一种基于深度学习的跌倒检测方法技术

本发明专利技术公开了一种基于深度学习的跌倒检测方法，用于检测目标对象在检测区域内是否跌倒。WiFi设备在检测区域内发射WiFi信号，接受WiFi信号的终端从中提取CSI数据作为对象，在进行预处理、信号分割和去噪后，将其转化为频谱图，并输入已训练的深度卷积神经网络进行跌倒识别，生成相应的警报信号，从而实现在检测区域内对目标对象实时的跌倒检测。本发明专利技术基于深度学习进行跌倒检测，提高了不同环境下的检测准确度。测准确度。测准确度。

【技术实现步骤摘要】
一种基于深度学习的跌倒检测方法


[0001]本专利技术涉及图像处理
，具体涉及一种基于深度学习的跌倒检测方法。

技术介绍

[0002]目前基于CSI实现跌倒检测的方法已有WiFall，RT
‑
Fall和Sensing
‑
Fi等系统。以RT
‑
Fall为例，其同时使用CSI振幅和相位差作为特征，并以WiFall中提取的特征为基础来提高准确性。认为CSI相位差对跌倒动作的识别灵敏度高于振幅。RT
‑
Fall通过基于规则的二分类能从9个其他活动中区分出跌倒，其真阳性率为91％，假阳性率为8％，分别比WiFall提高了14％和10％。但RT
‑
Fall和WiFall均是基于单个老人独立生活的情况进行测试的，当检测区域中有两个人时，效果不佳。
[0003]包括RT
‑
Fall在内，目前主流的跌倒检测是基于传统的机器学习实现的，使用到K最近邻(KNN, K Nearest Neighbor)、支持向量机(SVM, Support Vector Machine)和隐马尔可夫模型(HMM, Hidden Markov Model)等分类算法。它们的共性是在某一位置或某一房间经过训练后能够达到较高的精度，但是当换到另一房间时，精度会急剧下降，要想达到同样的精度，必须重新进行训练。例如，使用SVM的RT
‑
Fall，在一个沙发移到视线范围内后，其真阳性率下降33%，而假阳性率上升32％。显然，基于传统机器学习的跌倒检测系统对环境变化的适应能力差。
[0004]这是因为室内环境复杂，WiFi信号受多径效应影响严重，导致从一个环境中训练提取的特征值与从另一环境中训练提取出的特征值有很大不同，这使得基于传统机器学习的跌倒检测系统在不同环境下，效果不佳。

技术实现思路

[0005]本专利技术的目的是克服现有技术中的不足，提供一种基于深度学习的跌倒检测方法，利用普通的商用WiFi设备，提取CSI数据作为对象，采用深度学习技术进行跌倒检测，实现在不同环境下的较高检测准确度。
[0006]为了解决上述技术问题，本专利技术是通过以下技术方案实现：步骤1：采集WiFi信号，并从中提取CSI数据。
[0007]步骤2：对CSI数据进行预处理，得到待分割的CSI数据。
[0008]步骤3：采用信号分割方案，从CSI数据中分割出跌倒事件（包括跌倒和类跌倒活动）。
[0009]步骤4：对分割后的CSI数据进行去噪。
[0010]步骤5：将去噪后的CSI数据转换为频谱图。
[0011]步骤6：将待识别的频谱图分为两部分，其中一部分作为训练集，另一部分作为测试集。
[0012]步骤7：将训练集导入到深度卷积神经网络(DCNN, Deep Convolutional Neural Networks)进行特征提取训练，采用测试集对训练好的DCNN进行跌倒识别测试。
[0013]步骤8：实时采集检测区域内WiFi信号的CSI原始数据，并依次完成步骤2、步骤3、步骤4和步骤5，再将待识别的频谱图导入到步骤7中训练完成后的DCNN进行处理，确定目标对象在检测区域内是否跌倒，并生成相应的警报信号。
[0014]进一步的，步骤1中，所述原始CSI数据可以仅是振幅，也可以是振幅、相位和相位差的任意组合，WiFi信号中读取CSI数据的方法是现有技术，在此不再赘述。
[0015]进一步的，步骤2中，对CSI原始数据进行预处理，包括以下步骤：步骤21，对CSI数据进行一维线性插值，得到时域上采样间隔均匀的CSI数据；步骤22，利用Hampel滤波器去除CSI数据中的离群值；步骤23，通过线性回归平滑CSI数据的趋势；步骤24，对CSI数据进行零填充，从而增加采样点数，克服栅栏效应；步骤25，通过双线性插值收窄CSI数据波形以防止边缘失真。
[0016]步骤1中，CSI数据可以是振幅、相位和相位差的任意组合。
[0017]进一步的，步骤3中，所述跌倒活动定义为坐立跌倒、站立跌倒、步行跌倒和慢跑跌倒。类跌倒活动定义为站立坐下、步行坐下、站立躺下和步行躺下。
[0018]进一步的，步骤3中，所述信号分割方案是基于一种自适应窗口分割方法实现的。
[0019]进一步的，步骤4中，所述CSI数据去噪方法，除了SSA( Singular Spectrum Analysis)，还可以采用离散小波变换(DWT, Discrete Wavelet Transform)。所述SSA能处理不满足任何统计假设（线性/非线性，平稳/非平稳，高斯/非高斯）的信号，并且只有一个需要优化的参数——奇异值的数量。
[0020]进一步的，步骤5中，所述CSI数据转换为频谱图的方法除了希尔伯特
‑
黄变换(HHT, Hilbert
‑
Huang Transform)，还可以采用短时傅立叶变换(STFT, Short Time Fourier Transform)或连续小波变换(CWT, Continuous Wavelet Transform)。所述HHT能处理非线性与非平稳的信号，并且获得信号的瞬时频率。HHT主要分为两个阶段：经验模态分解(EMD, Empirical Mode Decomposition)和希尔伯特谱分析(HSA, Hilbert Spectrum Analysis)。在第一阶段，采用自适应噪声完备集合经验模态分解(CEEMDAN, Complete Ensemble Empirical Mode Decomposition with Adaptive Noise)，能极大程度地缓解模态混叠(mode mixing)问题，并且能几乎无误差地重构信号。
[0021]进一步的，步骤7中，所述DCNN由三个卷积层、非线性激活函数、三个最大池化层和四个全连接层组成。第一、第二和第三卷积层分别由64、128和256个特征映射(feature map)组成，卷积核大小为3
×
3，步长为2。非线性激活函数选用线性整流函数(ReLU, Rectified Linear Unit)。三个最大池化层的池化窗口大小为2
×
2，步长为2。全连接层中的每个隐藏层都包含128个神经元。
[0022]与现有技术相比，本专利技术的有益效果是：(1) 本专利技术使用WiFi信号作为跌倒检测的新手段，它既不记录图像音频信息，也不需要被测者穿戴特殊的传感器，既保障了被测者的隐私，又增加了使用的灵活性。
[0023](2) 本专利技术采用普通商用WiFi设备建立跌倒检测环境，不需要成本高昂的特殊硬件，不需要繁琐地部署，增加了实用性和易用性，并具备较好的推广能力和适应性。
[0024](3) 本专利技术将深度学习技术应用于跌倒检测中，克服了基于传统机器学习的跌倒检测系统对环境变化的适应能力差的问题，能够在不同环境下达到更高的检本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的跌倒检测方法，其特征是：包括以下步骤：步骤1：采集WiFi信号，从中提取CSI数据；步骤2：对采集到的CSI数据进行预处理，得到待分割的CSI数据；步骤3：采用信号分割方案，从CSI数据中分割出跌倒事件；步骤4：对分割后的CSI数据进行去噪；步骤5：将去噪后的CSI数据转换为频谱图；步骤6：将步骤5得到的待识别的频谱图分为两部分，其中一部分作为训练集，另一部分作为测试集；步骤7：将训练集导入到深度卷积神经网络进行特征提取训练，采用测试集对训练好的DCNN进行跌倒识别测试；步骤8：实时采集检测区域内WiFi信号的CSI数据，并依次完成步骤2、步骤3、步骤4和步骤5，再将待识别的频谱图导入到步骤7中训练完成后的DCNN进行处理，确定目标对象在检测区域内是否跌倒，并生成相应的警报信号。2.根据权利要求1所述的一种基于深度学习的跌倒检测方法，其特征是：步骤2中，对CSI数据进行预处理，包括以下步骤：步骤21，对CSI数据进行一维线性插值，得到时域上采样间隔均匀的CSI数据；步骤22，利用Hampel滤波器去除CSI数据中的离群值；步骤23，通过线性回归平滑CSI数据的趋势；步骤24，对CSI数据进行零填充；步骤25，逐渐收窄CSI数据波形以防止边缘失真。3...

【专利技术属性】
技术研发人员：许一航，许家俊，朱强强，谢晶晶，
申请(专利权)人：河海大学，
类型：发明
国别省市：