JP2021506149A - 無線信号の特性の機械学習に基づく動き検出 - Google Patents

無線信号の特性の機械学習に基づく動き検出 Download PDF

Info

Publication number
JP2021506149A
JP2021506149A JP2020528241A JP2020528241A JP2021506149A JP 2021506149 A JP2021506149 A JP 2021506149A JP 2020528241 A JP2020528241 A JP 2020528241A JP 2020528241 A JP2020528241 A JP 2020528241A JP 2021506149 A JP2021506149 A JP 2021506149A
Authority
JP
Japan
Prior art keywords
neural network
input data
data
space
tagged
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
Application number
JP2020528241A
Other languages
English (en)
Other versions
JP7154295B2 (ja
Inventor
ユンフェン ピャオ
ユンフェン ピャオ
クリストファー ヴィータウタス オレカス
クリストファー ヴィータウタス オレカス
ミハイル アレクサンド ザカロフ
ミハイル アレクサンド ザカロフ
Original Assignee
コグニティヴ システムズ コーポレイション
コグニティヴ システムズ コーポレイション
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by コグニティヴ システムズ コーポレイション, コグニティヴ システムズ コーポレイション filed Critical コグニティヴ システムズ コーポレイション
Publication of JP2021506149A publication Critical patent/JP2021506149A/ja
Application granted granted Critical
Publication of JP7154295B2 publication Critical patent/JP7154295B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G01S13/003—Bistatic radar systems; Multistatic radar 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
    • G01S13/74—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems
    • G01S13/76—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems wherein pulse-type signals are transmitted
    • G01S13/765—Systems using reradiation of radio waves, e.g. secondary radar systems; Analogous systems wherein pulse-type signals are transmitted with exchange of information between interrogator and responder
    • 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
    • G01S13/886—Radar or analogous systems specially adapted for specific applications for alarm systems
    • 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
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/22—Electrical actuation
    • G08B13/24—Electrical actuation by interference with electromagnetic field distribution
    • G08B13/2491—Intrusion detection systems, i.e. where the body of an intruder causes the interference with the electromagnetic field
    • G08B13/2494—Intrusion detection systems, i.e. where the body of an intruder causes the interference with the electromagnetic field by interference with electro-magnetic field distribution combined with other electrical sensor means, e.g. microwave detectors combined with other sensor means
    • 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
    • G01S13/04—Systems determining presence of a target
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一般的な態様において、空間内の動きは、ワイヤレス信号の特性の機械学習に基づいて検出することができる。幾つかの態様において、タグ付けされたニューラルネットワーク入力データのセットが、ニューラルネットワークシステムにおいて得られる。タグ付けされたニューラルネットワーク入力データの各セットは、それぞれの時間期間にわたって空間を通って送信された一連のワイヤレス信号の統計解析に基づいており、タグ付けされたニューラルネットワーク入力データの各セットは、それぞれの時間期間にわたって空間内で動きが生じたか否かを示すタグを含む。タグ付けされたニューラルネットワーク入力データのセットは、ニューラルネットワークシステムによって処理されて、ニューラルネットワークシステムのノードをパラメータ化する。ノードをパラメータ化するステップは、タグ付けされていないニューラルネットワーク入力データに基づいて動きを検出するようにニューラルネットワークシステムを構成する。【選択図】図６

Description

以下の説明は、動き検出(motion detection)に関する。
動き検出システムは、例えば、部屋又は屋外エリア内の物体の移動を検出するのに使用されている。幾つかの動き検出システムの実施例では、赤外線センサ又は光学センサが、これらのセンサの視野内の物体の移動を検出するのに使用される。動き検出システムは、セキュリティシステム、自動制御システム、及びその他のタイプのシステムで使用されている。
例示的な無線通信システムを示す図である。 無線通信デバイス間で通信される例示的な無線信号を示す図である。 無線通信デバイス間で通信される例示的な無線信号を示す図である。 無線通信デバイスにて受信された無線信号に基づいて統計パラメータの行列を生成する例示的なプロセスを示す図である。 図３において生成された行列に基づく例示的なプロット及び例示的なヒストグラムデータを示す図である。 異なる動きカテゴリに関連する無線信号に関する統計パラメータ値の例示的なプロットである。 異なる動きカテゴリに関連する無線信号に関する統計パラメータ値の例示的なプロットである。 異なる動きカテゴリに関連する無線信号に関する統計パラメータ値の例示的なプロットである。 異なる動きカテゴリに関連する無線信号に関する統計パラメータ値の例示的なプロットである。 異なる動きカテゴリに関連する無線信号に関する統計パラメータ値の例示的なプロットである。 異なる動きカテゴリに関連する無線信号に関する統計パラメータ値の例示的なプロットである。 ニューラルネットワーク６１０をトレーニングして空間内の動きを検出するための例示的なシステムを示す図である。 タグ付けされていないデータ(untagged data)を使用して空間内の動きを検出するための例示的なニューラルネットワークシステムを示す図である。 タグ付けされていないデータを使用して空間内の動きを検出するための例示的なニューラルネットワークシステムを示す図である。 ニューラルネットワークをトレーニングして空間内の物体の動きを検出するための例示的なプロセスを示すフローチャートである。 ニューラルネットワークを使用して空間内の物体の動きを検出するための例示的なプロセスを示すフローチャートである。
本明細書で説明する内容の幾つかの態様では、空間内の動きは、無線（ワイヤレス）信号の特性の機械学習に基づいて検出することができる。例えば、場合によっては、無線信号に関するタグ付けされたデータのセットが、ニューラルネットワークシステムをトレーニングするのに使用され、このニューラルネットワークシステムは、畳み込みニューラルネットワークを含むことができる。タグ付けされたデータは、無線信号の表現に対して行われた統計解析に基づくことができる。タグ付けされたデータは、空間内で動きが生じたか否か、空間内に干渉が存在するか否か、或いは動き又は干渉が存在しない（静的状態(quiet state)）か否かを示すもの(indication)を含むことができる。データは、統計データに対して行われた解析に基づいて、又は学習段階中に収集された情報に基づいて、もしくは別の解析に基づいて、そのようなインジケーション(indication)を用いてタグ付けすることができる。
トレーニングされると、ニューラルネットワークシステムを用いて、タグ付けされていないデータに基づいて空間内で動きが生じたか否かを検出することができる。タグ付けされていないデータは、タグ付けされたデータと同じ方法でフォーマットすることができるが、動きが生じたか否かのインジケーションを伴わない。ニューラルネットワークシステムは、トレーニングプロセス中にプログラムされたノードを使用してタグ付けされていないデータを処理して、動きのインジケーションを含む出力を提供することができる。ニューラルネットワークシステムは、畳み込みニューラルネットワークシステム及び全結合(fully-connected)ニューラルネットワークシステムを含むことができる。場合によっては、平均二乗誤差値は、畳み込みニューラルネットワークによって動きを示とフラグ付けされたデータに関して求めることができ、この平均二乗誤差値は、全結合ニューラルネットワークに提供されて、動きが実際に空間内で生じたか否かが確認できる。
本開示の態様は、場合によっては、１又は２以上の利点を提供することができる。例えば、動きは、無線信号の態様を効率的に解析するニューラルネットワークを使用して検出することができる。これに加えて、動きのカテゴリは正確に識別され、これにより空間内の動きの誤検出をより低減することができる。一部の事例では、動きのカテゴリが正確に検出されると、動きに対するインテリジェントな応答を自動的に開始することができる。例えば、セキュリティシステムは、侵入者に関連する動きの検出に応答して作動することができるが、ペット又はファンに関連する動きの検出に応答しては作動しない。
図１は、例示的な無線通信システム１００を示している。例示的な無線通信システム１００は、３つの無線通信デバイス、すなわち、第１の無線通信デバイス１０２Ａ、第２の無線通信デバイス１０２Ｂ、及び第３の無線通信デバイス１０２Ｃを含む。例示的な無線通信システム１００は、追加の無線通信デバイス及び他の構成要素（例えば、追加の無線通信デバイス、１又は２以上のネットワークサーバ、ネットワークルータ、ネットワークスイッチ、ケーブル、又は他の通信リンクなど）を含むことができる。
例示的な無線通信デバイス１０２Ａ、１０２Ｂ、及び１０２Ｃは、例えば、無線ネットワーク規格又は別のタイプの無線通信プロトコルに従って、無線ネットワーク内で動作することができる。例えば、無線ネットワークは、無線ローカルエリアネットワーク（ＷＬＡＮ）、パーソナルエリアネットワーク（ＰＡＮ）、メトロポリタンエリアネットワーク（ＭＡＮ）、又は別のタイプの無線ネットワークとして動作するように構成することができる。ＷＬＡＮの例は、ＩＥＥＥによって開発された規格の８０２．１１ファミリのうちの１又は２以上に従って動作するように構成されたネットワーク（例えば、Ｗｉ−Ｆｉネットワーク）などを含む。ＰＡＮの例は、近距離通信規格（例えば、ＢＬＵＥＴＯＯＴＨ（登録商標）、近距離無線通信（ＮＦＣ）、ＺｉｇＢｅｅ（登録商標））、ミリ波通信などに従って動作するネットワークを含む。
一部の実施構成において、無線通信デバイス１０２Ａ、１０２Ｂ、及び１０２Ｃは、例えば、セルラネットワーク規格に従ってセルラネットワーク内で通信するように構成することができる。セルラネットワークの例は、グローバル移動通信システム（ＧＳＭ）及びＧＳＭ進化型高速データレート（ＥＤＧＥ）又はＥＧＰＲＳなどの２Ｇ規格、符号分割多元接続（ＣＤＭＡ）、広帯域符号分割多元接続（ＷＣＤＭＡ（登録商標））、ユニバーサル移動通信システム（ＵＭＴＳ）、及び時分割同期符号分割多元接続（ＴＤ−ＳＣＤＭＡ）などの３Ｇ規格、ロングタームエボリューション（ＬＴＥ）及びＬＴＥアドバンスト（ＬＴＥ−Ａ）などの４Ｇ規格などに従って構成されたネットワークを含む。
図１に示されている例では、無線通信デバイス１０２Ａ、１０２Ｂ、及び１０２Ｃは、標準の無線ネットワーク構成要素とすることができ、又はこれを含むことができる。例えば、無線通信デバイス１０２Ａ、１０２Ｂ、及び１０２Ｃは、商業的に利用可能なＷｉ−Ｆｉアクセスポイント、又はＷＡＰのモデム上の命令（例えば、ソフトウェア又はファームウェア）として組み込まれた本明細書に記載の１又は２以上の動作を実行する別のタイプの無線アクセスポイント（ＷＡＰ）とすることができる。一部の事例では、無線通信デバイス１０２Ａ、１０２Ｂ、及び１０２Ｃは、例えば、商業的に利用可能なメッシュネットワークシステム（例えば、ＧＯＯＧＬＥ ＷＩＦＩ）などの無線メッシュネットワークのノードとすることができる。一部の事例では、別のタイプの標準又は従来のＷｉ−Ｆｉ送信器デバイスを使用することができる。無線通信デバイス１０２Ａ、１０２Ｂ、及び１０２Ｃは、Ｗｉ−Ｆｉ構成要素を伴わずに実装でき、例えば、他のタイプの標準又は非標準無線通信を動き検出に使用することができる。一部の事例では、無線通信デバイス１０２Ａ、１０２Ｂ、及び１０２Ｃは、専用の動き検出システムとすることができ、又はその一部分とすることができる。例えば、専用の動き検出システムは、ハブデバイス及び１又は２以上のビーコンデバイス（リモートセンサデバイスとして）を含むことができ、無線通信デバイス１０２Ａ、１０２Ｂ、及び１０２Ｃは、動き検出システムにおいてハブデバイス又はビーコンデバイスの何れかとすることができる。
図１に示されているように、例示的な無線通信デバイス１０２Ｃは、モデム１１２、プロセッサ１１４、メモリ１１６、及び電源ユニット１１８を含み、無線通信システム１００内の無線通信デバイス１０２Ａ、１０２Ｂ、及び１０２Ｃは、何れもが、同じ構成要素、追加の構成要素、又は異なる構成要素を含むことができ、これらの構成要素は、図１に示されているように又は別の方法で動作するように構成することができる。一部の実施構成において、無線通信デバイスのモデム１１２、プロセッサ１１４、メモリ１１６、及び電源ユニット１１８は、共通のハウジング又は他の組立体に共に収容される。一部の実施構成において、無線通信デバイスの構成要素のうちの１又は２以上は、例えば、別個のハウジング又は他の組立体内に別々に収容することができる。
例示的なモデム１１２は、無線信号を通信する（受信する、送信する、又はそれら両方を行う）ことができる。例えば、モデム１１２は、無線通信規格（例えば、Ｗｉ−Ｆｉ又はＢｌｕｅｔｏｏｔｈ）に従ってフォーマットされた無線周波数（ＲＦ）信号を通信するように構成することができる。モデム１１２は、図１に示されている例示的な無線ネットワークモデム１１２として実装することができ、又は例えば他のタイプの構成要素もしくはサブシステムを用いて別の方法で実装することができる。一部の実施構成において、例示的なモデム１１２は、無線サブシステム及びベースバンドサブシステムを含む。一部の事例では、ベースバンドサブシステム及び無線サブシステムは、共通のチップ又はチップセット上に実装することができ、或いはカード又は別のタイプの組み立てデバイスに実装することができる。ベースバンドサブシステムは、例えば、リード線、ピン、ワイヤ、又は他のタイプの接続によって無線サブシステムに結合することができる。
一部の事例では、モデム１１２内の無線サブシステムは、１又は２以上のアンテナ及び無線周波数回路を含むことができる。無線周波数回路は、例えば、アナログ信号をフィルタリング、増幅、又はそれ以外の方法で調整する回路、ベースバンド信号をＲＦ信号にアップコンバートする回路、ＲＦ信号をベースバンド信号にダウンコンバートする回路などを含むことができる。このような回路は、例えば、フィルタ、増幅器、ミキサ、局部発振器などを含むことができる。無線サブシステムは、無線通信チャネル上で無線周波数無線信号を通信するように構成することができる。一例として、無線サブシステムは、無線チップ、ＲＦフロントエンド、及び１又は２以上のアンテナを含むことができる。無線サブシステムは、追加の又は異なる構成要素を含むことができる。一部の実施構成において、無線サブシステムは、例えばＷｉ−Ｆｉモデム、ピコ基地局モデムなどの従来のモデムからの無線電子機器（例えば、ＲＦフロントエンド、無線チップ、又は類似の構成要素）とすることができ、又はこれらを含むことができる。一部の実施構成において、アンテナは、複数のアンテナを含む。
一部の事例では、モデム１１２内のベースバンドサブシステムは、例えば、デジタルベースバンドデータを処理するように構成されたデジタル電子機器を含むことができる。一例として、ベースバンドサブシステムは、ベースバンドチップを含むことができる。ベースバンドサブシステムは、追加の又は異なる構成要素を含むことができる。一部の事例では、ベースバンドサブシステムは、デジタル信号プロセッサ（ＤＳＰ）デバイス又は別のタイプのプロセッサデバイスを含むことができる。一部の事例では、ベースバンドシステムは、デジタル処理論理回路を含んで、無線サブシステムを動作させること、無線サブシステムを介して無線ネットワークトラフィックを伝達すること、無線サブシステムを介して受信した動き検出信号に基づいて動きを検出すること、又は他のタイプのプロセスを実行することができる。例えば、ベースバンドサブシステムは、信号を符号化して、符号化された信号を、送信のために無線サブシステムに配信するように、又は無線サブシステムからの信号に符号化されたデータを識別してそれを解析する（例えば、無線通信規格に従って信号を復号することにより、動き検出プロセスに従って信号を処理することにより、又はそれ以外の方法で）ように構成された１又は２以上のチップ、チップセット、又は他のタイプのデバイスを含むことができる。
場合によっては、例示的なモデム１１２内の無線サブシステムは、ベースバンドサブシステムからベースバンド信号を受信し、このベースバンド信号を無線周波数（ＲＦ）信号にアップコンバートし、この無線周波数信号を無線で送信する（例えば、アンテナを介して）。場合によっては、例示的なモデム１１２内の無線サブシステムは、無線周波数信号を無線で受信し（例えば、アンテナを介して）、この無線周波数信号をベースバンド信号にダウンコンバートし、このベースバンド信号をベースバンドサブシステムに送る。無線サブシステムとベースバンドサブシステムとの間で交換される信号は、デジタル信号又はアナログ信号とすることができる。幾つかの実施例において、ベースバンドサブシステムは、変換回路（例えば、デジタルアナログ変換器、アナログデジタル変換器）を含み、アナログ信号を無線サブシステムと交換する。幾つかの実施例において、無線サブシステムは、変換回路（例えば、デジタルアナログ変換器、アナログデジタル変換器）を含み、デジタル信号をベースバンドサブシステムと交換する。
一部の事例では、例示的なモデム１１２のベースバンドサブシステムは、無線サブシステムを介して１又は２以上のネットワークトラフィックチャネル上で無線通信ネットワーク内の無線ネットワークトラフィック（例えば、データパケット）を伝達することができる。また、モデム１１２のベースバンドサブシステムは、無線サブシステムを介して専用無線通信チャネル上で信号（例えば、動きプローブ信号又は動き検出信号）を送信又は受信する（又はそれら両方を行う）こともできる。場合によっては、ベースバンドサブシステムは、例えば動きに関して空間を探索するための動きプローブ信号を生成して送信する。一部の実施構成において、動きプローブ信号は、チャネルサウンディング（例えば、ＩＥＥＥ ８０２．１１ａｃ−２０１３規格によるビームフォーミングのためのチャネルサウンディング）で使用される標準パイロット信号を含む標準シグナリング又は通信フレームを含む。一部の事例では、動きプローブ信号は、ネットワーク内の全てのデバイスに認識される基準信号を含む。場合によっては、ベースバンドサブシステムは、例えば空間内の物体の動きを検出するように、受信動き検出信号（空間を通って送信された動きプローブ信号に基づく信号）を処理する。例えば、ベースバンドサブシステムは、標準のシグナリングプロトコル（例えば、ステアリング、又は生成された他の行列に基づく、ＩＥＥＥ ８０２．１１ａｃ−２０１３規格によるビームフォーミングのためのチャネルサウンディング）の態様を解析して、チャネルの変化を空間内の動きの結果として検出することができる。
例示的なプロセッサ１１４は、例えば、データ入力に基づいて出力データを生成するための命令を実行することができる。この命令は、プログラム、コード、スクリプト、又はメモリに格納された他のタイプのデータを含むことができる。追加的に又は代替的に、命令は、事前にプログラムされた又は再プログラム可能な論理回路、論理ゲート、又は他のタイプのハードウェアもしくはファームウェア構成要素として符号化することができる。プロセッサ１１４は、特殊化したコプロセッサ又は別のタイプのデータ処理装置としての汎用マイクロプロセッサとすること、又はこれを含むことができる。一部の事例では、プロセッサ１１４は、無線通信デバイス１０２Ｃの高水準動作を実行する。例えば、プロセッサ１１４は、メモリ１１６に格納されたソフトウェア、スクリプト、プログラム、関数、実行ファイル、又は他の命令を実行又は解釈するように構成することができる。一部の実施構成において、プロセッサ１１４は、モデム１１２に含めることができる。
例示的なメモリ１１６は、例えば、揮発性メモリデバイス、不揮発性メモリデバイス、又はそれら両方などのコンピュータ可読媒体を含むことができる。メモリ１１６は、１又は２以上の読み出し専用メモリデバイス、ランダムアクセスメモリデバイス、バッファメモリデバイス、又はこれら及び他のタイプのメモリデバイスの組み合わせを含むことができる。場合によっては、メモリの１又は２以上の構成要素は、無線通信デバイス１０２Ｃの別の構成要素と一体化すること、又はそれ以外の場合には、それらに関連することができる。メモリ１１６は、プロセッサ１１４によって実行可能な命令を格納することができる。例えば、命令は、例えば、図８、９の例示的なプロセス８００、９００の動作のうちの１又は２以上によって、検出された動きの位置を決定するための命令を含むことができる。
例示的な電源ユニット１１８は、無線通信デバイス１０２Ｃの他の構成要素に電力を供給する。例えば、他の構成要素は、電圧バス又は他の接続を介して電源ユニット１１８によって供給される電力に基づいて動作することができる。一部の実施構成において、電源ユニット１１８は、例えば充電式バッテリなどのバッテリ又はバッテリシステムを含む。一部の実施構成において、電源ユニット１１８は、アダプタ（例えば、ＡＣアダプタ）を含み、このアダプタは、外部電力信号を受信し（外部信号源から）、この外部電力信号を、無線通信デバイス１０２Ｃの構成要素用に調整された内部電力信号に変換する。電源ユニット１１８は、他の構成要素を含むこと又は別の方法で動作することができる。
図１に示されている実施例では、無線通信デバイス１０２Ａ及び１０２Ｂは、無線信号を送信する（例えば、無線ネットワーク規格、動き検出プロトコル、又はそれ以外の方法に従って）。例えば、無線通信デバイス１０２Ａ及び１０２Ｂは、無線動きプローブ信号(wireless motion probe signals)（例えば、上述のような）をブロードキャストすること、又は他のデバイス（例えば、ユーザ機器、クライアントデバイス、サーバなど）にアドレス指定された無線信号を送ることができ、他のデバイス（図示せず）並びに無線通信デバイス１０２Ｃは、無線通信デバイス１０２Ａ及び１０２Ｂによって送信された無線信号を受信することができる。一部の事例では、無線通信デバイス１０２Ａ及び１０２Ｂによって送信される無線信号は、例えば無線通信規格に従って又はそれ以外の方法で周期的に繰り返される。
図示の実施例では、無線通信デバイス１０２Ｃは、無線通信デバイス１０２Ａ及び１０２Ｂからの無線信号を処理して、この無線信号によってアクセスされる空間内の物体の動きを検出し、検出された動きの位置を決定するか、又はその両方を行う。例えば、無線通信デバイス１０２Ｃは、図３から９に関して後述する例示的なプロセスの１又は２以上の動作、或いは動きを検出するため又は検出された動きの位置を決定するための別のタイプのプロセスを実行することができる。無線信号によってアクセスされる空間は、例えば、１又は２以上の完全に又は部分的に取り囲まれたエリア、取り囲まれていない開放エリアなどを含み得る屋内又は屋外空間とすることができる。この空間は、部屋、複数の部屋、建物、又は同様のものの内部とすることができ、或いはそれらを含むことができる。一部の事例では、無線通信システム１００は、例えば、無線通信デバイス１０２Ｃが無線信号を送信し、無線通信デバイス１０２Ａ及び１０２Ｂが無線通信デバイス１０２Ｃからの無線信号を処理して動きを検出すること又は検出された動きの位置を決定することができるように、変更することができる。
動き検出に使用される無線信号は、例えば、ビーコン信号（例えば、Ｂｌｕｅｔｏｏｔｈビーコン、Ｗｉ−Ｆｉビーコン、その他の無線ビーコン信号）、パイロット信号（例えば、ビームフォーミング用途などにおいてチャネルサウンディングに使用されるパイロット信号）、無線ネットワーク規格に従って他の目的で生成される別の規格の信号、又は動き検出のためにもしくは他の目的で生成される非標準信号（例えば、ランダム信号、基準信号など）を含むことができる。幾つかの実施例において、無線信号は、移動物体との相互作用の前又はその後、物体（例えば、壁）を通って伝播し、これにより、移動物体の移動が、この移動物体と送信又は受信ハードウェアとの間の光学見通し線を伴わずに検出されることが可能になることができる。受信信号に基づいて、第３の無線通信デバイス１０２Ｃは、動き検出データを生成することができる。場合によっては、第３の無線通信デバイス１０２Ｃは、動き検出データをセキュリティシステムなどの別のデバイス又はシステムに伝達することができ、これらのデバイス又はシステムは、部屋、建物、屋外エリアなどの空間内部の移動を監視するための制御センタを含むことができる。
一部の実施構成において、無線通信デバイス１０２Ａ及び１０２Ｂは、動きプローブ信号（例えば、上述のような）を、無線ネットワークトラフィック信号から切り離された無線通信チャネル（例えば、周波数チャネル又は符号化されたチャネル）上で送信するように、変更することができる。例えば、第３の無線通信デバイス１０２Ｃは、動きプローブ信号のペイロードに適用される変調、及びこのペイロード内のデータ又はデータ構造のタイプを認識することができ、これにより、第３の無線通信デバイス１０２Ｃが動き検知を行う処理量が低減できる。ヘッダは、例えば、通信システム１００内の別のデバイスが動きを検出したか否かを示すもの、変調タイプを示すもの、信号を送信するデバイスの識別情報などの追加情報を含むことができる。
図１に示されている実施例では、無線通信システム１００は、それぞれの無線通信デバイス１０２の各々の間に無線通信リンクを有する無線メッシュネットワークである。図示の実施例では、第３の無線通信デバイス１０２Ｃと第１の無線通信デバイス１０２Ａとの間の無線通信リンクは、第１の動き検出フィールド１１０Ａを探索するのに使用でき、第３の無線通信デバイス１０２Ｃと第２の無線通信デバイス１０２Ｂとの間の無線通信リンクは、第２の動き検出フィールド１１０Ｂを探索するのに使用でき、第１の無線通信デバイス１０２Ａと第２の無線通信デバイス１０２Ｂとの間の無線通信リンクは、第３の動き検出フィールド１１０Ｃを探索するのに使用することができる。場合によっては、各無線通信デバイス１０２Ｃは、無線通信デバイス１０２によって動き検出フィールド１１０を通って送信された無線信号に基づく受信信号を処理することによって、このデバイスがアクセスする動き検出フィールド１１０内の動きを検出する。例えば、図１に示されている人物１０６が、第１の動き検出フィールド１１０Ａ及び第３の動き検出フィールド１１０Ｃ内で移動する場合に、無線通信デバイス１０２は、それぞれの動き検出フィールド１１０を通って送信された無線信号に基づきこれらのデバイスが受信した信号に基づいて、動きを検出することができる。例えば、第１の無線通信デバイス１０２Ａは、動き検出フィールド１１０Ａ及び１１０Ｃの両方内の人物の動きを検出し、第２の無線通信デバイス１０２Ｂは、動き検出フィールド１１０Ｃ内の人物１０６の動きを検出し、第３の無線通信デバイス１０２Ｃは、動き検出フィールド１１０Ａ内の人物１０６の動きを検出することができる。
場合によっては、動き検出フィールド１１０は、例えば、空気、固体材料、液体、又は無線電磁信号(wireless electromagnetic signals)が伝播できる別の媒体を含むことができる。図１に示されている実施例では、第１の動き検出フィールド１１０Ａは、第１の無線通信デバイス１０２Ａと第３の無線通信デバイス１０２Ｃとの間の無線通信チャネルを提供し、第２の動き検出フィールド１１０Ｂは、第２の無線通信デバイス１０２Ｂと第３の無線通信デバイス１０２Ｃとの間の無線通信チャネルを提供し、第３の動き検出フィールド１１０Ｃは、第１の無線通信デバイス１０２Ａと第２の無線通信デバイス１０２Ｂとの間の無線通信チャネルを提供する。動作の幾つかの態様では、無線通信チャネル（ネットワークトラフィック用の無線通信チャネルから切り離された又はそれと共有した）上で送信される無線信号は、空間内の物体の移動を検出するのに使用される。物体は、任意のタイプの静止物体又は移動可能物体とすることができ、生物又は無生物とすることができる。例えば、物体は、人間（例えば、図１に示されている人物１０６）、動物、無生物の物体、又は別のデバイス、装置もしくは組立体、空間の境界の全部もしくは一部分を定める物体（例えば、壁、ドア、窓など）、又は別のタイプの物体とすることができる。一部の実施構成において、無線通信デバイスからの動き情報が解析されて、検出された動きの位置が決定できる。例えば、以下で更に説明するように、無線通信デバイス１０２のうちの１つ（又はデバイス１０２に通信可能に結合された別のデバイス）は、検出された動きが特定の無線通信デバイスの近くにあると判定することができる。
図２Ａ及び図２Ｂは、無線通信デバイス２０４Ａ、２０４Ｂ、及び２０４Ｃ間で通信される例示的な無線信号を示す図である。無線通信デバイス２０４Ａ、２０４Ｂ、及び２０４Ｃは、例えば、図１に示されている無線通信デバイス１０２Ａ、１０２Ｂ、及び１０２Ｃ、又は他のタイプの無線通信デバイスとすることができる。例示的な無線通信デバイス２０４Ａ、２０４Ｂ、及び２０４Ｃは、空間２００を通る無線信号を送信する。例示的な空間２００は、完全に又は部分的に取り囲むこと、又は空間２００の１又は２以上の境界において開放することができる。空間２００は、部屋の内部、複数の部屋、建物、屋内エリア、屋外エリア、又は同様のものとすることができ、或いはそれらを含むことができる。図示の実施例では、第１の壁２０２Ａ、第２の壁２０２Ｂ、及び第３の壁２０２Ｃは、少なくとも部分的に空間２００を取り囲むことができる。
図２Ａ及び図２Ｂに示されている実施例では、第１の無線通信デバイス２０４Ａは、無線動きプローブ信号を繰り返し（例えば、周期的に、断続的に、スケジューリングされた間隔、スケジューリングされていない間隔、又はランダムな間隔などで）送信するように動作することができる。第２の無線通信デバイス２０４Ｂ及び第３の無線通信デバイス２０４Ｃは、無線通信デバイス２０４Ａによって送信された動きプローブ信号に基づく信号を受信するように動作することができる。動きプローブ信号は、上述したようにフォーマットすることができる。例えば、一部の実施構成において、動きプローブ信号は、チャネルサウンディング（例えば、ＩＥＥＥ ８０２．１１ａｃ−２０１３規格によるビームフォーミングのためのチャネルサウンディング）で使用される標準パイロット信号を含む標準シグナリング又は通信フレームを含む。無線通信デバイス２０４Ｂ及び２０４Ｃは、各々、モデム、プロセッサ、又は受信動き検出信号を処理して空間２００内の物体の動きを検出するように構成された他の構成要素を有する。
図示のように、物体は、図２Ａにおいて第１の位置２１４Ａに存在し、この物体は、図２Ｂにおける第２の位置２１４Ｂに移動している。図２Ａ及び図２Ｂでは、空間２００内の移動物体は、人間として表されているが、移動物体は、別のタイプの物体とすることができる。例えば、移動物体は、動物、無生物の物体（例えば、システム、デバイス、装置、又は組立体）、空間２００の境界の全部もしくは一部分を定める物体（例えば、壁、ドア、窓など）、又は別のタイプの物体とすることができる。
図２Ａ及び図２Ｂに示されているように、第１の無線通信デバイス２０４Ａから送信された無線信号の複数の例示的な経路が、破線で示されている。無線信号は、第１の信号経路２１６に沿って、第１の無線通信デバイス２０４Ａから送信されて、第１の壁２０２Ａから第２の無線通信デバイス２０４Ｂに向かって反射する。無線信号は、第２の信号経路２１８に沿って、第１の無線通信デバイス２０４Ａから送信されて、第２の壁２０２Ｂ及び第１の壁２０２Ａから第３の無線通信デバイス２０４Ｃに向かって反射する。無線信号は、第３の信号経路２２０に沿って、第１の無線通信デバイス２０４Ａから送信されて、第２の壁２０２Ｂから第３の無線通信デバイス２０４Ｃに向かって反射する。無線信号は、第４の信号経路２２２に沿って、第１の無線通信デバイス２０４Ａから送信されて、第３の壁２０２Ｃから第２の無線通信デバイス２０４Ｂに向かって反射する。
図２Ａでは、無線信号は、第５の信号経路２２４Ａに沿って、第１の無線通信デバイス２０４Ａから送信されて、第１の位置２１４Ａにある物体から第３の無線通信デバイス２０４Ｃに向かって反射する。図２Ａと図２Ｂとの間で、物体の表面は、空間２００内で第１の位置２１４Ａから第２の位置２１４Ｂ（例えば、第１の位置２１４Ａからある距離離れた）に移動する。図２Ｂでは、無線信号は、第６の信号経路２２４Ｂに沿って、第１の無線通信デバイス２０４Ａから送信されて、第２の位置２１４Ｂにある物体から第３の無線通信デバイス２０４Ｃに向かって反射する。図２Ｂに示されている第６の信号経路２２４Ｂは、第１の位置２１４Ａから第２の位置２１４Ｂへの物体の移動に起因して、図２Ａに示されている第５の信号経路２２４Ａより長い。幾つかの実施例において、信号経路は、空間内の物体の移動に起因して追加、削除、又はそれ以外の場合には、変更することができる。
図２Ａ及び図２Ｂに示されている例示的な無線信号は、これらの信号のそれぞれの経路を通じて減衰、周波数シフト、位相シフト、又は他の影響を体験することができ、例えば壁２０２Ａ、２０２Ｂ及び２０２Ｃを介して別の方向に伝播する部分を有することができる。幾つかの実施例において、無線信号は、無線周波数（ＲＦ）信号である。無線信号は、他のタイプの信号を含むことができる。
図２Ａ及び図２Ｂに示されている実施例では、第１の無線通信デバイス２０４Ａは、無線信号を繰り返し送信することができる。具体的には、図２Ａは、最初の時間に第１の無線通信デバイス２０４Ａから送信された無線信号を示しており、図２Ｂは、２回目の後の時間に第１の無線通信デバイス２０４Ａから送信された同じ無線信号を示している。送信信号は、連続的、周期的、ランダム又は断続的な時間など、或いはこれらの組み合わせで送信することができる。送信信号は、周波数帯域幅内に幾つかの周波数成分を有することができる。送信信号は、第１の無線通信デバイス２０４Ａから全方向に、一方向に、又は別様に送信することができる。図示の実施例では、無線信号は、空間２００内の複数のそれぞれの経路を通過し、各経路に沿った信号は、経路損失、散乱、反射などに起因して減衰して、位相オフセット又は周波数オフセットを有することができる。
図２Ａ及び図２Ｂに示されているように、様々な経路２１６、２１８、２２０、２２２、２２４Ａ、及び２２４Ｂからの信号は、第３の無線通信デバイス２０４Ｃ及び第２の無線通信デバイス２０４Ｂにおいて組み合わされて受信信号を形成する。空間２００内の複数の経路の送信信号への影響により、空間２００は、送信信号が入力され、受信信号が出力される伝達関数（例えば、フィルタ）として表すことができる。或る物体が空間２００内で移動するときに、信号経路において信号に影響を与えていた減衰又は位相オフセットは変化することができ、従って、空間２００の伝達関数は変化することができる。第１の無線通信デバイス２０４Ａから同じ無線信号が送信されると仮定すると、空間２００の伝達関数が変化した場合に、この伝達関数の出力、すなわち受信信号は、同様に変化することになる。この受信信号の変化は、物体の動きを検出するのに使用することができる。
数学的に言えば、第１の無線通信デバイス２０４Ａから送信される送信信号ｆ（ｔ）は、以下の式（１）に従って表すことができ、
ここで、ωnは、送信信号のｎ番目の周波数成分の周波数を表し、ｃnは、ｎ番目の周波数成分の複素係数を表し、ｔは時間を表す。送信信号ｆ（ｔ）が第１の無線通信デバイス２０４Ａから送信されている場合、経路ｋからの出力信号ｒk（ｔ）は、以下の式（２）に従って表すことができ、
ここで、αn,kは、経路ｋに沿ったｎ番目の周波数成分に関する減衰係数（又はチャネル応答、例えば、散乱、反射及び経路損失に起因）を表し、φn,kは、経路ｋに沿ったｎ番目の周波数成分に関する信号の位相を表す。この時、無線通信デバイスにおける受信信号Ｒは、以下の式（３）で示される、全ての経路から無線通信デバイスへの全ての出力信号ｒk（ｔ）の総和として表すことができる。
式（２）を式（３）に代入すると、以下の式（４）が得られる。
次に、無線通信デバイスにおける受信信号Ｒを解析することができる。無線通信デバイスにおける受信信号Ｒは、例えば高速フーリエ変換（ＦＦＴ）又は別のタイプのアルゴリズムを使用して周波数領域に変換することができる。変換された信号は、受信信号Ｒを、１つの値がそれぞれの周波数成分（ｎ個の周波数ωnにおける）の各々に対応する一連のｎ個の複素数値として表すことができる。周波数ωnにおける周波数成分に関して、複素数値Ｈnは、以下の式（５）のように表すことができる。
所与の周波数成分ωnに対する複素数値Ｈnは、その周波数成分ωnにおける受信信号の相対的な大きさ及び位相オフセットを示す。一部の実施構成において、複素数値Ｈnは、受信信号Ｒに基づく周波数応答信号Ｈの周波数成分を表す。物体が空間内を移動するときに、複素数値Ｈnは、空間変化のチャンネル応答αn,kに起因して変化する。従って、チャネル応答で検出された変化（及び、ひいては周波数応答信号Ｈ）は、通信チャネル内の物体の移動を示すことができる。場合によっては、ノイズ、干渉、又はその他の現象が、受信器によって検出されるチャネル応答に影響を与える場合があり、動き検出システムは、このような影響を低減又は分離して、動き検出能力の精度及び品質を高めることができる。一部の実施構成において、全体的チャネル応答は、以下のように表すことができる。
場合によっては、空間に対するチャネル応答ｈchは、例えば、推定の数学理論に基づいて決定することができる。例えば、基準信号Ｒefは、候補チャネル応答（ｈch）を用いて変更され、次に、最尤法が、受信信号（Ｒcvd）に最適にマッチした候補チャネルを選択するのに使用できる。場合によっては、推定受信信号（
）は、基準信号（Ｒef）と候補チャネル応答（ｈch）との畳み込みから得られ、次に、チャネル応答（ｈch）のチャネル係数が、推定受信信号（
）の平方誤差を最小にするように変更される。これは、数学的に、以下のように示すことができ、
以下の最適基準が用いられる。
最小化又は最適化プロセスは、例えば、最小二乗平均（ＬＭＳ）、再帰的最小二乗法（ＲＬＳ）、バッチ最小二乗法（ＢＬＳ）などの適応フィルタリング技法を利用することができる。チャネル応答は、有限インパルス応答（ＦＩＲ）フィルタ、無限インパルス応答（ＩＩＲ）フィルタなどとすることができる。
上記の式に示されているように、受信信号は、基準信号とチャネル応答との畳み込みとみなすことができる。畳み込み演算は、チャネル係数が、基準信号の遅延レプリカの各々とある程度の相関を有することを意味する。従って、上記の式に示されている畳み込み演算は、受信信号が異なる遅延ポイントに現れ、各遅延レプリカがチャネル係数によって重み付けされることを示す。
幾つかの態様では、受信信号に関する信号品質メトリックは、チャネル応答に基づいて決定することができる。例えば、空間に関して決定されたチャネル応答（ｈch）は、基準信号（Ｒef）に適用されて、推定受信信号（
）が得られ、この推定受信信号は、チャネル応答に基づいて（例えば、上述した基準信号（Ｒef）とチャネル応答（ｈch）との畳み込みに基づいて）、受信信号がどのようなものであるはずであるかについての推定値とすることができる。推定受信信号（
）及び実際の受信信号（Ｒcvd）は、信号品質メトリックを計算するのに使用することができる。幾つかの実施例において、例えば、信号品質メトリックは、実際の受信信号（Ｒcvd）と、推定受信信号（
）と実際の受信信号（Ｒcvd）との間の差分とのドット積、例えば、
を計算することによって求められる値Ｑに基づく（例えば、それに等しく設定されるか、それから計算されるか、又はそれを表すなど）。
信号品質メトリックは、他の計算を使用して決定することができる。一部の事例では、ドット積又は別の計算された値の絶対値又は大きさが、受信信号に関する信号品質メトリックとして使用される。一部の事例では、信号品質メトリックは、相関指標又は別のタイプの信号品質メトリックである。一部の事例では、信号品質メトリックは、受信信号の信号対雑音比（ＳＮＲ）に基づいて決定される。
一部の事例では、無線通信デバイスは、受信信号を「拒否(rejected)」することができる。例えば、一部の実施構成において、動き検出プロセスは、動き検出プロセスで使用される信号に関する品質基準を含むことができる。品質基準を満たさない受信信号は、拒否され（例えば、破棄又は無視され）、空間３００内で動きが生じたか否かを判定することにおいて考慮されないものとすることができる。信号は、信号品質メトリック（例えば、式（９）で記述される値）に基づいて、動き検出プロセスへの入力として受け入れること又は拒否することができる。例えば、一部の事例では、動き検出プロセスは、特定の閾値を上回る値Ｑを有する受信信号のサブセットのみを使用する。
幾つかの実施例において、送信信号及び受信信号は、ＲＦスペクトルにあり、信号は、ベースバンド帯域幅で解析される。例えば、送信信号は、アップコンバートされて送信ＲＦ信号を定めるベースバンド信号を含むことができ、受信信号は、ベースバンド信号にダウンコンバートされた受信ＲＦ信号を含むことができる。受信ベースバンド信号は、受信ＲＦ信号に組み込まれているため、空間内の移動の影響（例えば、伝達関数の変化）は、この受信ベースバンド信号上に生じることができ、ベースバンド信号は、動きを検出するように処理（例えば、フーリエ解析又は別のタイプの解析を使用して）される信号とすることができる。他の例では、処理される信号は、ＲＦ信号又は別の信号とすることができる。
一部の実施構成において、受信無線信号に関する統計パラメータを決定することができる。統計パラメータは、信号の特性を表すことができ、受信無線信号の周波数領域表現の周波数成分に適用される関数に基づくことができる。場合によっては、統計パラメータは、受信信号の１又は２以上の周波数成分の最大値、最小値、平均値、又は標準偏差のうちの少なくとも１つのうちの１又は２以上を含む。例えば、一部の実施構成において、無線通信デバイスでの受信信号Ｒに基づく周波数応答信号Ｈは、以下のベクトルで表される。
ベクトル
の要素は、時点ｊにおけるそれぞれの周波数値ω1、ω2、ω3、．．．ωnの周波数成分である。周波数成分ｈi,jは、一部の事例では、複素数値とすることができる。周波数応答信号の特性を記述する統計パラメータを得るための関数が、定められて、周波数応答信号Ｈに、又は周波数応答信号の特定の周波数成分ｈi,jに適用することができる。統計パラメータは、例えば、周波数応答信号の特性を示す統計関数又は他のタイプの数学関数に基づいて計算することができる。次に、それぞれの時間セグメントに関する１又は２以上の統計パラメータの値を得るための関数が、ベクトル
（又はその要素）に適用することができる。例えば、統計パラメータは、例えば、平均値関数などに従って、平均値を求める関数、すなわち、
に基づくことができ、ここで、Ｎは、
の周波数成分又は要素の数である。別の例として、統計パラメータは、例えば、標準偏差関数などに従って、標準偏差を求める関数、すなわち、
に基づくことができ、ここで、Ｎは、
の周波数成分又は要素の数である。
一部の事例では、動き、区別できる動きカテゴリ、又は検出された動きの位置は、統計パラメータ値に基づいて検出することができる。例えば、統計パラメータ値のグルーピングが、後述のように識別され解析されて、空間内でチャネル摂動が生じたか否か、どのタイプのチャネル摂動が生じたか（例えば、干渉対物体の動き）、及び空間内のチャネル摂動の位置（例えば、無線通信デバイス間に対する）が検出できる。場合によっては、機械学習が、統計パラメータ値のパターン又はグルーピングを識別するのに使用できる。例えば、統計パラメータ値は、ニューラルネットワーク（例えば、ＧＯＯＧＬＥ ＣＬＯＵＤ ＭＬ プラットフォーム）に渡されて、統計パラメータ値又は統計パラメータ値に基づく他の値（例えば、以下で更に説明するチェック値又は動きシグネチャ値(signature values)）における区別できるパターンが学習できる。
図３は、無線通信デバイスにて受信された無線信号３０２に基づいて統計パラメータの行列３１２を生成する例示的なプロセス３００を示す図である。図示の実施例では、信号３０２は、無線通信システム内の無線通信デバイス（例えば、図１の無線通信デバイス１０２Ｃ、又は図２の無線通信デバイス２０４Ｂ、２０４Ｃ）によって、期間ｔ＝｛０，３１｝にわたって受信される。信号３０２は、無線通信デバイスにて受信された無線信号のアナログ表現とすることができる。例えば、信号３０２は、無線通信デバイスの無線サブシステムの出力を含むことができる。一部の実施構成において、プロセス３００において解析された信号３０２は、このプロセスへの入力として受け入れられた信号のみを含むことができる。例えば、信号３０２は、１又は２以上の品質基準（例えば、信号品質メトリック閾値）と比較されて、信号３０２を更に処理するか否かを判定することができる。
図示の実施例では、信号３０２は、高速フーリエ変換（ＦＦＴ）演算３０４の演算によって周波数領域表現に変換され、信号３０２の周波数成分を含む出力が生成される。例えば、一部の事例では、信号３０２は、約２２ＭＨｚの帯域幅を有することができ、ＦＦＴ演算は、８８ＭＨｚの帯域幅（４のオーバーサンプリングレートに基づく）を使用して、信号３０２の６４個の周波数成分を生成することができる。次に、ＦＦＴ演算３０４の出力は、サンプリング演算３０６によってサンプリングされる。一部の実施構成において、サンプリング演算は、ＦＦＴ演算３０４によって出力された周波数成分のサブセットを選択する。例えば、ＦＦＴ演算３０４が６４個の周波数成分を出力する上記の例を使用すると、サンプリング演算３０６は、ω＝０を中心とする８つの周波数成分（ω＜０である４つの周波数成分、及びω＞０である４つの周波数成分）を選択することができる。
次に、統計パラメータ値が、信号３０２の周波数成分に基づいて決定される。例えば、図示の実施例では、時間ｔにおける信号３０２のサンプリングされた周波数成分の平均値及び標準偏差値が計算され、複素数値３０８（ｋ）は、この平均値及び標準偏差に基づいて生成される。平均値及び標準偏差は、それぞれのサンプリングされた周波数成分の大きさに基づいて計算することができる。例えば、上記の例を参照すると、平均値は、時間ｔにおけるサンプリングされた周波数成分の大きさの平均値を求めることによって計算でき、標準偏差は、時間ｔにおける平均値の周りのサンプリングされた周波数成分の大きさの分散を求めることによって計算できる。図３に示されている実施例などの一部の事例では、複素数値３０８の実数成分は、計算された平均値を含み、複素数値３０８の虚数成分は、計算された標準偏差値を含む。
配列は、連続的に処理される信号に対して求められた複素数値に基づいて生成される。例えば、図示の実施例では、配列３１０は、時間ｔ＝｛０，３１｝に対して求められた３２個の複素数値３０８を含む。他の配列は、同様に、複素数値の最新のセットに基づいて生成され、これらの複素数値は、先入先出方式で処理される。例えば、第２の配列は、時間ｔ＝｛１，３２｝に対して求められた３２個の複素数値を含み、第３の配列は、時間ｔ＝｛２，３３｝に対して求められた３２個の複素数値を含み、更に、時間ｔ＝｛３１，６３｝に対して求められた３２個の複素数値３０８に関する配列が求められるまで、同様である。次に、行列３１２が、配列３１０に基づいて生成される。例えば、図示の実施例では、行列３１２は、時間ｔ＝｛０，３１｝に関する第１の配列を最も右の列にし、時間ｔ＝｛１，３２｝に関する第２の配列を右から２番目の列にし、更に、最も左の列が、図３に示されている時間ｔ＝｛３１，６３｝に関する配列となるまで、同様に続く。行列３１２は、場合によっては、自己相関行列又はテプリッツ行列であるとみなすことができる。行列３１２は、別の方法でフォーマットすることができる。
図４は、図３において生成された行列３１２に基づく例示的なプロット４０２及び例示的なヒストグラムデータ４０４を示す図である。例示的なプロット４０２の各データ点は、行列３１２における要素を表す。具体的には、例示的なプロット４０２の各データ点は、横軸上の式（１２）による標準偏差値と縦軸上の式（１１）による平均値とを表す。従って、横軸は、行列３１２における複素数値ｋの虚数部分を表し、縦軸は、行列３１２における複素数値ｋの実数部分を表す。例示的なプロット４０２では、各データ点の値は、以下の式に基づいて負の１（−１）と１との間の値に正規化され、
ここで、ｘiは、ｉ＝１からｎにわたる値のセットＸ＝（ｘ1、ｘ2、ｘ3、．．．ｘn）における特定の値を表す。
ヒストグラムデータ４０４は、行列３１２における統計パラメータ値のビン（値域）分割(binning)に基づいて生成することができる。例えば、ヒストグラムデータ４０４は、統計パラメータ値の範囲に基づくビンのセット（例えば、範囲０から０．１の第１のビン、範囲０．１から０．２の第２のビンなど）と、各ビンのそれぞれの範囲内に含まれるデータ点の量とを含むことができる。図４に示されている実施例などの幾つかの実施例において、ヒストグラムデータ４０４は、行列形式で表すことができる。例えば、例示的なヒストグラムデータ４０４は、１０×１０行列であり、その要素は、統計パラメータ値の０．１増分で規定されるそれぞれのビン内に含まれるデータ点の量を表す。一例として、ヒストグラムデータ４０４の左下の要素は、平均値及び標準偏差値が０から０．１の間にある４４６個のデータ点が存在することを示す。ヒストグラムデータ４０４は、別の方法で生成することができる。一部の実施構成において、ヒストグラムデータ４０４は、例えば、以下で更に説明するように、空間内のチャネル摂動を検出するのに使用される。
図５Ａから５Ｆは、異なる動きカテゴリに関連する無線信号に関する統計パラメータ値の例示的なプロットである。図５Ａから５Ｆの例示的なプロットは、図４のプロット４０２と同様の方法でフォーマットされる。各例示的なプロットにおけるデータ点は、異なるそれぞれの期間中に空間を通って送信された無線信号から決定される。具体的には、図５Ａのプロット５０２は、第１の期間中に空間を通って送信された無線信号に関する統計パラメータ値を示しており、図５Ｂのプロット５０４は、第２の期間中に空間を通って送信された無線信号に関する統計パラメータ値を示しており、図５Ｃのプロット５０６は、第３の期間中に空間を通って送信された無線信号に関する統計パラメータ値を示しており、図５Ｄのプロット５０８は、第４の期間中に空間を通って送信された無線信号に関する統計パラメータ値を示しており、図５Ｅのプロット５１０は、第５の期間中に空間を通って送信された無線信号に関する統計パラメータ値を示しており、図５Ｆのプロット５１２は、第６の期間中に空間を通って送信された無線信号に関する統計パラメータ値を示している。
図５Ａ、図５Ｂは、空間内の人間（例えば、図１における人物１０６）の動きに関するプロット５０２、５０４を示している。図５Ａ、図５Ｂに示されている実施例では、データ点は、不均一に分布しており、人間の動きを示すことができる比較的広い範囲及び分布の平均値及び標準偏差値を有する（例えば、図５Ｃから５Ｆのプロットと比較して）。これに加えて、プロット５０２及び５０４におけるデータ点に関する平均値及び標準偏差値は、互いに比較的低い相関を有する。
図５Ｃ、図５Ｄは、動きのない空間内の干渉に関するプロット５０６、５０８を示している。図５Ｃ、図５Ｄに示されている実施例では、データ点は、各データ点に関する平均値及び標準偏差値が互いにほぼ等しい状態で対角線上に分布する。従って、平均値及び標準偏差値は、プロット５０２、５０４と比較して、概して相互に関連している（例えば、データ点は、一般に、勾配＝１を有する最適線の周りに分布する）。
図５Ｅは、空間内の動物の動きに関するプロット５１０を示している。図５Ｅに示されている実施例では、データ点は、図５Ａ、図５Ｂのプロット５０２、５０４におけるデータ点と同様に分布しているが、一般に、平均値の特定の閾値を有する（例えば、図５Ｅに示されているように、０．３の平均値を下回る）。データ点４０５に関する平均値及び標準偏差値は、互いに比較的低い相関を有する。
図５Ｆは、空間内の扇風機の動きに関するプロット５１２を示している。図５Ｆに示されている実施例では、データ点は、比較的低い平均値を有し、広範囲の標準偏差値にわたって分布している。これに加えて、平均値及び標準偏差値は、プロット５０２、５０４、５１２と比較して互いに比較的高い相関を有する。
一部の実施構成において、図５Ａから５Ｆに示されているものなどのプロット、これらのプロットの基となるデータ、又はプロットの基となるデータに関連するデータ（例えば、ヒストグラムデータ）は、ニューラルネットワークをトレーニングするニューラルネットワークトレーニングシステム(neural network training system)に入力されて、特定の動きカテゴリ（例えば、人間による動き）が空間内で生じたか否かが検出できる。例えば、プロット（又はプロットに関連するデータ）は、これらのプロットがカバーするそれぞれの期間の既知の状態に従って「タグ付け(tagged)」することができる。例えば、プロット５０２、５０４に関連するヒストグラムデータは、学習段階に基づいて、空間内の人間による動きに関連するものとしてタグ付けすることができる。例えば、学習段階中に空間内で移動するユーザは、このユーザが移動していることを示すことができ（例えば、モバイルコンピューティングデバイス上のユーザインターフェースを介して）、ユーザが移動している間に収集されたデータ（例えば、プロット５０２、５０４に関連するデータ）は、収集されたデータがカバーするそれぞれの期間にわたって空間内で動きが生じたことのインジケーションを用いてタグ付けすることができる。他の動きカテゴリ（例えば、動物又は扇風機による動き）、干渉、又は動きなしに関連するデータは、学習段階中に同様の方法でタグ付けすることができる。ニューラルネットワークシステムが、タグ付けされたデータを用いて学習された後、新たに収集されたデータは、ニューラルネットワークシステムに入力されて、空間内で動き（又は区別できる動きカテゴリ）が生じたか否かが検出できる（例えば、プロット又はデータにおけるパターンに基づいて）。場合によっては、例えば、図６、７のシステム６００、７００を使用することができる。
図６は、ニューラルネットワーク６１０をトレーニングして空間内の動きを検出するための例示的なシステム６００を示す図である。図示の実施例では、本システムは、入力データ６０２のセットを取得し、動き検出器６０４を使用して、無線信号（データ６０２の基となる）が通過する空間内で動きが生じたか否かを検出する。一部の実施構成において、入力データ６０２の各セットは、それぞれの期間にわたって空間を通って送信された一連の無線信号の統計解析に基づく。例えば、入力データ６０２は、受信無線信号の統計パラメータに基づくことができる（例えば、図３に関して上述したように）。入力データ６０２は、一部の事例では、ヒストグラムデータ６０２Ａを含むこと、又は１又は２以上の軸に対してプロットされた統計パラメータ値の画像６０２Ｂを含むことができる。
動き検出器６０４は、入力データ６０２（例えば、ヒストグラムデータ６０２Ａ又はプロット画像６０２Ｂの何れか）を解析して、入力データ６０２を分類する。例えば、図示の実施例では、動き検出器６０４は、入力データ６０２を、検出された動き、検出された干渉（動きなし）、静的（動きなし又は干渉）のカテゴリに分類する。一部の実施構成において、動き検出器６０４は、ヒストグラムデータ６０２の行列表現を解析することによって入力データ６０２を分類する。例えば、行演算子及び列演算子は、それぞれ、ヒストグラムデータ行列のそれぞれ個別の行内の要素の合計、又はヒストグラムデータ行列のそれぞれ個別の列内の要素の合計を求めることができる。行演算子及び列演算子は、以下の式に基づくバランス値を含むチェック値を求めるのに使用でき、
ここで、ＣＯは、上述した列演算子を表し、ＲＯは、上述した列演算子を表す。バランス値は、閾値と比較されて、空間内で動きが生じたか否かが判定することができる。動き検出器６０４は、他のチェック値を求めることができる。一部の実施構成において、動き検出器６０４は、上記した学習段階に基づいて入力データ６０２を分類する。動き検出器６０４は、別の方法で入力データ６０２を分類することができる。次に、動き検出器６０４は、タグ付けされたデータセット６０６（決定されたカテゴリを示す）を出力し、このデータセットがニューラルネットワークトレーナ６０８に入力される。一部の事例では、タグ付けされたデータセット６０６は、ニューラルネットワークトレーナ６０８に入力される前に、誤検出(false-positive detections)又は検出漏れ(false-negative detections)に関してフィルタリングすることができる。
ニューラルネットワークトレーナ６０８は、タグ付けされた入力データのセットを処理して、ニューラルネットワーク６１０のノードをパラメータ化して(parameterize)、タグ付けされていないニューラルネットワーク入力データに基づいて動きを検出する。一部の事例では、例えば、ニューラルネットワークトレーナ６０８は、コスト関数最小化演算に従って各ノードに関する重み及びバイアスを決定することができ、層内の各ノードは、決定された重みに従ってそのノードの入力を重み付けしてそれにバイアスをかけることができる。例えば、ノードは、次式に従って出力を提供でき、
ここで、ａi+1は、ノードの出力を指し、ｂは、ノードが提供するバイアスを指し、ｗi,jは、前の層ａi,jのノードからの出力に適用される重みを指す。最小化されるコスト関数は、次式を含むことができ、
ここで、ｘiは、層Ｌのニューロンｊへのｉ番目のタグ付けされた入力である。式（１５．ａ）は、シグモイド活性化に関するコスト関数であり、式（１５．ｂ）は、ソフトマックス活性化に関するコスト関数である。式（１５．ｂ）では、波括弧は、マッチした結果が１の出力を提供し、それ以外の場合に、ゼロ（０）の出力を提供する状態で、ノードの出力が理論上の出力とマッチするか否かについての二値結果を定める。
コスト関数Ｃは、勾配降下(gradient of decent)法を使用して最小にすることができる。例えば、勾配降下は、
及び
とすることができ、ここで、σ（ｚ）は、シグモイド関数又は正規化線形ユニット（ＲｅＬＵ）を表す。
場合によっては、重みは、初期化されて、勾配降下法ベースのトレーニングの反復後に正規分布を有することができる。一部の実施構成において、ニューラルネットワークトレーナ６０８は、タグ付けされた入力データを処理して、現在の重みのセットに基づいて出力値を決定する。次に、この出力値を有する原本正解(ground truth)は、誤差を逆伝播して、上記の式に従って勾配降下を計算するのに使用することができる。
一部の実施構成において、ニューラルネットワーク６１０は、複数の層を含む畳み込みニューラルネットワークを備える。例えば、ニューラルネットワーク６１０は、複数の畳み込み層、これらの畳み込み層のうちの少なくとも１つの畳み込み層の後の最大プーリング層、この最大プーリング層の後の平坦化層(flattening layer)、及びこの平坦化層の後の複数の全結合層(dense layers)を含むことができる。一例として、ニューラルネットワーク６１０は、２つの畳み込み層、これら２つの畳み込み層の後の最大プーリング層、この最大プーリング層の後の第３の畳み込み層、この第３の畳み込み層の後の平坦化層、及び４つの全結合層で構成することができる。一部の実施構成において、ニューラルネットワーク６１０は、図７ＢのＣＮＮ ７０４と同様にフォーマットされる。
図７Ａ及び図７Ｂは、タグ付けされていないデータを使用して空間内の動きを検出するための例示的なニューラルネットワークシステム７００を示す図である。図示の実施例では、ニューラルネットワークシステム７００は、畳み込みニューラルネットワーク（ＣＮＮ）７０４と全結合ニューラルネットワーク（ＦＣＮＮ）７１０とを含む。ＣＮＮ７０４は、図６のニューラルネットワーク６１０に関して上述したように又は別の方法でトレーニング及び構成することができる。ＦＣＮＮ７１０は、全結合層からなる深い多層ニューラルネットワーク（層の各ノードが、隣接する（前又は次の）層の各ノードに接続されている）として構成することができる。一部の実施構成において、例えば、ＦＣＮＮ７１０は、３又は４以上の（例えば、５つの）全結合層で構成される。一例として、ＦＣＮＮ７１０の第１（入力）層は、Ｎ個のノードを含むことができ、各中間層は、Ｎ個のノードを含むことができ、出力層は、１つのノードを含むことができる。最終層ノードは、最終結果を提供するシグモイド活性化関数を有することができる。結果は、ゼロ（０）と１との間の小数値を含むことができる。次に、閾値が、この結果に適用されて、この結果がゼロ（０）又は１に変換できる（例えば、動き対動きなしの判定）。一部の事例では、閾値は、０．５又は５０％とすることができる。
図示の実施例では、入力データのセット７０２が、ＣＮＮ７０４において受け取られる。入力データの各セット７０２は、一連の受信無線信号（例えば、図３及び図４に関して上述）の統計解析の結果であるデータを含むことができる。一部の実施構成において、入力データは、図６のデータヒストグラム６０２Ａと同様のヒストグラムデータ、図６の画像データ６０２Ｂと同様の画像データ、又は統計解析に基づく別のタイプのデータを含む。ＣＮＮ７０４は、入力データ７０２に基づいて、無線信号が横断する空間内で動きが生じたか否かを示す出力を提供するようにトレーニングされる。図示の実施例では、ＣＮＮ７０４は、空間内の動き（「動きデータ(motion data)」）に関連するように求められた入力データをバッファ７０６に提供し、このバッファは、前のＮ個の動きデータセットと共に最新の動きデータセットを格納する。図示の実施例では、最新の動きデータ（ｔ＝０）が、前のＮ個の動きデータセットと比較されて、それぞれの平均二乗誤差（ＭＳＥ）値７０８が求められる。ＭＳＥ値７０８は、ＦＣＮＮ７１０に提供され、このＦＣＮＮが、次に、ＭＳＥ値７０８に基づいて動きのインジケーション(motion indication)７１２を提供する。動きのインジケーション７１２は、空間内で動きが生じたことを示すもの、検出された動きのカテゴリ（例えば、人間による動き、動物による動き、扇風機による動き）、空間内の干渉を示すもの、静的状態を示すもの、又は別のタイプの示すものを含むことができる。
図７Ｂは、ＣＮＮ７０４の例示的な構成を示している。図示の実施例では、ＣＮＮ７０４は、入力層７１４と、畳み込み層７１６及び７１８と、最大プーリング層７２０と、この最大プーリング層７２０の後の別の畳み込み層７２２と、平坦化層７２４と、全結合層７２６（３又は４以上の全結合層を含む）と、最後のソフトマックス層７２８と、を含む。入力層７１４は、最初に、画像（例えば、図４のプロット４０２などの統計パラメータ値のプロットの画像）又はＣＮＮ７０４に入力されて処理される他のデータを処理する。２つの畳み込み層７１６及び７１８は、入力（例えば、画像内のドット及びライン）における基本形状トークンを識別し、最大プーリング層７２０は、畳み込み層７１６及び７１８の特徴マップ（３次元量である）をダウンサンプリングする。次の畳み込み層７２２は、最大プーリング層７２０の後に最もアクティブな複雑特徴（例えば、画像内の丸い曲線、鋭いエッジなど）を抽出することができる。次に、３次元量が、平坦化層７２４によって平坦化され、全結合層７２６における３つの全結合層と接続されて、非線形のカテゴリ特徴を学習することが可能になることができる。これらの全結合層は、畳み込み層から生成された全ての特徴とソフトマックス層７２８の最終出力との関係を理解することができる。一部の実施構成において、畳み込み層７１６は、９×９×９個のノードからなる寸法を有し、畳み込み層７１８は、８×８×４個のノードからなる寸法を有し、最大プーリング層７２０は、４×４×４個のノードからなる寸法を有し、畳み込み層７２２は、３×３×８個のノードからなる寸法を有し、平坦化層７２４は、７２×１ノードからなる寸法を有し、全結合層７２６の各全結合層は、８つのノードを有し、ソフトマックス層７２８は、３つのノードを有する。
図８は、ニューラルネットワークをトレーニングしてそれを使用して空間内の物体の動きを検出するための例示的なプロセス８００を示すフローチャートである。例えば、図１における例示的な無線通信デバイス１０２のプロセッササブシステム１１４が、例示的なプロセス８００における動作を実行して、無線通信デバイスにて受信された無線信号の統計パラメータに基づく入力データのパターン、シグネチャ、又はその他の特性を識別して、ニューラルネットワークにおけるパターン又は特性を、無線信号が通過した空間内の動きに関連付けることができる。別のタイプのデバイスが、例示的なプロセス８００を実行することもできる。例示的なプロセス８００は、追加の又は異なる動作を含むことができ、動作は、図示の順序又は別の順序で実行することができる。一部の事例では、図８に示されている動作のうちの１又は２以上は、複数の動作、サブプロセス又は他のタイプのルーチンを含むプロセスとして実装される。一部の事例では、動作は、組み合わせること、別の順序で実行すること、並行して実行すること、反復すること、或いはそれ以外の場合には、繰り返すこと又は別の方法で実行することができる。
８０２において、空間を通って送信された無線信号が、無線通信デバイスで受信される。無線信号は、無線周波数（ＲＦ）信号とすることができ、基準信号、ビーコン信号、又はパイロット信号を含むことができ、これらの信号は、ＲＦチャネルの変化を決定して、この変化に基づいて空間内で動きが生じたか否かを検出するのに使用される。一部の事例では、無線信号は、規格（例えば、ＩＥＥＥ ８０２．１１−２０１３規格に従うチャネルサウンディング信号）に従ってフォーマットされる。無線信号は、別の方法でフォーマットすることができる。
８０４において、ニューラルネットワーク入力データのセットが、無線信号の統計解析に基づいて生成される。ニューラルネットワーク入力データの各セットは、受信した一連の無線信号に基づくことができる。統計解析は、無線信号の周波数領域表現に基づく統計パラメータの計算を含むことができる。例えば、一部の実施構成において、８０２において受信した無線信号のそれぞれの周波数領域表現の平均値及び標準偏差が、図３に関して上述したように求められる（例えば、統計パラメータ値を初期行列(initial matrix)（例えば、図３の行列３１２）に入力することによって）。統計パラメータ値は、ニューラルネットワーク入力データのセットを生成するのに使用でき、このデータは、ヒストグラムデータ（例えば、図４のヒストグラムデータ４０４）、１又は２以上の軸に対してプロットされた統計パラメータ値の画像（例えば、図４のプロット４０２の画像）、又は統計パラメータ値に基づく別のタイプのデータを含むことができる。
８０６において、ニューラルネットワーク入力データのセットは、無線信号が空間を通過しているときにこの空間内で動きが生じたか否かのインジケーションを用いてタグ付けされる。一部の実施構成において、ニューラルネットワーク入力データは、上述したチェック値（例えば、バランス値）の計算を含むニューラルネットワーク入力の解析に基づいてタグ付けされる。一部の実施構成において、ニューラルネットワーク入力データは、上述した学習段階に基づいてタグ付けされる。ニューラルネットワーク入力データをタグ付けするステップは、示すものを含むニューラルネットワーク入力データにデータフィールドを追加するステップを含むことができる。ニューラルネットワーク入力データの各セットに関するタグは、例えば、人間による動き、動物による動き、又は扇風機による動きなどの動きのカテゴリを示すことができる。一部の実施構成において、空間内の干渉に関連するニューラルネットワーク入力データのセットは、動きなしに干渉が存在したことのインジケーションを用いてタグ付けされる。
８０８において、タグ付けされたニューラルネットワーク入力データが処理されて、ニューラルネットワークシステムが、タグ付けされていないニューラルネットワークデータに基づいて空間内で動きが生じたか否かを検出するように構成される。ニューラルネットワークシステムは、場合によっては、畳み込みニューラルネットワークを含むことができる。タグ付けされたニューラルネットワーク入力データを処理するステップは、タグ付けされていないニューラルネットワーク入力データに基づいて動きを検出するようにニューラルネットワークシステムのノードを構成するステップを含むことができる。一部の実施構成において、ノードを構成するステップは、上述したように、コスト関数の最小化に基づいて、ニューラルネットワークシステムのそれぞれのノードに関連する１又は２以上の重み又はバイアスを構成するステップを含む。ニューラルネットワークシステムのノードが構成されると、ニューラルネットワークは、タグ付けされていないニューラルネットワーク入力データを処理して、空間内で動きが生じたか否かを検出することができる。
図９は、ニューラルネットワークを使用して空間内の物体の動きを検出するための例示的なプロセス９００を示すフローチャートである。例えば、例示的なプロセス９００における動作は、図１における例示的な無線通信デバイス１０２のプロセッササブシステム１１４によって実行されて、無線通信デバイスにて受信された無線信号の統計パラメータに基づく入力データのパターン、シグネチャ、又はその他の特性を識別して、これらのパターン又は特性に基づいて、無線信号が通過した空間内で動きが生じたか否かを判定することができる。例示的なプロセス９００は、別のタイプのデバイスによって実行されてもよい。例示的なプロセス９００は、追加の又は異なる動作を含むことができ、該動作は、図示の順序又は別の順序で実行することができる。一部の事例では、図９に示されている動作のうちの１又は２以上は、複数の動作、サブプロセス又は他のタイプのルーチンを含むプロセスとして実装される。一部の事例では、動作は、組み合わせること、別の順序で実行すること、並行して実行すること、反復すること、或いは繰り返すこと又は別の方法で実行することができる。
９０２において、空間を通って送信された無線信号が、無線通信デバイスで受信される。無線信号は、無線周波数（ＲＦ）信号とすることができ、基準信号、ビーコン信号、又はパイロット信号を含むことができ、これらの信号は、ＲＦチャネルの変化を決定して、この変化に基づいて空間内で動きが生じたか否かを検出するのに使用される。一部の事例では、無線信号は、規格（例えば、ＩＥＥＥ ８０２．１１−２０１３規格に従うチャネルサウンディング信号）に従ってフォーマットされる。無線信号は、別の方法でフォーマットすることができる。
９０４において、ニューラルネットワーク入力データのセットが、無線信号の統計解析に基づいて生成される。ニューラルネットワーク入力データの各セットは、受信した一連の無線信号に基づくことができる。統計解析は、無線信号の周波数領域表現に基づく統計パラメータの計算を含むことができる。例えば、一部の実施構成において、８０２において受信した無線信号のそれぞれの周波数領域表現の平均値及び標準偏差が、図３に関して上述したように求められる（例えば、統計パラメータ値を初期行列（例えば、図３の行列３１２）に入力することによって）。統計パラメータ値は、ニューラルネットワーク入力データのセットを生成するのに使用でき、このデータは、ヒストグラムデータ（例えば、図４のヒストグラムデータ４０４）、１又は２以上の軸に対してプロットされた統計パラメータ値の画像（例えば、図４のプロット４０２の画像）、又は統計パラメータ値に基づく別のタイプのデータを含むことができる。
９０６において、ニューラルネットワーク入力データは、トレーニングされたニューラルネットワークシステムにおいて処理されて、９０２の無線信号が空間を通過しているときに空間内で動きが生じたか否かが判定される。トレーニングされたニューラルネットワークシステムは、上述のように、タグ付けされたニューラルネットワーク入力データを使用してトレーニングすることができる。一部の事例では、ニューラルネットワークシステムは、畳み込みニューラルネットワーク（例えば、図７のＣＮＮ７０４と同様）と全結合ニューラルネットワーク（例えば、図７のＦＣＮＮ７１０と同様）とを含む。一部の実施構成において、ニューラルネットワーク入力データを処理するステップは、図７に関して上述したように、畳み込みニューラルネットワークを使用して、特定のニューラルネットワーク入力データに関して動きが生じたか否かを検出するステップと、ニューラルネットワーク入力データのセットに関する平均二乗誤差値を計算する（例えば、ニューラルネットワーク入力データの最新のセットに基づいて）ステップと、この平均二乗誤差値を全結合ニューラルネットワークへの入力として提供するステップとを含む。
９０８において、トレーニングされたニューラルネットワークシステムが、動きのインジケーションを提供する。動きのインジケーションは、空間内で動きが生じたこと示すもの、検出された動きのカテゴリ（例えば、人間による動き、動物による動き、扇風機による動き）、空間内の干渉を示すもの、静的状態を示すもの、又は別のタイプの示すものを含むことができる。一部の実施構成において、動きのインジケーションが提供された後、動作又はプログラムされた応答が実行できる。例えば、コンピューティングデバイス（例えば、図１の無線通信デバイス１０２のうちの１つ）は、セキュリティアラートをアクティブにする（例えば、保安要員、住宅所有者の携帯電話、又は別のデバイスにアラートを送る）こと、動きが検出された場所（例えば、部屋、廊下、又は屋外）で照明又はＨＶＡＣをアクティブにすること、或いはこれらの又は他のタイプのプログラムされた応答の組み合わせを実行することができる。
本明細書で説明する主題及び動作の一部は、デジタル電子回路、又は本明細書で開示される構造及びそれらの構造上の均等物を含むコンピュータソフトウェア、ファームウェア、又はハードウェア、或いはそれらの１又は２以上の組み合わせで実装することができる。本明細書で説明する主題の一部は、１又は２以上のコンピュータプログラムとして、すなわち、コンピュータ可読記憶媒体上に符号化されて、データ処理装置によって、又はその動作を制御するように、実行されるコンピュータプログラム命令の１又は２以上のモジュールとして実装することができる。コンピュータ可読記憶媒体は、コンピュータ可読記憶装置、コンピュータ可読記憶基板、ランダムもしくはシリアルアクセスメモリアレイもしくはデバイス、又はそれらの１又は２以上の組み合わせとすること、或いはそれらに含めることができる。更に、コンピュータ可読記憶媒体は、伝播信号ではないが、コンピュータ記憶媒体は、人工的に生成された伝播信号に符号化されたコンピュータプログラム命令の情報源又は保存先とすることができる。コンピュータ記憶媒体はまた、１又は２以上の別個の物理的構成要素又は媒体（例えば、複数のＣＤ、ディスク、又は他の記憶装置）とすること、又はそれらに含めることができる。コンピュータ可読記憶媒体は、複数のコンピュータ可読記憶装置を含むことができる。コンピュータ可読記憶装置は、同一場所に配置すること（単一の記憶装置に格納された命令）、又は異なる場所に配置することができる（例えば、分散した場所に格納された命令）。
本明細書で説明した動作の一部は、メモリ（例えば、１又は２以上のコンピュータ可読記憶装置）に格納された又は他の情報源から受け取られたデータに対してデータ処理装置によって実行される動作として実装することができる。「データ処理装置」という用語は、データを処理する全ての種類の装置、デバイス及び機械を包含し、一例として、前述の、プログラマブルプロセッサ、コンピュータ、システムオンチップもしくは複数のシステムオンチップ、又は前述のものの組み合わせを包含する。装置は、例えばＦＰＧＡ（フィールドプログラマブルゲートアレイ）又はＡＳＩＣ（特定用途向け集積回路）などの専用論理回路を含むことができる。装置は更に、ハードウェアに加えて、例えば、プロセッサファームウェア、プロトコルスタック、データベース管理システム、オペレーティングシステム、クロスプラットフォームランタイム環境、仮想マシン、又はこれらのうちの１つ又は２つ以上の組み合わせを構成するコードなどの、対象とするコンピュータプログラムの実行環境を形成するコードを含むことができる。場合によっては、データ処理装置は、プロセッサのセットを含む。プロセッサのセットは、同一場所に配置すること（例えば、同じコンピューティングデバイス内の複数のプロセッサ）、又は互いに異なる場所に配置することができる（例えば、分散コンピューティングデバイスにおける複数のプロセッサ）。データ処理装置によって実行されるデータを格納するメモリは、データ処理装置と同じ場所に配置すること（例えば、同じコンピューティングデバイスのメモリに格納された命令を実行するコンピューティングデバイス）、又はデータ処理装置と異なる場所に配置することができる（例えば、サーバーデバイス上に格納された命令を実行するクライアントデバイス）。
コンピュータプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーション、スクリプト、又はコードとしても知られている）は、コンパイラ型言語又はインタープリタ型言語、宣言型言語又は手続き型言語を含む任意の形式のプログラミング言語で記述することができ、コンピュータプログラムは、スタンドアロンプログラムとして、或いはモジュール、構成要素、サブルーチン、オブジェクト、又はコンピューティング環境で使用するのに適した他のユニットとしての形式を含む任意の形式で展開することができる。コンピュータプログラムは、必須ではないが、ファイルシステム内のファイルに対応することができる。プログラムは、プログラム専用の単一のファイル内の、又は複数の連係ファイル（例えば、１又は２以上のモジュール、サブプログラム、又はコードの一部分を格納するファイル）内の、他のプログラム又はデータ（例えば、マークアップ言語文書に格納された１又は２以上のスクリプト）を保持するファイルの一部分に格納することができる。コンピュータプログラムは、１つのコンピュータ上で実行されるように、或いは１つのサイトに位置するか又は複数のサイトに分散して通信ネットワークによって相互接続された複数のコンピュータ上で実行されるように展開することができる。
本明細書で説明したプロセス及び論理フローの一部は、１又は２以上のコンピュータプログラムを実行する１又は２以上のプログラマブルプロセッサによって、入力データに作用して出力を生成することによって動作を行うように実行することができる。また、プロセス及び論理フローは、例えばＦＰＧＡ（フィールドプログラマブルゲートアレイ）又はＡＳＩＣ（特定用途向け集積回路）などの専用論理回路によって実行することもでき、また、装置は、それらの回路として実装することもできる。
コンピュータプログラムを実行するのに適したプロセッサは、一例として、汎用マイクロプロセッサ及び専用マイクロプロセッサの両方、並びに任意の種類のデジタルコンピュータのプロセッサを含む。一般に、プロセッサは、リードオンリメモリ又はランダムアクセスメモリ、或いはこれらの両方から命令及びデータを受け取る。コンピュータの要素は、命令に従って動作を実行するプロセッサと、命令及びデータを格納する１又は２以上のメモリデバイスとを含むことができる。また、コンピュータは、例えば、非磁性ドライブ（例えば、ソリッドステートドライブ）、磁気ディスク、光磁気ディスク、又は光ディスクなどの、データを格納する１又は２以上の大容量記憶装置を含むことができ、或いはそれらの間でデータの受け取り又はデータの転送、或いはこれら両方を行うように動作可能に結合することもできる。しかしながら、コンピュータは、このようなデバイスを有する必要がない。更に、コンピュータは、例えば電話機、タブレットコンピュータ、電子装置、携帯型オーディオもしくはビデオプレーヤ、ゲーム機、全地球測位システム（ＧＰＳ）受信器、又はモノのインターネット（ＩｏＴ）デバイス、マシンツーマシン（Ｍ２Ｍ）センサもしくはアクチュエータ、或いはポータブルストレージデバイス（例えば、ユニバーサルシリアルバス（ＵＳＢ）フラッシュドライブ）などの別のデバイスに組み込むことができる。コンピュータプログラム命令及びデータを格納するのに適したデバイスは、一例として、半導体メモリデバイス（例えば、ＥＰＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリデバイスなど）、磁気ディスク（例えば、内部ハードディスク、リムーバブルディスクなど）、光磁気ディスク、並びにＣＤ ＲＯＭ及びＤＶＤ ＲＯＭディスクを含む全ての形態の不揮発性メモリ、媒体及びメモリデバイスを含む。一部の事例では、プロセッサ及びメモリは、専用論理回路によって補完すること又は専用論理回路に組み込むことができる。
ユーザとの対話をもたらすために、動作は、ユーザへの情報を表示する表示デバイス（例えば、モニタ、又は別のタイプの表示デバイス）と、ユーザがコンピュータに入力を提供できるようにするキーボード及びポインティングデバイス（例えば、マウス、トラックボール、スタイラスペン、タッチセンサ式スクリーン、又は別のタイプのポインティングデバイス）とを有するコンピュータ上に実装することができる。ユーザとの対話をもたらすために他の種類のデバイスを使用することもでき、例えば、ユーザに提供されるフィードバックは、例えば、視覚フィードバック、聴覚フィードバック、又は触覚フィードバックなどの任意の形態の感覚フィードバックとすることができ、ユーザからの入力は、音響入力、音声入力、又は触覚入力を含む任意の形態で受け取ることができる。加えて、コンピュータは、ユーザが使用するデバイスとの間で文書を送受信することによって、例えば、ウェブブラウザから受け取った要求に応答してユーザのクライアントデバイス上のウェブブラウザにウェブページを送ることによって、ユーザと対話することができる。
コンピュータシステムは、単一のコンピューティングデバイス、或いは近接して又は一般に互いに離れて動作して、通常、通信ネットワークを介して相互作用する複数のコンピュータを含むことができる。通信ネットワークは、ローカルエリアネットワーク（「ＬＡＮ」）及びワイドエリアネットワーク（「ＷＡＮ」）、インターネットワーク（例えば、インターネット）、衛星リンクを含むネットワーク、並びにピアツーピアネットワーク（例えば、アドホックピアツーピアネットワーク）のうちの１又は２以上を含むことができる。クライアントとサーバとの関係は、それぞれのコンピュータ上で動作し互いにクライアントサーバ関係を有するコンピュータプログラムにより生じることがある。
説明した例の一般的な態様において、無線信号を使用して検出された動きが分類される。
第１の例では、タグ付けされたニューラルネットワーク入力データのセットが、ニューラルネットワークトレーニングシステムにおいて得られる。タグ付けされたニューラルネットワーク入力データの各セットは、それぞれの期間（時間）(time period)にわたって空間を通って送信された一連の無線信号の統計解析に基づいており、タグ付けされたニューラルネットワーク入力データの各セットは、それぞれの期間にわたって空間内で動きが生じたか否かを示すタグを含む。ニューラルネットワークトレーニングシステムは、タグ付けされたニューラルネットワーク入力データのセットを処理して、ニューラルネットワークシステムのノードをパラメータ化する。ノードをパラメータ化するステップは、タグ付けされていないニューラルネットワーク入力データに基づいて動きを検出するようにニューラルネットワークシステムを構成する。
第１の例の実施構成は、一部の事例では、以下の機能のうちの１又は２以上を含むことができる。ニューラルネットワークトレーニングデータは、無線信号の統計パラメータ値のセットに関するヒストグラムデータを含むことができる。ヒストグラムデータは、ビンのセットと各ビンに関する量とを含むことができ、各ビンは、統計パラメータの各々に関するそれぞれの範囲に対応する。ヒストグラムデータは、１又は２以上の軸に対してプロットされた統計パラメータの画像を含むことができる。統計パラメータは、平均値及び標準偏差を含むことができる。ヒストグラムデータを生成するステップは、無線信号の周波数領域表現を得るステップと、無線信号の周波数領域表現に基づいて、統計パラメータ値を計算するステップと、これらの統計パラメータ値を初期行列に投入するステップ(populating)と、この初期行列に基づいてヒストグラムデータを生成するステップとを含むことができる。
第１の例の実施構成は、一部の事例では、以下の機能のうちの１又は２以上を含むことができる。タグ付けされたニューラルネットワーク入力データの各セットに関するタグは、動きのカテゴリを示すことができ、ノードをパラメータ化するステップは、タグ付けされていないニューラルネットワーク入力データに基づいて動きのカテゴリを検出するようにニューラルネットワークシステムを構成するステップを含むことができる。タグ付けされたニューラルネットワーク入力データの追加セットは、ニューラルネットワークトレーニングシステムにおいて得ることができる。タグ付けされたニューラルネットワーク入力データの各追加セットは、それぞれの期間にわたって空間内に干渉が存在したか否かを示すタグを含むことができる。タグ付けされたニューラルネットワーク入力データの追加セットは、ニューラルネットワークトレーニングシステムの動作によって、ニューラルネットワークシステムのノードをパラメータ化するように処理することができる。ノードをパラメータ化するステップは、タグ付けされていないニューラルネットワーク入力データに基づいて干渉を検出するようにニューラルネットワークシステムを構成するステップを含むことができる。ニューラルネットワークシステムは、畳み込みニューラルネットワークを含むことができる。
第２の例において、ニューラルネットワーク入力データの複数のセットが、ニューラルネットワークシステムにおいて得ることができる。ニューラルネットワーク入力データの各セットは、それぞれの期間にわたって空間を通って送信された一連の無線信号の統計解析に基づくことができる。ニューラルネットワーク入力データのセットは、ニューラルネットワークシステムの動作によって、複数のプログラムされたニューラルネットワークノードを介して、それぞれの期間中に空間内で動きが生じたか否かを判定するように処理することができる。
第２の例の実施構成は、一部の事例では、以下の機能のうちの１又は２以上を含むことができる。ニューラルネットワーク入力データは、ヒストグラムデータを含むことができる。ヒストグラムデータを生成するステップは、無線信号の周波数領域表現を得るステップと、無線信号の周波数領域表現に基づいて、統計パラメータ値を計算するステップと、これらの統計パラメータ値を初期行列に投入するステップと、この初期行列に基づいてヒストグラムデータを生成するステップとを含むことができる。統計パラメータは、平均値及び標準偏差を含むことができる。空間内で動きが生じたか否かを判定するステップは、空間内の物体による動き、空間内で生じた動きのカテゴリ、空間内に存在する干渉、又は空間内に動きが存在しないことのインジケーションを生成するステップを含むことができる。ニューラルネットワークシステムは、畳み込みニューラルネットワークと全結合ニューラルネットワークとを含むことができる。畳み込みニューラルネットワークは、複数の畳み込み層と、これらの畳み込み層のうちの少なくとも１つの畳み込み層の後の最大プーリング層と、この最大プーリング層の後の平坦化層と、この平坦化層の後の複数の全結合層とを含むことができる。複数のプログラムされたニューラルネットワークノードを介してニューラルネットワーク入力データを処理するステップは、畳み込みニューラルネットワークによって、ニューラルネットワーク入力データのサブセットに関して動きが生じたことを検出するステップと、ニューラルネットワーク入力データのサブセットに関する平均二乗誤差値を計算するステップと、この平均二乗誤差値を全結合ニューラルネットワークへの入力として提供するステップとを含むことができる。
一部の実施構成において、本システム（例えば、無線通信デバイス、コンピュータシステム、又は無線通信デバイスに通信可能に結合された他のタイプのシステム）は、データ処理装置と、このデータ処理装置によって実行されたときに、第１又は第２の例の１又は２以上の動作を実行するように動作可能な命令を格納するメモリとを含む。一部の実施構成において、コンピュータ可読媒体は、データ処理装置によって実行されたときに、第１又は第２の例の１又は２以上の動作を実行するように動作可能な命令を格納する。
本明細書は、多くの詳細を含むが、これらの詳細は、特許請求できるものの範囲を限定するものとして解釈すべきでなく、むしろ特定の例に特有の特徴の説明として解釈されたい。また、本明細書において別個の実施構成との関連で説明した幾つかの特徴は、組み合わせることもできる。これとは逆に、単一の実施構成との関連で説明した様々な特徴は、複数の実施形態において別個に、又は何れかの好適な部分的組み合わせの形で実装することもできる。
幾つかの実施形態について説明した。それでもなお、様々な修正を行うことができることが理解されるであろう。従って、他の実施形態が、以下の特許請求の範囲に含まれる。

Claims (30)

  1. 動き検出方法であって、
    ニューラルネットワークトレーニングシステムにおいて、タグ付けされたニューラルネットワーク入力データの複数のセットを得るステップであって、タグ付けされたニューラルネットワーク入力データの各セットは、それぞれの期間にわたって空間を通って送信された一連の無線信号の統計解析に基づいており、該タグ付けされたニューラルネットワーク入力データの各セットは、該それぞれの期間にわたって該空間内で動きが生じたか否かを示すタグを含む、ステップと、
    ニューラルネットワークトレーニングシステムの動作によって、ニューラルネットワークシステムのノードをパラメータ化するためにタグ付けされたニューラルネットワーク入力データの前記セットを処理するステップであって、該ノードをパラメータ化することは、タグ付けされていないニューラルネットワーク入力データに基づいて動きを検出するように該ニューラルネットワークシステムを構成する、ステップと、
    を含む、方法。
  2. 前記ニューラルネットワークトレーニングデータは、前記無線信号の統計パラメータ値のセットに関するヒストグラムデータを含み、該ヒストグラムデータは、ビンのセットと各ビンに関する量とを含み、各ビンは、該統計パラメータの各々に関するそれぞれの範囲に対応する、請求項１に記載の方法。
  3. 前記ヒストグラムデータは、１又は複数の軸に対してプロットされた前記統計パラメータの画像を含む、請求項２に記載の方法。
  4. 前記統計パラメータは、平均値及び標準偏差を含む、請求項２に記載の方法。
  5. 前記無線信号の周波数領域表現を得るステップと、
    前記無線信号の前記周波数領域表現に基づいて、前記統計パラメータ値を計算するステップと、
    前記統計パラメータ値を初期行列に投入するステップと、
    前記初期行列に基づいて前記ヒストグラムデータを生成するステップと、
    を含む、請求項２に記載の方法。
  6. 前記タグ付けされたニューラルネットワーク入力データの各セットに関する前記タグは、動きのカテゴリを示し、前記ノードをパラメータ化することは、タグ付けされていないニューラルネットワーク入力データに基づいて動きのカテゴリを検出するように前記ニューラルネットワークシステムを構成する、請求項１に記載の方法。
  7. 前記ニューラルネットワークトレーニングシステムにおいて、タグ付けされたニューラルネットワーク入力データの追加セットを得るステップであって、タグ付けされたニューラルネットワーク入力データの各追加セットは、前記それぞれの期間にわたって前記空間内に干渉が存在したか否かを示すタグを含む、ステップと、
    ニューラルネットワークトレーニングシステムの動作によって、前記ニューラルネットワークシステムのノードをパラメータ化するためにタグ付けされたニューラルネットワーク入力データの前記追加セットを処理するステップであって、該ノードをパラメータ化することは、タグ付けされていないニューラルネットワーク入力データに基づいて干渉を検出するように前記ニューラルネットワークシステムを構成する、ステップと、
    を含む、請求項１に記載の方法。
  8. 前記ニューラルネットワークシステムは、畳み込みニューラルネットワークを含む、請求項１に記載の方法。
  9. ニューラルネットワークトレーニングシステムであって、
    データ処理装置と、
    前記データ処理装置によって実行されたときに、動作を実行するように動作可能な命令を含むメモリと、
    を含み、
    前記動作は、
    タグ付けされたニューラルネットワーク入力データの複数のセットを得ることであって、タグ付けされたニューラルネットワーク入力データの各セットは、それぞれの期間にわたって空間を通って送信された一連の無線信号の統計解析に基づいており、該タグ付けされたニューラルネットワーク入力データの各セットは、該それぞれの期間にわたって該空間内で動きが生じたか否かを示すタグを含む、得ることと、
    ニューラルネットワークシステムのノードをパラメータ化するためにタグ付けされたニューラルネットワーク入力データの前記セットを処理することであって、該ノードをパラメータ化することは、タグ付けされていないニューラルネットワーク入力データに基づいて動きを検出するように該ニューラルネットワークシステムを構成する、処理することと、
    を含む、ニューラルネットワークトレーニングシステム。
  10. 前記ニューラルネットワークトレーニングデータは、前記無線信号の統計パラメータ値のセットに関するヒストグラムデータを含み、該ヒストグラムデータは、ビンのセットと各ビンに関する量とを含み、各ビンは、該統計パラメータの各々に関するそれぞれの範囲に対応する、請求項９に記載のニューラルネットワークトレーニングシステム。
  11. 前記ヒストグラムデータは、１又は複数の軸に対してプロットされた前記統計パラメータの画像を含む、請求項１０に記載のニューラルネットワークトレーニングシステム。
  12. 前記統計パラメータは、平均値及び標準偏差を含む、請求項１０に記載のニューラルネットワークトレーニングシステム。
  13. 前記動作は、
    前記無線信号の周波数領域表現を得ることと、
    前記無線信号の前記周波数領域表現に基づいて、前記統計パラメータ値を計算することと、
    前記統計パラメータ値を初期行列に投入することと、
    前記初期行列に基づいて前記ヒストグラムデータを生成することと、
    を含む、請求項１０に記載のニューラルネットワークトレーニングシステム。
  14. 前記タグ付けされたニューラルネットワーク入力データの各セットに関する前記タグは、動きのカテゴリを示し、前記ノードをパラメータ化することは、タグ付けされていないニューラルネットワーク入力データに基づいて動きのカテゴリを検出するように前記ニューラルネットワークシステムを構成する、請求項９に記載のニューラルネットワークトレーニングシステム。
  15. 前記動作は、
    タグ付けされたニューラルネットワーク入力データの追加セットを得ることであって、タグ付けされたニューラルネットワーク入力データの各追加セットは、前記それぞれの期間にわたって前記空間内に干渉が存在したか否かを示すタグを含む、得ることと、
    前記ニューラルネットワークシステムのノードをパラメータ化するためにタグ付けされたニューラルネットワーク入力データの前記追加セットを処理することであって、該ノードをパラメータ化することは、タグ付けされていないニューラルネットワーク入力データに基づいて干渉を検出するように前記ニューラルネットワークシステムを構成する、処理することと、
    を含む、請求項９に記載のニューラルネットワークトレーニングシステム。
  16. 前記ニューラルネットワークシステムは、畳み込みニューラルネットワークを含む、請求項９に記載のニューラルネットワークトレーニングシステム。
  17. 動き検出方法であって、
    ニューラルネットワークシステムにおいて、ニューラルネットワーク入力データの複数のセットを得るステップであって、ニューラルネットワーク入力データの各セットは、それぞれの期間にわたって空間を通って送信された一連の無線信号の統計解析に基づいている、ステップと、
    前記ニューラルネットワークシステムの動作によって、前記それぞれの期間中に前記空間内で動きが生じたか否かを判定するために、複数のプログラムされたニューラルネットワークノードを介して、ニューラルネットワーク入力データの前記セットを処理するステップと、
    を含む、方法。
  18. 前記ニューラルネットワーク入力データは、ヒストグラムデータを含み、
    前記方法は、
    前記無線信号の周波数領域表現を得るステップと、
    前記無線信号の前記周波数領域表現に基づいて、前記統計パラメータ値を計算するステップと、
    前記統計パラメータ値を初期行列に投入するステップと、
    前記初期行列に基づいて前記ヒストグラムデータを生成するステップと、
    を含む、請求項１７に記載の方法。
  19. 前記統計パラメータは、平均値及び標準偏差を含む、請求項１８に記載の方法。
  20. 前記空間内で動きが生じたか否かを判定することは、前記空間内の物体による動き、前記空間内で生じた動きのカテゴリ、前記空間内に存在する干渉、又は前記空間内に動きが存在しないことのインジケーションを生成することを含む、請求項１７に記載の方法。
  21. 前記ニューラルネットワークシステムは、畳み込みニューラルネットワーク及び全結合ニューラルネットワークを含む、請求項１７に記載の方法。
  22. 前記畳み込みニューラルネットワークは、
    複数の畳み込み層と、
    前記畳み込み層のうちの少なくとも１つの畳み込み層の後の最大プーリング層と、
    前記最大プーリング層の後の平坦化層と、
    前記平坦化層の後の複数の全結合層と、
    を含む、請求項２１に記載の方法。
  23. 複数のプログラムされたニューラルネットワークノードを介して前記ニューラルネットワーク入力データを処理するステップは、
    前記畳み込みニューラルネットワークによって、前記ニューラルネットワーク入力データのサブセットに関して動きが生じたことを検出するステップと、
    前記ニューラルネットワーク入力データのサブセットに関する平均二乗誤差値を計算するステップと、
    前記平均二乗誤差値を前記全結合ニューラルネットワークへの入力として提供するステップと、
    を含む、請求項２１に記載の方法。
  24. ニューラルネットワークシステムであって、
    データ処理装置と、
    前記データ処理装置によって実行されたときに、動作を実行するように動作可能な命令を含むメモリと、
    を含み、
    前記動作は、
    ニューラルネットワーク入力データの複数のセットを得ることであって、ニューラルネットワーク入力データの各セットは、それぞれの期間にわたって空間を通って送信された一連の無線信号の統計解析に基づいている、得ることと、
    前記それぞれの期間中に前記空間内で動きが生じたか否かを判定するために、複数のプログラムされたニューラルネットワークノードを介して、ニューラルネットワーク入力データの前記セットを処理することと、
    を含む、ニューラルネットワークシステム。
  25. 前記ニューラルネットワーク入力データは、ヒストグラムデータを含み、
    前記動作は、
    前記無線信号の周波数領域表現を得ることと、
    前記無線信号の前記周波数領域表現に基づいて、前記統計パラメータ値を計算することと、
    前記統計パラメータ値を初期行列に投入することと、
    前記初期行列に基づいて前記ヒストグラムデータを生成することと、
    を含む、請求項２４に記載のニューラルネットワークシステム。
  26. 前記統計パラメータは、平均値及び標準偏差を含む、請求項２５に記載のニューラルネットワークシステム。
  27. 前記空間内で動きが生じたか否かを判定することは、前記空間内の物体による動き、前記空間内で生じた動きのカテゴリ、前記空間内に存在する干渉、又は前記空間内に動きが存在しないことのインジケーションを生成することを含む、請求項２４に記載のニューラルネットワークシステム。
  28. 前記ニューラルネットワークシステムは、畳み込みニューラルネットワーク及び全結合ニューラルネットワークを含む、請求項２４に記載のニューラルネットワークシステム。
  29. 前記畳み込みニューラルネットワークは、
    複数の畳み込み層と、
    前記畳み込み層のうちの少なくとも１つの畳み込み層の後の最大プーリング層と、
    前記最大プーリング層の後の平坦化層と、
    前記平坦化層の後の複数の全結合層と、
    を含む、請求項２８に記載のニューラルネットワークシステム。
  30. 複数のプログラムされたニューラルネットワークノードを介して前記ニューラルネットワーク入力データを処理することは、
    前記畳み込みニューラルネットワークによって、前記ニューラルネットワーク入力データのサブセットに関して動きが生じたことを検出することと、
    前記ニューラルネットワーク入力データのサブセットに関する平均二乗誤差値を計算することと、
    前記平均二乗誤差値を前記全結合ニューラルネットワークへの入力として提供することと、
    を含む、請求項２８に記載のニューラルネットワークシステム。
JP2020528241A 2017-12-08 2018-02-08 無線信号の特性の機械学習に基づく動き検出 Active JP7154295B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/836,606 2017-12-08
US15/836,606 US10108903B1 (en) 2017-12-08 2017-12-08 Motion detection based on machine learning of wireless signal properties
PCT/CA2018/050144 WO2019109163A1 (en) 2017-12-08 2018-02-08 Motion detection based on machine learning of wireless signal properties

Publications (2)

Publication Number Publication Date
JP2021506149A true JP2021506149A (ja) 2021-02-18
JP7154295B2 JP7154295B2 (ja) 2022-10-17

Family

ID=63833369

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020528241A Active JP7154295B2 (ja) 2017-12-08 2018-02-08 無線信号の特性の機械学習に基づく動き検出

Country Status (7)

Country Link
US (1) US10108903B1 (ja)
EP (1) EP3695248A4 (ja)
JP (1) JP7154295B2 (ja)
KR (1) KR102588572B1 (ja)
CN (1) CN111512178B (ja)
CA (1) CA3079998A1 (ja)
WO (1) WO2019109163A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024047897A1 (ja) * 2022-09-02 2024-03-07 株式会社日立製作所 検出システム、センサ装置、及び検出方法

Families Citing this family (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9474042B1 (en) 2015-09-16 2016-10-18 Ivani, LLC Detecting location within a network
US9927519B1 (en) * 2017-03-16 2018-03-27 Cognitive Systems Corp. Categorizing motion detected using wireless signals
US10109167B1 (en) 2017-10-20 2018-10-23 Cognitive Systems Corp. Motion localization in a wireless mesh network based on motion indicator values
US10109168B1 (en) * 2017-11-16 2018-10-23 Cognitive Systems Corp. Motion localization based on channel response characteristics
US10852411B2 (en) 2017-12-06 2020-12-01 Cognitive Systems Corp. Motion detection and localization based on bi-directional channel sounding
WO2019210108A1 (en) * 2018-04-26 2019-10-31 Zheng, Xiayu Systems and methods for detecting motion using wireless communication signals
US11579703B2 (en) 2018-06-18 2023-02-14 Cognitive Systems Corp. Recognizing gestures based on wireless signals
TWI686059B (zh) * 2018-10-30 2020-02-21 林冠儀 雜訊濾除裝置
US10506384B1 (en) 2018-12-03 2019-12-10 Cognitive Systems Corp. Determining a location of motion detected from wireless signals based on prior probability
US11403543B2 (en) 2018-12-03 2022-08-02 Cognitive Systems Corp. Determining a location of motion detected from wireless signals
CN109802905B (zh) * 2018-12-27 2022-01-14 西安电子科技大学 基于cnn卷积神经网络的数字信号自动调制识别方法
US10499364B1 (en) 2019-01-24 2019-12-03 Cognitive Systems Corp. Identifying static leaf nodes in a motion detection system
US10498467B1 (en) 2019-01-24 2019-12-03 Cognitive Systems Corp. Classifying static leaf nodes in a motion detection system
US11374947B2 (en) 2019-02-01 2022-06-28 Skycope Technologies, Inc. Wireless threat detection device, system, and methods to detect signals in wideband RF systems and localize related time and frequency information based on deep learning
US10565860B1 (en) 2019-03-21 2020-02-18 Cognitive Systems Corp. Offline tuning system for detecting new motion zones in a motion detection system
US10459074B1 (en) 2019-04-30 2019-10-29 Cognitive Systems Corp. Determining a location of motion detected from wireless signals based on wireless link counting
US10600314B1 (en) 2019-04-30 2020-03-24 Cognitive Systems Corp. Modifying sensitivity settings in a motion detection system
US10567914B1 (en) 2019-04-30 2020-02-18 Cognitive Systems Corp. Initializing probability vectors for determining a location of motion detected from wireless signals
US11087604B2 (en) 2019-04-30 2021-08-10 Cognitive Systems Corp. Controlling device participation in wireless sensing systems
US10404387B1 (en) 2019-05-15 2019-09-03 Cognitive Systems Corp. Determining motion zones in a space traversed by wireless signals
US10460581B1 (en) 2019-05-15 2019-10-29 Cognitive Systems Corp. Determining a confidence for a motion zone identified as a location of motion for motion detected by wireless signals
US10743143B1 (en) 2019-05-15 2020-08-11 Cognitive Systems Corp. Determining a motion zone for a location of motion detected by wireless signals
US10924889B1 (en) 2019-09-30 2021-02-16 Cognitive Systems Corp. Detecting a location of motion using wireless signals and differences between topologies of wireless connectivity
CN114365008A (zh) * 2019-10-30 2022-04-15 谷歌有限责任公司 使用时空神经网络执行姿态识别的基于智能设备的雷达***
WO2021081637A1 (en) 2019-10-31 2021-05-06 Cognitive Systems Corp. Eliciting mimo transmissions from wireless communication devices
CA3152905A1 (en) 2019-10-31 2021-05-06 Christopher Beg Using mimo training fields for motion detection
US11570712B2 (en) 2019-10-31 2023-01-31 Cognitive Systems Corp. Varying a rate of eliciting MIMO transmissions from wireless communication devices
DE102019220630A1 (de) * 2019-12-30 2021-07-01 Airbus Defence and Space GmbH System und Verfahren zur Objektlokalisierung in einer Innenumgebung
US12019143B2 (en) 2020-03-03 2024-06-25 Cognitive Systems Corp. Using high-efficiency PHY frames for motion detection
US10928503B1 (en) 2020-03-03 2021-02-23 Cognitive Systems Corp. Using over-the-air signals for passive motion detection
US20230209325A1 (en) * 2020-05-07 2023-06-29 Lg Electronics Inc. Method and device for generating user identification model on basis of wireless sensing
US11395232B2 (en) * 2020-05-13 2022-07-19 Roku, Inc. Providing safety and environmental features using human presence detection
CA3188465A1 (en) 2020-08-31 2022-03-03 Mohammad Omer Controlling motion topology in a standardized wireless communication network
US11614511B2 (en) * 2020-09-17 2023-03-28 Infineon Technologies Ag Radar interference mitigation
US11070399B1 (en) 2020-11-30 2021-07-20 Cognitive Systems Corp. Filtering channel responses for motion detection
CN113011107B (zh) * 2021-04-23 2022-08-09 南京理工大学 基于深度卷积神经网络的一维光纤传感信号相位恢复方法
US11576141B2 (en) 2021-05-28 2023-02-07 Cognitive Systems Corp. Analyzing Wi-Fi motion coverage in an environment
US20230171563A1 (en) * 2021-11-29 2023-06-01 Cognitive Systems Corp Context-Dependent Processing and Encoding of Motion Data from a Wireless Communication Network
US20230236314A1 (en) * 2022-01-26 2023-07-27 Nvidia Corporation Sampling radar signals for automotive radar perception
US12038493B2 (en) 2022-09-08 2024-07-16 Cognitive Systems Corp. Systems and methods for motion detection using sensing transmission clusters
CN116010804B (zh) * 2023-02-01 2023-07-04 南京邮电大学 基于深度学习与知识迁移的物联网设备小样本识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015065686A2 (en) * 2013-10-28 2015-05-07 Qualcomm Incorporated Methods and apparatus for tagging classes using supervised learning
WO2016005977A1 (en) * 2014-07-08 2016-01-14 Trekeye Systems Ltd. A method and system for detection of changes in a defined surveyed area
WO2017100706A1 (en) * 2015-12-09 2017-06-15 Origin Wireless, Inc. Method, apparatus, and systems for wireless event detection and monitoring
WO2017151206A1 (en) * 2016-03-03 2017-09-08 Google Inc. Deep machine learning methods and apparatus for robotic grasping
US20170343658A1 (en) * 2014-10-31 2017-11-30 Siemens Schweiz Ag Method, digital tool, device and system for detecting movements of objects and/or living beings in a radio range, in particular of an indoor area

Family Cites Families (111)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA1084618A (en) 1976-11-10 1980-08-26 Martin T. Cole Phase difference sensitive movement detectors
US4054879A (en) 1976-11-19 1977-10-18 The United States Of America As Represented By The Secretary Of The Navy Dual-frequency, remote ocean-wave spectrometer
US4075573A (en) 1977-01-05 1978-02-21 Motorola, Inc. Incremental agc signal generator with controllable increments
US4193055A (en) 1977-03-11 1980-03-11 Charly Barnum Automatic sensitivity level adjustment
US4286260A (en) 1979-09-11 1981-08-25 E-Systems, Inc. Ranging quadrature doppler microwave intrusion alarm system
US4649388A (en) 1985-11-08 1987-03-10 David Atlas Radar detection of hazardous small scale weather disturbances
US4740045A (en) 1986-07-02 1988-04-26 Goodson & Associates, Inc. Multiple parameter doppler radar
FI76889C (fi) 1987-02-17 1988-12-12 Kone Oy Foerfarande foer val av funktionssaett vid en anordning som anvaends foer raekning av objekt inom ett visst omraode.
GB2322986B (en) 1987-10-28 1998-12-16 Licentia Gmbh Method of type classification of a target
GB9112838D0 (en) 1991-06-14 1991-10-16 Philips Electronic Associated Fmcw radar range calibration
US5519400A (en) 1993-04-12 1996-05-21 The Regents Of The University Of California Phase coded, micro-power impulse radar motion sensor
US5490062A (en) 1994-05-11 1996-02-06 The Regents Of The University Of California Real-time neural network earthquake profile predictor
US5696514A (en) 1996-02-28 1997-12-09 Northrop Grumman Corporation Location and velocity measurement system using atomic clocks in moving objects and receivers
DE19738252C2 (de) * 1997-09-02 2002-07-11 Eads Deutschland Gmbh Verfahren zur Detektion eines Radarzieles
US6075797A (en) 1997-10-17 2000-06-13 3Com Corporation Method and system for detecting mobility of a wireless-capable modem to minimize data transfer rate renegotiations
US6334059B1 (en) 1999-01-08 2001-12-25 Trueposition, Inc. Modified transmission method for improving accuracy for e-911 calls
US6493380B1 (en) 1999-05-28 2002-12-10 Nortel Networks Limited System and method for estimating signal time of arrival
US7411921B2 (en) 1999-10-21 2008-08-12 Rf Technologies, Inc. Method and apparatus for integrating wireless communication and asset location
US6614384B2 (en) 2000-09-14 2003-09-02 Time Domain Corporation System and method for detecting an intruder using impulse radio technology
AU2002336576A1 (en) 2001-09-17 2003-04-01 Morpho Technologies Digital signal processor for wireless baseband processing
US7773614B1 (en) 2001-12-05 2010-08-10 Adaptix, Inc. Wireless communication subsystem with a digital interface
WO2012125726A1 (en) 2011-03-14 2012-09-20 Intelligent Technologies International, Inc. Cargo theft prevention system and method
CA2516828A1 (en) 2003-02-24 2004-09-10 Autocell Laboratories, Inc. System and method for selecting an access point in a wireless network
US7869822B2 (en) 2003-02-24 2011-01-11 Autocell Laboratories, Inc. Wireless network apparatus and system field of the invention
US20050055568A1 (en) 2003-08-12 2005-03-10 Agrawala Ashok K. Method and system for providing physical security in an area of interest
JP4301080B2 (ja) 2004-05-24 2009-07-22 船井電機株式会社 監視システム
US7317419B2 (en) 2004-06-23 2008-01-08 Cognio, Inc. Self-calibrated path loss position estimation and zone of impact determination
JP4782429B2 (ja) 2005-01-13 2011-09-28 富士通株式会社 Ｕｗｂレーダ装置
US20060217132A1 (en) 2005-03-23 2006-09-28 3Com Corporation High resolution localization for indoor environments
US7447334B1 (en) * 2005-03-30 2008-11-04 Hrl Laboratories, Llc Motion recognition system
JP4994361B2 (ja) 2005-04-07 2012-08-08 ナショナル ユニヴァーシティー オブ シンガポール 物理的な物体をサーチするシステム及び方法
US7342493B2 (en) 2005-04-22 2008-03-11 Ultravision Security Systems, Inc. Motion detector
US7916066B1 (en) 2006-04-27 2011-03-29 Josef Osterweil Method and apparatus for a body position monitor and fall detector using radar
WO2008094172A2 (en) 2006-06-01 2008-08-07 University Of Florida Research Foundation, Inc. Radar microsensor for detection, tracking, and classification
JP2009540773A (ja) 2006-06-13 2009-11-19 マグネットー・イナーシャル・センシング・テクノロジー・インコーポレイテッド 無線ｒｆネットワークにおける動き感知
US20070293232A1 (en) 2006-06-20 2007-12-20 Aruze Corp. Wireless communication failure monitoring system and monitoring device
US7783300B2 (en) 2006-11-22 2010-08-24 Airdefense, Inc. Systems and methods for proactively enforcing a wireless free zone
US8075499B2 (en) 2007-05-18 2011-12-13 Vaidhi Nathan Abnormal motion detector and monitor
US8526341B2 (en) 2007-05-17 2013-09-03 University Of Iowa Research Foundation Systems and methods for microwave tomography
US20090128360A1 (en) 2007-09-24 2009-05-21 Headwater Systems, Inc. Electronic tag location system
US7679547B2 (en) 2007-09-26 2010-03-16 Honeywell International Inc. Direction of travel motion detector with automatic gain control
GB2469420B (en) 2008-02-06 2012-10-17 Hmicro Inc Wireless communications systems using multiple radios
TWI475847B (zh) 2008-04-16 2015-03-01 Koninkl Philips Electronics Nv 存在及移動偵測之被動雷達
US8102261B2 (en) 2008-07-17 2012-01-24 Honeywell International Inc. Microwave ranging sensor
US8542109B2 (en) 2008-07-29 2013-09-24 Flir Systems, Inc. Foliage penetrating sensor array for intrusion detection
US10168414B2 (en) 2014-07-17 2019-01-01 Origin Wireless, Inc. Wireless signals and techniques for determining locations of objects in multi-path environments
US8159344B2 (en) 2008-10-28 2012-04-17 Honeywell International, Inc. Microwave motion detectors utilizing multi-frequency ranging and target angle detection
US8892127B2 (en) 2008-11-21 2014-11-18 Qualcomm Incorporated Wireless-based positioning adjustments using a motion sensor
US8885559B2 (en) 2009-03-20 2014-11-11 Innovative Wireless Technologies, Inc. Method and apparatus for reliable communications in underground and hazardous areas
US8331498B2 (en) 2009-04-13 2012-12-11 Telefonaktiebolaget L M Ericsson (Publ) Blind modulation detection
EP2259084A1 (de) 2009-06-03 2010-12-08 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren und Funkeinrichtung zur Detektion einer Bewegung
US8305257B2 (en) 2009-09-02 2012-11-06 Trizna Dennis B Method and apparatus for coherent marine radar measurements of properties of ocean waves and currents
US8138918B2 (en) 2009-09-17 2012-03-20 Raytheon Company Intrusion detection and tracking system
US9229102B1 (en) 2009-12-18 2016-01-05 L-3 Communications Security And Detection Systems, Inc. Detection of movable objects
US8818288B2 (en) * 2010-07-09 2014-08-26 University Of Utah Research Foundation Statistical inversion method and system for device-free localization in RF sensor networks
WO2012015688A2 (en) 2010-07-27 2012-02-02 Raytheon Company An intrusion detection and tracking system
US8611410B2 (en) 2010-07-30 2013-12-17 National Instruments Corporation Variable modulus mechanism for performing equalization without a priori knowledge of modulation type or constellation order
US8396485B2 (en) 2010-11-09 2013-03-12 Apple Inc. Beacon-based geofencing
WO2012082758A1 (en) 2010-12-13 2012-06-21 Xandem Technology Llc Systems and methods of device-free motion detection and presence detection
EP2678709B1 (en) 2011-02-21 2018-03-28 Transrobotics, Inc. System and method for sensing distance and/or movement
JPWO2012137285A1 (ja) * 2011-04-04 2014-07-28 三菱電機株式会社 在圏検知システム、在圏検知方法及びプログラム
US20130005280A1 (en) 2011-06-28 2013-01-03 Hong Kong Applied Science and Technology Research Institute Company Limited Method for constructing a wireless communication device to achieve motion sensing function
US20130090117A1 (en) 2011-10-06 2013-04-11 Qualcomm Incorporated Method and apparatus for optimized reacquisition of wireless communications systems
HUE030680T2 (en) 2011-10-19 2017-05-29 ERICSSON TELEFON AB L M (publ) Motion detector device
WO2013089747A1 (en) 2011-12-15 2013-06-20 Intel Corporation System and method for enabling low power devices
US8866663B2 (en) 2011-12-27 2014-10-21 Massachusetts Institute Of Technology Methods and apparatus for sensing organic tissue
US9185528B2 (en) 2012-06-28 2015-11-10 Northrop Grumman Systems Corporation WiFi mapping and motion detection
WO2014021574A1 (ko) 2012-08-02 2014-02-06 트라텍정보통신 주식회사 스마트폰과 연동되는 ｕｓｂ 메모리 장치
US9551784B2 (en) 2012-09-04 2017-01-24 Honeywell International Inc. Intrusion detection
US9999376B2 (en) 2012-11-02 2018-06-19 Vital Connect, Inc. Determining body postures and activities
US8847754B2 (en) 2012-11-15 2014-09-30 James Buchheim Locator beacon and radar application for mobile device
US9544788B2 (en) 2012-11-16 2017-01-10 Dsp Group Ltd. Method and system for motion detection using digital enhanced cordless telecommunicaiton (DECT) signals
CA2834522A1 (en) 2012-11-22 2014-05-22 Perch Communications Inc. System and method for automatically triggered synchronous and asynchronous video and audio communications betwwen users at different endpoints
US20130281801A1 (en) 2013-03-04 2013-10-24 Hello Inc. System using patient monitoring devices with unique patient ID's and a telemetry system
US9537586B2 (en) 2013-03-15 2017-01-03 DGS Global Systems, Inc. Systems, methods, and devices for electronic spectrum management with remote access to data in a virtual computing network
US9213873B2 (en) 2013-03-22 2015-12-15 Symbol Technologies, Llc Determining movement of a radio frequency identification tag using a phase difference/frequency model
CA2820568A1 (en) 2013-06-21 2014-12-21 Ninve Jr. Inc. Dual differential doppler motion detection
US9451381B2 (en) 2013-08-06 2016-09-20 Time Warner Cable Enterprises Llc Automated provisioning of managed services in a Wi-Fi capable client device
CN103400123A (zh) * 2013-08-21 2013-11-20 山东师范大学 基于三轴加速度传感器及神经网络的步态类型鉴别方法
US10979203B2 (en) 2013-09-04 2021-04-13 Qualcomm Incorporated Channel selection to reduce interference to a wireless local area network from a cellular network
US9467480B2 (en) 2013-09-16 2016-10-11 Qualcomm Incorporated Selectively multiplexing incoming WebRTC traffic and/or de-multiplexing outgoing WebRTC traffic by a client-based WebRTC proxy on behalf of a WebRTC multimedia client application
CN103606248B (zh) * 2013-09-30 2016-08-10 广州市香港科大***研究院 一种人体摔倒自动检测方法及***
US9204385B2 (en) 2013-10-09 2015-12-01 Netgear, Inc. Wireless router or residential gateway capable of distinguishing power-sensitive wireless sensors and providing separate treatment thereto
EP3092750B1 (en) 2014-01-06 2020-07-15 Samsung Electronics Co., Ltd. System, device, and apparatus for coordinating environments using network devices and remote sensory information
CA2945702A1 (en) 2014-01-28 2015-08-06 King Abdullah University Of Science And Technology Buffer sizing for multi-hop networks
US20150245164A1 (en) 2014-02-26 2015-08-27 Aliphcom Interaction between wearable devices via broadcasted sensor-related data
EP3102964B1 (en) 2014-04-11 2020-07-29 SZ DJI Technology Co., Ltd. Proximity sensing systems and methods
CN103913721B (zh) * 2014-04-18 2016-05-25 山东大学 一种基于人工神经网络的室内人员智能感知方法
WO2015168700A1 (en) 2014-05-02 2015-11-05 The Board Of Trustees Of The Leland Stanford Junior University Method and apparatus for tracing motion using radio frequency signals
KR20150134126A (ko) 2014-05-21 2015-12-01 재단법인대구경북과학기술원 레이더 신호 처리 방법 및 장치
US9294974B2 (en) 2014-05-30 2016-03-22 Apple Inc. Motion based search and measurement periodicity
US9143968B1 (en) 2014-07-18 2015-09-22 Cognitive Systems Corp. Wireless spectrum monitoring and analysis
US9143413B1 (en) 2014-10-22 2015-09-22 Cognitive Systems Corp. Presenting wireless-spectrum usage information
US9648462B2 (en) 2014-11-28 2017-05-09 Szegedi Tudományegyetem Method for tracking of motion of objects associated with wireless communication devices within a predefined area
TWI514193B (zh) 2014-12-25 2015-12-21 Univ Nat Sun Yat Sen 動作感測裝置
US10347108B2 (en) 2015-01-16 2019-07-09 City University Of Hong Kong Monitoring user activity using wearable motion sensing device
US20160241999A1 (en) 2015-02-16 2016-08-18 Polaris Tech Global Limited Cross-platform automated perimeter access control system and method adopting selective adapter
CN104951757B (zh) * 2015-06-10 2018-11-09 南京大学 一种基于无线信号的动作检测和识别的方法
EP3334334A1 (en) * 2015-08-11 2018-06-20 Masimo Corporation Medical monitoring analysis and replay including indicia responsive to light attenuated by body tissue
US10564285B2 (en) 2015-11-19 2020-02-18 DSCG Solutions, Inc. Estimation of motion in six degrees of freedom (6DOF) using LIDAR
US10002313B2 (en) * 2015-12-15 2018-06-19 Sighthound, Inc. Deeply learned convolutional neural networks (CNNS) for object localization and classification
US10433184B2 (en) 2015-12-31 2019-10-01 Motorola Mobility Llc Method and apparatus for directing an antenna beam based on a location of a communication device
US9523760B1 (en) 2016-04-15 2016-12-20 Cognitive Systems Corp. Detecting motion based on repeated wireless transmissions
US10372976B2 (en) 2016-05-05 2019-08-06 Brunswick Corporation Person detection in a marine environment
US9584974B1 (en) 2016-05-11 2017-02-28 Cognitive Systems Corp. Detecting motion based on reference signal transmissions
US9524628B1 (en) 2016-08-04 2016-12-20 Cognitive Systems Corp. Detecting signal modulation for motion detection
US9927519B1 (en) 2017-03-16 2018-03-27 Cognitive Systems Corp. Categorizing motion detected using wireless signals
US9989622B1 (en) 2017-03-16 2018-06-05 Cognitive Systems Corp. Controlling radio states for motion detection
US9743294B1 (en) * 2017-03-16 2017-08-22 Cognitive Systems Corp. Storing modem parameters for motion detection
CN107122798A (zh) * 2017-04-17 2017-09-01 深圳市淘米科技有限公司 基于深度卷积网络的引体向上计数检测方法及装置
US9933517B1 (en) 2017-11-03 2018-04-03 Cognitive Systems Corp. Time-alignment of motion detection signals using buffers

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015065686A2 (en) * 2013-10-28 2015-05-07 Qualcomm Incorporated Methods and apparatus for tagging classes using supervised learning
WO2016005977A1 (en) * 2014-07-08 2016-01-14 Trekeye Systems Ltd. A method and system for detection of changes in a defined surveyed area
US20170343658A1 (en) * 2014-10-31 2017-11-30 Siemens Schweiz Ag Method, digital tool, device and system for detecting movements of objects and/or living beings in a radio range, in particular of an indoor area
WO2017100706A1 (en) * 2015-12-09 2017-06-15 Origin Wireless, Inc. Method, apparatus, and systems for wireless event detection and monitoring
WO2017151206A1 (en) * 2016-03-03 2017-09-08 Google Inc. Deep machine learning methods and apparatus for robotic grasping

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024047897A1 (ja) * 2022-09-02 2024-03-07 株式会社日立製作所 検出システム、センサ装置、及び検出方法

Also Published As

Publication number Publication date
EP3695248A1 (en) 2020-08-19
CN111512178B (zh) 2024-06-04
EP3695248A4 (en) 2021-07-21
US10108903B1 (en) 2018-10-23
WO2019109163A1 (en) 2019-06-13
CN111512178A (zh) 2020-08-07
JP7154295B2 (ja) 2022-10-17
KR20200096909A (ko) 2020-08-14
CA3079998A1 (en) 2019-06-13
KR102588572B1 (ko) 2023-10-12

Similar Documents

Publication Publication Date Title
JP7154295B2 (ja) 無線信号の特性の機械学習に基づく動き検出
JP7249337B2 (ja) ワイヤレス信号の統計パラメータのグルーピングに基づく動き検出
JP7174073B2 (ja) センサデバイスからのデータを用いた動き検出システムのためのトレーニングデータ
Zou et al. Deepsense: Device-free human activity recognition via autoencoder long-term recurrent convolutional network
KR102607381B1 (ko) 채널 응답 특성들에 기반한 모션 로컬화
JP7124079B2 (ja) メッシュネットワークにおける動き検出法
CN111164454B (zh) 基于无线信号的滤波后的统计参数的运动检测
CN113383244B (zh) 确定从无线信号检测到的运动的位置
EP3906425B1 (en) An offline tuning system for detecting new motion zones in a motion detection system
WO2020220111A1 (en) Determining a location of motion detected from wireless signals based on wireless link counting
WO2019183708A1 (en) Detecting presence based on wireless signal analysis
US20230370819A1 (en) Operating a Mobile Wireless Communication Device for Wireless Motion Sensing

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200612

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210205

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20211026

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20211201

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20220228

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220502

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220912

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221004

R150 Certificate of patent or registration of utility model

Ref document number: 7154295

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150