CN110286368A - 一种基于超宽带雷达的老人跌倒检测方法 - Google Patents
一种基于超宽带雷达的老人跌倒检测方法 Download PDFInfo
- Publication number
- CN110286368A CN110286368A CN201910619576.9A CN201910619576A CN110286368A CN 110286368 A CN110286368 A CN 110286368A CN 201910619576 A CN201910619576 A CN 201910619576A CN 110286368 A CN110286368 A CN 110286368A
- Authority
- CN
- China
- Prior art keywords
- pulse
- distance
- formula
- radar
- human action
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
- G01S13/581—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of interrupted pulse modulated waves and based upon the Doppler effect resulting from movement of targets
- G01S13/582—Velocity or trajectory determination systems; Sense-of-movement determination systems using transmission of interrupted pulse modulated waves and based upon the Doppler effect resulting from movement of targets adapted for simultaneous range and velocity measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
- G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于超宽带雷达的老人跌倒检测方法,属于雷达目标探测信号处理领域;本发明基于人体不同动作雷达回波的时间、多普勒频率、距离变化特性,利用多域峰值点跟踪方法来代替传统时频分析方法,在获得人体动作时间特征和多普勒频率特征的基础上,同时获得其距离特征信息,有效避免了人体运动时四肢摆动引起的微多普勒对结果的影响,有利于实现更为准确的动作特征分析结果。对比现有技术,本发明方法能够在保留传统时频分析方法得到的时间、频率信息的同时,实现对人体动作距离信息的准确检测,提高了跌倒动作的识别准确率。
Description
技术领域
本发明涉及一种基于超宽带雷达的老人跌倒检测方法,属于雷达目标探测信号处理领域;
背景技术
国内外研究人员针对人体跌倒动作识别问题进行了大量研究,并获得了一系列有价值的研究成果;根据应用场景和数据获取方式的不同,主要有基于可穿戴式传感器的人体跌倒动作识别、基于视频图像信息的人体跌倒动作识别、基于雷达传感器的人体跌倒动作识别三类方法;第一类方法通过携带在身上的多种微型传感器来监测和识别人体跌倒动作,后两类方法通过摄像机、雷达等非接触方式来获取人体动作信息;
基于可穿戴式传感器的跌倒动作识别技术比较成熟,但是设备穿戴舒适度不佳;由于电池容量和功耗限制,续航时间较短,无法满足人体跌倒动作的长时间检测;
基于视频图像信息的人体跌倒动作识别方法应用广泛,具有识别动作种类多样、交互直观、性能稳定等优点;但是在家用环境中,出于个人隐私保护考虑,不便使用摄像设备,使得该方法使用场景受限;
因为雷达具有隐私保护性好、成本较低、使用方便等优点,国内外很多研究人员开始对基于雷达的人体跌倒动作识别技术进行研究,本发明选用超宽带雷达对人体不同行为动作进行了检测,设计了相应的动作识别算法,通过对雷达回波信号进行滤波处理、多域分析、特征提取和机器学习分类识别,对人体跌倒动作的识别进行了深入研究;
2016年美国维拉诺瓦大学的Moeness G.Amin教授课题组在实验室环境下,使用连续波雷达采集了人体多种动作数据,然后使用短时傅里叶变换(STFT)方法得到信号的时频分布结果,接着使用经验模态分解(EMD)方法提取了人体动作的最大频率幅度、最大频率比以及动作持续时间三个特征,最后使用支持向量机算法对提取的特征参数进行分类,结果表明,该方法对人体跌倒动作的识别准确率达到了90%;
国内外对基于传统的单频连续波雷达的人体跌倒检测进行了许多研究,由于单频连续波雷达无法测量目标的距离信息,而脉冲超宽带雷达能够获取高精度的距离信息,因此能够实现对人体跌倒动作的准确识别;
特征分析和提取的结果直接影响着人体跌倒动作的识别准确率,传统的基于雷达的跌倒动作识别方法通常使用STFT方法对人体动作回波信号进行时频分析,这种方法是针对复杂人体运动最常用的时频分析方法,通过窗长固定的窗函数来对非平稳信号进行步进滑窗傅里叶变换处理,从而得到信号的时频分析结果,根据时频分析结果可以在时间-频率域上对人体动作进行区分;但是这种方法不能够得到目标的距离信息,导致跌倒识别的准确率受限;
综上可知,针对人体动作回波信号的特征分析方法,传统的时频分析方法在性能上还存在很大空间;
发明内容
本发明的目的是为了降低现有检测方法的虚假报警率的问题,提供一种基于超宽带雷达的老人跌倒检测方法;该方法克服了对人体动作回波信号进行特征分析时,传统时频分析算法无法得到距离信息的技术缺陷,以实现更为准确的跌倒识别结果;
本发明的目的是通过下述技术方案实现的;
本发明的核心内容为:针对雷达采集的人体回波信号,先对信号在脉冲之间进行动目标显示(MTI)滤波,接着对MTI滤波后的信号进行多域分析,构造数据集,最后采用支持向量机方法对数据集进行训练和分类,完成对人体跌倒动作的检测;
本发明所依托的高分辨雷达系统,简称超宽带雷达;
一种基于超宽带雷达的老人跌倒检测方法,包括如下步骤:
步骤一、人体动作雷达回波信号分析;
步骤1.1人体动作识别系统的超宽带雷达使用的是高斯脉冲信号,高斯脉冲信号g0(t)为
式中t为时间参数,α为高斯脉冲形成因子;
在超宽带雷达系统中,发射信号p(t)表示为
式中A(t)表示超宽带雷达发射的脉冲波形,Tp表示脉冲发射间隔时间;如果一段时间内连续发射了M个脉冲,则这段时间的脉冲ptr(t)表示为
式中M代表雷达发射的总脉冲数;i表示脉冲信号序号;p(t-(i-1)Tp)表示第i个脉冲信号;
第m个脉冲对应的接收信号为rm,表示成如下形式
rm=[rm,1…rm,n…rm,N]T (4)
式中n表示第n个距离单元,共有N个距离单元,rm,n=rm(nTs),Ts是数据采样的时间间隔,是采样率的倒数,rm,1表示第m个脉冲在第1个距离单元的接收信号,rm,n表示第m个脉冲在第n个距离单元的接收信号,rm,N表示第m个脉冲在第N个距离单元的接收信号;
步骤1.2脉冲超宽带雷达连续发射了M个脉冲,则将这M个脉冲组成一个M×N的二维数据矩阵
R=[r1…rm…rM] (5)
式中二维数据矩阵R中的每一个元素都是一个复数,代表一个距离单元的实部和虚部;R中的每一列代表连续的距离单元,总数为N;R中的每一行代表对同一距离单元的一连串采样,总数即为脉冲总数M;r1表示第1个脉冲在所有距离单元的接收信号,rm表示第m个脉冲在所有距离单元的接收信号,rM表示第M个脉冲在所有距离单元的接收信号;
步骤二、对人体动作进行分类识别之前,首先需要对人体动作的雷达回波进行滤波处理,其目的是消除环境中静止目标的回波,保留人体动目标的回波信号;
所述滤波处理的方法为MTI脉冲对消方法;
发射天线发射的脉冲信号在遇到静止目标时,回波的幅度和相位不变,而运动目标回波的相位是变化的;MTI脉冲对消的原理就是通过对回波脉冲之间相减,使得静止目标的回波得到抑制,而运动目标回波对消后会有输出;
采取相距P个脉冲对消的方法,第m个脉冲和第m+P个脉冲对消,公式如下
ym=rm-rm+P (6)
MTI脉冲对消方法能够抑制静止目标的回波,提高运动目标信号的信噪比;
步骤三、从步骤二得到的保留人体动目标的回波信号中提取时间、距离、多普勒频率特征,构造人体动作特征数据集,对人体动作进行识别;
使用STFT或小波变换方法能够得到人体动作雷达回波信号的时频分析结果,根据时频分析结果得到了人体动作的时域和多普勒频率特征,然后通过机器学习分类方法对人体动作进行分类识别,该方法对人体跌倒动作的识别率达到了90%;为了进一步提高跌倒动作的识别准确率以及降低虚警率和误报率,本发明在之前研究的基础上增加了距离域特征信息来对人体动作进行识别,为了更加准确快捷的提取人体动作的时间、距离、多普勒频率特征,本发明提出了一种多域峰值点跟踪算法;
步骤3.1根据距离单元能够确定峰值点的距离特征,根据脉冲数确定峰值点的时间特征,根据FFT结果得到峰值点的多普勒频率特征;
所述距离特征的提取方法为:对雷达回波信号进行MTI脉冲对消后,得到人体动作信号的时域-距离域结果,根据人体动作距离单元信息可以确定动作的距离特征,本发中单个距离单元长度为5.14cm。所述时间特征的提取方法为:根据MTI脉冲对消滤波后信号的脉冲信息可以确定人体动作的时间特征,本发明中雷达帧速率为500FPS,单个脉冲时间为1/500s。所述多普勒频率特征的提取方法为:选取人体动作数据起始段进行FFT得到多普勒分析结果,进而得到一个多普勒频率峰值点,受到短时傅里叶变换原理的启发,对人体动作数据每次步进若干脉冲进行FFT分析,然后对峰值点进行跟踪记录。
步骤3.2在进行人体动作分类前,需要对人体动作的特征参数进行定义和提取,不同动作对应的时间、频率和距离特征不同,根据这些特征能够对动作进行分类识别;定义三个特征参数:最大多普勒频移、动作持续时间和最大距离变化;三个特征参数定义如下:
最大多普勒频移F为
F=fmax-fmin (7)
式中fmax为最大多普勒频率值,fmin为最小多普勒频率值;
动作持续时间T为
式中为最大多普勒频率值对应的时刻,为最小多普勒频率值对应的时刻;
最大距离变化D为
D=rmax-rmin (9)
式中rmax为人的头部距雷达最大距离,rmin为人的头部距雷达的最小距离;
这三个特征参数分别代表了不同的人体动作信息,其中最大多普勒频移正比于人体动作的最大运动速度和最小运动速度的差,不同动作过程的速度相差较大,是区分人体动作的重要特征;动作持续时间代表了动作时间的快慢;而最大距离变化代表了人体动作的运动幅度;
针对定义的这三个特征参数,对特征参数进行提取,构造人体动作特征数据集;
步骤四、针对步骤三得到的人体动作特征数据集,采用支持向量机(SVM)算法进行分类识别,得到更为准确的跌倒动作识别结果;
步骤4.1训练样本集H=(x1,y1),…,(xi,yi),…,(xQ,yQ),yq∈{-1,+1},其中,Q为样本总数,x1与y1代表第一组训练样本,xi与yi代表第i组训练样本,xQ与yQ代表第Q组训练样本,yq代表样本的一维信息,SVM的基本思想就是在由训练样本集H组成的样本空间中找到超平面,从而实现不同类型的样本分类;线性可分支持向量机就是找到一个超平面,使得样本正确分类且使离超平面较近的点间隔最大;样本空间中的超平面表示成如下形式
WTx+b=0 (10)
式中W代表了超平面的方向,x为平面上的点,b代表超平面相对原点的距离;
K是超平面,而K1和K2是与K平行,且过距离K平面最近的两类样本的直线,这些最近的样本满足yi(WTxi+b)=1,那么K1和K2之间的距离就被成为“间隔”;K1和K2满足如下条件
式中x+表示样本为正样本;x-表示样本为负样本;
因此能够得到间隔γ的计算公式
SVM超平面的选取标准是使间隔最大,由于间隔与||W||成反比,为了简化计算,将问题转化为
式(13)即为SVM的基本型,针对该基本型使用拉格朗日乘子法对式(13)进行求解,拉格朗日函数L(w,b,α)如下所示
式中αi为拉格朗日乘子,xi与yi代表训练样本,通过求导运算将问题转化为
式中,αj,yj,xj分别为W经过平方运算后αi,yi,xi的对偶形式,αj表示拉格朗日乘子,xj和yj表示待分类点的坐标;
得到最终的超平面模型为
步骤4.2针对非线性问题,支持向量机将训练样本的原始空间向高维空间转化,使得样本在高维空间线性可分,在高维空间寻找超平面实现对训练样本的线性分类;这种方法能够将非线性问题转化为线性分类问题;φ(x)表示映射到高维空间的特征向量,那么在特征空间中,超平面对应的模型为
f(x)=WTφ(x)+b (17)
使用拉格朗日乘子法对式(17)进行求解,则要求解的问题转化为
在对式(18)进行求解时,φ(xi)Tφ(xj)是低维向量映射到高维空间后的内积,由于特征空间的维数较高,难以直接进行计算,则需引入了核函数的概念,核函数可以降低计算的复杂度,甚至把不可能的计算变为可能,核函数能够快速得到高维空间的向量内积,得到最优超平面方程,实现非线性问题的支持向量机分类,本发明中针对跌倒和非跌倒两种状态进行支持向量机分类识别。
常用的核函数包括:线性核函数、多项式核函数、高斯(RBF)核函数和Sigmoid核函数;
本发明选用高斯(RBF)核函数,其表达式为
式中σ为高斯核函数的带宽;
有益效果
1、本发明的一种基于超宽带雷达的老人跌倒检测方法,在传统时频分析方法的基础上,建立了更为准确的人体跌倒动作数据集,然后通过支持向量机方法实现了更高的跌倒动作识别准确率,降低了虚警率和误报率;
2、本发明所提方法利用超宽带雷达代替传统单频连续波雷达或窄带雷达,能得到高精度的距离信息;
3、本发明所提方法利用人体动作信号的差异性增加了距离特征参数,采用多域峰值点跟踪方法同时获得目标的时间、频率、距离特征,提高了人体跌倒动作的识别准确率;
4、人体动作过程中,头部位置的回波能量较强,距离变化和速度变化最为明显,因此使用峰值点跟踪算法对人体动作回波进行分析,能够避免人体动作的微多普勒对分析结果造成影响。与目前主流的时频特征分析方法相比,多域峰值点跟踪算法能够在获取时间、频率信息的同时,得到目标的距离信息,增加一维信息,有利于提高识别概率。
附图说明
图1是本发明“一种基于超宽带雷达的老人跌倒检测方法”中实施例中的流程图;
图2是本发明“一种基于超宽带雷达的老人跌倒检测方法”中实施例中的人体跌倒动作雷达回波信号时域图;
图3是本发明“一种基于超宽带雷达的老人跌倒检测方法”中实施例中的跌倒动作MTI 滤波结果图;
图4是本发明“一种基于超宽带雷达的老人跌倒检测方法”中实施例中的跌倒动作前50 脉冲傅里叶变换分析结果图;
图5是本发明“一种基于超宽带雷达的老人跌倒检测方法”中实施例中的跌倒动作的时间、距离、频率三维显示图;
图6是本发明“一种基于超宽带雷达的老人跌倒检测方法”中实施例中的跌倒动作的高斯核函数SVM分类结果混淆矩阵;
图7是本发明“一种基于超宽带雷达的老人跌倒检测方法”中实施例中的跌倒动作的高斯核函数SVM分类结果的ROC曲线以及AUC结果;
图8是本发明“一种基于超宽带雷达的老人跌倒检测方法”中实施例中的跌倒动作的高斯核函数SVM对测试样本的分类结果;
图9为分类结果的受试者工作特征(ROC)曲线结果示意图;
图10为实施例1使用测试样本对分类器性能进行验证的结果示意图。
具体实施方式
下面将结合附图及具体实例对本发明技术方案进行详细说明,需要指出的是,所描述的实施例仅旨在便于对本发明的理解,而不起任何限定作用;
实施例1
本实施例阐述了将本发明“一种基于超宽带雷达的老人跌倒检测方法”应用于实际采集的人体跌倒动作的识别流程;
本实施例中,超宽带雷达参数设置为:有效探测距离0.4-5m,频带范围6.0-8.5GHz,基带采样率为2.916GHz,距离单元数为91个,每个距离单元长度为5.14cm,脉冲发射间隔时间为2ms;为了模拟日常生活环境,通过对比挑选,最终选择了楼内办公区作为人体动作数据采集环境;在以往的相关研究中,实验采集人体动作数据时雷达通常放置于和测试人员同一高度,这种方法便于进行数据采集;但经过对比实验后,发现雷达从上往下发射脉冲进行探测效果更好且适于室内安装,因此将雷达模块放置于略低于天花板的位置进行数据采集,雷达模块通过USB接口供电和传输数据,实验场景如图2所示;其中,雷达天线距离地面高度为2.6m,单次动作采集时间为8s;
实验共采集了15位测试人员的人体动作数据,15位测试人员中,有10名男性和5名女性,所有测试者的体重和身高信息如下表所示;
为了凸显数据的多样性,15位测试者为随机选取,体型各不相同,高矮胖瘦都有,这使得数据有较强的参考价值,每位测试者都采集了多种类型人体动作数据,包括弯腰、坐下、跌倒、蹲下等动作,实验采集动作种类和数量如下表所示;
本实施例针对这四种动作进行了大量实验,每个测试者每种动作采集10次以上,每种动作都采集了200组数据。选择一组跌倒动作数据进行分析,该组数据原始信号如图3所示, X坐标是距离单元,Y坐标是脉冲数,由图3可见目标信号比较微弱,几乎淹没在噪声中,在这种情况下,无法定位出时域动作回波的位置,更无法对多普勒频率、时间、距离等信息进行分析;为了能正确检测到目标动作信息,对回波信号先在脉冲间进行MTI滤波,脉冲对消是通过在雷达回波中引入滤波器来起到杂波抑制效果的,延迟线滤波器是典型的MTI滤波器,延迟线滤波器在频域中可以看作是高通滤波器,通过滤掉静止目标回波以及低频杂波来对运动目标回波信息进行提取。延迟线滤波器主要分为单延迟线滤波器、双延迟线滤波器以及三延迟线滤波器,单延迟线滤波器又被称为两脉冲对消器或MTI单阶对消器,本发明使用的对消器即为单延迟线滤波器。经过对数据的尝试分析可知,相隔5个脉冲进行对消输出信噪比高,对消后结果如图4所示;从图4可见,MTI脉冲对消方法有效的抑制了环境杂波,人体动作信息得到了增强,容易得到人体不同动作跨越的距离单元范围以及脉冲数范围;
短时傅里叶变换是针对复杂人体运动最常用的时频分析方法,这种方法通过窗长固定的窗函数来对非平稳信号进行步进滑窗傅里叶变换处理,从而得到信号的时频分析结果;根据前文的分析结果确认了人体动作的距离单元和脉冲范围,然后对动作跨越的所有距离单元进行累加,将其看作一整个距离单元;然后对距离单元累加后的人体动作数据进行短时傅里叶变换分析,得到的人体跌倒动作的时频分析结果如图5所示;
由图5可以看到人体行走动作整个过程的时间、频率以及能量变化特征,其中颜色较深的区域能量较高,这是因为人体在运动时,头部和躯体目标较大,反射的回波较强,这部分能量较高的频谱就是由人体平动所引起的主多普勒频移;同时可以看到在主多普勒频谱的上下两侧,有一些颜色较淡变化幅度较大的频谱,这些较微弱的频谱就是人体运动时的微多普勒频谱;微多普勒是由目标的旋转、摆动或振动等运动所引起的,在人体进行复杂运动时,除了躯干的运动之外,大脑还通过控制身体的肌肉和关节,使得四肢等部位出现摆动和旋转等幅度较弱的运动,四肢每次摆动都会产生一个微多普勒信号,并导致以主多普勒频移为中心的附加频率调制;在对人体动作进行分析时,需要考虑微多普勒特征的影响;
为了消除微多普勒对识别结果的影响以及准确快捷的提取人体动作的时间、距离、频率特征,本实施例对MTI滤波后的信号使用多域峰值点跟踪方法进行特征分析;首先对人体动作数据截取前50个脉冲进行500点FFT,得到图6所示结果,其中X坐标是距离单元,Y 坐标是多普勒单元,Z坐标是信号幅度,图中的峰值点表示目标信号;对人体动作数据每次步进3个脉冲进行FFT分析,每次步进时在正负1个距离单元、正负2个多普勒单元的范围内对峰值点进行跟踪记录,记录的峰值点包含时间域、多普勒频率域以及距离域的特征信息,最终得到峰值点的时间-多普勒频率-距离结果如图7所示,能够清晰看到人体动作的特征信息,其中X坐标是时间,Y坐标是距离,Z坐标是多普勒频率;
本实施例针对下蹲、坐下、弯腰、跌倒四种动作共采集了800组数据,每种动作采集了 200组数据,使用多域峰值点跟踪算法对800组数据进行分析,得到了800组数据的特征分析结果,根据定义的时域、距离域、频域三种特征参数,对得到的特征分析结果进行特征提取,构造人体动作特征数据集,每种动作各选150组作为训练样本,剩下的50组作为测试样本;
根据建立的人体动作数据集,使用机器学习方法对其进行分类处理;在分类过程中使用 10折交叉验证方法对分类器模型进行验证,将输入的数据集随机分为10份,每轮训练随机选择9份作为训练集,剩下的1份作为测试集,当该轮完成后,选择另外9份作为训练集,剩下1份作为测试集,重复该步骤直到每一份数据集都被作为测试集进行了分类,就能够通过损失函数评估最优参数和模型;
支持向量机具有很多优点,与K近邻算法和决策树算法相比,支持向量机在小样本情况下分类效果较好;且可以有效解决非线性问题和高维问题;泛化性能较好,对新样本的适应能力较好;因此本实施例选用支持向量机作为跌倒动作分类识别算法,支持向量机算法对四种人体动作训练样本的的分类结果如下表所示;
上表中的支持向量机算法分别使用了不同的核函数;分类准确率最高的是高斯核函数,通过对高斯核函数的σ参数进行优化,使得总体分类准确率达到了94%,对跌倒动作的识别准确率达到了97.3%;使用高斯核函数的支持向量机分类结果的混淆矩阵如图8所示,混淆矩阵是评判分类器模型的重要指标,图中1、2、3、4分别代表下蹲、坐下、弯腰、跌倒四种动作;图9为分类结果的受试者工作特征(ROC)曲线结果,ROC曲线和ROC曲线下面积(AUC)也是分类器模型的重要评判指标;一般来说,ROC曲线越靠近左上角,分类器性能就越好;相应的AUC越大则分类器效果越好;通过对混淆矩阵结果和ROC曲线结果的分析,发现使用高斯核函数的支持向量机算法对人体跌倒动作的识别准确率达到了97.3%;使用测试样本对该分类器性能进行验证,其结果如图10所示,X坐标为测试集样本编号,每个动作都有50组样本数据,Y坐标为对该组数据的识别结果;结果表明,该分类器对跌到动作的识别准确率达到了98%,高于传统方法(约90%);
以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于超宽带雷达的老人跌倒检测方法,其特征在于:包括如下步骤:
步骤一、人体动作雷达回波信号分析;
步骤1.1人体动作识别系统的超宽带雷达使用的是高斯脉冲信号,高斯脉冲信号g0(t)为
式中t为时间参数,α为高斯脉冲形成因子;
在超宽带雷达系统中,发射信号p(t)表示为
式中A(t)表示超宽带雷达发射的脉冲波形,Tp表示脉冲发射间隔时间;如果一段时间内连续发射了M个脉冲,则这段时间的脉冲ptr(t)表示为
式中M代表雷达发射的总脉冲数;i表示脉冲信号序号;p(t-(i-1)Tp)表示第i个脉冲信号;
第m个脉冲对应的接收信号为rm,表示成如下形式
rm=[rm,1…rm,n…rm,N]T (4)
式中n表示第n个距离单元,共有N个距离单元,rm,n=rm(nTS),Ts是数据采样的时间间隔,是采样率的倒数,rm,1表示第m个脉冲在第1个距离单元的接收信号,rm,n表示第m个脉冲在第n个距离单元的接收信号,rm,N表示第m个脉冲在第N个距离单元的接收信号;
步骤1.2脉冲超宽带雷达连续发射M个脉冲,则将这M个脉冲组成一个M×N的二维数据矩阵:
R=[r1…rm…rM] (5)
式中二维数据矩阵R中的每一个元素都是一个复数,代表一个距离单元的实部和虚部;R中的每一列代表连续的距离单元,总数为N;R中的每一行代表对同一距离单元的一连串采样,总数即为脉冲总数M;r1表示第1个脉冲在所有距离单元的接收信号,rm表示第m个脉冲在所有距离单元的接收信号,rM表示第M个脉冲在所有距离单元的接收信号;
步骤二、对人体动作进行分类识别之前,首先需要对人体动作的雷达回波进行滤波处理,其目的是消除环境中静止目标的回波,保留人体动目标的回波信号;
步骤三、从步骤二得到的保留人体动目标的回波信号中提取时间、距离和多普勒频率特征,构造人体动作特征数据集,对人体动作进行识别;
步骤3.1根据距离单元能够确定峰值点的距离特征,根据脉冲数确定峰值点的时间特征,根据FFT结果得到峰值点的多普勒频率特征;
所述距离特征的提取方法为:对雷达回波信号进行MTI脉冲对消后,得到人体动作信号的时域-距离域结果,根据人体动作距离单元信息可以确定动作的距离特征,本发中单个距离单元长度为5.14cm。所述时间特征的提取方法为:根据MTI脉冲对消滤波后信号的脉冲信息可以确定人体动作的时间特征,本发明中雷达帧速率为500FPS,单个脉冲时间为1/500s。所述多普勒频率特征的提取方法为:选取人体动作数据起始段进行FFT得到多普勒分析结果,进而得到一个多普勒频率峰值点,受到短时傅里叶变换原理的启发,对人体动作数据每次步进若干脉冲进行FFT分析,然后对峰值点进行跟踪记录。
步骤3.2在进行人体动作分类前,需要对人体动作的特征参数进行定义和提取,不同动作对应的时间、频率和距离特征不同,根据这些特征能够对动作进行分类识别;定义三个特征参数:最大多普勒频移、动作持续时间和最大距离变化;三个特征参数定义如下:
最大多普勒频移F为
F=fmax-fmin (7)
式中fmax为最大多普勒频率值,fmin为最小多普勒频率值;
动作持续时间T为
式中为最大多普勒频率值对应的时刻,为最小多普勒频率值对应的时刻;
最大距离变化D为
D=rmax-rmin (9)
式中rmax为人的头部距雷达最大距离,rmin为人的头部距雷达的最小距离;
这三个特征参数分别代表了不同的人体动作信息,其中最大多普勒频移正比于人体动作的最大运动速度和最小运动速度的差,不同动作过程的速度相差较大,是区分人体动作的重要特征;动作持续时间代表了动作时间的快慢;而最大距离变化代表了人体动作的运动幅度;
针对定义的这三个特征参数,对特征参数进行提取,构造人体动作特征数据集;
步骤四、针对步骤三得到的人体动作特征数据集,采用支持向量机(SVM)算法进行分类识别,得到更为准确的跌倒动作识别结果;
步骤4.1训练样本集H=(x1,y1),…,(xi,yi),…,(xQ,yQ),yq∈{-1,+1}(Q为样本总数,x1与y1代表第一组训练样本,xi与yi代表第i组训练样本,xQ与yQ代表第Q组训练样本,yq代表样本的一维信息,SVM的基本思想就是在由训练样本集H组成的样本空间中找到超平面,从而实现不同类型的样本分类;线性可分支持向量机就是找到一个超平面,使得样本正确分类且使离超平面较近的点间隔最大;样本空间中的超平面表示成如下形式
WTx+b=0 (10)
式中W代表了超平面的方向,x为平面上的点,b代表超平面相对原点的距离;
K是超平面,而K1和K2是与K平行,且过距离K平面最近的两类样本的直线,这些最近的样本满足yi(WTxi+b)=1,那么K1和K2之间的距离就被成为“间隔”;K1和K2满足如下条件
式中x+表示样本为正样本;x-表示样本为负样本;
因此能够得到间隔γ的计算公式
SVM超平面的选取标准是使间隔最大,由于间隔与||W||成反比,为了简化计算,将问题转化为
式(13)即为SVM的基本型,针对该基本型使用拉格朗日乘子法对式(13)进行求解,拉格朗日函数L(w,b,α)如下所示
式中αi为拉格朗日乘子,xi与yi代表训练样本,通过求导运算将问题转化为
式中,αj,yj,xj分别为W经过平方运算后αi,yi,xi的对偶形式,αj表示拉格朗日乘子,xj和yj表示待分类点的坐标;
得到最终的超平面模型为
步骤4.2针对非线性问题,支持向量机将训练样本的原始空间向高维空间转化,使得样本在高维空间线性可分,在高维空间寻找超平面实现对训练样本的线性分类;这种方法能够将非线性问题转化为线性分类问题;φ(x)表示映射到高维空间的特征向量,那么在特征空间中,超平面对应的模型为
f(x)=WTφ(x)+b (17)
使用拉格朗日乘子法对式(17)进行求解,则要求解的问题转化为
在对式(18)进行求解时,φ(xi)Tφ(xj)是低维向量映射到高维空间后的内积,由于特征空间的维数较高,难以直接进行计算,则需引入了核函数的概念,核函数可以降低计算的复杂度,甚至把不可能的计算变为可能,核函数能够快速得到高维空间的向量内积,得到最优超平面方程,实现非线性问题的支持向量机分类,本发明中针对跌倒和非跌倒两种状态进行支持向量机分类识别。
2.如权利要求1所述的一种基于超宽带雷达的老人跌倒检测方法,其特征在于:步骤二所述滤波处理的方法为MTI脉冲对消方法:
发射天线发射的脉冲信号在遇到静止目标时,回波的幅度和相位不变,而运动目标回波的相位是变化的;MTI脉冲对消的原理就是通过对回波脉冲之间相减,使得静止目标的回波得到抑制,而运动目标回波对消后会有输出;
采取相距P个脉冲对消的方法,第m个脉冲和第m+P个脉冲对消,公式如下
ym=rm-rm+P (6)
MTI脉冲对消方法能够抑制静止目标的回波,提高运动目标信号的信噪比。
3.如权利要求1所述的一种基于超宽带雷达的老人跌倒检测方法,其特征在于:所述核函数包括:线性核函数、多项式核函数、高斯(RBF)核函数和Sigmoid核函数。
4.如权利要求1或3所述的一种基于超宽带雷达的老人跌倒检测方法,其特征在于:所述核函数为高斯(RBF)核函数,其表达式为
式中σ为高斯核函数的带宽。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910619576.9A CN110286368B (zh) | 2019-07-10 | 2019-07-10 | 一种基于超宽带雷达的老人跌倒检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910619576.9A CN110286368B (zh) | 2019-07-10 | 2019-07-10 | 一种基于超宽带雷达的老人跌倒检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110286368A true CN110286368A (zh) | 2019-09-27 |
CN110286368B CN110286368B (zh) | 2021-03-05 |
Family
ID=68022085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910619576.9A Active CN110286368B (zh) | 2019-07-10 | 2019-07-10 | 一种基于超宽带雷达的老人跌倒检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110286368B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111273283A (zh) * | 2020-03-06 | 2020-06-12 | 电子科技大学 | 一种基于人体三维微多普勒信号的躯干运动参数提取方法 |
CN111281393A (zh) * | 2020-02-25 | 2020-06-16 | 山东省科学院自动化研究所 | 基于非接触式雷达技术的老年人跌倒检测方法及系统 |
CN111505632A (zh) * | 2020-06-08 | 2020-08-07 | 北京富奥星电子技术有限公司 | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 |
CN111815906A (zh) * | 2020-07-30 | 2020-10-23 | 苏州苗米智能技术有限公司 | 基于无线信号识别的摔倒监测方法和系统 |
CN111914707A (zh) * | 2020-07-22 | 2020-11-10 | 上海大学 | 一种醉酒行为检测系统及方法 |
CN112327288A (zh) * | 2020-10-29 | 2021-02-05 | 深圳大学 | 雷达人体动作识别方法、装置、电子设备和存储介质 |
CN112346055A (zh) * | 2020-10-23 | 2021-02-09 | 无锡威孚高科技集团股份有限公司 | 基于毫米波雷达的跌倒检测方法、装置及毫米波雷达设备 |
CN112363160A (zh) * | 2020-10-12 | 2021-02-12 | 山东省科学院自动化研究所 | 一种基于宽带式信号的卧床跌落检测方法、介质、设备及装置 |
CN112686297A (zh) * | 2020-12-29 | 2021-04-20 | 中国人民解放军海军航空大学 | 一种雷达目标运动状态的分类方法及系统 |
CN113030890A (zh) * | 2019-12-24 | 2021-06-25 | 深圳市大富科技股份有限公司 | 基于车载雷达的目标识别方法及设备 |
CN113341392A (zh) * | 2021-06-01 | 2021-09-03 | 北京理工大学 | 一种基于多站雷达微多普勒运动测向的人体行为分类方法 |
CN113837055A (zh) * | 2021-09-18 | 2021-12-24 | 南京润楠医疗电子研究院有限公司 | 跌倒检测方法、装置、电子设备及存储介质 |
CN114002655A (zh) * | 2021-10-29 | 2022-02-01 | 中国人民解放军陆军军医大学 | 超宽带连续波生物雷达数据处理方法及系统 |
CN114333075A (zh) * | 2021-12-31 | 2022-04-12 | 清华大学 | 动态手写签名识别方法、装置及电子设备 |
CN114509749A (zh) * | 2022-04-19 | 2022-05-17 | 亿慧云智能科技(深圳)股份有限公司 | 一种室内定位检测系统及方法 |
CN114863640A (zh) * | 2021-02-03 | 2022-08-05 | 纬创资通股份有限公司 | 特征强化与数据扩增方法及其动作检测装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127110A (zh) * | 2016-06-15 | 2016-11-16 | 中国人民解放军第四军医大学 | 一种基于uwb雷达和最优svm的人体细粒度运动识别方法 |
CN106960541A (zh) * | 2017-03-10 | 2017-07-18 | 浙江大学城市学院 | 自适应多级跌倒检测方法 |
CN107290741A (zh) * | 2017-06-02 | 2017-10-24 | 南京理工大学 | 基于加权联合距离时频变换的室内人体姿态识别方法 |
CN108888249A (zh) * | 2018-06-07 | 2018-11-27 | 北京邮电大学 | 一种非接触式车内多人生命体征监测的方法及装置 |
CN106019271B (zh) * | 2016-04-27 | 2019-04-12 | 南京理工大学 | 一种基于变分模态分解的多人穿墙时变呼吸信号检测方法 |
-
2019
- 2019-07-10 CN CN201910619576.9A patent/CN110286368B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106019271B (zh) * | 2016-04-27 | 2019-04-12 | 南京理工大学 | 一种基于变分模态分解的多人穿墙时变呼吸信号检测方法 |
CN106127110A (zh) * | 2016-06-15 | 2016-11-16 | 中国人民解放军第四军医大学 | 一种基于uwb雷达和最优svm的人体细粒度运动识别方法 |
CN106960541A (zh) * | 2017-03-10 | 2017-07-18 | 浙江大学城市学院 | 自适应多级跌倒检测方法 |
CN107290741A (zh) * | 2017-06-02 | 2017-10-24 | 南京理工大学 | 基于加权联合距离时频变换的室内人体姿态识别方法 |
CN108888249A (zh) * | 2018-06-07 | 2018-11-27 | 北京邮电大学 | 一种非接触式车内多人生命体征监测的方法及装置 |
Non-Patent Citations (1)
Title |
---|
余晨晖: ""基于UWB雷达的手势识别技术算法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113030890B (zh) * | 2019-12-24 | 2023-11-21 | 大富科技(安徽)股份有限公司 | 基于车载雷达的目标识别方法及设备 |
CN113030890A (zh) * | 2019-12-24 | 2021-06-25 | 深圳市大富科技股份有限公司 | 基于车载雷达的目标识别方法及设备 |
CN111281393A (zh) * | 2020-02-25 | 2020-06-16 | 山东省科学院自动化研究所 | 基于非接触式雷达技术的老年人跌倒检测方法及系统 |
CN111281393B (zh) * | 2020-02-25 | 2022-06-07 | 山东省科学院自动化研究所 | 基于非接触式雷达技术的老年人跌倒检测方法及系统 |
CN111273283A (zh) * | 2020-03-06 | 2020-06-12 | 电子科技大学 | 一种基于人体三维微多普勒信号的躯干运动参数提取方法 |
CN111273283B (zh) * | 2020-03-06 | 2022-08-05 | 电子科技大学 | 一种基于人体三维微多普勒信号的躯干运动参数提取方法 |
CN111505632A (zh) * | 2020-06-08 | 2020-08-07 | 北京富奥星电子技术有限公司 | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 |
CN111505632B (zh) * | 2020-06-08 | 2023-03-03 | 北京富奥星电子技术有限公司 | 基于功率谱和多普勒特征的超宽带雷达动作姿态识别方法 |
CN111914707A (zh) * | 2020-07-22 | 2020-11-10 | 上海大学 | 一种醉酒行为检测系统及方法 |
CN111815906B (zh) * | 2020-07-30 | 2022-03-11 | 苏州苗米智能技术有限公司 | 基于无线信号识别的摔倒监测方法和系统 |
CN111815906A (zh) * | 2020-07-30 | 2020-10-23 | 苏州苗米智能技术有限公司 | 基于无线信号识别的摔倒监测方法和系统 |
CN112363160A (zh) * | 2020-10-12 | 2021-02-12 | 山东省科学院自动化研究所 | 一种基于宽带式信号的卧床跌落检测方法、介质、设备及装置 |
CN112363160B (zh) * | 2020-10-12 | 2022-06-24 | 山东省科学院自动化研究所 | 一种基于宽带式信号的卧床跌落检测方法、介质、设备及装置 |
CN112346055B (zh) * | 2020-10-23 | 2024-04-16 | 无锡威孚高科技集团股份有限公司 | 基于毫米波雷达的跌倒检测方法、装置及毫米波雷达设备 |
CN112346055A (zh) * | 2020-10-23 | 2021-02-09 | 无锡威孚高科技集团股份有限公司 | 基于毫米波雷达的跌倒检测方法、装置及毫米波雷达设备 |
CN112327288A (zh) * | 2020-10-29 | 2021-02-05 | 深圳大学 | 雷达人体动作识别方法、装置、电子设备和存储介质 |
CN112686297A (zh) * | 2020-12-29 | 2021-04-20 | 中国人民解放军海军航空大学 | 一种雷达目标运动状态的分类方法及系统 |
CN112686297B (zh) * | 2020-12-29 | 2023-04-14 | 中国人民解放军海军航空大学 | 一种雷达目标运动状态的分类方法及系统 |
CN114863640A (zh) * | 2021-02-03 | 2022-08-05 | 纬创资通股份有限公司 | 特征强化与数据扩增方法及其动作检测装置 |
CN114863640B (zh) * | 2021-02-03 | 2024-05-24 | 纬创资通股份有限公司 | 特征强化与数据扩增方法及其动作检测装置 |
CN113341392A (zh) * | 2021-06-01 | 2021-09-03 | 北京理工大学 | 一种基于多站雷达微多普勒运动测向的人体行为分类方法 |
CN113837055A (zh) * | 2021-09-18 | 2021-12-24 | 南京润楠医疗电子研究院有限公司 | 跌倒检测方法、装置、电子设备及存储介质 |
CN114002655A (zh) * | 2021-10-29 | 2022-02-01 | 中国人民解放军陆军军医大学 | 超宽带连续波生物雷达数据处理方法及系统 |
CN114333075A (zh) * | 2021-12-31 | 2022-04-12 | 清华大学 | 动态手写签名识别方法、装置及电子设备 |
CN114509749A (zh) * | 2022-04-19 | 2022-05-17 | 亿慧云智能科技(深圳)股份有限公司 | 一种室内定位检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110286368B (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110286368A (zh) | 一种基于超宽带雷达的老人跌倒检测方法 | |
CN108520199B (zh) | 基于雷达图像与生成对抗模型的人体动作开集识别方法 | |
Yang et al. | Dense people counting using IR-UWB radar with a hybrid feature extraction method | |
CN108226892B (zh) | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 | |
CN106407905B (zh) | 基于机器学习的无线感知动作识别方法 | |
CN106295684B (zh) | 一种基于微多普勒特征的动态连续/非连续手势识别方法 | |
CN107290741A (zh) | 基于加权联合距离时频变换的室内人体姿态识别方法 | |
CN106127110B (zh) | 一种基于uwb雷达和最优svm的人体细粒度运动识别方法 | |
CN107132512B (zh) | 基于多通道hht的uwb雷达人体运动微多普勒特征提取方法 | |
CN113447905B (zh) | 双毫米波雷达人体跌倒检测装置及检测方法 | |
CN110309690A (zh) | 基于时频谱和距离多普勒谱的手势识别检测方法 | |
CN113435283B (zh) | 一种基于呼吸样本空间的超宽带雷达身份识别方法 | |
CN109581385A (zh) | 基于大耳蝠双耳廓仿生声呐的目标定位装置及方法 | |
CN112686094A (zh) | 一种基于毫米波雷达的非接触式身份识别方法及系统 | |
CN112861813B (zh) | 基于复值卷积神经网络的墙后人体行为识别方法 | |
CN110007366A (zh) | 一种基于多传感器融合的生命搜寻方法以及系统 | |
CN114814775A (zh) | 基于ResNet网络的雷达跌倒检测方法及设备 | |
CN113408328A (zh) | 基于毫米波雷达的手势分割与识别算法 | |
CN108898066B (zh) | 一种基于生成式对抗网络的人体运动检测方法 | |
Janakaraj et al. | STAR: Simultaneous tracking and recognition through millimeter waves and deep learning | |
CN116184394A (zh) | 基于多域谱图与多分辨率融合的毫米波雷达手势识别方法及系统 | |
CN109001702A (zh) | 无载波超宽带雷达人体动作识别方法 | |
Shao et al. | Deep learning methods for personnel recognition based on micro-Doppler features | |
CN109918994A (zh) | 一种基于商用Wi-Fi的暴力行为检测方法 | |
CN113449711A (zh) | 一种基于方向密度特征的微多普勒图像手语感知识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |