-
公开(公告)号：CN115457732B
公开(公告)日：2023-09-01
申请号：CN202211018371.3
申请日：2022-08-24
Applicant: 电子科技大学
IPC: G08B21/04 , H04W84/12 , G06F18/241 , G06F18/214
Abstract: 本发明提供一种基于样本生成和特征分离的跌倒检测方法，从WiFi信号的CSI数据中提取各子载波的幅值信息进行跌倒检测。为了解决跌倒样本量不足和跌倒检测模型对环境的依赖，将源域数据中的跌倒动作样本进行加噪声重构得到跌倒动作虚拟样本，再利用特征提取器提取源域数据和虚拟跌倒数据的特征向量，通过特征提取器得到的特征向量层神经元可以分为两部分，上半部分带入跌倒与非跌倒检测二分类器训练，下半部分带入域分类器训练，上半部分在训练的过程中逐渐保留跌倒与非跌倒动作相关的信息，下半部分在训练的过程中逐渐保留环境相关信息，使得跌倒与非跌倒检测二分类器能够更好的区分跌倒与非跌倒动作，增强了跌倒检测针对环境的泛化能力。
-
公开(公告)号：CN115457732A
公开(公告)日：2022-12-09
申请号：CN202211018371.3
申请日：2022-08-24
Applicant: 电子科技大学
Abstract: 本发明提供一种基于样本生成和特征分离的跌倒检测方法，从WiFi信号的CSI数据中提取各子载波的幅值信息进行跌倒检测。为了解决跌倒样本量不足和跌倒检测模型对环境的依赖，将源域数据中的跌倒动作样本进行加噪声重构得到跌倒动作虚拟样本，再利用特征提取器提取源域数据和虚拟跌倒数据的特征向量，通过特征提取器得到的特征向量层神经元可以分为两部分，上半部分带入跌倒与非跌倒检测二分类器训练，下半部分带入域分类器训练，上半部分在训练的过程中逐渐保留跌倒与非跌倒动作相关的信息，下半部分在训练的过程中逐渐保留环境相关信息，使得跌倒与非跌倒检测二分类器能够更好的区分跌倒与非跌倒动作，增强了跌倒检测针对环境的泛化能力。
-
公开(公告)号：CN114444534B
公开(公告)日：2025-02-07
申请号：CN202111456132.1
申请日：2021-12-02
Applicant: 电子科技大学 , 厦门智小金智能科技有限公司
IPC: G06F18/24 , G06F18/25 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种基于样本生成和模态融合的跨域无线动作识别方法，为了以少量数据实现高精度跨域动作识别，将源域和目标域的同动作类别数据进行线性变换得到包含源域和目标域环境信息的新数据，然后利用生成编码器和生成解码器去除源域的环境信息并增强目标域的环境信息，通过不断训练，生成大量目标域的虚拟幅值数据和虚拟相位数据。为了进一步提升跨域动作识别精度，对虚拟幅值和虚拟相位进行特征融合。通过融合编码器从幅值和相位中提取出动作特征，并通过相似度损失使不同模态的动作特征一致，然后利用融合解码器增强动作特征提取能力。最后对不同模态的动作特征进行通道拼接，采用动作分类器对拼接的动作特征进行分类，得到动作识别结果。
-
公开(公告)号：CN114444534A
公开(公告)日：2022-05-06
申请号：CN202111456132.1
申请日：2021-12-02
Applicant: 电子科技大学 , 厦门智小金智能科技有限公司
Abstract: 本发明提供了一种基于样本生成和模态融合的跨域无线动作识别方法，为了以少量数据实现高精度跨域动作识别，将源域和目标域的同动作类别数据进行线性变换得到包含源域和目标域环境信息的新数据，然后利用生成编码器和生成解码器去除源域的环境信息并增强目标域的环境信息，通过不断训练，生成大量目标域的虚拟幅值数据和虚拟相位数据。为了进一步提升跨域动作识别精度，对虚拟幅值和虚拟相位进行特征融合。通过融合编码器从幅值和相位中提取出动作特征，并通过相似度损失使不同模态的动作特征一致，然后利用融合解码器增强动作特征提取能力。最后对不同模态的动作特征进行通道拼接，采用动作分类器对拼接的动作特征进行分类，得到动作识别结果。
-
-
-
Search Results
4
records
(took 0.021 seconds)
