一种基于毫米波雷达的对象跌倒判断方法及系统与流程

1.本发明涉及信息处理技术领域，具体涉及一种基于毫米波雷达的对象跌倒判断方法、系统、计算机设备以及非易失性计算机可读存储介质。


背景技术：

2.目前，人体存在感知是智能家居中极其重要的一项应用技术，智能家居设备通过精准地感知人体存在和状态，做出相应的响应或互动。现有市场上常见的人体传感器是pir被动式热释电红外传感器，只能做人体移动的侦测，而无法对人体是否跌倒做出判断。
3.因此，现有技术还有待改进和提高。


技术实现要素：

4.鉴于上述现有技术的不足之处，本发明的目的在于提供一种基于毫米波雷达的对象跌倒判断方法、系统、计算机设备以及非易失性计算机可读存储介质，旨在解决现有智能家居中的人体传感器无法对人体是否跌倒做出判断的问题。
5.为了达到上述目的，本发明采取了以下技术方案：
6.一种基于毫米波雷达的对象跌倒判断方法，其中，包括：
7.通过毫米波雷达采集待测区域信息；
8.基于所述待测区域信息获取包含有目标对象的目标区域信息；
9.基于所述目标区域信息获取所述目标对象的原始位置；
10.当所述目标对象从所述原始位置消失时，则判断所述目标对象跌倒。
11.在进一步的技术方案中，所述的基于毫米波雷达的对象跌倒判断方法，其中，所述基于所述待测区域信息获取包含有目标对象的目标区域信息中，所述目标区域信息为所述目标对象离参照平面h高度以上的区域信息。
12.在进一步的技术方案中，所述的基于毫米波雷达的对象跌倒判断方法，其中，所述基于所述目标区域信息获取所述目标对象的原始位置之前，包括：
13.将所述目标区域信息输入干扰源判断模型，输出干扰源判断结果，基于所述干扰源判断结果将所述目标区域信息中的干扰源剔除。
14.在进一步的技术方案中，所述的基于毫米波雷达的对象跌倒判断方法，其中，所述将所述目标区域信息输入干扰源判断模型，输出干扰源判断结果，基于所述干扰源判断结果将所述目标区域信息中的干扰源剔除，包括：
15.将所述目标区域信息输入干扰源判断模型，输出干扰源判断结果；
16.若所述干扰源判断结果为存在干扰源，则将所述目标区域信息中的所述干扰源剔除；
17.若所述干扰源判断结果为不存在干扰源，则不进行操作。
18.在进一步的技术方案中，所述的基于毫米波雷达的对象跌倒判断方法，其中，所述通过毫米波雷达采集待测区域信息之前，包括：
19.预先设定干扰源判断模型，并对所述干扰源判断模型设定相应的规则。
20.在进一步的技术方案中，所述的基于毫米波雷达的对象跌倒判断方法，其中，所述预先设定干扰源判断模型，并对所述干扰源判断模型设定相应的规则，包括：
21.预先构建深度学习模型，根据干扰源样本对所述深度学习模型进行训练，生成干扰源判断模型；
22.对所述干扰源判断模型设定相应的规则。
23.在进一步的技术方案中，所述的基于毫米波雷达的对象跌倒判断方法，其中，所述预先构建深度学习模型，根据干扰源样本对所述深度学习模型进行训练，生成干扰源判断模型，包括：
24.通过毫米波雷达将空间分割成区域块；
25.对所述区域块内的动作值定义，定义所述动作值的值域为对象的动作范围，超过或低于所述值域即判断为存在干扰源；
26.获取存在所述干扰源的干扰源样本；
27.根据所述干扰源样本对预先构建的深度学习模型进行训练，生成干扰源判断模型。
28.一种基于毫米波雷达的对象跌倒判断系统，其中，包括：
29.采集模块，用于通过毫米波雷达采集待测区域信息；
30.第一获取模块，用于基于所述待测区域信息获取包含有目标对象的目标区域信息；
31.第二获取模块，用于基于所述目标区域信息获取所述目标对象的原始位置；
32.判断模块，用于当所述目标对象从所述原始位置消失时，则判断所述目标对象跌倒。
33.在进一步的技术方案中，所述的基于毫米波雷达的对象跌倒判断系统，其中，所述基于所述待测区域信息获取包含有目标对象的目标区域信息中，所述目标区域信息为所述目标对象离参照平面h高度以上的区域信息。
34.在进一步的技术方案中，所述的基于毫米波雷达的对象跌倒判断系统，其中，所述基于所述目标区域信息获取所述目标对象的原始位置之前，包括：
35.将所述目标区域信息输入干扰源判断模型，输出干扰源判断结果，基于所述干扰源判断结果将所述目标区域信息中的干扰源剔除。
36.在进一步的技术方案中，所述的基于毫米波雷达的对象跌倒判断系统，其中，所述将所述目标区域信息输入干扰源判断模型，输出干扰源判断结果，基于所述干扰源判断结果将所述目标区域信息中的干扰源剔除，包括：
37.将所述目标区域信息输入干扰源判断模型，输出干扰源判断结果；
38.若所述干扰源判断结果为存在干扰源，则将所述目标区域信息中的所述干扰源剔除；
39.若所述干扰源判断结果为不存在干扰源，则不进行操作。
40.在进一步的技术方案中，所述的基于毫米波雷达的对象跌倒判断系统，其中，所述通过毫米波雷达采集待测区域信息之前，包括：
41.预先设定干扰源判断模型，并对所述干扰源判断模型设定相应的规则。
42.在进一步的技术方案中，所述的基于毫米波雷达的对象跌倒判断系统，其中，所述预先设定干扰源判断模型，并对所述干扰源判断模型设定相应的规则，包括：
43.预先构建深度学习模型，根据干扰源样本对所述深度学习模型进行训练，生成干扰源判断模型；
44.对所述干扰源判断模型设定相应的规则。
45.在进一步的技术方案中，所述的基于毫米波雷达的对象跌倒判断系统，其中，所述预先构建深度学习模型，根据干扰源样本对所述深度学习模型进行训练，生成干扰源判断模型，包括：
46.通过毫米波雷达将空间分割成区域块；
47.对所述区域块内的动作值定义，定义所述动作值的值域为对象的动作范围，超过或低于所述值域即判断为存在干扰源；
48.获取存在所述干扰源的干扰源样本；
49.根据所述干扰源样本对预先构建的深度学习模型进行训练，生成干扰源判断模型。
50.一种计算机设备，其中，所述计算机设备包括至少一个处理器；以及，
51.与所述至少一个处理器通信连接的存储器；其中，
52.所述存储器上存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行时，可实现如上述任一项所述的基于毫米波雷达的对象跌倒判断方法。
53.一种非易失性计算机可读存储介质，其中，所述非易失性计算机可读存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时，可实现如上述任一项所述的基于毫米波雷达的对象跌倒判断方法。
54.相较于现有技术，本发明提供了一种基于毫米波雷达的对象跌倒判断方法及系统，其中，所述方法包括：通过毫米波雷达采集待测区域信息；基于所述待测区域信息获取包含有目标对象的目标区域信息；基于所述目标区域信息获取所述目标对象的原始位置；当所述目标对象从所述原始位置消失时，则判断所述目标对象跌倒。通过本发明的方法可解决现有智能家居中的人体传感器无法对人体是否跌倒做出判断的问题。
附图说明
55.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
56.图1为本发明实施例提供的一种基于毫米波雷达的对象跌倒判断方法的流程示意图。
57.图2为本发明另一实施例提供的一种基于毫米波雷达的对象跌倒判断方法的流程示意图。
58.图3为本发明实施例提供的一种基于毫米波雷达的对象跌倒判断系统的功能模块示意图。
59.图4为本发明另一实施例提供的一种基于毫米波雷达的对象跌倒判断系统的功能模块示意图。
60.图5为本发明实施例提供的所述计算机设备的硬件结构示意图。
具体实施方式
61.为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
62.在本发明的描述中，所使用的“包含”、“包括”、“具有”、“含有”等，均为开放性的用语，即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本技术的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
63.下面结合附图，详细说明本发明的各种非限制性实施方式。
64.请参阅图1，本发明实施例提供了一种基于毫米波雷达的对象跌倒判断方法，其中，包括步骤：
65.s100、通过毫米波雷达采集待测区域信息；
66.s200、基于所述待测区域信息获取包含有目标对象的目标区域信息；
67.s300、基于所述目标区域信息获取所述目标对象的原始位置；
68.s400、当所述目标对象从所述原始位置消失时，则判断所述目标对象跌倒。
69.进一步地，所述的基于毫米波雷达的对象跌倒判断方法，其中，所述步骤s200、基于所述待测区域信息获取包含有目标对象的目标区域信息中，所述目标区域信息为所述目标对象离参照平面h高度以上的区域信息。
70.具体地，本实施例中，以人体为对象进行示例。
71.具体实施时，目标区域信息为人体离地面h高度(如90cm)以上的区域信息，即本实施例中的目标区域信息可理解为人体离地面如90cm以上的包含有人体如上半身的区域信息。
72.本实施例中，通过高精准性的毫米波雷达采集待测区域信息，再基于所述待测区域信息获取包含有目标人体的目标区域信息，其中，所述目标区域信息为目标人体离地面90cm以上的包含有目标人体上半身的区域信息，再基于所述目标区域信息获取目标人体的原始位置，当目标人体从所述原始位置消失时，则判断目标人体跌倒，这样，通过本实施例的方法即可实现对于目标人体是否跌倒而做出精准判断。
73.基于上述实施例，请参阅图2，本发明另一实施例提供了一种基于毫米波雷达的对象跌倒判断方法，其中，所述步骤s300、基于所述目标区域信息获取所述目标对象的原始位置之前，包括步骤：
74.s310、将所述目标区域信息输入干扰源判断模型，输出干扰源判断结果，基于所述干扰源判断结果将所述目标区域信息中的干扰源剔除。
75.进一步地，所述的基于毫米波雷达的对象跌倒判断方法，其中，所述步骤s310、将所述目标区域信息输入干扰源判断模型，输出干扰源判断结果，基于所述干扰源判断结果将所述目标区域信息中的干扰源剔除，包括：
76.将所述目标区域信息输入干扰源判断模型，输出干扰源判断结果；
77.若所述干扰源判断结果为存在干扰源，则将所述目标区域信息中的所述干扰源剔除；
78.若所述干扰源判断结果为不存在干扰源，则不进行操作。
79.本实施例中，在基于所述目标区域信息获取所述目标对象的原始位置之前，会对所述目标区域信息进行干扰源的判断以及剔除，从而可避免人体微动干扰而影响到人体跌倒判断的准确性。
80.进一步地，所述的基于毫米波雷达的对象跌倒判断方法，其中，所述通过毫米波雷达采集待测区域信息之前，包括：
81.预先设定干扰源判断模型，并对所述干扰源判断模型设定相应的规则。
82.进一步地，所述的基于毫米波雷达的对象跌倒判断方法，其中，所述预先设定干扰源判断模型，并对所述干扰源判断模型设定相应的规则，包括：
83.预先构建深度学习模型，根据干扰源样本对所述深度学习模型进行训练，生成干扰源判断模型；
84.对所述干扰源判断模型设定相应的规则。
85.进一步地，所述的基于毫米波雷达的对象跌倒判断方法，其中，所述预先构建深度学习模型，根据干扰源样本对所述深度学习模型进行训练，生成干扰源判断模型，包括：
86.通过毫米波雷达将空间分割成区域块；
87.对所述区域块内的动作值定义，定义所述动作值的值域为对象的动作范围，超过或低于所述值域即判断为存在干扰源；
88.获取存在所述干扰源的干扰源样本；
89.根据所述干扰源样本对预先构建的深度学习模型进行训练，生成干扰源判断模型。
90.具体地，本实施例中，所述定义所述动作值的值域为对象的动作范围中，所述对象为人体。
91.进一步地，所述的基于毫米波雷达的对象跌倒判断方法，其中，所述获取存在所述干扰源的干扰源样本之后，包括：
92.将所述干扰源样本上传至云端服务器。
93.具体地，本实施例中，将所述干扰源样本上传至云端服务器可实现所述干扰源样本的共享，以实现对于干扰源的精准判断和剔除。
94.由以上方法实施例可知，本发明提供的基于毫米波雷达的对象跌倒判断方法通过高精准性的毫米波雷达采集待测区域信息，再基于所述待测区域信息获取包含有目标对象的目标区域信息，其中，所述目标区域信息为所述目标对象离参照平面h高度以上的区域信息，再将所述目标区域信息输入到干扰源判断模型，输出干扰源判断结果，基于所述干扰源判断结果将所述目标区域信息中的干扰源剔除，再基于剔除干扰源后的所述目标区域信息获取所述目标对象的原始位置，当所述目标对象从所述原始位置消失时，则判断所述目标
对象跌倒。本发明中，由于毫米波雷达的高精准性，使得通过本发明的方法可在智能家居应用中将人体的微动干扰剔除后，可实现对于人体是否跌倒而做出精准判断。
95.应该理解的是，虽然本技术提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤，这些操作步骤并不是必然按照实施例或流程图的顺序依次执行。实施例或流程图中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。而且，实施例或流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流、交替或者同步地执行。
96.基于上述实施例，请参阅图3，本发明另一实施例还提供了一种基于毫米波雷达的对象跌倒判断系统，其中，包括：
97.采集模块11，用于通过毫米波雷达采集待测区域信息；
98.第一获取模块12，用于基于所述待测区域信息获取包含有目标对象的目标区域信息；
99.第二获取模块13，用于基于所述目标区域信息获取所述目标对象的原始位置；
100.判断模块14，用于当所述目标对象从所述原始位置消失时，则判断所述目标对象跌倒。
101.进一步地，所述的基于毫米波雷达的对象跌倒判断系统，其中，所述第一获取模块12，用于基于所述待测区域信息获取包含有目标对象的目标区域信息中，所述目标区域信息为所述目标对象离参照平面h高度以上的区域信息。
102.具体地，本实施例中，以人体为对象进行示例。
103.具体实施时，目标区域信息为人体离地面h高度(如90cm)以上的区域信息，即本实施例中的目标区域信息可理解为人体离地面如90cm以上的包含有人体如上半身的区域信息。
104.本实施例中，通过高精准性的毫米波雷达采集待测区域信息，再基于所述待测区域信息获取包含有目标人体的目标区域信息，其中，所述目标区域信息为目标人体离地面90cm以上的包含有目标人体上半身的区域信息，再基于所述目标区域信息获取目标人体的原始位置，当目标人体从所述原始位置消失时，则判断目标人体跌倒，这样，通过本实施例的系统即可实现对于目标人体是否跌倒而做出精准判断。
105.基于上述实施例，请参阅图4，本发明另一实施例提供了一种基于毫米波雷达的对象跌倒判断系统，其中，所述第二获取模块13，用于基于所述目标区域信息获取所述目标对象的原始位置之前，包括：
106.干扰剔除模块131，用于将所述目标区域信息输入干扰源判断模型，输出干扰源判断结果，基于所述干扰源判断结果将所述目标区域信息中的干扰源剔除。
107.进一步地，所述的基于毫米波雷达的对象跌倒判断系统，其中，所述干扰剔除模块131，用于将所述目标区域信息输入干扰源判断模型，输出干扰源判断结果，基于所述干扰源判断结果将所述目标区域信息中的干扰源剔除，包括：
108.将所述目标区域信息输入干扰源判断模型，输出干扰源判断结果；
109.若所述干扰源判断结果为存在干扰源，则将所述目标区域信息中的所述干扰源剔除；
110.若所述干扰源判断结果为不存在干扰源，则不进行操作。
111.本实施例中，在基于所述目标区域信息获取所述目标对象的原始位置之前，会对所述目标区域信息进行干扰源的判断以及剔除，从而可避免人体微动干扰而影响到人体跌倒判断的准确性。
112.进一步地，所述的基于毫米波雷达的对象跌倒判断系统，其中，所述通过毫米波雷达采集待测区域信息之前，包括：
113.预先设定干扰源判断模型，并对所述干扰源判断模型设定相应的规则。
114.进一步地，所述的基于毫米波雷达的对象跌倒判断系统，其中，所述预先设定干扰源判断模型，并对所述干扰源判断模型设定相应的规则，包括：
115.预先构建深度学习模型，根据干扰源样本对所述深度学习模型进行训练，生成干扰源判断模型；
116.对所述干扰源判断模型设定相应的规则。
117.进一步地，所述的基于毫米波雷达的对象跌倒判断系统，其中，所述预先构建深度学习模型，根据干扰源样本对所述深度学习模型进行训练，生成干扰源判断模型，包括：
118.通过毫米波雷达将空间分割成区域块；
119.对所述区域块内的动作值定义，定义所述动作值的值域为对象的动作范围，超过或低于所述值域即判断为存在干扰源；
120.获取存在所述干扰源的干扰源样本；
121.根据所述干扰源样本对预先构建的深度学习模型进行训练，生成干扰源判断模型。
122.具体地，本实施例中，所述定义所述动作值的值域为对象的动作范围中，所述对象为人体。
123.进一步地，所述的基于毫米波雷达的对象跌倒判断系统，其中，所述获取存在所述干扰源的干扰源样本之后，包括：
124.将所述干扰源样本上传至云端服务器。
125.具体地，本实施例中，将所述干扰源样本上传至云端服务器可实现所述干扰源样本的共享，以实现对于干扰源的精准判断和剔除。
126.由以上系统实施例可知，本发明提供的基于毫米波雷达的对象跌倒判断系统通过高精准性的毫米波雷达采集待测区域信息，再基于所述待测区域信息获取包含有目标对象的目标区域信息，其中，所述目标区域信息为所述目标对象离参照平面h高度以上的区域信息，再将所述目标区域信息输入到干扰源判断模型，输出干扰源判断结果，基于所述干扰源判断结果将所述目标区域信息中的干扰源剔除，再基于剔除干扰源后的所述目标区域信息获取所述目标对象的原始位置，当所述目标对象从所述原始位置消失时，则判断所述目标对象跌倒。本发明中，由于毫米波雷达的高精准性，使得通过本发明的系统可在智能家居应用中将人体的微动干扰剔除后，可实现对于人体是否跌倒而做出精准判断。
127.基于上述实施例，请参阅图5，本发明另一实施例还提供了一种计算机设备，其中，所述计算机设备10包括：
128.存储器120以及一个或多个处理器110，图5中以一个处理器110为例进行介绍，处理器110和存储器120可以通过通信总线或者其他方式连接，图5中以通过通信总线连接为例。
129.处理器110用于完成计算机设备10的各种控制逻辑，其可以为通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)、单片机、arm(acorn risc machine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有，处理器110还可以是任何传统处理器、微处理器或状态机。处理器110也可以被实现为计算设备的组合，例如，dsp和微处理器的组合、多个微处理器、一个或多个微处理器结合dsp核、或任何其它这种配置。
130.存储器120作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本发明实施例中的基于毫米波雷达的对象跌倒判断方法对应的计算机程序。处理器110通过运行存储在存储器120中的非易失性软件程序、指令以及单元，从而执行计算机设备10的各种功能应用以及数据处理，即实现上述方法实施例中的基于毫米波雷达的对象跌倒判断方法。
131.存储器120可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备10使用所创建的数据等。此外，存储器120可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器120可选包括相对于处理器110远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
132.一个或者多个单元存储在存储器120中，当被一个或者多个处理器110执行时，可实现如上述任一项方法实施例中的基于毫米波雷达的对象跌倒判断方法，例如，可实现以上描述的图1中的方法步骤s100至步骤s400。
133.本领域技术人员可以理解，图5中示出的硬件结构示意图，仅仅是与本发明方案相关的部分结构的示意图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多的部件，或者组合某些部件，或者具有不同的部件布置。
134.基于上述实施例，本发明还提供了一种非易失性计算机可读存储介质，其中，所述非易失性计算机可读存储介质存储有计算机程序，所述计算机程序被至少一个处理器执行时，可实现如上述任一项方法实施例中的基于毫米波雷达的对象跌倒判断方法，例如，可实现以上描述的图1中的方法步骤s100至步骤s400。
135.作为示例，非易失性存储介质能够包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦rom(eeprom)或闪速存储器。易失性存储器能够包括作为外部高速缓存存储器的随机存取存储器(ram)。通过说明并非限制，ram可以以诸如同步ram(sram)、动态ram、(dram)、同步dram(sdram)、双数据速率sdram(ddr sdram)、增强型sdram(esdram)、synchl ink dram(sldram)以及直接rambus(兰巴斯)ram(drram)之类的许多形式得到。本文中所描述的操作环境的所公开的存储器组件或存储器旨在包括这些和/或任何其他适合类型的存储器中的一个或多个。
136.本发明的另一种实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被处理器执行时，可实现如上述任一项方法实施例中的基于毫米波雷达的对象跌倒判断方法，例如，可实现以上描述的图1中的方法步骤s100至步骤s400。
137.以上所描述的实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际需要选择其中的部分或者全部模块来实现本实施例方案的目的。
138.通过以上的实施例的描述，本领域的技术人员可以清楚地了解到各实施例可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存在于计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)执行各个实施例或者实施例的某些部分的方法。
139.除了其他之外，诸如“能够”、“能”、“可能”或“可以”之类的条件语言除非另外具体地陈述或者在如所使用的上下文内以其他方式理解，否则一般地旨在传达特定实施方式能包括(然而其他实施方式不包括)特定特征、元件和/或操作。因此，这样的条件语言一般地还旨在暗示特征、元件和/或操作对于一个或多个实施方式无论如何都是需要的或者一个或多个实施方式必须包括用于在有或没有输入或提示的情况下判定这些特征、元件和/或操作是否被包括或者将在任何特定实施方式中被执行的逻辑。
140.已经在本文中在本说明书和附图中描述的内容包括能够提供基于毫米波雷达的对象跌倒判断方法、系统、计算机设备以及非易失性计算机可读存储介质的示例。当然，不能够出于描述本公开的各种特征的目的来描述元件和/或方法的每个可以想象的组合，但是可以认识到，所公开的特征的许多另外的组合和置换是可能的。因此，显而易见的是，在不脱离本公开的范围或精神的情况下能够对本公开做出各种修改，但是，所有这些各种修改都应属于本发明所附权利要求的保护范围。此外，或在替代方案中，本公开的其他实施例从对本说明书和附图的考虑以及如本文中所呈现的本公开的实践中可能是显而易见的。意图是，本说明书和附图中所提出的示例在所有方面被认为是说明性的而非限制性的。尽管在本文中采用了特定术语，但是它们在通用和描述性意义上被使用并且不用于限制的目的。