的帧长维度分别进行FFT计算,得到各个目标毫米波信号各自对应的多普勒特征矩阵和距离特征矩阵;
组成所述多普勒特征矩阵的各个距离特征v如式(1)所示:
(1)
其中,为波长,表示毫米波信号和目标毫米波信号的相位差,t表示时间;
组成所述距离特征矩阵的各个用户和接收天线之间的距离d如式(2)所示:
(2)
其中,c为光速,f为毫米波信号和目标毫米波信号的频率差,s为毫米波信号的频率增长斜率;
基于DOA估计算法和各个所述目标毫米波信号得到各个所述目标毫米波信号整体对应的距离角度矩阵;
基于CFAR目标检测算法分别对各个所述多普勒特征矩阵及对应的距离角度矩阵进行处理,得到各个目标毫米波信号整体对应的点云信息;
所述基于DOA估计算法和各个所述目标毫米波信号得到各个所述目标毫米波信号整体对应的距离角度矩阵,包括:
基于各个所述目标毫米波信号各自对应的接收天线的排布情况得到各个所述接收天线各自对应的转换系数矩阵;
所述转换系数矩阵如式(3)所示:
(3)
其中,j表示虚数符号,表示第m根接收天线与第一根接收天线之间的相位差;
将各个所述转换系数矩阵与各自对应的距离特征矩阵进行相乘后采用DOA估计算法进行处理以得到所述距离角度矩阵;
所述距离角度矩阵如式(4)所示:
(4)
其中,为第m根接收天线接收的目标毫米波信号对应的距离特征矩阵。
4.根据权利要求3所述的基于毫米波信号的护理动作监测方法,其特征在于,所述判断所述时间窗口是否为护理窗口,包括:
判断所述时间窗口内每一秒接收的点云数据帧的数量是否大于预设的数量阈值,以及每一秒中预设空间范围的点云数据帧的数量占每一秒接收的点云数据帧总数的比例是否大于预设的比例阈值,若均是,则确定该时间窗口为护理窗口。
5.根据权利要求3所述的基于毫米波信号的护理动作监测方法,其特征在于,所述将所述护理窗口内的各个点云数据帧输入至预先训练的深度学习模型,输出得到对应的护理动作结果,包括:
将所述护理窗口中的各个点云数据帧输入卷积神经网络,提取各个所述点云数据帧各自对应的多维度特征;
将各个所述多维度特征根据时间顺序依次输入循环神经网络,提取各个所述多维度特征在时间维度上的关联信息,输出护理动作特征矩阵;
基于所述护理动作特征矩阵和预设的护理动作标签得到所述护理动作结果。
6.一种电子设备,其特征在于,若该电子设备为一毫米波雷达,则该毫米波雷达包括:多个接收天线,所述毫米波雷达用于实现如权利要求1或2所述的基于毫米波信号的护理动作监测方法;
若所述电子设备为一计算终端,则该计算终端包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求3至5任一项所述的基于毫米波信号的护理动作监测方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求3至5任一项所述的基于毫米波信号的护理动作监测方法。
8.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求3至5任一项所述的基于毫米波信号的护理动作监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410293315.3A CN117892202B (zh) | 2024-03-14 | 2024-03-14 | 基于毫米波信号的护理动作监测方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410293315.3A CN117892202B (zh) | 2024-03-14 | 2024-03-14 | 基于毫米波信号的护理动作监测方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117892202A CN117892202A (zh) | 2024-04-16 |
CN117892202B true CN117892202B (zh) | 2024-07-16 |
Family
ID=90652096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410293315.3A Active CN117892202B (zh) | 2024-03-14 | 2024-03-14 | 基于毫米波信号的护理动作监测方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117892202B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116110122A (zh) * | 2022-12-19 | 2023-05-12 | 万达信息股份有限公司 | 一种隐私场景下的护理行为识别方法 |
CN116338684A (zh) * | 2023-05-29 | 2023-06-27 | 长沙莫之比智能科技有限公司 | 基于毫米波雷达与深度学习的人体跌倒检测方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10310073B1 (en) * | 2018-02-07 | 2019-06-04 | Infineon Technologies Ag | System and method for determining engagement level of a human being using a millimeter-wave radar sensor |
CN116125458A (zh) * | 2023-02-22 | 2023-05-16 | 北京科技大学 | 一种基于毫米波雷达的人员定位方法 |
-
2024
- 2024-03-14 CN CN202410293315.3A patent/CN117892202B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116110122A (zh) * | 2022-12-19 | 2023-05-12 | 万达信息股份有限公司 | 一种隐私场景下的护理行为识别方法 |
CN116338684A (zh) * | 2023-05-29 | 2023-06-27 | 长沙莫之比智能科技有限公司 | 基于毫米波雷达与深度学习的人体跌倒检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117892202A (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4131064A1 (en) | Gesture recognition method and related apparatus | |
CN112859033B (zh) | 目标探测的方法、装置及相关设备 | |
Salami et al. | Tesla-rapture: A lightweight gesture recognition system from mmwave radar sparse point clouds | |
US20230333209A1 (en) | Gesture recognition method and apparatus | |
CN113311428A (zh) | 一种基于毫米波雷达的人体跌倒智能监测***及识别方法 | |
CN115308734A (zh) | 一种呼吸数据计算方法以及相关设备 | |
CN112198507B (zh) | 人体跌倒特征的检测方法及装置 | |
Yang et al. | Environment adaptive RFID-based 3D human pose tracking with a meta-learning approach | |
CN113064483A (zh) | 一种手势识别方法以及相关装置 | |
EP4193185A1 (en) | Smart-device-based radar system performing angular position estimation | |
CN115343704A (zh) | 基于多任务学习的fmcw毫米波雷达的手势识别方法 | |
Pho et al. | Radar-based face recognition: One-shot learning approach | |
JP2024514618A (ja) | Dnn基盤の人の顔分類 | |
Xie et al. | Lightweight midrange arm-gesture recognition system from mmwave radar point clouds | |
CN117892202B (zh) | 基于毫米波信号的护理动作监测方法及电子设备 | |
Kang et al. | Body gesture recognition based on polarimetric micro-Doppler signature and using deep convolutional neural network | |
Jung et al. | Digit Recognition Using FMCW and UWB Radar Sensors: A Transfer Learning Approach | |
CN115131756A (zh) | 一种目标检测方法及装置 | |
CN113514796A (zh) | 一种无源定位方法、***和介质 | |
Zhong et al. | Face Recognition Based on Point Cloud Data Captured by Low-cost mmWave Radar Sensors | |
CN114661142B (zh) | 一种手势识别方法以及装置 | |
WO2024096081A1 (ja) | 電子機器、電子機器の制御方法、及びプログラム | |
CN114236488B (zh) | 目标分类方法、目标分类装置、终端设备及存储介质 | |
Salami et al. | Tesla-Rapture: A Lightweight Gesture Recognition System from mmWave Radar Point Clouds | |
Kong et al. | A Survey of mmWave Radar-Based Sensing in Autonomous Vehicles, Smart Homes and Industry |
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 |