一种人体摔倒智能检测方法、系统、信息数据处理终端技术方案

本发明专利技术属于无线通信技术领域，公开了一种人体摔倒智能检测方法、系统、信息数据处理终端，所述人体摔倒智能检测方法包括：利用WIFI设备获取原始CSI数据；提取与人体运动相关的动态路径，并对动态路径信息进行联合估计，计算出人体运动轨迹与运动速度；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；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，提取摔倒动作特征；通过分类模型对特征进行动态筛选，使用剩余特征进行摔倒动作识别，得到结果。本发明专利技术克服现有技术中检测精度低且检测结果易受到环境变化影响的问题，保护用户的隐私，节省计算资源，提升摔倒动作的检测精度。倒动作的检测精度。倒动作的检测精度。

【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。通过支持向量机对提取的7种特征分类达到了87％的平均摔倒检测精度。由于该方法较低的检测准确率和较高的平均虚警概率，许多方法在此基础上加以了改进。Anti
‑
Fall就是一种改进后的摔倒检测方法，它除了使用CSI的幅度信息外还使用了两个接收天线的相位差作为特征来区分摔倒和类摔倒动作。该方法提出了摔倒结束时间的检测，通过提前设定的阈值来判断摔倒动作的结束时间。Anti
‑
Fall以结束时间为基准，回溯一定的时间窗口，来获取完整的摔倒动作信息。该方法同样使用了支持向量机对多种特征进行分类，达到了89％的平均摔倒检测精度。RT
‑
Fall对Anti
‑
Fall方法进行了改进，除了原有的用于分类的特征外，RT
‑
Fall还提出了功率下降率的特征。通过观察不同人体动作的频域特征，由于摔倒动作不受人控制，相比于其余人体动作功率下降率会更大，所以功率下降率可以一定程度上改善分类结果。最终RT
‑
Fall的平均分类准确率为91％。FallDeFi继续对分类特征进行了拓展。以前的方法都是从时域中提取分类特征，而该方法通过短时傅里叶变换来提取频域特征。此外，FallDeFi使用功率突发曲线提取摔倒动作时间窗口。对于多样的特征，FallDeFi使用了序列前向选择算法，挑选出可以弹性应对环境变化的特征，同时保证了较高的分类准确率。FallDeFi的分类准确率达到了93％。随着深度学习技术的发展，也有不少方法将其应用到基于CSI的摔倒检测之中，且取得了较好的成果。WmFall对于难以区分的摔倒和坐下的动作，通过深度学习算法对它们进行区分。该方法实现了一个多级深度学习模型，包括感知
层、初步判断层和最终判断层三个部分。WmFall在实验室中测试结果分类准确度为89％。FDS方法首先使用离散小波变换去除人体运动信号中的高频噪声，然后将去噪后的数据使用循环神经网络进行分类。在实验室中达到了90％的分类准确度。近年来，一些新的摔倒检测方法层出不穷，虽然取得了一定的成果，但都难以在继续提升分类准确度上做出突破。
[0004]通过上述分析，现有技术存在的问题及缺陷为：
[0005](1)传统的摔倒检测技术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；同时由于RSSI仅包含幅度信息，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。
[0006](2)基于CSI的摔倒检测方法检测准确率较低，平均虚警概率较高。
[0007](3)现有新的摔倒检测方法层出不穷，虽然取得了一定的成果，但都难以在继续提升分类准确度上做出突破。
[0008]解决以上问题及缺陷的难度为：提取更为有效的特征，这些特征可以用于更充分地刻画摔倒动作；更精确地获取摔倒动作时间窗口，一方面可以避免其余人体动作对摔倒检测造成影响，另一方面可以减少环境噪声的影响；建立更有效的分类模型，既要保证分类准确度，也要对场景变化动态地做出响应。
[0009]解决以上问题及缺陷的意义为：基于CSI的摔倒识别只使用了商用WIFI设备，安装和使用成本较低，且人员无需佩戴任何专用设备或传感器。室内定位对于人民生活具有重要的意义，无论是办公室、家庭或是养老院等场所，都会有广泛的应用。解决上述问题，可以使WIFI室内摔倒检测满足高精度和动态应对环境变化的要求。

技术实现思路

[0010]针对现有技术存在的问题，本专利技术提供了一种人体摔倒智能检测方法、系统、信息数据处理终端，尤其涉及一种基于WIFI的人体摔倒智能检测方法、系统、信息数据处理终端，旨在解决目前室内摔倒检测方法存在的摔倒动作刻画不充分、难以精确提取摔倒时间窗口、检测结果易受到环境变化影响的问题。
[0011]本专利技术是这样实现的，一种人体摔倒智能检测方法，所述人体摔倒智能检测方法包括以下步骤：
[0012]步骤一，利用WIFI设备获取原始CSI数据，由于WIFI设备广泛部署、成本低廉，本专利技术基于CSI的摔倒检测方法易于实现及广泛应用；
[0013]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，由于滤除了静态路径成分，减少了环境噪声的影响，估计出的DFS、AoA和ToF以及进一步计算的人体运动轨迹与运动速度仅与人体运动有关。
[0014]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，通过此步骤精确地获取摔倒动作时间窗口，一方面可以避免其余人体动作对摔倒检测造成影响，另一方面可以减少环境噪声的影响；
[0015]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，提取了更为有效的特征，这些特征可以用于更充分地刻画摔倒动作，也利于步骤五中进一步的分类；
[0016]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，一方面，依据不同环境进行特征筛选，可以让本专利技术动态应对环境变化，另一方面由于使用了较少的特征进行最终分类，节省了计算资源。
[0017]进一步，步骤一中，所述利用WIFI设备获取原始CSI数据，包括：
[0018]利用WIFI设备本文档来自技高网...

【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

【专利技术属性】
技术研发人员：王勇，高尚，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：