[發(fā)明專利]一種人體摔倒智能檢測方法、系統(tǒng)、信息數(shù)據(jù)處理終端

有效

• 申請?zhí)枺?/td>: 202110628134.8
• 申請日: 2021-06-06
• 公開（公告）號: CN113453180B
• 公開（公告）日: 2022-10-18
• 發(fā)明（設(shè)計）人: 王勇;高尚
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 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

本發(fā)明屬于無線通信技術(shù)領(lǐng)域，公開了一種人體摔倒智能檢測方法、系統(tǒng)、信息數(shù)據(jù)處理終端，所述人體摔倒智能檢測方法包括：利用WIFI設(shè)備獲取原始CSI數(shù)據(jù)；提取與人體運動相關(guān)的動態(tài)路徑，并對動態(tài)路徑信息進行聯(lián)合估計，計算出人體運動軌跡與運動速度；依據(jù)當(dāng)前人體運動速度和預(yù)設(shè)的摔倒速度閾值，判斷并提取出摔倒動作的時間窗口；利用聯(lián)合估計得到的DFS和人體運動速度，結(jié)合CSI幅度與相位差作為摔倒動作判決的統(tǒng)計量，提取摔倒動作特征；通過分類模型對特征進行動態(tài)篩選，使用剩余特征進行摔倒動作識別，得到結(jié)果。本發(fā)明克服現(xiàn)有技術(shù)中檢測精度低且檢測結(jié)果易受到環(huán)境變化影響的問題，保護用戶的隱私，節(jié)省計算資源，提升摔倒動作的檢測精度。

技術(shù)領(lǐng)域

本發(fā)明屬于無線通信技術(shù)領(lǐng)域，尤其涉及一種人體摔倒智能檢測方法、系統(tǒng)、信息數(shù)據(jù)處理終端。

背景技術(shù)

目前，隨著第五代移動通信技術(shù)(5G)的飛速發(fā)展，人類已經(jīng)步入了萬物互聯(lián)的物聯(lián)網(wǎng)時代，以機器為中心的計算模式正朝著為以人為中心的計算模式轉(zhuǎn)變。人體行為識別作為物聯(lián)網(wǎng)關(guān)鍵技術(shù)之一，一直以來都是重要的科學(xué)研究課題。根據(jù)世界健康組織調(diào)查顯示，每年約有30％的老年人因摔倒而受傷。摔倒是一個十分危險的動作，特別是對于老年人而言，可能會導(dǎo)致軀體的直接損傷或內(nèi)臟的間接損傷。如果能及時的檢測出人體的摔倒動作，并通知看護或醫(yī)療人員，就可以避免錯過最佳治療時間。隨著人們對老人生命健康問題的關(guān)注度的提高，室內(nèi)人體摔倒檢測已成為研究熱點。傳統(tǒng)的摔倒檢測技術(shù)主要包括基于傳感器、計算器視覺和接收信號強度指示(RSSI)的摔倒檢測，這些技術(shù)雖然可以獲得一定程度的動作識別準(zhǔn)確率，但這些方法都需要專用的傳感器，安裝成本高昂，用戶隱私難以得到保護。此外，由于RSSI僅包含幅度信息，同時可用數(shù)據(jù)流數(shù)量較少，是一種粗粒度的信息，所以此類方法的檢測精度一般較低。

基于CSI的摔倒檢測與傳統(tǒng)的方法相比，具有部署難度低，安裝成本低，檢測精度高，保護用戶隱私的優(yōu)點，近年已成為國內(nèi)外研究的熱點內(nèi)容。WiFall方法作為首個基于CSI的摔倒檢測系統(tǒng)，采用了局部異常因子來檢測人體運動。該方法利用信道狀態(tài)信息幅度的時變性來刻畫人體的動作，并利用幅度的方差來提取摔倒動作發(fā)生時間窗口。通過支持向量機對提取的7種特征分類達到了87％的平均摔倒檢測精度。由于該方法較低的檢測準(zhǔn)確率和較高的平均虛警概率，許多方法在此基礎(chǔ)上加以了改進。Anti-Fall就是一種改進后的摔倒檢測方法，它除了使用CSI的幅度信息外還使用了兩個接收天線的相位差作為特征來區(qū)分摔倒和類摔倒動作。該方法提出了摔倒結(jié)束時間的檢測，通過提前設(shè)定的閾值來判斷摔倒動作的結(jié)束時間。Anti-Fall以結(jié)束時間為基準(zhǔn)，回溯一定的時間窗口，來獲取完整的摔倒動作信息。該方法同樣使用了支持向量機對多種特征進行分類，達到了89％的平均摔倒檢測精度。RT-Fall對Anti-Fall方法進行了改進，除了原有的用于分類的特征外，RT-Fall還提出了功率下降率的特征。通過觀察不同人體動作的頻域特征，由于摔倒動作不受人控制，相比于其余人體動作功率下降率會更大，所以功率下降率可以一定程度上改善分類結(jié)果。最終RT-Fall的平均分類準(zhǔn)確率為91％。FallDeFi繼續(xù)對分類特征進行了拓展。以前的方法都是從時域中提取分類特征，而該方法通過短時傅里葉變換來提取頻域特征。此外，F(xiàn)allDeFi使用功率突發(fā)曲線提取摔倒動作時間窗口。對于多樣的特征，F(xiàn)allDeFi使用了序列前向選擇算法，挑選出可以彈性應(yīng)對環(huán)境變化的特征，同時保證了較高的分類準(zhǔn)確率。FallDeFi的分類準(zhǔn)確率達到了93％。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，也有不少方法將其應(yīng)用到基于CSI的摔倒檢測之中，且取得了較好的成果。WmFall對于難以區(qū)分的摔倒和坐下的動作，通過深度學(xué)習(xí)算法對它們進行區(qū)分。該方法實現(xiàn)了一個多級深度學(xué)習(xí)模型，包括感知層、初步判斷層和最終判斷層三個部分。WmFall在實驗室中測試結(jié)果分類準(zhǔn)確度為89％。FDS方法首先使用離散小波變換去除人體運動信號中的高頻噪聲，然后將去噪后的數(shù)據(jù)使用循環(huán)神經(jīng)網(wǎng)絡(luò)進行分類。在實驗室中達到了90％的分類準(zhǔn)確度。近年來，一些新的摔倒檢測方法層出不窮，雖然取得了一定的成果，但都難以在繼續(xù)提升分類準(zhǔn)確度上做出突破。

通過上述分析，現(xiàn)有技術(shù)存在的問題及缺陷為：