【技术实现步骤摘要】
一种人体摔倒智能检测方法、系统、信息数据处理终端
[0001]本专利技术属于无线通信
,尤其涉及一种人体摔倒智能检测方法、系统、信息数据处理终端。
技术介绍
[0002]目前,随着第五代移动通信技术(5G)的飞速发展,人类已经步入了万物互联的物联网时代,以机器为中心的计算模式正朝着为以人为中心的计算模式转变。人体行为识别作为物联网关键技术之一,一直以来都是重要的科学研究课题。根据世界健康组织调查显示,每年约有30%的老年人因摔倒而受伤。摔倒是一个十分危险的动作,特别是对于老年人而言,可能会导致躯体的直接损伤或内脏的间接损伤。如果能及时的检测出人体的摔倒动作,并通知看护或医疗人员,就可以避免错过最佳治疗时间。随着人们对老人生命健康问题的关注度的提高,室内人体摔倒检测已成为研究热点。传统的摔倒检测技术主要包括基于传感器、计算器视觉和接收信号强度指示(RSSI)的摔倒检测,这些技术虽然可以获得一定程度的动作识别准确率,但这些方法都需要专用的传感器,安装成本高昂,用户隐私难以得到保护。此外,由于RSSI仅包含幅度信息,同时可用数据流数量较少,是一种粗粒度的信息,所以此类方法的检测精度一般较低。
[0003]基于CSI的摔倒检测与传统的方法相比,具有部署难度低,安装成本低,检测精度高,保护用户隐私的优点,近年已成为国内外研究的热点内容。WiFall方法作为首个基于CSI的摔倒检测系统,采用了局部异常因子来检测人体运动。该方法利用信道状态信息幅度的时变性来刻画人体的动作,并利用幅度的方差来提取摔倒动作发生时间窗口。 ...
【技术保护点】
【技术特征摘要】
1.一种人体摔倒智能检测方法,其特征在于,所述人体摔倒智能检测方法包括以下步骤:步骤一,利用WIFI设备获取原始CSI数据;步骤二,提取与人体运动相关的动态路径,对人体运动产生的多普勒频移DFS、天线阵列到达角AoA以及信号飞行时间ToF信息进行联合估计,计算出人体运动轨迹与运动速度;步骤三,依据当前人体运动速度和预设的摔倒速度阈值,判断并提取出摔倒动作的时间窗口;步骤四,利用联合估计得到的DFS和人体运动速度,结合CSI幅度与相位差作为摔倒动作判决的统计量,从中提取共11个摔倒动作特征;步骤五,通过一个两层的分类模型,对特征进行动态筛选,舍去权重较低的变量;使用剩余特征进行摔倒动作识别,得到结果。2.如权利要求1所述的人体摔倒智能检测方法,其特征在于,步骤一中,所述利用WIFI设备获取原始CSI数据,包括:利用WIFI设备建立发射端与接收端之间的通信;发射端的天线数目为1,接收端的天线数目为S,每对收发天线之间传输一个数据包可以得到F个子载波的信道状态信息,故每个信道状态信息CSI数据包表示为一个S
×
F的复数矩阵,在第i个CSI数据包中,发送天线和接收天线j=1,2,
…
,S之间,采集的CSI数据H
i,j
表示为:H
i,j
=[H(i,j,1),H(i,j,2),
…
,H(i,j,k),
…
,H(i,j,F)],k=1,2,
…
,F;其中,k表示子载波的编号,第k个子载波的CSI表示为:其中,|H(i,j,k)|和分别是在时刻i时,天线j,子载波k上的CSI的幅度和相位信息;对接收天线j的CSI数据在时间方向上连续采集,如果采集的数据包总数为T,则发射天线与接收天线j之间第k个子载波所采集的连续T个人体运动CSI数据表示为:其中,T、S、F分别表示发送的数据包数量,接收天线个数和子载波个数;用H(i,j,k)表示矩阵中的每一个元素,人体运动的CSI数据是一个T
·
S
·
F的三维复矩阵。3.如权利要求1所述的人体摔倒智能检测方法,其特征在于,步骤二中,所述提取与人体运动相关的动态路径,包括:通过天线间的共轭相乘,滤除无关噪声,从多径信号中分离出动态传播路径分量;选择一根接收天线作为参考天线,选择参考天线步骤如下:求出每根接收天线每个子载波CSI幅度的均值u(j,k):求出每根接收天线每个子载波CSI幅度的标准差σ(j,k):
求出每根接收天线每个子载波CSI幅度的均值标准差比R(j,k):求出每根接收天线子载波CSI幅度均值标准差比的均值u
R
(j):选择接收天线子载波CSI幅度均值标准差比的均值最大的一根接收天线作为参考天线j0:j0=argmax
j
u(j),j=1,2,
…
,S;将其余接收天线的CSI分别与参考天线的CSI共轭相乘:C(i,j,k)=H(i,j,k)
·
H
*
(i,j0,k);其中,j0是参考天线的编号;C(i,j,k)表示共轭相乘后的CSI信号矩阵C中的每个元素,矩阵C是一个T
·
S
·
F的复矩阵;将矩阵C中每根天线上每个子载波连续的CSI信号分别通过带通滤波器滤除静态路径成分:其中,j=1,2,
…
,S表示不同的接收天线,k=1,2,
…
,F表示接收天线上不同的子载波,*表示卷积运算,h(i)表示带通滤波器,上下截至频率分别设置为10Hz和90Hz,表示滤波后每根天线上每个子载波连续的动态路径CSI信号;由滤波后的组成CSI动态路径信号H
d
,其中每个元素为H
d
(i,j,k),H
d
为T
·
S
·
F的三维复矩阵。4.如权利要求1所述的人体摔倒智能检测方法,其特征在于,步骤二中,所述对人体运动产生的多普勒频移DFS、天线阵列到达角AoA以及信号飞行时间ToF信息进行联合估计,包括:由于室内多径效应的影响,H
d
(i,j,k)表示为:其中,L是多条路径的总数,a
l
(i,j,k)和τ
l
(i,j,k)分别是第l条路径的复衰减因子和传播延迟;以H(0,0,0)作为参考,第l条路径,第k个子载波的CSI的相位信息表示为:其中,f
c
是信道的载波频率,Δt
i
、Δs
j
和Δf
k
分别是H(i,j,k)与H(0,0,0)之间的时间、天线距离和子载波频率的差值,τ
l
、φ
l
和f
l
分别是第l条路径H(0,0,0)时的ToF、AoA和DFS信息;在短时间窗、窄带宽和小孔径的情况下,信号衰减因子是一个常数;同时,f
c
τ
l
保持不变,将它与复衰减因子a
l
合并,则第l条路径的信号参数表示为:θ
l
=(α
l
,τ
l
,φ
l
,f
l
);
令:m=(i,j,k),i=1,2,
…
,T,j=1,2,
…
,S,k=1,2,
…
,F;其中,T、S、F分别表示发送的数据包数量,接收天线个数和子载波个数;对于期望步骤,接收到的CSI将被分解,动态路径CSI信号H
d
(m)的每条路径H
l
(m)表示为:其中,是上一次迭代中估计的参数,为上一次迭代中估计的第l条路径,L表示估计的多径数量,β
l
是用于控制收敛速度的非负系数,默认为1;对于最大化步骤,通过迭代计算所得参数如下:其中,复衰减因子的最大似然估计值表示为和的函数:其中,T、S、F分别表示发送的数据包数量,接收天线个数和子载波个数,目标函数z为:所有参数的初始值如下:τ
l
=φ
l
=f
l
=α
l
=0,l=1,2,
…
,L;重复上述期望和最大化步骤,直至参数估计值收敛:其中,表示当前迭代中估计的参数,表示上一次迭代中估计的参数;通过估计得到若干条动态路径的AoA、ToF和DFS信息,选择功率最大的路径作为人体运动反射路径:该路径的AoA估计值记为φ,ToF的估计值记为τ
p
,DFS的估计值记为f
d
。5.如权利要求1所述的人体摔倒智能检测方法,其特征在于,步骤二中,所述计算出人体运动轨迹与运动速度,包括:提出人体运动轨迹跟踪算法,假设发射端天线位置坐标为Tx(0,0),接收端天线位置坐标为Rx(x
r
,y
r
),运动的目标坐标为l(x,y),ψ
r
是天线阵列角,φ
Tx
是视距LOS路径的到达角,则天线阵列角ψ
r
可以通过φ
Tx
和Rx(x
r
,y
r
)计算得到:
如动态路径成分提取部分所述,AoA的估计值为φ,ToF的估计值τ
p
是真实信号ToF值τ
d
与视距信号ToF值τ
s
之差;发射天线和接收天线的位置已知,直接测量出视距的距离,实际人体运动反射信号传播距离如下:range=τ
p
·
c+dist(Tx,Rx);其中,c为光速,dist(Tx,Rx)是收发端视距的距离;根据几何关系可以建立轨迹方程如下:通过求解方程得到人体实时位置坐标:其中,X是目标运动范围内的任意值;根据方程的解与信号参数的估计间隔计算出人体的运动速度:其中,(x
′
,y
′
)为估计时间间隔Δt前的人体位置。6.如权利要求1所述的人体摔倒智能检测方法,其特征在于,步骤三中,所述依据当前人体运动速度和预设的摔倒速度阈值,判断并提取出摔倒动作的时间窗口,包括:根据人体在室内的行走速度设置阈值,提取与摔倒动作相关的CSI信息同时去除其他动作和噪声的影响:v
threshold
=μ(v
walk
)+γ
·
σ(v
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。