The invention discloses a method for human fall identification based on convolutional neural network, which relates to the fields of radar detection, human-computer interaction and image recognition, in particular to the method for human fall Doppler time-frequency pattern recognition detected by radar using convolutional neural network. Through endpoint detection, we can not limit the duration of human motion; through adaptive threshold selection, we can walk and fall in a larger range; at the same time, convolution neural network model is used to identify the signal time-frequency map, and the improved network can recognize walking and falling movements with a higher recognition rate in complex environment.
【技术实现步骤摘要】
一种基于卷积神经网络的人体跌倒辨识方法
本专利技术涉及雷达探测、人机交互和图像识别领域,特别是涉及到使用卷积神经网络对雷达探测到的人体跌倒多普勒时频图识别方法。
技术介绍
中国已经步入老龄化社会,老年人群受到越来越多的关注,经调查发现跌倒是老年人意外伤亡的第一要素,所造成的伤害相对较大,严重的情况下甚至可能会导致死亡。因此,及时、准确的判断对老人意外跌倒行为具有重要的研究意义。目前对跌倒行为的研究通常分为三种:基于可穿戴设备的跌倒检测方法、基于视频监控的跌倒检测方法和基于外周传感器的检测方法。基于视觉的方法使用广泛,但会受到图像的清晰度、光线强弱等因素的影响,观察范围有限且不利于对细微动作和近似行为(具有类似姿态特征的不同人体行为)的识别,基于可穿戴设备的识别在一定程度上不便使用,因此选用雷达技术作为识别人体跌倒成为了一个研究方向。国内外提出了许多识别人体跌倒的方法,谷歌针对智能移动设备,开发了基于雷达的人体运动状态识别,但是该系统使用英伟达定制芯片,定位精度要求高。国内浙江大学使用一发三收的雷达系统,解算人体运动轨迹并进行识别;清华大学基于雷达的微多普勒时频图使用支持向量机进行步态识别,但是该系统作用距离有限,运动时间固定且需重复多次,同时使用支持向量机对微多普勒时频图的特征识别,对于一些复杂的跌倒行为识别率不高。而基于卷积神经网络的跌倒辨识方法可以应对更加复杂的环境,因此可以进一步提高跌倒识别率。因此研究基于卷积神经网络的人体跌倒具有极大的适用性和价值。
技术实现思路
本专利技术提供一种适用于采用雷达微多普勒信息进行人体跌倒辨识的方法,本专利技术通过端点检 ...
【技术保护点】
1.一种基于卷积神经网络的人体跌倒识别方法,该方法包括:步骤1:端点检测提取有效跌倒信号区域;预先采集时长为H无人体运动的噪声环境雷达时域信号,然后进行傅里叶变换得到频域信号,最后统计在P频段内的信号能量大小记为E1,P频段为根据实际情况确定的低频段;之后系统一直以时长H为时间窗统计能量大小,当某个时间窗的能量大于设定的阈值Q时认为是跌倒开始时刻,即起点T1,某时间窗后能量持续小于设定的阈值Q则判定为跌倒结束时刻,即终点T2,最后从T1到T2内提取出跌倒信号,阈值Q根据实际情况确定;在信号实时获取过程中,端点更新规则为:端点更新规则,若是检测到端点,包括只有起点、只有终点、既有起点又有终点三种情况,判断是否为首次检测到的起点,若是,则把之前所有端点信息保存;若不是,说明最近一次已经检测到了起点,则更新终点信息,不更新起点信息;根据当前最近一次起点到终点的信息截取该段信号,若最近一次起点到终点的时间长度大于设定的最长截取时间长度,则分段截取,步骤2:短时傅里叶变换;将步骤1得到的跌倒信号通过短时傅里叶变换得到复频率,之后对复频率取绝对值,最后得到频率随时间分布的时频图;短时傅里叶变换如下 ...
【技术特征摘要】
1.一种基于卷积神经网络的人体跌倒识别方法,该方法包括:步骤1:端点检测提取有效跌倒信号区域;预先采集时长为H无人体运动的噪声环境雷达时域信号,然后进行傅里叶变换得到频域信号,最后统计在P频段内的信号能量大小记为E1,P频段为根据实际情况确定的低频段;之后系统一直以时长H为时间窗统计能量大小,当某个时间窗的能量大于设定的阈值Q时认为是跌倒开始时刻,即起点T1,某时间窗后能量持续小于设定的阈值Q则判定为跌倒结束时刻,即终点T2,最后从T1到T2内提取出跌倒信号,阈值Q根据实际情况确定;在信号实时获取过程中,端点更新规则为:端点更新规则,若是检测到端点,包括只有起点、只有终点、既有起点又有终点三种情况,判断是否为首次检测到的起点,若是,则把之前所有端点信息保存;若不是,说明最近一次已经检测到了起点,则更新终点信息,不更新起点信息;根据当前最近一次起点到终点的信息截取该段信号,若最近一次起点到终点的时间长度大于设定的最长截取时间长度,则分段截取,步骤2:短时傅里叶变换;将步骤1得到的跌倒信号通过短时傅里叶变换得到复频率,之后对复频率取绝对值,最后得到频率随时间分布的时频图;短时傅里叶变换如下:其中x(m)表示跌倒信号,w(n-m)表示窗函数序列;n代表离散时间,w是角频率;由短时傅里叶变换得到的时频矩阵是一个M×N的二维矩阵,M体现了信号的频率信息,N表示信号的时间周期,每一个元素的值是信号幅度的大小;步骤3:构建卷积神经网络模型;卷积神经网络包括依次级联的三部分:第一部分是由卷积层、池化层;...
【专利技术属性】
技术研发人员:崔国龙,赵青松,曾冬冬,黄华宾,孔令讲,冯立方,熊丁丁,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。