一种跨场景鲁棒的室内摔倒无线检测方法及相关设备技术

本发明专利技术公开了一种跨场景鲁棒的室内摔倒无线检测方法及相关设备，所述方法包括：在源域中采集不同测试对象的预设数量的动作数据，获取CSI幅值和相位信息；利用预处理后源域数据的CSI幅值和相位信息分别训练轻量型的卷积神经网络作为目标域下样本的特征提取器；在目标域中采集各测试对象的预设样本数据，预处理后在预设样本数据中挑选预设个数的带标签样本输入到所述特征提取器，输出幅值特征和相位特征；将所述幅值特征和所述相位特征用于训练目标域下的机器学习模型，将训练好的机器学习模型作为轻量型分类器，并使用所述轻量型分类器对目标域下其他无标签样本进行分类，以识别测试对象的摔倒状态。本发明专利技术实现了对目标域人员摔倒状态的准确检测。员摔倒状态的准确检测。员摔倒状态的准确检测。

A cross scene robust indoor fall wireless detection method and related equipment

【技术实现步骤摘要】
一种跨场景鲁棒的室内摔倒无线检测方法及相关设备


[0001]本专利技术涉及数据处理
，尤其涉及一种跨场景鲁棒的室内摔倒无线检测方法、系统、终端及计算机可读存储介质。

技术介绍

[0002]室内摔倒检测对于独居老人、敬老院的老人、术后康复中的病人或残疾人等健康问题有着重要的作用，而现有的基于运动传感器的方法通常要求个人佩戴专门的设备来跟踪身体的运动，这样的方法不仅增加了设备部署成本，还带来了生活上的不便。依赖于相机或可见光传感器的方法只能在一定的光照条件下很好地工作，这些环境很容易受到低光照条件、烟雾或不透明障碍物的干扰。总的来说，上述技术在硬件安装和维护需求方面涉及到额外的开销。为了克服上述限制，近年来随着无线局域网技术的发展，WiFi信号几乎完全覆盖室内区域，与上述方法相比，WiFi具有低成本、保护隐私等优点。
[0003]已有的 Wi
‑
Fi 室内摔倒检测主要依靠信号接收强度（Received Signal Strength，RSS）的方式，但 RSS 属于 MAC 层信号，存在不稳定、粗粒度、易受环境因素干扰等固有缺陷，对于人体动作无法进行高精度的识别。近年来，研究人员开始利用信道状态信息（Channel State Information，CSI）来进行WiFi感知研究，相较于 RSS，CSI具有更好的时频稳定性和更细粒度的信道感知信息，可以更灵敏地感知无线环境中的人体动作的变化。因此，基于CSI 信号的摔倒监测技术在室内环境下具有更好的应用前景和研究价值。
[0004]目前基于CSI的摔倒检测算法主要分为传统的机器学习算法和新兴的深度学习算法，但是上述的两种方法都有其优缺点。前者主要依靠提取CSI矩阵的统计特征，如均值、标准差、方差、波峰波谷数量等统计信息，并使用机器学习模型（如逻辑回归、支持向量机等）学习不同动作情况下CSI测量矩阵之间的特征差异，从而对识别摔倒动作。其缺点在于大多数机器学习算法的性能依赖于所提取的特征的准确度，特征处理过程很耗时而且需要专业知识，大多数应用的特征都需要专家确定，然后编码为一种数据类型，并且该类算法无法处理高维度的数据，需要先对CSI矩阵进行特征计算和降维处理。
[0005]而深度学习无需人工设定特征，只需要将CSI矩阵的幅值信息和相位信息经过一定的预处理（分割、降噪等），然后输入到神经网络模型（如深度神经网络、卷积神经网络、循环神经网络等）进行监督训练，自动训练模型计算权重偏量并提取数据特征来进行分类。
[0006]虽然深度学习削减了对每一个问题设计特征提取器的工作，但该类方法也有其缺点，它依赖于大量训练数据的迭代，需要进行大量的矩阵运算，对硬件资源需求较大。通常情况下，训练一个深度学习算法需要很长的时间。
[0007]另外，模型的鲁棒性不管在机器学习算法中还是深度学习算法中都是需要面对的问题。即实验环境的变化（例如场景的更换、实验人员的替换或者是收发设备位置的更换）会严重影响到模型的表现。导致这个问题的原因一是CSI矩阵对于环境的变化很敏感，二是单一场景训练模型都会产生过拟合问题，即模型只学会了处理单个场景的数据。
[0008]可知现有的基于CSI的摔倒检测方法有以下的技术缺陷：要进行深度学习训练需
要大量样本，而大量摔倒的数据样本采集成本很高，且在跨场景下模型的鲁棒性较差。
[0009]因此，现有技术还有待于改进和发展。

技术实现思路

[0010]本专利技术的主要目的在于提供一种跨场景鲁棒的室内摔倒无线检测方法、系统、终端及计算机可读存储介质，旨在解决现有技术中基于CSI的摔倒检测方法要进行深度学习训练需要大量样本，而大量摔倒的数据样本采集成本很高，且在跨场景下模型的鲁棒性较差的问题。
[0011]为实现上述目的，本专利技术提供一种跨场景鲁棒的室内摔倒无线检测方法，所述跨场景鲁棒的室内摔倒无线检测方法包括如下步骤：在源域中采集不同测试对象的预设数量的动作数据，在所述动作数据中获取CSI幅值和相位信息，并进行预处理；利用经过预处理后源域数据的CSI幅值和相位信息分别训练轻量型的卷积神经网络作为目标域下样本的特征提取器；在目标域中采集各测试对象的预设样本数据，将预设样本数据进行预处理后，在预设样本数据中挑选预设个数的带标签样本输入到所述特征提取器，输出幅值特征和相位特征；将所述幅值特征和所述相位特征用于训练目标域下的机器学习模型，将训练好的机器学习模型作为轻量型分类器，并使用所述轻量型分类器对目标域下其他无标签样本进行分类，以识别测试对象的摔倒状态。
[0012]可选地，所述的跨场景鲁棒的室内摔倒无线检测方法，其中，所述源域和所述目标域为不同的检测场景，两个检测场景在环境上具有明显的差异。
[0013]可选地，所述的跨场景鲁棒的室内摔倒无线检测方法，其中，将CSI幅值和相位信息进行预处理，包括：对所述CSI幅值和所述相位信息进行去噪处理，再分别进行窗口分段处理。
[0014]可选地，所述的跨场景鲁棒的室内摔倒无线检测方法，其中，所述利用经过预处理后源域数据的CSI幅值和相位信息分别训练轻量型的卷积神经网络作为目标域下样本的特征提取器，具体包括：获取经过预处理的CSI幅值和相位信息；将经过预处理后源域数据的CSI幅值和相位信息进行多次迭代训练轻量型的卷积神经网络；当轻量型的卷积神经网络训练达到要求时保存网络模型并冻结网络参数，并将训练完成的轻量型的卷积神经网络作为目标域下样本的特征提取器。
[0015]可选地，所述的跨场景鲁棒的室内摔倒无线检测方法，其中，所述轻量型的卷积神经网络包括4个卷积块和1个全连接层，其中，每个卷积块包含16个卷积核、1个批量标准化层、1个Relu激活函数和1个池化层，其中，每个卷积核尺寸为2
×
2。
[0016]可选地，所述的跨场景鲁棒的室内摔倒无线检测方法，其中，在源域中采集不同测试对象的预设数量的动作数据和在目标域中采集各测试对象的预设样本数据均包括多个测试对象的4类动作类型，分别为步行摔倒、坐着、步行和坐下。
[0017]可选地，所述的跨场景鲁棒的室内摔倒无线检测方法，其中，所述机器学习模型为逻辑回归模型或支持向量机模型或神经网络模型。
[0018]此外，为实现上述目的，本专利技术还提供一种跨场景鲁棒的室内摔倒无线检测系统，其中，所述跨场景鲁棒的室内摔倒无线检测系统包括：源域数据采集与处理模块，用于在源域中采集不同测试对象的预设数量的动作数据，在所述动作数据中获取CSI幅值和相位信息，并进行预处理；训练特征提取器模块，用于利用经过预处理后源域数据的CSI幅值和相位信息分别训练轻量型的卷积神经网络作为目标域下样本的特征提取器；特征提取模块，用于在目标域中采集各测试对象的预设样本数据，将预设样本数据进行预处理后，在预设样本数据中挑选预设个数的带标签样本输入到所述特征提取器，输出幅值特征和相位特征；摔倒状态检测模块，用于将所述幅值特征和所述相位特征用于训练目标域下的机器学习模型，将训练好的机器学习模型作为轻量型分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种跨场景鲁棒的室内摔倒无线检测方法，其特征在于，所述跨场景鲁棒的室内摔倒无线检测方法包括：在源域中采集不同测试对象的预设数量的动作数据，在所述动作数据中获取CSI幅值和相位信息，并进行预处理；利用经过预处理后源域数据的CSI幅值和相位信息分别训练轻量型的卷积神经网络作为目标域下样本的特征提取器；在目标域中采集各测试对象的预设样本数据，将预设样本数据进行预处理后，在预设样本数据中挑选预设个数的带标签样本输入到所述特征提取器，输出幅值特征和相位特征；将所述幅值特征和所述相位特征用于训练目标域下的机器学习模型，将训练好的机器学习模型作为轻量型分类器，并使用所述轻量型分类器对目标域下其他无标签样本进行分类，以识别测试对象的摔倒状态。2.根据权利要求1所述的跨场景鲁棒的室内摔倒无线检测方法，其特征在于，所述源域和所述目标域为不同的检测场景，两个检测场景在环境上具有明显的差异。3.根据权利要求1所述的跨场景鲁棒的室内摔倒无线检测方法，其特征在于，将CSI幅值和相位信息进行预处理，包括：对所述CSI幅值和所述相位信息进行去噪处理，再分别进行窗口分段处理。4.根据权利要求1所述的跨场景鲁棒的室内摔倒无线检测方法，其特征在于，所述利用经过预处理后源域数据的CSI幅值和相位信息分别训练轻量型的卷积神经网络作为目标域下样本的特征提取器，具体包括：获取经过预处理的CSI幅值和相位信息；将经过预处理后源域数据的CSI幅值和相位信息进行多次迭代训练轻量型的卷积神经网络；当轻量型的卷积神经网络训练达到要求时保存网络模型并冻结网络参数，并将训练完成的轻量型的卷积神经网络作为目标域下样本的特征提取器。5.根据权利要求4所述的跨场景鲁棒的室内摔倒无线检测方法，其特征在于，所述轻量型的卷积神经网络包括4个卷积块和1个全连接层，其中，每个卷积块包含16个卷积核、1个批量标准化层、1个Relu激活函数和1个池化层，其中，每个卷积核尺寸为2
×
...

【专利技术属性】
技术研发人员：毕宿志，曾钰婷，全智，林晓辉，郑莉莉，
申请(专利权)人：深圳大学，
类型：发明
国别省市：