本发明专利技术提供了一种对象跌倒检测模型的训练方法及跌倒检测方法，可以应用于智能感知领域。该方法包括：对用于对象跌倒检测的样本信号集进行第一层级信号质量特征提取，得到多个第一层级信号质量特征，其中，样本信号集表征在预设时间段收集的多个样本信号；将多个第一层级信号质量特征输入至信号质量特征提取子模型中，得到信号质量分数；将样本信号集输入至检测子模型中得到初始跌倒检测结果；基于初始跌倒检测结果、信号质量分数和与样本信号集对应的标签数据，得到目标损失函数值；基于目标损失函数值分别对信号质量特征提取子模型和检测子模型进行优化，得到经训练的对象跌倒检测模型。
【技术实现步骤摘要】
本专利技术涉及智能感知领域，尤其涉及一种对象跌倒检测模型的训练方法及跌倒检测方法。
技术介绍
1、由于无线信号在对象跌倒检测中具备的非接触、隐私规避等优势，采用无线信号的对象跌倒检测愈发流行，在基于无线信号的对象跌倒检测中，通常利用深度学习模型强大的非线性拟合能力，从复杂的无线信号中提取到与对象相关的信息并实现对象跌倒的监测。
2、在实际应用场景中，无线信号易受硬件和环境噪声的影响，使得无线信号不能清晰地甚至完全不能反映对象状态信息，最终表现为信号质量差。且信号质量差的无线信号将对于对象跌倒检测存在较大影响，对于信号质量差的无线信号进行的对象跌倒检测常导致深度学习模型产生不正确或者误导的检测结果。
技术实现思路
1、鉴于上述问题，本专利技术提供了一种对象跌倒检测模型的训练方法、跌倒检测方法以及上述方法的装置、设备、存储介质。
2、根据本专利技术的一个方面，提供了一种对象跌倒检测模型的训练方法，对象跌倒检测模型包括：信号质量特征提取子模型和检测子模型，上述方法包括：对用于对象跌倒检测的样本信号集进行第一层级信号质量特征提取，得到多个第一层级信号质量特征，其中，样本信号集表征在预设时间段收集的多个样本信号；
3、将多个第一层级信号质量特征输入至信号质量特征提取子模型中，得到信号质量分数；将样本信号集输入至检测子模型中得到初始跌倒检测结果；
4、基于初始跌倒检测结果、信号质量分数和与样本信号集对应的标签数据，得到目标损失函数值；
>5、基于目标损失函数值分别对信号质量特征提取子模型和检测子模型进行优化，得到经训练的对象跌倒检测模型。6、根据本专利技术的实施例，对用于对象跌倒检测的样本信号集进行第一层级信号质量特征提取，得到多个第一层级信号质量特征，包括：对样本信号集进行第一层级信号质量特征提取，得到样本信号集在多个维度各自的初始信号质量特征；对样本信号集在多个维度各自的初始信号质量特征分别进行掩码处理，得到多个第一层级信号质量特征。
7、根据本专利技术的实施例，初始信号质量特征包括：样本信号集的频域特征、多普勒域特征以及空域特征；其中，对样本信号集进行第一层级信号质量特征提取，得到样本信号集在多个维度各自的初始信号质量特征，包括：对样本信号集在快时间维度进行傅里叶变换，得到样本信号集的频域特征；对频域特征在慢时间维度进行傅里叶变换，得到样本信号集的多普勒域特征；对多普勒域特征在天线维度进行傅里叶变换，得到样本信号集的空域特征。
8、根据本专利技术的实施例，信号质量特征提取子模型包括：深度特征提取层和全连接层；第一层级信号质量特征包括：掩码处理后的频域特征、掩码处理后的多普勒域特征以及掩码处理后的空域特征，将多个第一层级信号质量特征输入至信号质量特征提取子模型中，得到信号质量分数，包括：将掩码处理后的频域特征、掩码处理后的多普勒域特征以及掩码处理后的空域特征分别输入至各自对应的深度特征提取层中，得到多个第二层级信号质量特征；将多个第二层级信号质量特征输入至全连接层，得到信号质量分数。
9、根据本专利技术的实施例，将多个第二层级信号质量特征输入至全连接层，得到信号质量分数，通过以下公式（1）得到：
10、；（1）
11、其中，
x
f，
x
d，
x
s分别为与掩码处理后的频域特征对应的第二层级信号质量特征，与掩码处理后的多普勒域特征对应的第二层级信号质量特征以及与掩码处理后的空域特征对应的第二层级信号质量特征，
e
f，
e
d，
e
s分别为与掩码处理后的频域特征、掩码处理后的多普勒域特征和掩码处理后的空域特征对应的深度特征提取层，
fc表示全连接层，
q为样本信号集的信号质量分数。
12、根据本专利技术的实施例，基于初始跌倒检测结果、信号质量分数和与样本信号集对应的标签数据，得到目标损失函数值，包括：基于初始跌倒检测结果、信号质量分数和与样本信号集对应的标签数据，得到目标跌倒检测结果；基于目标跌倒检测结果和信号质量分数，得到目标损失函数值。
13、根据本专利技术的实施例，基于初始跌倒检测结果、信号质量分数和标签数据，得到目标跌倒检测结果，通过以下公式（2）得到：
14、；（2）
15、其中，
y为标签数据，
p为初始跌倒检测结果，为目标跌倒检测结果。
16、根据本专利技术的实施例，基于目标跌倒检测结果和信号质量分数，得到目标损失函数值，包括：基于目标跌倒检测结果和标签数据，得到第一中间损失函数；基于信号质量分数，得到第二中间损失函数；基于第一中间损失函数和第二中间损失函数，得到目标损失函数值。
17、根据本专利技术的实施例，基于目标损失函数值分别对信号质量特征提取子模型和检测子模型进行优化，得到经训练的对象跌倒检测模型，包括：基于目标损失函数值对检测子模型进行参数调整，得到经训练的检测子模型；基于目标损失函数值对信号质量特征提取子模型进行参数调整，得到经训练的信号质量特征提取子模型；基于经训练的检测子模型和经训练的信号质量特征提取子模型，得到经训练的对象跌倒检测模型。
18、本专利技术的另一个方面提供了一种对象跌倒检测方法，包括：
19、接收从目标对象反射的预设时间段的多个毫米波，得到毫米波雷达回波信号集；
20、对毫米波雷达回波信号集进行第一层级信号质量特征提取，得到毫米波雷达回波信号集的多个第一层级信号质量特征；
21、将毫米波雷达回波信号集的多个第一层级信号质量特征输入至经对象跌倒检测模型的训练方法训练得到的信号质量特征提取子模型中，得到毫米波雷达回波信号集的信号质量分数；
22、将毫米波雷达回波信号集的信号质量分数与质量分数阈值进行比对，得到比对结果；
23、在比对结果表征毫米波雷达回波信号集的信号质量分数大于质量分数阈值的情况下，将毫米波雷达回波信号集输入至经对象跌倒检测模型的训练方法训练得到的检测子模型中输出针对毫米波雷达回波信号集的跌倒检测结果。
24、本专利技术的另一个方面提供了一种对象跌倒检测模型的训练装置，对象跌倒检测模型包括：信号质量特征提取子模型和检测子模型，上述装置包括：
25、特征确定模块，用于对用于对象跌倒检测的样本信号集进行第一层级信号质量特征提取，得到多个第一层级信号质量特征，其中，样本信号集表征在预设时间段收集的多个样本信号；
26、信号质本文档来自技高网...
【技术保护点】
1.一种对象跌倒检测模型的训练方法，其特征在于，所述对象跌倒检测模型包括：信号质量特征提取子模型和检测子模型，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对用于对象跌倒检测的样本信号集进行第一层级信号质量特征提取，得到多个第一层级信号质量特征，包括：
3.根据权利要求2所述的方法，其特征在于，所述初始信号质量特征包括：所述样本信号集的频域特征、多普勒域特征以及空域特征；
4.根据权利要求3所述的方法，其特征在于，所述信号质量特征提取子模型包括：深度特征提取层和全连接层；所述第一层级信号质量特征包括：掩码处理后的频域特征、掩码处理后的多普勒域特征以及掩码处理后的空域特征；
5. 根据权利要求4所述的方法，其特征在于，所述将多个所述第二层级信号质量特征输入至所述全连接层，得到所述信号质量分数，通过以下公式（1）得到：
6.根据权利要求1所述的方法，其特征在于，所述基于所述初始跌倒检测结果、所述信号质量分数和与所述样本信号集对应的标签数据，得到目标损失函数值，包括：
7. 根据权利要求6所述的方法，其特征在于，所述基于所述初始跌倒检测结果、所述信号质量分数和所述标签数据，得到目标跌倒检测结果，通过以下公式（2）得到：
8.根据权利要求6所述的方法，其特征在于，所述基于所述目标跌倒检测结果和所述信号质量分数，得到目标损失函数值，包括：
9.根据权利要求1所述的方法，其特征在于，所述基于所述目标损失函数值分别对所述信号质量特征提取子模型和所述检测子模型进行优化，得到经训练的对象跌倒检测模型，包括：
10.一种对象跌倒检测方法，其特征在于，包括：
...
【技术特征摘要】
1.一种对象跌倒检测模型的训练方法，其特征在于，所述对象跌倒检测模型包括：信号质量特征提取子模型和检测子模型，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对用于对象跌倒检测的样本信号集进行第一层级信号质量特征提取，得到多个第一层级信号质量特征，包括：
3.根据权利要求2所述的方法，其特征在于，所述初始信号质量特征包括：所述样本信号集的频域特征、多普勒域特征以及空域特征；
4.根据权利要求3所述的方法，其特征在于，所述信号质量特征提取子模型包括：深度特征提取层和全连接层；所述第一层级信号质量特征包括：掩码处理后的频域特征、掩码处理后的多普勒域特征以及掩码处理后的空域特征；
5. 根据权利要求4所述的方法，其特征在于，所述将多个所述第二层级信号质量特征输入至所述全连接层，...
【专利技术属性】
技术研发人员：陈彦，吴昌炜，张东恒，胡洋，孙启彬，赵泽鹏，赵玉林，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。