一种人体摔倒自动检测方法及系统技术方案

一种人体摔倒自动检测方法及系统，基于无线网络信号传输技术，所述方法的步骤包括：无线接收端接收来自无线发射端的无线信号，并评估信道状态信息；利用异常检测算法识别信道状态信息变化的异常；基于将目标动作类和其他动作类进行区分的一类支持向量机，以人体摔倒动作导致信道状态信息变化的异常模式为目标动作类，判断是否发生人体摔倒动作，若是，则发出摔倒警报信号。本发明专利技术的检测方法误报率较低；利用现有的无线网络及设备，无需安装其他特定的检测设备，具有极高的普及性；同时被检测者不需要携带任何额外传感设备，避免了被检测者携带检测设备所造成的不便。

【技术实现步骤摘要】
一种人体摔倒自动检测方法及系统
本专利技术涉及信息处理技术，尤其涉及一种人体摔倒自动检测方法及系统。
技术介绍
如今，世界人口处于一个独特的且不容改变的老龄化趋势。作为老年人最主要的健康威胁和独自生活的障碍，毫无预兆性的摔倒加剧了老年人健康和急救事业的压力。因此，我们急切需要找到一种能够方便并有效的自动检测老年人摔倒并做出回应的方法。为了实现对动作的准确检测，人们提出了利用环境设备、视觉或者传感器来进行检测的方法。然而采用这些方法搭建的检测系统本身都存在着种种不足。在利用周围环境设备进行摔倒检测的系统中，特定的设备仪器需要事先被安装在被检测者所处的环境中，通过设备感受到的视像、音效和地板的振动来判断被检测者的动作。被检测者周围的其他声音或其他环境因素很容易干扰环境设备的工作，从而造成错误的摔倒报警结果。而利用视觉的摔倒检测系统，需要在被检测者所处的检测环境中安装有高分辨率的相机来拍摄大量影像，进而通过所拍摄的影像来判断是否有摔倒的发生。然而，安装相机在某种程度下会侵犯到被检测者的个人隐私。与此同时，由于光线因素的影响，利用视觉的摔倒检测系统不能在黑暗条件下有效的工作。这些系统都存在着受环境因素影响大的缺点，并且这些系统所存在的局限性都为准确并方便的进行对老年人摔倒的检测造成了障碍。随着无线通信技术的发展，越来越多的无线设备被人们应用到生活当中。因此，利用无线通信技术来检测老年人的摔倒动作被认作是一种有效可行的方法。现有的无线通信技术提出了多种检测人体各种动作的方法。比如通过移动设备的三轴加速度传感器采集使用者上躯干部位的三维加速度信息，并对信息进行融合处理，综合人体所受冲击和冲击前后上躯干倾斜角度来判断人体是否摔倒，该方法对多冲击式摔倒和滚落式摔倒的检测仍然有效，具有高检测率；但使用该方法，被检测者需要携带移动设备，仍会造成不便。另有一种摔倒检测定位装置装备了惯性导航模块和GPS模块，所述惯性导航模块由三轴陀螺仪、三轴磁力计和三轴加速度计组成，该摔倒检测定位装置通过GSM/GPRS与绑定被测人员的亲属手机、监护站连接，并设计了基于神经网络和机器学习的摔倒检测算法，准确地检测人体摔倒状态和位置信息，可以准确地检测到被测人员的摔倒状况，并且可以对其实时跟踪定位，系统方便实用，准确率高，稳定性强；但其需要安装有特定的专业设备，成本高且普及性差。进一步地，对于利用随身携带的传感器或者装有应用程序的智能手机的摔倒检测系统，尽管能够在不使用其他特定设备的情况下进行摔倒检测，但被检测者无法保证随时携带传感器或手机，而且携带传感器会给被检测者的生活造成一定程度的不便。
技术实现思路
为了克服上述所指的现有技术中的不足之处，本专利技术提供一种人体摔倒自动检测方法及系统，以在特定的室内环境中，通过利用现有的无线网络及设备，实现对人体摔倒动作的有效的检测，并达到及时报警和反馈的功能。本专利技术是通过以下技术方案实现的: 一种人体摔倒自动检测方法，基于无线网络信号传输技术，其步骤包括: 51、无线接收端接收来自无线发射端的无线信号，并评估信道状态信息； 52、利用异常检测算法识别信道状态信息变化的异常； 53、基于将目标动作类和其他动作类进行区分的一类支持向量机，以人体摔倒动作导致信道状态信息变化的异常模式为目标动作类，判断是否发生人体摔倒动作，若是，则发出摔倒警报信号。进一步地，所述无线发射端的数目为一个或两个以上，所述无线接收端的数目为一个或两个以上。所述步骤SI评估信道状态信息包括: 511、采集初始信道状态数据，基于多输入多输出技术，所述初始信道状态数据包括N个空间流中的M个子载波的CSI值，N和M均为大于I的自然数； 512、对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于I小于M的自然数； 513、利用数据过滤技术和滑动平均方法对信道状态信息进行平滑处理。所述步骤S2利用异常检测算法识别信道状态信息变化的异常是基于局部异常因子的时间序列异常检测算法。进一步地,所述步骤S2包括: 521、对信道状态信息的时间序列实施数据分割得到子序列，计算子序列的局部异常因子; 522、当所述局部异常因子大于或等于预设阈值时，将子序列作为异常模式输出。进一步地,所述步骤S3包括: 531、基于统计学习理论，预先建立以设定空间内由于各项人体动作导致信道状态信息变化的异常模式作为训练样本的高维特征模型； 532、将步骤S23输出的异常模式映射至一类支持向量机的高维特征模型中，分离出目标动作类； 533、判断发生人体摔倒动作，发出摔倒警报信号。本专利技术的人体摔倒自动检测方法还包括:步骤S4，反馈针对摔倒警报信号的响应信息，调整一类支持向量机的高维特征模型。本专利技术还提供了一种人体摔倒自动检测系统，基于无线网络信号传输技术，包括: CSI获取模块，用于无线接收端接收来自无线发射端的无线信号，并评估信道状态信息； 异常检测模块，用于利用异常检测算法识别信道状态信息变化的异常； 动作判断模块，用于基于将目标动作类和其他动作类进行区分的一类支持向量机，以人体摔倒动作所导致的异常模式为目标动作类，判断是否发生人体摔倒动作； 警报模块，用于当判断发生人体摔倒动作时，发出摔倒警报信号。进一步地,所述CSI获取模块包括: 感应单元，用于采集初始信道状态数据，基于多输入多输出技术，所述初始信道状态数据包括N个空间流中的M个子载波的CSI值，N和M均为大于I的自然数； 数据处理单元，用于对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于I小于M的自然数； 平滑单元，用于利用数据过滤技术和滑动平均方法对信道状态信息进行平滑处理。进一步地，所述异常检测模块基于局部异常因子的时间序列异常检测算法，包括: LOF计算单元，用于对信道状态信息的时间序列实施数据分割得到子序列，计算子序列的局部异常因子； 异常输出单元，用于当所述局部异常因子大于或等于预设阈值时，将子序列作为异常模式输出。进一步地，所述动作判断模块包括: 建立模型单元，用于基于统计学习理论，预先建立以设定空间内由于各项人体动作导致信道状态信息变化的异常模式作为训练样本的高维特征模型； 动作识别单元，用于将异常输出单元所输出的异常模式映射至一类支持向量机的高维特征模型中，分离出目标动作类。本专利技术的人体摔倒自动检测系统还包括一反馈模块，用于反馈针对摔倒警报信号的响应信息，调整一类支持向量机的高维特征模型。与现有技术相比，本专利技术基于室内环境下的无线电传播机制，将信道状态信息CSI与人体动作建立联系，通过CSI的变化判断人体发生的动作，确定被检测者是否发生摔倒的动作，从而实现有效的报警的功能，其有益效果包括:在装饰物较少的室内环境(如实验室)中，被检测动作的检测准确率为84%?94%，而在装饰物较多的室内环境(如宿舍)中，检测准确率也达到78%，误报率较低，仅有15%?22% ;能够实现对摔倒动作判断后发出警报信号，并利用系统的自学习功能处理误报情况，进一步降低误报率；本检测方法是在现有的无线网络及设备的基础上，进行摔倒动作的检测工作，被检测环境中无需本文档来自技高网...

【技术保护点】
一种人体摔倒自动检测方法，基于无线网络信号传输技术，其步骤包括：S1、无线接收端接收来自无线发射端的无线信号，并评估信道状态信息；?S2、利用异常检测算法识别信道状态信息变化的异常；S3、基于将目标动作类和其他动作类进行区分的一类支持向量机，以人体摔倒动作导致信道状态信息变化的异常模式为目标动作类，判断是否发生人体摔倒动作，若是，则发出摔倒警报信号。

【技术特征摘要】
1.一种人体摔倒自动检测方法，基于无线网络信号传输技术，其步骤包括: 51、无线接收端接收来自无线发射端的无线信号，并评估信道状态信息； 52、利用异常检测算法识别信道状态信息变化的异常； 53、基于将目标动作类和其他动作类进行区分的一类支持向量机，以人体摔倒动作导致信道状态信息变化的异常模式为目标动作类，判断是否发生人体摔倒动作，若是，则发出摔倒警报信号。2.根据权利要求1所述的人体摔倒自动检测方法，其特征在于:所述无线发射端的数目为一个或两个以上，所述无线接收端的数目为一个或两个以上。3.根据权利要求2所述的人体摔倒自动检测方法，其特征在于，所述步骤SI评估信道状态信息包括: 511、采集初始信道状态数据，基于多输入多输出技术，所述初始信道状态数据包括N个空间流中的M个子载波的CSI值，N和M均为大于I的自然数； 512、对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于I小于M的自然数； 513、利用数据过滤技术和滑动平均方法对信道状态信息进行平滑处理。4.根据权利要求1所述的人体摔倒自动检测方法，其特征在于:所述步骤S2利用异常检测算法识别信道状态信息变化的异常是基于局部异常因子的时间序列异常检测算法。5.根据权利要求4所述的人体摔倒自动检测方法，其特征在于，所述步骤S2包括:` 521、对信道状态信息的时间序列实施数据分割得到子序列，计算子序列的局部异常因子; 522、当所述局部异常因子大于或等于预设阈值时，将子序列作为异常模式输出。6.根据权利要求5所述的人体摔倒自动检测方法，其特征在于:所述步骤S3包括: 531、基于统计学习理论，预先建立以设定空间内由于各项人体动作导致信道状态信息变化的异常模式作为训练样本的高维特征模型； 532、将步骤S23输出的异常模式映射至一类支持向量机的高维特征模型中，分离出目标动作类； 533、判断发生人体摔倒动作，发出摔倒警报信号。7.根据权利要求1所述的人体摔倒自动检测方法，其特征在于，还包...

【专利技术属性】
技术研发人员：伍楷舜，王羽西，倪明选，
申请(专利权)人：广州市香港科大霍英东研究院，
类型：发明
国别省市：