一种基于Wi-Fi的跌倒定位联合检测方法、装置和系统制造方法及图纸

本发明专利技术涉及一种基于Wi

【技术实现步骤摘要】
一种基于Wi
‑
Fi的跌倒定位联合检测方法、装置和系统


[0001]本专利技术涉及数据处理
，特别是涉及一种基于Wi
‑
Fi的跌倒定位联合检测方法、装置和系统。

技术介绍

[0002]跌倒事件对老年人的生理健康和心理健康都损害巨大。研究表明，跌倒后的医疗结果很大程度上取决于反应和抢救的时间，跌倒后延迟治疗会大大增加死亡风险。因此及时、自动地检测跌倒事件是否发生有可能挽救老年人的生命。
[0003]现有技术中，检测跌倒事件是否发生的常规手段是让老人佩戴可穿戴智能设备；可穿戴智能设备上设有加速度传感器，通过加速度传感器来判断老人的运动状态，从而检测跌倒事件是否发生。

技术实现思路

[0004]基于此，本专利技术的目的在于，提供一种基于Wi
‑
Fi的跌倒定位联合检测方法和装置，其具有无需佩戴任何设备即可实现跌倒检测，并且能够检测跌倒发生的位置的优点。
[0005]一种基于Wi
‑
Fi的跌倒定位联合检测方法，包括以下步骤：S1，获取CSI数据并对CSI数据进行特征提取，得到跌倒特征向量和定位特征向量；S2，通过SVM跌倒检测模型识别所述跌倒特征向量所对应的跌倒类标签；所述跌倒类标签为0或1；S3，根据所述跌倒类标签判断跌倒是否发生；若跌倒类标签为0，则判断跌倒未发生；若跌倒类标签为1，则判断跌倒发生，执行步骤S4；S4，通过SVM定位模型将定位特征向量与一预设区域相匹配，将匹配到的预设区域作为定位结果；所述预设区域，是指构建SVM定位模型所采用的CSI数据样本所划分出来的区域。
[0006]这种基于Wi
‑
Fi的跌倒定位联合检测方法，不需要任何穿戴设备即可实现跌倒检测，并且能够检测跌倒发生的位置，以较低的成本实现较准确的跌倒定位联合检测效果。
[0007]进一步地，通过SVM跌倒检测模型识别所述跌倒特征向量所对应的跌倒类标签，具体包括以下步骤：记所述跌倒特征向量为，其维数为；所述SVM跌倒检测模型包括一个将第一特征空间分割成两个区域的第一超平面；第一超平面方程为，其中为维向量，为决定第一超平面方向的法向量，为的转置矩阵，为位移项；将跌倒特征向量代入至第一超平面方程，根据代入计算得到的值判断跌倒特征向量在第一特征空间中的所属区域，即，式中表示跌倒特征向量的所在区域，为符号函数；将跌倒特征向量在第一特征空间中的所属区域作为该跌倒特征向量所对应的跌
倒类标签。
[0008]进一步地，通过SVM定位模型将定位特征向量与一预设区域相匹配，具体包括以下步骤：记所述定位特征向量为，其维数为；记所述预设区域的数量为k；所述SVM定位模型包括k
‑
1个将第二特征空间分割成k个区域的第二超平面；第二超平面方程为，其中为维向量，为决定第二超平面方向的法向量，为的转置矩阵，为位移项；为1到k
‑
1之间的整数，表示k
‑
1个第二超平面方程中的第i个方程；将定位特征向量分别代入至每个第二超平面方程中，根据代入计算得到的值判断定位特征向量在第二特征空间中的所属区域；即，式中表示定位特征向量的相对于第个第二超平面的所属区域，为符号函数；综合定位特征向量代入至每个第二超平面方程计算得到的的值，判断定位特征向量在第二特征空间中的所属区域；将定位特征向量在第二特征空间中的所属区域，作为该定位特征向量所对应的定位类标签；所述定位类标签为1到k之间的整数，表示该CSI数据与第几个预设区域相匹配。
[0009]进一步地，所述SVM跌倒检测模型，通过以下步骤构建：S21，采集若干个CSI数据样本；这些CSI数据样本既包括跌倒样本又包括非跌倒样本；S22，对CSI数据样本进行预处理和特征提取，得到个用于跌倒检测的特征值，这些特征值组成维的跌倒特征向量；将1作为跌倒样本的跌倒特征向量所对应的跌倒类标签，将0作为非跌倒样本的跌倒特征向量所对应的跌倒类标签；S23，将CSI数据样本按一定的比例随机分为训练集和测试集；S24，判断训练集的跌倒特征向量是否线性可分；所述线性可分是指训练集的跌倒特征向量能够被一个超平面分为两类；如果是，则将训练集的跌倒特征向量作为映射跌倒特征向量；如果不是，则对训练集跌倒特征向量做第一变换，使之映射到另一个高维空间，转化为可以被一个超平面分为两类的映射跌倒特征向量；S25，根据映射跌倒特征向量及其跌倒类标签，构造一个超平面方程，使这一个超平面能够将第一特征空间分割成两个区域，并且对映射跌倒特征向量的跌倒分类正确率在一定容许范围内；所述跌倒分类正确率是指，将跌倒特征向量代入至所述超平面方程，根据代入计算得到的值判断跌倒特征向量在第一特征空间中的所属区域，所得到的预测跌倒类标签与真实跌倒类标签相比的正确率；S26，将测试集的跌倒特征向量代入S25构造的超平面方程，根据代入方程计算得到的值判断测试集的跌倒特征向量在特征空间中所属的区域，得到测试集的预测跌倒类标签；将测试集的预测跌倒类标签与真实跌倒类标签比较，得到本次构造的超平面方程的测试集跌倒分类正确率；S27，回到步骤S23，重新选择训练集和测试集来构造超平面方程，重复若干次；比较每次生成的超平面方程的测试集跌倒分类正确率，选择测试集跌倒分类正确
率最高的那个超平面方程作为第一超平面方程。
[0010]进一步地，所述SVM定位模型通过以下方法构建：S41，将室内空间划分为k个预设区域，在每个预设区域都采集若干个CSI定位数据样本；S42，对CSI定位数据样本进行预处理和特征提取，得到个用于定位的特征值；这些特征值组成维的定位特征向量；将CSI定位数据样本对应的预设区域作为定位特征向量的定位类标签；S43，将CSI定位数据样本按一定的比例随机分为训练集和测试集；S44，判断训练集的定位特征向量是否线性可分；所述线性可分是指训练集的定位特征向量能够被k
‑
1个超平面分为k类；如果是，则将训练集的定位特征向量作为映射定位特征向量；如果不是，则对训练集的定位特征向量做第二变换，使之映射到另一个高维空间，转化为可以被k
‑
1个超平面分为k类的映射定位特征向量；S45，根据映射定位特征向量及其定位类标签，构造k
‑
1个超平面方程，使这k
‑
1个超平面能够将第二特征空间分割成k个区域，并且对映射定位特征向量的定位分类正确率在一定容许范围内；所述定位分类正确率是指，将定位特征向量代入至k
‑
1个超平面方程，根据代入计算得到的值判断定位特征向量在第二特征空间中的所属区域，所得到的预测定位类标签与真实定位类标签相比的正确率；S46，将测试集的定位特征向量代入S45构造的k
‑
1个超平面方程，根据代入计算得到的值判断测试集的定位特征向量在第二特征空间中所属的区域，得到测试集的预测定位类标签；将测试集的预测定位类标签与真实定位类标签比较，得到本次构造的超平面方程的测试集定位分类正确率；S47，回到步骤S43，重新选择训练集和测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Wi
‑
Fi的跌倒定位联合检测方法，包括以下步骤：S1，获取CSI数据并对所述CSI数据进行特征提取，得到跌倒特征向量和定位特征向量；S2，通过SVM跌倒检测模型识别所述跌倒特征向量所对应的跌倒类标签；所述跌倒类标签为0或1；S3，根据所述跌倒类标签判断跌倒是否发生；若跌倒类标签为0，则判断跌倒未发生；若跌倒类标签为1，则判断跌倒发生，执行步骤S4；S4，通过SVM定位模型将定位特征向量与一预设区域相匹配，将匹配到的预设区域作为定位结果；所述预设区域为通过CSI数据样本所划分出来的区域。2.根据权利要求1所述的基于Wi
‑
Fi的跌倒定位联合检测方法，其特征在于：所述步骤S2具体包括以下步骤：记所述跌倒特征向量为，其维数为；所述SVM跌倒检测模型包括一个将第一特征空间分割成两个区域的第一超平面；第一超平面方程为，其中为维向量，为决定第一超平面方向的法向量，为的转置矩阵，为位移项；将跌倒特征向量代入至第一超平面方程，根据代入计算得到的值判断跌倒特征向量在第一特征空间中的所属区域，即，式中表示跌倒特征向量的所在区域，为符号函数；将跌倒特征向量在第一特征空间中的所属区域作为该跌倒特征向量所对应的跌倒类标签。3.根据权利要求2所述的基于Wi
‑
Fi的跌倒定位联合检测方法，其特征在于：所述步骤S4具体包括以下步骤：记所述定位特征向量为，其维数为；记所述预设区域的数量为k；所述SVM定位模型包括k
‑
1个将第二特征空间分割成k个区域的第二超平面；第二超平面方程为，其中为维向量，为决定第二超平面方向的法向量，为的转置矩阵，为位移项；为1到k
‑
1之间的整数，表示k
‑
1个第二超平面方程中的第i个方程；将定位特征向量分别代入至每个第二超平面方程中，根据代入计算得到的值判断定位特征向量在第二特征空间中的所属区域；即，式中表示定位特征向量的相对于第个第二超平面的所属区域，为符号函数；综合定位特征向量代入至每个第二超平面方程计算得到的的值，判断定位特征向量在第二特征空间中的所属区域；将定位特征向量在第二特征空间中的所属区域，作为该定位特征向量所对应的定位类标签；所述定位类标签为1到k之间的整数，表示该CSI数据与第几个预设区域相匹配。4.根据权利要求3所述的基于Wi
‑
Fi的跌倒定位联合检测方法，其特征在于：所述SVM跌倒检测模型通过以下步骤构建：S21，采集若干个CSI数据样本；这些CSI数据样本既包括跌倒样本又包括非跌倒样本；S22，对CSI数据样本进行预处理和特征提取，得到个用于跌倒检测的特征值，这些特征值组成维的跌倒特征向量；将1作为跌倒样本的跌倒特征向量所对应的跌倒类标签，将
0作为非跌倒样本的跌倒特征向量所对应的跌倒类标签；S23，将CSI数据样本按一定的比例随机分为训练集和测试集；S24，判断训练集的跌倒特征向量是否线性可分；所述线性可分是指训练集的跌倒特征向量能够被一个超平面分为两类；如果是，则将训练集的跌倒特征向量作为映射跌倒特征向量；如果不是，则对训练集跌倒特征向量做第一变换，使之映射到另一个高维空间，转化为可以被一个超平面分为两类的映射跌倒特征向量；S25，根据映射跌倒特征向量及其跌倒类标签，构造一个超平面方程，使这一个超平面能够将第一特征空间分割成两个区域，并且对映射跌倒特征向量的跌倒分类正确率在一定容许范围内；所述跌倒分类正确率是指，将跌倒特征向量代入至所述超平面方程，根据代入计算得到的值判断跌倒特征向量在第一特征空间中的所属区域，所得到的预测跌倒类标签与真实跌倒类标签相比的正确率；S26，将测试集的跌倒特征向量代入S25构造的超平面方程，根据代入方程计算得到的值判断测试集的跌倒特征向量在第一特征空间中所属的区域，得到测试集的预测跌倒类标签；将测试集的预测跌倒类标签与真实跌倒类标签比较，得到本次构造的超平面方程的测试集跌倒分类正确率；S27，回到步骤S23，重新选择训练集和测试集来构造超平面方程，重复若干次；比较每次生成的超平面方程的测试集跌倒分类正确率，选择测试集跌倒分类正确率最高的那个超平面方程作为第一超平面方程。5.根据权利要求4所述的基于Wi
‑
Fi的跌倒定位联合检测方法，其特征在于：所述SVM定位模型通过以下方法构建：S41，将室内空间划分为k个预设区域，在每个预设区域都采集若干个CSI定位数据样本；S42，对CSI定位数据样本进行预处理和特征提取，得到个用于定位的特征值；这些特征值组成维的定位特征向量；将CSI定位数据样本对应的预设区域作为定位特征向量的定位类标签；S43，将CSI定位数据样本按一定的比例随机分为训练集和测试集；S44，判断训练集的定位特征向量是否线性可分；所述线性可分是指训练集的定位特征向量能够被k
‑
1个超平面分为k类；如果是，则将训练集的定位特征向量作为映射定位特征向量；如果不是，则对训练集的定位特征向量做第二变换，使之映射到另一个高维空间，转化为可以被k
‑
1个超平面分为k类的映射定位特征向量；S45，根据映射定位特征向量及其定位类标签，构造k
‑
1个超平面方程，使这k
‑
1个超平面能够将第二特征空间分割成k个区域，并且对映射定位特征向量的定位分类正确率在一定容许范围内；所述定位分类正确率是指，将定位特征向量代入至k
‑
1个超平面方程，根据代入计算得到的值判断定位特征向量在第二特征空间中的所属区域，所得到的预测定位类标签与真实定位类标签相比的正确率；S46，将测试集的定位特征向量代入S45构造的k
‑
1个超平面方程，根据代入计算得到的
值判断测试集的定位特征向量在第二特征空间中所属的区域，得到测试集的预测定位类标签；将测试集的预测定位类标签与真实定位类标签比较，得到本次构造的超平面方程的测试集定位分类正确率；S47，回到步骤S43，重新选择训练集和测试集来构造超平面方程，重复若干次；比较每次生成的超平面方程的测试集定位分类正确率，选择测试集定位分类正确率最高的那组超平面方程作为第二超平面方程。6.根据权利要求5所述的基于Wi
‑
Fi的跌倒定位联合检测方法，其特征在于：所述步骤S1具体包括以下步骤：S11，获取CSI数据；S12，对CSI数据进行特征提取，得到若干个特征值；S13，将若干个特征值分为用于跌倒检测的特征值和用于定位的特征值；其...

【专利技术属性】
技术研发人员：刘勇，丘凌峰，黄辉，陈以磊，陈瀚驰，刘诗怡，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：