[發明專利]一種人體摔倒智能檢測方法、系統、信息數據處理終端

有效

• 申請號: 202110628134.8
• 申請日: 2021-06-06
• 公開（公告）號: CN113453180B
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 王勇;高尚
• 申請（專利權）人: 西安電子科技大學
• 主分類號: H04W4/33
• 分類號: H04W4/33;G06V10/40;G06V10/764
• 代理公司: 西安長和專利代理有限公司 61227
• 代理人: 黃偉洪

1.一種人體摔倒智能檢測方法，其特征在于，所述人體摔倒智能檢測方法包括以下步驟：

步驟一，利用WIFI設備獲取原始CSI數據；

步驟二，提取與人體運動相關的動態路徑，對人體運動產生的多普勒頻移DFS、天線陣列到達角AoA以及信號飛行時間ToF信息進行聯合估計，計算出人體運動軌跡與運動速度；

步驟三，依據當前人體運動速度和預設的摔倒速度閾值，判斷并提取出摔倒動作的時間窗口；

步驟四，利用聯合估計得到的DFS和人體運動速度，結合CSI幅度與相位差作為摔倒動作判決的統計量，從中提取共11個摔倒動作特征；

步驟五，通過一個兩層的分類模型，對特征進行動態篩選，舍去權重較低的變量；使用剩余特征進行摔倒動作識別，得到結果；

步驟四中，所述利用聯合估計得到的DFS和人體運動速度，結合CSI幅度與相位差作為摔倒動作判決的統計量，從中提取共11個摔倒動作特征，包括：

綜合考慮CSI的幅度、CSI的相位差、DFS和人體運動速度，提取摔倒動作特征，用于提高識別精度和簡化分類計算；選取的CSI幅度為第一根天線第十個子載波的幅度，即A＝|H(i,1,10)|,i＝1,2,…,T，選取的CSI相位差為第一根天線與第二根天線第十條子載波的相位差，即Ph＝φ_i,1,10-φ_i,2,10,i＝1,2,…,T；

提取的特征如下：

(1)動作持續時間

TD＝t_start-t_end；

其中，t_start表示步驟三中時間窗口的動作開始時間，t_end表示動作結束時間；

(2)CSI幅度歸一化標準差STD_A

其中，表示CSI幅度的均值；

(3)CSI相位差歸一化標準差STD_Ph

其中，表示CSI相位差的均值；

(4)CSI幅度樣本熵SE_A

對于N個CSI幅度樣本數據組成的時間序列{A(n)}＝{A(1),A(2),…,A(N)}，定義序列A_m(i)＝{A(i),A(i+1),…,A(i+m-1)}，定義序列A_m(i)與A_m(j)之間的距離d[A_m(i),A_m(j)]為兩者元素中最大差值的絕對值，即：

d[A_m(i),A_m(j)]＝max_{k＝0,1,…,m-1}(|A(i+k)-A(j+k)|)；

對于序列A_m(i)，統計A_m(i)與A_m(j)之間的距離小于等于閾值r時j的數目，1≤j≤N-m,j≠i，記作B_i；對于1≤i≤N-m，定義：

定義：

增加維數到m+1，計算A_m+1(i)與A_m+1(j)距離小于等于r的個數，1≤j≤N-m,j≠i，記為D_i；定義為：

定義：

其中，表示兩個序列在相似容限r下匹配m個點的概率，D^m(r)是兩個序列匹配m+1個點的概率；樣本熵計算公式為：

計算CSI幅度樣本熵時，取m＝2，r＝0.15·STD_A；

(5)CSI相位差樣本熵SE_Ph

計算方式與CSI幅度樣本熵同理，將樣本數據替換為CSI相位差數據{Ph(n)}＝{Ph(1),Ph(2),…,Ph(N)}，計算公式為：

計算CSI相位差樣本熵時，取m＝2，r＝0.15·STD_Ph；

(6)CSI幅度絕對中位差MAD_A

MAD_A＝median(|A-median(A)|)；

其中，median表示計算數據的中位數；

(7)CSI相位絕對中位差MAD_Ph

MAD_Ph＝median(|Ph-median(Ph)|)；

(8)CSI幅度四分位距IR_A

Q₃(A)-Q₁(A)；

其中，Q₃表示計算該樣本中所有數值由小到大排列后第75％的數字，Q₁表示計算該樣本中所有數值由小到大排列后第25％的數字；

(9)CSI相位差四分位距IR_Ph

Q₃(Ph)-Q₁(Ph)；

(10)DFS絕對值的最大值f_max

f_max＝max|f_d|；

(11)人體運動速度最大值v_max

v_max＝maxv；

增加DFS和速度來更好地體現人體摔倒動作，共提取11個特征，組成特征向量W進行最終分類：

W＝[TD,STD_A,STD_Ph,SE_A,SE_Ph,MAD_A,MAD_Ph,IR_A,IR_Ph,f_max,v_max]；

步驟五中，所述通過一個兩層的分類模型，對特征進行動態篩選，舍去權重較低的變量；使用剩余特征進行摔倒動作識別，得到結果，包括：

利用WIFI設備分別多次人體運動的信道狀態信息CSI數據，計算得到多組特征向量；將獲得的特征向量作為輸入數據，將輸入數據按比例劃分訓練數據集和測試數據集；

在第一層分類器中，利用訓練數據集，采用隨機森林RF進行初步的學習和分類，計算每個特征的變量權重；每個特征在隨機森林中每個決策樹的貢獻通過基尼系數計算來評估，通過VIM表示變量的重要性，用G來表示基尼系數；其中，所述基尼系數的計算方式如下：

其中，R表示類別總數，本模型中包括摔倒和非摔倒兩類，s_pr表示在節點p中類別r所占的比例；

根據步驟四中提取的特征向量W，共有11個特征a₁,a₂,…,a₁₁，按照公式計算出每個特征a_i,i＝1,2,…,11的基尼系數，記作VIM_i；基尼系數的變化，即特征在決策樹節點p中的重要性的計算如下：

VIM_jp＝G_p-G_l-G_r；

其中，G_l和G_r分別代表兩個新節點的基尼系數；

若特征a_i出現的節點記為集合P，則決策樹j中特征a_i的重要性表示為：

假設隨機森林中決策樹的總數為k_tree，則特征a_i的重要性表示為：

對得到的特征重要性進行歸一化即可得到變量權重：

按照變量權重大小對特征進行篩選，濾除變量權重VIM_j＜0.04的特征；濾除部分特征后的特征向量用W₀表示，根據W₀更新訓練數據集和測試數據集；

在第二層分類器中，利用更新后的測試集數據，采用支持向量機SVM進行模型訓練，類別包括摔倒動作和非摔倒動作；模型訓練完成后，將更新后測試數據集的數據放入模型進行分類，對于每一組數據，輸出一種類別；將測試集數據原類別與模型分類結果比對得到分類模型準確率。