Robust RFID-Based Respiration Monitoring in Dynamic Environments
基于RFID的呼吸监测在动态环境中的鲁棒性研究
研究内容
他们首先分析了移动人员对RFID信号的影响,发现移动人员会造成信号的衰减和多径效应,导致信号质量下降和相位跳变。为了解决这个问题,他们提出了一种基于卡尔曼滤波(Kalman Filter)和自适应阈值(Adaptive Threshold)的算法,可以有效地消除移动人员对信号的干扰,并且可以实时地估计呼吸频率和深度。他们在实验室和宿舍等不同场景下进行了实验,验证了他们的算法的鲁棒性和准确性。
他们做出的主要工作
- 他们是第一个在动态环境中实现RFID-based RM的研究团队,他们克服了移动人员对信号的干扰,提高了系统的鲁棒性!
- 他们提出了一种基于卡尔曼滤波和自适应阈值的算法,可以实时地估计呼吸频率和深度,且具有较高的准确性
- 他们在不同场景下进行了大量的实验,验证了他们的算法和系统的有效性和可行性
算法内容
他们的算法分为两个步骤:信号预处理和呼吸参数估计。
信号预处理的目的是去除移动人员对RFID信号的干扰。他们使用了卡尔曼滤波,这是一种常用的信号处理方法,可以根据观测到的信号和一个数学模型,来预测和更新信号的真实状态。他们假设RFID信号由三部分组成:呼吸引起的周期性变化、移动人员引起的随机变化和噪声。他们利用卡尔曼滤波,可以从观测到的信号中分离出呼吸引起的部分,并且消除移动人员和噪声引起的部分。
呼吸参数估计的目的是从预处理后的信号中提取出呼吸频率和深度。他们使用了自适应阈值,这是一种根据信号特征动态调整阈值大小的方法,可以有效地检测出信号中呼吸周期性变化所对应的峰值和谷值。他们根据峰值和谷值之间的时间间隔,可以计算出呼吸频率。他们根据峰值和谷值之间的幅度差,可以计算出呼吸深度。
为了观察天线周围人的移动区域对信号相位的影响,我们在一个固定的盒子上贴上一个RFID标签,并将天线放置在距离标签1.5米的地方,使天线正对标签,如图5b所示。在地面上画一条红线作为3 dB波束宽度边界。如图6a所示,志愿者被要求在不阻挡LOS路径的情况下,在3dB区域内、外以及随机地进出3dB区域。由于志愿者移动得更靠近天线,所以到标签的不同移动距离,即,来自上行链路信号的影响对信号相位引入有限的影响,并且可以被忽略。
相关文章
- 【技术种草】cdn+轻量服务器+hugo=让博客“云原生”一下
- CLB运维&运营最佳实践 ---访问日志大洞察
- vnc方式登陆服务器
- 轻松学排序算法:眼睛直观感受几种常用排序算法
- 十二个经典的大数据项目
- 为什么使用 CDN 内容分发网络?
- 大数据——大数据默认端口号列表
- Weld 1.1.5.Final,JSR-299 的框架
- JavaFX 2012:彻底开源
- 提升as3程序性能的十大要点
- 通过凸面几何学进行独立于边际的在线多类学习
- 利用行动影响的规律性和部分已知的模型进行离线强化学习
- ModelLight:基于模型的交通信号控制的元强化学习
- 浅谈Visual Source Safe项目分支
- 基于先验知识的递归卡尔曼滤波的代理人联合状态和输入估计
- 结合网络结构和非线性恢复来提高声誉评估的性能
- 最佳实践丨云开发CloudBase多环境管理实践
- TimeVAE:用于生成多变量时间序列的变异自动编码器
- 具有线性阈值激活的神经网络:结构和算法
- 内网渗透之横向移动 -- 从域外向域内进行密码喷洒攻击