一种人体摔倒自动检测方法及系统的制作方法
【专利摘要】一种人体摔倒自动检测方法及系统，基于无线网络信号传输技术，所述方法的步骤包括：无线接收端接收来自无线发射端的无线信号，并评估信道状态信息；利用异常检测算法识别信道状态信息变化的异常；基于将目标动作类和其他动作类进行区分的一类支持向量机，以人体摔倒动作导致信道状态信息变化的异常模式为目标动作类，判断是否发生人体摔倒动作，若是，则发出摔倒警报信号。本发明的检测方法误报率较低；利用现有的无线网络及设备，无需安装其他特定的检测设备，具有极高的普及性；同时被检测者不需要携带任何额外传感设备，避免了被检测者携带检测设备所造成的不便。
【专利说明】一种人体摔倒自动检测方法及系统
【技术领域】
[0001]本发明涉及信息处理技术，尤其涉及一种人体摔倒自动检测方法及系统。
【背景技术】
[0002]如今，世界人口处于一个独特的且不容改变的老龄化趋势。作为老年人最主要的健康威胁和独自生活的障碍，毫无预兆性的摔倒加剧了老年人健康和急救事业的压力。因此，我们急切需要找到一种能够方便并有效的自动检测老年人摔倒并做出回应的方法。为了实现对动作的准确检测，人们提出了利用环境设备、视觉或者传感器来进行检测的方法。然而采用这些方法搭建的检测系统本身都存在着种种不足。在利用周围环境设备进行摔倒检测的系统中，特定的设备仪器需要事先被安装在被检测者所处的环境中，通过设备感受到的视像、音效和地板的振动来判断被检测者的动作。被检测者周围的其他声音或其他环境因素很容易干扰环境设备的工作，从而造成错误的摔倒报警结果。而利用视觉的摔倒检测系统，需要在被检测者所处的检测环境中安装有高分辨率的相机来拍摄大量影像，进而通过所拍摄的影像来判断是否有摔倒的发生。然而，安装相机在某种程度下会侵犯到被检测者的个人隐私。与此同时，由于光线因素的影响，利用视觉的摔倒检测系统不能在黑暗条件下有效的工作。这些系统都存在着受环境因素影响大的缺点，并且这些系统所存在的局限性都为准确并方便的进行对老年人摔倒的检测造成了障碍。
[0003]随着无线通信技术的发展，越来越多的无线设备被人们应用到生活当中。因此，利用无线通信技术来检测老年人的摔倒动作被认作是一种有效可行的方法。现有的无线通信技术提出了多种检测人体各种动作的方法。比如通过移动设备的三轴加速度传感器采集使用者上躯干部位的三维加速度信息，并对信息进行融合处理，综合人体所受冲击和冲击前后上躯干倾斜角度来判断人体是否摔倒，该方法对多冲击式摔倒和滚落式摔倒的检测仍然有效，具有高检测率；但使用该方法，被检测者需要携带移动设备，仍会造成不便。另有一种摔倒检测定位装置装备了惯性导航模块和GPS模块，所述惯性导航模块由三轴陀螺仪、三轴磁力计和三轴加速度计组成，该摔倒检测定位装置通过GSM/GPRS与绑定被测人员的亲属手机、监护站连接，并设计了基于神经网络和机器学习的摔倒检测算法，准确地检测人体摔倒状态和位置信息，可以准确地检测到被测人员的摔倒状况，并且可以对其实时跟踪定位，系统方便实用，准确率高，稳定性强；但其需要安装有特定的专业设备，成本高且普及性差。进一步地，对于利用随身携带的传感器或者装有应用程序的智能手机的摔倒检测系统，尽管能够在不使用其他特定设备的情况下进行摔倒检测，但被检测者无法保证随时携带传感器或手机，而且携带传感器会给被检测者的生活造成一定程度的不便。
【发明内容】
[0004]为了克服上述所指的现有技术中的不足之处，本发明提供一种人体摔倒自动检测方法及系统，以在特定的室内环境中，通过利用现有的无线网络及设备，实现对人体摔倒动作的有效的检测，并达到及时报警和反馈的功能。[0005]本发明是通过以下技术方案实现的:
一种人体摔倒自动检测方法，基于无线网络信号传输技术，其步骤包括:
51、无线接收端接收来自无线发射端的无线信号，并评估信道状态信息；
52、利用异常检测算法识别信道状态信息变化的异常；
53、基于将目标动作类和其他动作类进行区分的一类支持向量机，以人体摔倒动作导致信道状态信息变化的异常模式为目标动作类，判断是否发生人体摔倒动作，若是，则发出摔倒警报信号。
[0006]进一步地，所述无线发射端的数目为一个或两个以上，所述无线接收端的数目为一个或两个以上。
[0007]所述步骤SI评估信道状态信息包括:
511、采集初始信道状态数据，基于多输入多输出技术，所述初始信道状态数据包括N个空间流中的M个子载波的CSI值，N和M均为大于I的自然数；
512、对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于I小于M的自然数；
513、利用数据过滤技术和滑动平均方法对信道状态信息进行平滑处理。
[0008]所述步骤S2利用异常检测算法识别信道状态信息变化的异常是基于局部异常因子的时间序列异常检测算法。
[0009]进一步地,所述步骤S2包括:
521、对信道状态信息的时间序列实施数据分割得到子序列，计算子序列的局部异常因
子;
522、当所述局部异常因子大于或等于预设阈值时，将子序列作为异常模式输出。
[0010]进一步地,所述步骤S3包括:
531、基于统计学习理论，预先建立以设定空间内由于各项人体动作导致信道状态信息变化的异常模式作为训练样本的高维特征模型；
532、将步骤S23输出的异常模式映射至一类支持向量机的高维特征模型中，分离出目标动作类；
533、判断发生人体摔倒动作，发出摔倒警报信号。
[0011]本发明的人体摔倒自动检测方法还包括:步骤S4，反馈针对摔倒警报信号的响应信息，调整一类支持向量机的高维特征模型。
[0012]本发明还提供了一种人体摔倒自动检测系统，基于无线网络信号传输技术，包括:
CSI获取模块，用于无线接收端接收来自无线发射端的无线信号，并评估信道状态信
息；
异常检测模块，用于利用异常检测算法识别信道状态信息变化的异常；
动作判断模块，用于基于将目标动作类和其他动作类进行区分的一类支持向量机，以人体摔倒动作所导致的异常模式为目标动作类，判断是否发生人体摔倒动作；
警报模块，用于当判断发生人体摔倒动作时，发出摔倒警报信号。
[0013]进一步地,所述CSI获取模块包括:
感应单元，用于采集初始信道状态数据，基于多输入多输出技术，所述初始信道状态数据包括N个空间流中的M个子载波的CSI值，N和M均为大于I的自然数；
数据处理单元，用于对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于I小于M的自然数；
平滑单元，用于利用数据过滤技术和滑动平均方法对信道状态信息进行平滑处理。
[0014]进一步地，所述异常检测模块基于局部异常因子的时间序列异常检测算法，包括:
LOF计算单元，用于对信道状态信息的时间序列实施数据分割得到子序列，计算子序列的局部异常因子；
异常输出单元，用于当所述局部异常因子大于或等于预设阈值时，将子序列作为异常模式输出。
[0015]进一步地，所述动作判断模块包括:
建立模型单元，用于基于统计学习理论，预先建立以设定空间内由于各项人体动作导致信道状态信息变化的异常模式作为训练样本的高维特征模型；
动作识别单元，用于将异常输出单元所输出的异常模式映射至一类支持向量机的高维特征模型中，分离出目标动作类。
[0016]本发明的人体摔倒自动检测系统还包括一反馈模块，用于反馈针对摔倒警报信号的响应信息，调整一类支持向量机的高维特征模型。
[0017]与现有技术相比，本发明基于室内环境下的无线电传播机制，将信道状态信息CSI与人体动作建立联系，通过CSI的变化判断人体发生的动作，确定被检测者是否发生摔倒的动作，从而实现有效的报警的功能，其有益效果包括:在装饰物较少的室内环境(如实验室)中，被检测动作的检测准确率为84%?94%，而在装饰物较多的室内环境(如宿舍)中，检测准确率也达到78%，误报率较低，仅有15%?22% ;能够实现对摔倒动作判断后发出警报信号，并利用系统的自学习功能处理误报情况，进一步降低误报率；本检测方法是在现有的无线网络及设备的基础上，进行摔倒动作的检测工作，被检测环境中无需安装其他特定的检测设备，可以在家庭的任何环境中使用，具有极高的普及性，同时被检测者不需要携带任何额外传感设备，避免了被检测者携带检测设备所造成的不便，为其生活提供了便利。
【专利附图】
【附图说明】
[0018]附图1为本发明的一种实施例的人体摔倒自动检测系统的硬件构成示意图；
附图2为本发明的人体摔倒自动检测方法的实现流程简图；
附图3为本发明的一种实施例的人体摔倒自动检测方法的实现流程示意图；
附图4为本发明的一种实施例的人体摔倒自动检测系统的框架图。
【具体实施方式】
[0019]为了便于本领域技术人员的理解，下面结合附图和实施例对本发明作进一步的描述。
[0020]一种人体摔倒自动检测方法，基于无线网络信号传输技术，其步骤包括:
51、无线接收端接收来自无线发射端的无线信号，并评估信道状态信息；
52、利用异常检测算法识别信道状态信息变化的异常； S3、基于将目标动作类和其他动作类进行区分的一类支持向量机，以人体摔倒动作导致信道状态信息变化的异常模式为目标动作类，判断是否发生人体摔倒动作，若是，则发出摔倒警报信号。
[0021]在实际应用中，本发明的人体摔倒自动检测方法可在应用服务器上实现。优选地，所述无线接收端为无线网卡，所述无线发射端为无线路由器，该方法基于室内环境下的无线电传播机制，建立无线信号和人体动作的关系，只需要使用家庭现有的无线网络设备，即能够通过对被检测者动作变化而造成的无线信号的改变进行分析，判断出被检测者是否发生的摔倒的动作并进行报警，减小了周围环境因素对摔倒活动检测的影响，将大大的提高摔倒检测的的正确率。在特定的室内环境中，可通过无线网卡收集无线网络的丰富的信道状态信息。在本发明中，所述无线发射端的数目为一个或两个以上，所述无线接收端的数目为一个或两个以上。系统中分别由多根天线来发送和接收无线信号；系统所使用的无线网卡可以接收信道状态信息。优选地，无线发射端和无线接收端的数目均为2个或者3个。如附图1所述，被检测环境中存在两个无线发射端(第一发射器和第二发射器)和两个无线接收端(第一接收端和第二接收端)。其中第一接收端接收来自第一发射器的CSKChannelState Information的缩写，即信道状态信息，在无线通信领域，CSI就是通信链路的信道属性，描述了信号在每条传输路径上的衰弱因子)，第二接收端接收来自第二发射器的CSI。在被检测环境中，被检测者无需携带其他额外设备。系统将利用两个无线接收端所接收的CSI来对被检测者的动作进行检测，并从而判断被检测者是否摔倒。
[0022]为了建立无线信号和人体动作之间的联系，本发明采用无线网络的信道状态信息CSI作为指示物。CSI能够描述出在时间延迟、振幅衰减和相位转移的共同影响之下，一个信号的传播途径。基于室内环境下的无线电传播模型，本发明建立了 CSI与人体动作之间的联系。在一个特定的室内环境中(如一个房间)，存在一条主要传播路径和多个因为周围环境(天花板、地板和墙)影响而产生的反射路径。当被检测者处于该房间内，他的身体会产生多条散射路径。当被检测者在该环境中保持静止状态时，处于该环境内的接收端会接收到稳定的传播能量。而当被检测者的发生动作变化，例如被检测者摔倒时，由人体影响而产生散射路径的散射点会迅速的改变位置，而这种突变会导致接收端所收到的能量发生变化。而通过这种变化，本发明将会判断出人体具体发生了哪种动作变化。本发明利用正交频分载波复用(Orthogonal Frequency Division Multiplex, OFDM)得到以子载波(subcarrier)形式存在的CSI。而使用这种方法得到的CSI与人体动作之间建立联系会提高对动作判断的准确率。
[0023]具体地，所述步骤SI中，评估信道状态信息包括:
511、采集初始信道状态数据，基于多输入多输出技术，所述初始信道状态数据包括N个空间流中的M个子载波的CSI值，N和M均为大于I的自然数；
512、对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于I小于M的自然数；
513、利用数据过滤技术和滑动平均方法对信道状态信息进行平滑处理。
[0024]当本发明的系统开始工作时，无线发射端传播无线网络信号，同时处于特定区域内的无线接收端(如装有网卡的电脑)会收集CSI作为初始信道状态数据，然后进行数据处理。以使用3X3的多入多出技术(Multiple-1nput Multiple-Out-put, MIMO)为例，在感应阶段得到的初始信道状态数据会被分成9个空间流，而在每一个流中会有30个子载波。经实验发现，人体动作的变化会对不同的空间流所包含的数据产生影响，而对每一个空间流中的所有子载波则会产生相似的影响。同时，实验表明，环境因素(如温度，房间的设置)也会造成收集的CSI有所起伏。因此，在本发明中，每一个独立的空间流中的30个子载波的CSI值被汇总成一个单独的信道状态信息。优选地，对每一个空间流，先求得连续5个子载波的CSI平均值，而且对9个空间流分别取同一时间点的CSI平均值作为信道状态信息。为了减小环境因素的干扰，本发明利用数据过滤技术和滑动平均方法，具体地，使用加权移动平均法(weighted moving average)对通过上述处理的信道状态信息进行平滑处理，以减少数据中的噪声。
[0025]所述步骤S2旨在检测出无线信号的异常改变。尽管不同的固定人体姿势会导致不同的信号强度，但是其在时域中有相同的信号变化走势，并随着时间逐渐趋于稳定。而人体的动作，如行走、直立、摔倒会造成明显的信道状态信息的突然起伏。优选地，本发明利用基于局部异常因子(Local Outlier Factor)的异常检测算法，先对正常轮廓进行估计，然后计算局部异常因子，从而隔离出由各种人体动作导致的异常模式。
[0026]所述步骤S2利用异常检测算法识别信道状态信息变化的异常是基于局部异常因子的时间序列异常检测算法，进一步地，包括:
521、对信道状态信息的时间序列实施数据分割得到若干子序列，计算子序列的局部异常因子；
522、当所述局部异常因子大于或等于预设阈值时，将子序列作为异常模式输出。
[0027]优选地，利用时间序列异常检测算法，可通过更为精确的检测标准限定，将走路和站立两种姿势所对应的时间序列分离出去，排除此两种常见的人体动作造成的异常模式。
[0028]在完成异常检测模块后,部分人体动作将因为造成信道状态信息的明显变化被检测到而输出对应的异常模式。然后，对这些异常模式将进入动作分析，从而判断异常模式是属于何种动作。为了从这些模式中区别出摔倒动作，本发明使用了基于从异常模式中所提取过的特征的一类支持向量机(one-class Support Vector Machine, one-class SVM)。一类SVM是一种扩展的支持向量机算法。在一类SVM，所有的样本分为目标类和其他类。为了解决非线性分类的问题，将输入样本映射成一个高维图像。在本发明中，摔倒动作的异常模式被视作目标动作类，而其他动作的异常模式被视作为其他动作类。摔倒动作的异常模式亦已经被事先映射成一个高维图像。通过利用一类SVM判断，可以从上一步骤输出的异常模式中分离出摔倒动作来，依赖于由输出的异常模式和选定的模型，从而决定发生了何种动作。
[0029]进一步地,所述步骤S3包括:
531、基于统计学习理论，预先建立以设定空间内由于各项人体动作导致信道状态信息变化的异常模式作为训练样本的高维特征模型；
532、将步骤S23输出的异常模式映射至一类支持向量机的高维特征模型中，分离出目标动作类；
533、判断发生人体摔倒动作，发出摔倒警报信号。
[0030]本发明的人体摔倒自动检测方法还包括:步骤S4，反馈针对摔倒警报信号的响应信息，调整一类支持向量机的高维特征模型。当摔倒动作被检测出之后，将进入警报处理阶段。当某种异常模式被认定为摔倒动作，系统会发生警报。如果警报被及时关闭，则说明被检测者不需要或已经得到了帮助，此时系统利用反馈的响应信息，更新人体摔倒动作判断的历史记录，并用于调整完善一类支持向量机的高维特征模型，提供可以优化检测和决策算法的系统反馈。如果警报没有及时被关闭，系统则会通过信号关联的其他设备向他人发出求助信息，比如通过第三方应用发送即时信息或短信等求助。
[0031]如附图2所示的流程图，公开了本发明的检测方法的三个重要步骤，包括:CSI数据处理、异常检测和动作分类。
[0032]具体地，如附图3所示，本发明还提供了一种实施例的人体摔倒自动检测方法的实现流程，其步骤包括:
5301、无线接收端接收来自无线发射端的无线信号，同时采集初始信道状态数据；
5302、求取合并子载波的CSI平均值作为信道状态信息；
5303、对信道状态信息进行平滑处理；
5304、对信道状态信息的正常轮廓进行估计，利用异常检测算法计算局部异常因子；
5305、输出异常模式；
5306、将输出的异常模式映射至一类支持向量机的高维特征模型中；
5307、利用一类支持向量机进行分类，其中以人体摔倒动作导致信道状态信息变化的异常模式为目标动作类；
5308、判断是否分离出目标动作类，若是，执行步骤S209，否则返回步骤S301；
5309、判定发生人体摔倒动作，发出摔倒警报信号；
5310、判断警报是否在一设定时间间隔内被及时关闭，若是，执行步骤S311，否则，执行步骤S312 ；
5311、向系统反馈关闭操作及异常模式参数，优化检测和动作判断算法；
5312、向外发送求助信息。
[0033]本发明还提供了一种人体摔倒自动检测系统，如附图4所示，基于无线网络信号传输技术，包括:
CSI获取模块41，用于无线接收端接收来自无线发射端的无线信号，并评估信道状态信息；
异常检测模块42，用于利用异常检测算法识别信道状态信息变化的异常；
动作判断模块43，用于基于将目标动作类和其他动作类进行区分的一类支持向量机，以人体摔倒动作所导致的异常模式为目标动作类，判断是否发生人体摔倒动作；
警报模块44，用于当判断发生人体摔倒动作时，发出摔倒警报信号。
[0034]本发明的人体摔倒自动检测系统中，所述无线发射端的数目为一个或两个以上，所述无线接收端的数目为一个或两个以上。优选地，无线发射端和无线接收端的数目均为2个或者3个。
[0035]进一步地,所述CSI获取模块包括:
感应单元411，用于采集初始信道状态数据，基于多输入多输出技术，所述初始信道状态数据包括N个空间流中的M个子载波的CSI值，N和M均为大于I的自然数；
数据处理单元412，用于对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于I小于M的自然数； 平滑单元413，用于利用数据过滤技术和滑动平均方法对信道状态信息进行平滑处理。
[0036]进一步地，所述异常检测模块基于局部异常因子的时间序列异常检测算法，包括:
LOF计算单元421，用于对信道状态信息的时间序列实施数据分割得到若干子序列，计算子序列的局部异常因子；
异常输出单元422，用于当所述局部异常因子大于或等于预设阈值时，将子序列作为异常模式输出。
[0037]进一步地,所述动作判断模块包括:
建立模型单元431，用于基于统计学习理论，预先建立以设定空间内由于各项人体动作导致信道状态信息变化的异常模式作为训练样本的高维特征模型；
动作识别单元432，用于将异常输出单元所输出的异常模式映射至一类支持向量机的高维特征模型中，分离出目标动作类。
[0038]本发明的人体摔倒自动检测系统还包括一反馈模块45，用于反馈针对摔倒警报信号的响应信息，调整一类支持向量机的高维特征模型。
[0039]以上内容是结合具体的优选方式对本发明所作的进一步详细说明，不应认定本发明的具体实施只局限于以上说明。对于本【技术领域】的技术人员而言，在不脱离本发明构思的前提下，还可以作出若干简单推演或替换，均应视为由本发明所提交的权利要求确定的保护范围之内。
【权利要求】
1.一种人体摔倒自动检测方法，基于无线网络信号传输技术，其步骤包括: 51、无线接收端接收来自无线发射端的无线信号，并评估信道状态信息； 52、利用异常检测算法识别信道状态信息变化的异常； 53、基于将目标动作类和其他动作类进行区分的一类支持向量机，以人体摔倒动作导致信道状态信息变化的异常模式为目标动作类，判断是否发生人体摔倒动作，若是，则发出摔倒警报信号。
2.根据权利要求1所述的人体摔倒自动检测方法，其特征在于:所述无线发射端的数目为一个或两个以上，所述无线接收端的数目为一个或两个以上。
3.根据权利要求2所述的人体摔倒自动检测方法，其特征在于，所述步骤SI评估信道状态信息包括: 511、采集初始信道状态数据，基于多输入多输出技术，所述初始信道状态数据包括N个空间流中的M个子载波的CSI值，N和M均为大于I的自然数； 512、对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于I小于M的自然数； 513、利用数据过滤技术和滑动平均方法对信道状态信息进行平滑处理。
4.根据权利要求1所述的人体摔倒自动检测方法，其特征在于:所述步骤S2利用异常检测算法识别信道状态信息变化的异常是基于局部异常因子的时间序列异常检测算法。
5.根据权利要求4所述的人体摔倒自动检测方法，其特征在于，所述步骤S2包括:` 521、对信道状态信息的时间序列实施数据分割得到子序列，计算子序列的局部异常因子; 522、当所述局部异常因子大于或等于预设阈值时，将子序列作为异常模式输出。
6.根据权利要求5所述的人体摔倒自动检测方法，其特征在于:所述步骤S3包括: 531、基于统计学习理论，预先建立以设定空间内由于各项人体动作导致信道状态信息变化的异常模式作为训练样本的高维特征模型； 532、将步骤S23输出的异常模式映射至一类支持向量机的高维特征模型中，分离出目标动作类； 533、判断发生人体摔倒动作，发出摔倒警报信号。
7.根据权利要求1所述的人体摔倒自动检测方法，其特征在于，还包括:步骤S4，反馈针对摔倒警报信号的响应信息，调整一类支持向量机的高维特征模型。
8.一种人体摔倒自动检测系统，基于无线网络信号传输技术，其特征在于，包括: CSI获取模块，用于无线接收端接收来自无线发射端的无线信号，并评估信道状态信息； 异常检测模块，用于利用异常检测算法识别信道状态信息变化的异常； 动作判断模块，用于基于将目标动作类和其他动作类进行区分的一类支持向量机，以人体摔倒动作所导致的异常模式为目标动作类，判断是否发生人体摔倒动作； 警报模块，用于当判断发生人体摔倒动作时，发出摔倒警报信号。
9.根据权利要求8所述的人体摔倒自动检测系统，其特征在于，所述CSI获取模块包括: 感应单元，用于采集初始信道状态数据，基于多输入多输出技术，所述初始信道状态数据包括N个空间流中的M个子载波的CSI值，N和M均为大于I的自然数； 数据处理单元，用于对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于I小于M的自然数； 平滑单元，用于利用数据过滤技术和滑动平均方法对信道状态信息进行平滑处理。
10.根据权利要求8所述的人体摔倒自动检测系统，其特征在于:所述异常检测模炔基于局部异常因子的时间序列异常检测算法，包括: LOF计算单元，用于对信道状态信息的时间序列实施数据分割得到子序列，计算子序列的局部异常因子； 异常输出单元，用于当所述局部异常因子大于或等于预设阈值时，将子序列作为异常模式输出。
11.根据权利要求10所述的人体摔倒自动检测系统，其特征在于:所述动作判断模块包括: 建立模型单元，用于基于统计学习理论，预先建立以设定空间内由于各项人体动作导致信道状态信息变化的异常模式作为训练样本的高维特征模型； 动作识别单元，用于将异常输出单元所输出的异常模式映射至一类支持向量机的高维特征模型中，分离出目标动作类。
12.根据权利要求8所述的人体摔倒自动检测系统，其特征在于，还包括一反馈模块，用于反馈针对摔倒警报信号的响应信息，调整一类支持向量机的高维特征模型。
【文档编号】G08B21/04GK103606248SQ201310456860
【公开日】2014年2月26日 申请日期:2013年9月30日 优先权日:2013年9月30日
【发明者】伍楷舜, 王羽西, 倪明选 申请人:广州市香港科大霍英东研究院