基于毫米波雷达的智能养老监护管理系统技术方案

本发明专利技术提出了一种基于毫米波雷达的智能养老监护管理系统，涉及毫米波雷达技术领域，雷达向目标发射毫米波雷达信号，同时接收目标反射的毫米波雷达信号；雷达信号处理模块对反射的信号进行处理，形成雷达回波，与发射的毫米波雷达信号经过混频和滤波后得到滤波信号；点云数据处理模块，利用所述滤波信号，形成目标的3D点云数据，滤除3D点云数据中的噪声点；特征融合模块，提取3D点云数据中的高度骨架特征和边界尺寸特征，并把这两种特征数据融合成特征数据；人体姿态识别模块，基于特征数据对特征种类进行识别，通过识别结果来判定人体姿态变化过程。态变化过程。态变化过程。

【技术实现步骤摘要】
基于毫米波雷达的智能养老监护管理系统


[0001]本专利技术涉及毫米波雷达
，具体涉及基于毫米波雷达的智能养老监护管理系统。

技术介绍

[0002]随着老龄化程度的加深，养老负担逐渐加重，现有养老方式主要包括社区养老，专业机构养老，居家养老三种方式。由于专业的养老机构、社区养老服务机构及其配套设施的数量及规模远远无法满足庞大的养老需求，加上居家养老在舒适和隐私方面的优势，未来随着智慧科技的发展，省钱省心安全舒适的居家养老则将成为一种趋势。如何在第一时间准确检测到老人生命体征异常及环境中的危险并及时通知家人或相关机构使老人得到及时救助是居家养老的最重要的难题。
[0003]人体动作识别在人机交互、安防监控、智能家居等领域有着重要的研究意义和广泛的应用价值。常见的基于接触式传感器(如陀螺仪)和非接触式传感器(如摄像头)的人体动作识别在隐私和舒适、易用等方面具有局限性。相比之下，雷达传感器具有良好的隐私保护、不易受光线因素影响、不需要人为主动干扰等优点，在居家等室内场所更加符合人体动作识别的需求。
[0004]从雷达回波中获取简单而有效的动作特征是实现人体动作识别的关键性工作，针对提取到的特征设计适配数据的高效分类方法是进一步提高识别准确率的保障。当前的雷达动作特征提取方法大多将雷达对人体动作的回波估算为含有动作特征的微多普勒特征谱图，一方面，微多普勒图含有大量人体和环境的微动特征，而较为宽幅的人体动作对微动特征并不敏感，环境微动特征还会降低特征表征能力，相对而言，微动特征更适用于手势和步态识别；另一方面，训练复杂的深度学习模型需要大量多普勒图像数据集，对硬件的运算性能有较高要求。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提出了基于毫米波雷达的智能养老监护管理系统，包括：雷达，雷达信号处理模块，点云数据处理模块，特征融合模块，人体姿态识别模块；
[0006]所述雷达向目标发射毫米波雷达信号，同时接收目标反射的毫米波雷达信号；
[0007]所述雷达信号处理模块对反射的毫米波雷达信号进行处理，形成雷达回波，与发射的毫米波雷达信号经过混频和滤波后得到滤波信号；
[0008]所述点云数据处理模块，利用所述滤波信号，形成目标的3D点云数据，滤除3D点云数据中的噪声点；
[0009]所述特征融合模块，提取3D点云数据中的高度特征和边界尺寸特征，并把这两种特征数据融合成特征数据集；
[0010]所述人体姿态识别模块，基于特征数据集对特征种类进行识别，通过识别结果来判定人体姿态变化过程。
[0011]进一步地，还包括状态判断模块，中央处理器，预警模块，云端服务器，监护终端；
[0012]所述状态判断模块当判断目标人员处于摔倒状态时，将目标的摔倒信息发送至所述中央处理器；
[0013]所述中央处理器控制所述预警模块进行报警，并将目标摔倒时间和区域通过无线加密网络发送至所述云端服务器；
[0014]所述云端服务器向远程连接的所述监护终端发送报警指令信息和目标跌倒时间和所在区域，以便监护人员通过所述监护终端实现对目标的远程摔倒检测。
[0015]进一步地，所述雷达信号处理模块包括：数据处理单元，混频器，滤波器；
[0016]所述数据处理单元对反射的毫米波雷达信号进行处理，形成雷达回波S
R
(t)：
[0017][0018]式中，A
R
为反射的毫米波雷达信号的振幅，Δt＝2R/c为毫米波雷达信号的传播时间，R为目标与雷达间的相对径向距离，c为光速，K为调频率，K(τ
‑
Δt)为τ时刻接收到的回波频率，Δf
d
为多普勒频移，f
c
为载波频率，t为时刻，j为虚数；
[0019]发射的毫米波雷达信号与雷达回波经过混频器混频，经过滤波器滤波后得到滤波信号S
IF
(t)：
[0020]S
IF
(t)＝A
T
·
A
R
·
exp{j2π[f
c
Δt+(f
IF
‑
Δf
d
)t])；
[0021]式中，f
IF
表示t时刻滤波信号的频率，A
T
为发射的毫米波雷达信号的振幅。
[0022]进一步地，所述点云数据处理模块包括：坐标系建立单元，去噪单元，聚类单元；
[0023]所述坐标系建立单元，建立三维笛卡尔坐标系，把3D点云数据归一化到同一坐标系中；
[0024]所述去噪单元，用于噪声点及背景滤除处理；
[0025]所述聚类单元，利用聚类算法将大于空间密度阈值的雷达回波采样信号进行聚类。
[0026]进一步地，所述特征融合模块包括：高度特征提取单元、边界特征提取单元和特征融合单元；
[0027]所述高度特征提取单元用于对相同类别的3D点云数据的高度特征进行提取，构成包括n个高度特征元素的集合N＝{N1,N2……
，N
n
}；
[0028]所述边界尺寸特征提取单元用于对相同类别的3D点云数据进行边界尺寸特征提取，构成包括m个边界尺寸特征元素的集合P＝{P1,P2……
，P
m
}；
[0029]所述特征融合单元将集合N＝{N1,N2……
，N
n
}和集合P＝{P1,P2……
，P
m
}融合形成特征数据集。
[0030]进一步地，背景滤除处理包括：
[0031]将瞬时能态值E在时间轴上按照顺序排列得到信号的瞬时能态值特征：
[0032][0033][0034]式中，A(n)为能量幅值，I(n)为雷达回波采样信号的实部信号，Q(n)为雷达回波采样信号的虚部信号，n为雷达回波采样信号的采样波数，n＝1,2,
…
N；
[0035]使用快速傅里叶变换对每个瞬时能态值特征E进行频谱分析，频率F的计算方法如下式：
[0036][0037]式中，f(n)为采样频率，A(n)为对应的能量幅值，将F在时间轴上按照顺序排列得到信号的频率特征。
[0038]相比于现有技术，本专利技术具有如下有益技术效果：
[0039]雷达向目标发射毫米波雷达信号，同时接收目标反射的毫米波雷达信号；雷达回波与发射的毫米波雷达信号经过混频和滤波后得到滤波信号；提取3D点云数据中的高度骨架特征和边界尺寸特征，并把这两种特征数据融合成特征数据；人体姿态识别模块，基于特征数据对特征种类进行识别，通过识别结果来判定人体姿态变化过程，克服了现有动作识别方法缺乏利用点云数据的多维时空结构信息而导致的动作识别准确率的问题，提升了养老监护管理系统的多种环境适用性。
附图说明
[0040]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于毫米波雷达的智能养老监护管理系统，其特征在于，包括：雷达，雷达信号处理模块，点云数据处理模块，特征融合模块，人体姿态识别模块；所述雷达向目标发射毫米波雷达信号，同时接收目标反射的毫米波雷达信号；所述雷达信号处理模块对反射的毫米波雷达信号进行处理，形成雷达回波，与发射的毫米波雷达信号经过混频和滤波后得到滤波信号；所述点云数据处理模块，利用所述滤波信号，形成目标的3D点云数据，滤除3D点云数据中的噪声点；所述特征融合模块，提取3D点云数据中的高度特征和边界尺寸特征，并把这两种特征数据融合成特征数据集；所述人体姿态识别模块，基于特征数据集对特征种类进行识别，通过识别结果来判定人体姿态变化过程。2.根据权利要求1所述的智能养老监护管理系统，其特征在于，还包括状态判断模块，中央处理器，预警模块，云端服务器，监护终端；所述状态判断模块当判断目标人员处于摔倒状态时，将目标的摔倒信息发送至所述中央处理器；所述中央处理器控制所述预警模块进行报警，并将目标摔倒时间和区域通过无线加密网络发送至所述云端服务器；所述云端服务器向远程连接的所述监护终端发送报警指令信息和目标跌倒时间和所在区域，以便监护人员通过所述监护终端实现对目标的远程摔倒检测。3.根据权利要求1所述的智能养老监护管理系统，其特征在于，所述雷达信号处理模块包括：数据处理单元，混频器，滤波器；所述数据处理单元对反射的毫米波雷达信号进行处理，形成雷达回波S
R
(t)：式中，A
R
为反射的毫米波雷达信号的振幅，Δt＝2R/c为毫米波雷达信号的传播时间，R为目标与雷达间的相对径向距离，c为光速，K为调频率，K(τ
‑
Δt)为τ时刻接收到的回波频率，Δf
d
为多普勒频移，f
c
为载波频率，t为时刻，j为虚数；发射的毫米波雷达信号与雷达回波经过混频器混频，经过滤波器滤波后得到滤波信号S
IF
(t)：S
IF
(t)＝A
T
·
A
R
·

【专利技术属性】
技术研发人员：刘峰，
申请(专利权)人：康力元天津医疗科技有限公司，
类型：发明
国别省市：