[發(fā)明專(zhuān)利]一種浴室場(chǎng)景下Wi-Fi感知人體摔倒檢測(cè)方法和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110766943.5
• 申請(qǐng)日: 2021-07-07
• 公開(kāi)（公告）號(hào): CN113499064A
• 公開(kāi)（公告）日: 2021-10-15
• 發(fā)明（設(shè)計(jì)）人: 段鵬松;李婧馨;李晨;曹晨陽(yáng);葉彪;曹仰杰
• 申請(qǐng)（專(zhuān)利權(quán)）人: 鄭州大學(xué)
• 主分類(lèi)號(hào): A61B5/11
• 分類(lèi)號(hào): A61B5/11;G08B21/04;A61B5/00
• 代理公司: 鄭州德勤知識(shí)產(chǎn)權(quán)代理有限公司 41128
• 代理人: 黃紅梅

1.一種浴室場(chǎng)景下Wi-Fi感知人體摔倒檢測(cè)方法，其特征在于，包括以下步驟：

采集單發(fā)射器-單接收器的Wi-Fi裝置監(jiān)測(cè)的浴室環(huán)境下的原始信道狀態(tài)信息數(shù)據(jù)H(f_k)，表示為公式(1)；

其中，H(f_k)表示W(wǎng)i-Fi裝置的每個(gè)天線(xiàn)對(duì)的第k個(gè)子載波的CSI，||H(f_k)||和∠H(f_k)分別表示振幅和相位；

提取原始信號(hào)的振幅信息之后，將原始信號(hào)的CSI序列用公式(2)所示的一維數(shù)據(jù)表示；

其中，H_k表示N時(shí)間段內(nèi)的振幅序列數(shù)值，表示的是第k個(gè)子載波在n時(shí)刻的振幅；

將N時(shí)段內(nèi)的一維振幅序列重構(gòu)為公式(3)所示的二維CSI振幅數(shù)據(jù)矩陣；

其中，H_nk是第k個(gè)子載波在n時(shí)刻的CSI振幅數(shù)值；

對(duì)所獲得的二維CSI振幅數(shù)據(jù)矩陣進(jìn)行濾波，其中，將CSI振幅數(shù)據(jù)的采樣頻率F_s設(shè)置為1000hz，CSI時(shí)間序列變化的頻率f設(shè)置為40hz，構(gòu)造巴特沃斯濾波器：

由公式(4)計(jì)算截止頻率w_c；

調(diào)用Matlab中的butter函數(shù)計(jì)算Butterworth濾波器的系數(shù)向量b與a，如公式(5)所示，其中，N是濾波器的階數(shù)，low表示為低通濾波；

[b,a]＝butter(N,wc,′low′)； (5)

使用Matlab中的filtfilt函數(shù)構(gòu)造Butterworth濾波器，如公式(6)所示；

Signal_Filter＝filtfilt(b,a,Signal)； (6)

其中，b、a分別表示為Butterworth濾波器系統(tǒng)函數(shù)分子和分母多項(xiàng)式的系數(shù)向量，Signal表示的是所獲得的二維CSI振幅數(shù)據(jù)；

將濾波處理后的結(jié)果輸出到深度神經(jīng)網(wǎng)絡(luò)模型中，將卷積后的結(jié)果進(jìn)行全局平均池化，再輸入到全連接層使用Softmax進(jìn)行分類(lèi)，即得到跌倒檢測(cè)的結(jié)果。

2.根據(jù)權(quán)利要求1所述的浴室場(chǎng)景下Wi-Fi感知人體摔倒檢測(cè)方法，其特征在于：

所述深度神經(jīng)網(wǎng)絡(luò)模型包括用于初級(jí)特征提取的ConvBN子模塊與用于特征融合的CarConvBNMax模塊；

所述ConvBN子模塊包括卷積層Conv2D與批標(biāo)準(zhǔn)化層Batch Normalization，所述卷積層Conv2D與批標(biāo)準(zhǔn)化層Batch Normalization交替出現(xiàn)；

所述CarConvBNMax模塊包括特征融合層Concatenate、卷積層Conv2D、批標(biāo)準(zhǔn)化層Batch Normalization、最大池化層Max pooling；

所述CarConvBNMax子模塊介于所述ConvBN子模塊與輸出部分之間。

3.根據(jù)權(quán)利要求1所述的浴室場(chǎng)景下Wi-Fi感知人體摔倒檢測(cè)方法，其特征在于：

全連接層的Softmax函數(shù)表達(dá)公式如下：

在公式中，r為y的分類(lèi)數(shù)，z_y表示的是全局平均池化后的結(jié)果，P(y|X)表示的是由模型輸入X預(yù)測(cè)屬于y類(lèi)別的后驗(yàn)概率；

得到后驗(yàn)概率后，使用Adam優(yōu)化器對(duì)損失函數(shù)進(jìn)行最小化訓(xùn)練；

損失函數(shù)計(jì)算如公式(8)所示：