智能感知

通过团队自研的智能床垫、智能听诊器、智能鞋垫等智能可穿戴设备，结合人工智能算法的研究，进行呼吸心率检测、肺音识别、步态识别、跌倒检测等相关研究。团队还研究通过WiFi信号感知环境变化，实现动作识别、跌倒检测、步态识别等功能。下面分别介绍我们团队在呼吸心率检测、跌倒检测、动作识别等方面的代表性成果。

1、基于压电陶瓷的睡眠检测

检测睡眠状态下呼吸率、心跳率和翻身情况等信息有助于疾病预防和健康管理。我们设计了基于压电陶瓷的非接触式多通道睡眠信息检测系统；通过嵌入床垫的多个压电陶瓷传感器感知人体微小震动引起的压力变化，基于区域短时能量分布的体动姿态识别算法和自回归参数模型功率谱估计计算呼吸率；将胸腔振动位移信号转化为加速度信号以分离心跳信号，采用快速集合经验模式分解算法和自适应特征波定位算法计算心跳率。实验结果表明，该方法呼吸率平均误差小于3%，心跳率平均误差小于5%。

2、多传感器跌倒检测

利用团队自研的智能鞋垫采集用户活动数据，通过卷积神经网络（CNN）可以获得不错的跌倒检测结果，但如果样本数量有限，往往导致过拟合问题。为了提高检测精度，我们提出了一种多源CNN集成(MCNNE)结构，将智能鞋垫的压力传感器、加速度传感器和陀螺传感器采集的数据作为基分类器的独立输入，五种日常生活活动(躺在床上、弯腰、正常走、慢跑和躺下)和四个不同的方向(向前、向后、向左、向右)的跌倒作为MCNNE的输出。利用三种传感器阵列采集的数据集对MCNNE进行训练，使其具有较高的检测精度。

3、基于WiFi CSI的动作与步态识别

        在WiFi等无线通信系统中，信道状态信息（Channel State Information,CSI）能够反映信道链路传输特性，在人体动作发生时会导致传输环境发生变化，这种变化会反映在CSI所描述的特性中，可以通过不同的CSI特征对不同的动作进行识别。如果能够达到更精细的识别效果，还能够识别步态等个体特征。基于此原理，在通过对CSI数据进行处理、分析、特征提取后，利用不同分类模型，可实现动作、步态识别。