买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江理工大学申请的专利基于雷达距离多普勒图和IR-ST的人体跌倒识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116012934B 。

龙图腾网通过国家知识产权局官网在2025-09-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211505848.0，技术领域涉及：G06V40/20；该发明授权基于雷达距离多普勒图和IR-ST的人体跌倒识别方法是由陈志翔;陈凯宇;顾敏明;潘海鹏设计研发完成，并于2022-11-29向国家知识产权局提交的专利申请。

本基于雷达距离多普勒图和IR-ST的人体跌倒识别方法在说明书摘要公布了：本发明提出了一种基于雷达距离多普勒图和IR‑ST的人体跌倒识别方法。首先，使用60GHz线性调频连续波雷达采集坐‑起、跳跃、静坐、踏步、下蹲、弯腰和摔倒7种动作下的雷达原始数据；其次，使用均值速度投影算法对雷达原始数据进行距离多普勒图提取，同时，减少距离多普勒图中背景噪声，突出重要的运动信息，并将均值速度投影算法提取后的距离多普勒图构建跌倒数据集；最后，设计一种结合倒残差卷积模块与滑动自注意力机制的神经网络进行分类。结果表明，本发明综合的考虑到人体动作与距离多普勒图对应的频率、幅值、周期特性，可以有效地分类相同场景下不同的人体动作，对居家人体行为进行了监测，可准确识别出跌倒动作。

本发明授权基于雷达距离多普勒图和IR-ST的人体跌倒识别方法在权利要求书中公布了：1.基于雷达距离多普勒图和IR-ST的人体跌倒识别方法，其特征在于，步骤如下： 步骤一：使用60GHz线性调频连续波雷达采集坐-起、跳跃、静坐、踏步、下蹲、弯腰和摔倒7个动作下的雷达原始数据； 步骤二：采用均值速度投影算法从原始数据中提取距离多普勒图，减少背景噪声，提取动作信息； 步骤三：设计倒残差卷积结构与窗口自注意力机制相结合的IR-ST模型结合距离多普勒图进行人体动作分类； 其中，步骤一，设计坐-起、跳跃、静坐、踏步、下蹲、弯腰和摔倒7种动作，对每个动作采集多组原始数据，雷达通过合成器生成线性调频信号，由发射天线TX发射，该信号在一定周期内频率会从60GHz升到64GHz，称这段时间为一个啁啾周期，啁啾周期内的频率变化表达为： 式中，是雷达的起始频率，是一个啁啾周期内频率增长的斜率，由下式得到 其中为雷达信号啁啾周期内的带宽，为一个啁啾周期的持续时间，通过余弦函数处理后由发射天线TX发射， 当发射信号经过环境和目标反射后，由接收天线RX进行接收，接收信号频率表达为： 式中，为时间延迟，表达为下式： 式中，为雷达与物体之间的距离，为光速，通过混频器将信号发射信号和接收信号进行混频，输出中频信号，其将两个正弦信号和输入进混频器，中频信号为两个输入正弦信号的瞬时频率之差，中频信号表达为下式： 通过若干个啁啾周期得到的中频信号构成一个采样周期，再通过若干个采样周期组成一组原始数据； 步骤二采用的均值速度投影算法从雷达的原始信号中提取距离多普勒图，均值速度投影算法由速度投影算法与均值滤波两部分组成， 速度投影算法分为两部分：距离傅里叶变换和多普勒傅里叶变换，其纵坐标由一个采样周期构成，由于每一个扫频周期很短，忽略其中每一个啁啾周期中的速度信息，距离傅里叶变换指对纵坐标上的每一个啁啾周期提取频谱峰值对应的横坐标频率，即获得目标的距离信息，距离计算公式如下式： 其中为光速，为扫频周期，为扫频带宽，为运动或静止情况下雷达差拍信号的频率， 距离多普勒图的横坐标由多个采样周期构成，通过对多个啁啾周期进行多帧数据的堆积； 多普勒傅里叶变换指对横坐标上的数据求取频率，即得多普勒频率，速度计算公式如下式： 其中为多普勒频率，为啁啾周期信号的中心频率，使用速度投影算法对雷达原始信号进行重排处理，得到距离多普勒矩阵； 均值滤波方法，表达为下式： 其中x为多普勒矩阵中的任意一个值，X为距离多普勒矩阵，通过Average函数对距离多普勒函数求取平均值，通过函数进行判断，若x小于矩阵平均值，则x置0，反之x=x； 将距离多普勒矩阵中数值大小转化为不同颜色得到距离多普勒图，通过距离多普勒图，构建一个雷达摔倒检测数据集； 步骤三中的IR-ST网络构件步骤如下： 第一步：将雷达距离多普勒图，经过五次倒残差卷积模块，其中使用捷径分支将第二个模块的输出与第三个输出相加，捷径分支指的是当神经网络模块的输入大小和通道数都相同时，则将模型的输入矩阵与输出矩阵相加，得到新的矩阵作为下一个模块的输入； 第二步：将提取后的特征矩阵输入PatchPartion层，PatchPartion层通过卷积核将矩阵大小减少，深度提升； 第三步：通过LinearEmbeddemg层，LinearEmbeddemg层通过卷积核对输入矩阵进行升维操作，将通道数增加； 第四步：通过两次滑动自注意力机制模块； 第五步：将输出经过PatchMerging层，PatchMerging层将输入大小缩小一半，通道数增加一倍； 第六步：通过AdaptivePooling层，AdaptivePooling层通过卷积核将输入矩阵尺寸变为1×1大小的矩阵； 第七步：通过全连接层处理后输出，全连接层：将多个卷积层合并成全连接层，全连接层的目标是将卷积层学习到的高级特征平坦化。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江理工大学，其通讯地址为：310018 浙江省杭州市江干区下沙高教园白杨街道2号大街928号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。