CN113453180A - 一种人体摔倒智能检测方法、系统、信息数据处理终端 - Google Patents

Abstract

本发明属于无线通信技术领域，公开了一种人体摔倒智能检测方法、系统、信息数据处理终端，所述人体摔倒智能检测方法包括：利用WIFI设备获取原始CSI数据；提取与人体运动相关的动态路径，并对动态路径信息进行联合估计，计算出人体运动轨迹与运动速度；依据当前人体运动速度和预设的摔倒速度阈值，判断并提取出摔倒动作的时间窗口；利用联合估计得到的DFS和人体运动速度，结合CSI幅度与相位差作为摔倒动作判决的统计量，提取摔倒动作特征；通过分类模型对特征进行动态筛选，使用剩余特征进行摔倒动作识别，得到结果。本发明克服现有技术中检测精度低且检测结果易受到环境变化影响的问题，保护用户的隐私，节省计算资源，提升摔倒动作的检测精度。

Description

一种人体摔倒智能检测方法、系统、信息数据处理终端

技术领域

本发明属于无线通信技术领域，尤其涉及一种人体摔倒智能检测方法、系统、信息数据处理终端。

背景技术

目前，随着第五代移动通信技术(5G)的飞速发展，人类已经步入了万物互联的物联网时代，以机器为中心的计算模式正朝着为以人为中心的计算模式转变。人体行为识别作为物联网关键技术之一，一直以来都是重要的科学研究课题。根据世界健康组织调查显示，每年约有30％的老年人因摔倒而受伤。摔倒是一个十分危险的动作，特别是对于老年人而言，可能会导致躯体的直接损伤或内脏的间接损伤。如果能及时的检测出人体的摔倒动作，并通知看护或医疗人员，就可以避免错过最佳治疗时间。随着人们对老人生命健康问题的关注度的提高，室内人体摔倒检测已成为研究热点。传统的摔倒检测技术主要包括基于传感器、计算器视觉和接收信号强度指示(RSSI)的摔倒检测，这些技术虽然可以获得一定程度的动作识别准确率，但这些方法都需要专用的传感器，安装成本高昂，用户隐私难以得到保护。此外，由于RSSI仅包含幅度信息，同时可用数据流数量较少，是一种粗粒度的信息，所以此类方法的检测精度一般较低。

基于CSI的摔倒检测与传统的方法相比，具有部署难度低，安装成本低，检测精度高，保护用户隐私的优点，近年已成为国内外研究的热点内容。WiFall方法作为首个基于CSI的摔倒检测系统，采用了局部异常因子来检测人体运动。该方法利用信道状态信息幅度的时变性来刻画人体的动作，并利用幅度的方差来提取摔倒动作发生时间窗口。通过支持向量机对提取的7种特征分类达到了87％的平均摔倒检测精度。由于该方法较低的检测准确率和较高的平均虚警概率，许多方法在此基础上加以了改进。Anti-Fall就是一种改进后的摔倒检测方法，它除了使用CSI的幅度信息外还使用了两个接收天线的相位差作为特征来区分摔倒和类摔倒动作。该方法提出了摔倒结束时间的检测，通过提前设定的阈值来判断摔倒动作的结束时间。Anti-Fall以结束时间为基准，回溯一定的时间窗口，来获取完整的摔倒动作信息。该方法同样使用了支持向量机对多种特征进行分类，达到了89％的平均摔倒检测精度。RT-Fall对Anti-Fall方法进行了改进，除了原有的用于分类的特征外，RT-Fall还提出了功率下降率的特征。通过观察不同人体动作的频域特征，由于摔倒动作不受人控制，相比于其余人体动作功率下降率会更大，所以功率下降率可以一定程度上改善分类结果。最终RT-Fall的平均分类准确率为91％。FallDeFi继续对分类特征进行了拓展。以前的方法都是从时域中提取分类特征，而该方法通过短时傅里叶变换来提取频域特征。此外，FallDeFi使用功率突发曲线提取摔倒动作时间窗口。对于多样的特征，FallDeFi使用了序列前向选择算法，挑选出可以弹性应对环境变化的特征，同时保证了较高的分类准确率。FallDeFi的分类准确率达到了93％。随着深度学习技术的发展，也有不少方法将其应用到基于CSI的摔倒检测之中，且取得了较好的成果。WmFall对于难以区分的摔倒和坐下的动作，通过深度学习算法对它们进行区分。该方法实现了一个多级深度学习模型，包括感知层、初步判断层和最终判断层三个部分。WmFall在实验室中测试结果分类准确度为89％。FDS方法首先使用离散小波变换去除人体运动信号中的高频噪声，然后将去噪后的数据使用循环神经网络进行分类。在实验室中达到了90％的分类准确度。近年来，一些新的摔倒检测方法层出不穷，虽然取得了一定的成果，但都难以在继续提升分类准确度上做出突破。

通过上述分析，现有技术存在的问题及缺陷为：

(1)传统的摔倒检测技术都需要专用的传感器，安装成本高昂，用户隐私难以得到保护；同时由于RSSI仅包含幅度信息，可用数据流数量较少，是一种粗粒度的信息，所以此类方法的检测精度一般较低。

(2)基于CSI的摔倒检测方法检测准确率较低，平均虚警概率较高。

(3)现有新的摔倒检测方法层出不穷，虽然取得了一定的成果，但都难以在继续提升分类准确度上做出突破。

解决以上问题及缺陷的难度为：提取更为有效的特征，这些特征可以用于更充分地刻画摔倒动作；更精确地获取摔倒动作时间窗口，一方面可以避免其余人体动作对摔倒检测造成影响，另一方面可以减少环境噪声的影响；建立更有效的分类模型，既要保证分类准确度，也要对场景变化动态地做出响应。

解决以上问题及缺陷的意义为：基于CSI的摔倒识别只使用了商用WIFI设备，安装和使用成本较低，且人员无需佩戴任何专用设备或传感器。室内定位对于人民生活具有重要的意义，无论是办公室、家庭或是养老院等场所，都会有广泛的应用。解决上述问题，可以使WIFI室内摔倒检测满足高精度和动态应对环境变化的要求。

发明内容

针对现有技术存在的问题，本发明提供了一种人体摔倒智能检测方法、系统、信息数据处理终端，尤其涉及一种基于WIFI的人体摔倒智能检测方法、系统、信息数据处理终端，旨在解决目前室内摔倒检测方法存在的摔倒动作刻画不充分、难以精确提取摔倒时间窗口、检测结果易受到环境变化影响的问题。

本发明是这样实现的，一种人体摔倒智能检测方法，所述人体摔倒智能检测方法包括以下步骤：

步骤一，利用WIFI设备获取原始CSI数据，由于WIFI设备广泛部署、成本低廉，本发明基于CSI的摔倒检测方法易于实现及广泛应用；

步骤二，提取与人体运动相关的动态路径，对人体运动产生的多普勒频移DFS、天线阵列到达角AoA以及信号飞行时间ToF信息进行联合估计，计算出人体运动轨迹与运动速度，由于滤除了静态路径成分，减少了环境噪声的影响，估计出的DFS、AoA和ToF以及进一步计算的人体运动轨迹与运动速度仅与人体运动有关。

步骤三，依据当前人体运动速度和预设的摔倒速度阈值，判断并提取出摔倒动作的时间窗口，通过此步骤精确地获取摔倒动作时间窗口，一方面可以避免其余人体动作对摔倒检测造成影响，另一方面可以减少环境噪声的影响；

步骤四，利用联合估计得到的DFS和人体运动速度，结合CSI幅度与相位差作为摔倒动作判决的统计量，从中提取共11个摔倒动作特征，提取了更为有效的特征，这些特征可以用于更充分地刻画摔倒动作，也利于步骤五中进一步的分类；

步骤五，通过一个两层的分类模型，对特征进行动态筛选，舍去权重较低的变量，使用剩余特征进行摔倒动作识别，得到结果，一方面，依据不同环境进行特征筛选，可以让本发明动态应对环境变化，另一方面由于使用了较少的特征进行最终分类，节省了计算资源。

进一步，步骤一中，所述利用WIFI设备获取原始CSI数据，包括：

利用WIFI设备建立发射端与接收端之间的通信；发射端的天线数目为1，接收端的天线数目为S，每对收发天线之间传输一个数据包可以得到F个子载波的信道状态信息，故每个信道状态信息CSI数据包表示为一个S×F的复数矩阵，在第i个CSI数据包中，发送天线和接收天线j＝1,2,…,S之间，采集的CSI数据H_i,j表示为：

H_i,j＝[H(i,j,1),H(i,j,2),…,H(i,j,k),…,H(i,j,F)],k＝1,2,…,F；

其中，k表示子载波的编号，第k个子载波的CSI表示为：

其中，|H(i,j,k)|和

分别是在时刻i时，天线j，子载波k上的CSI的幅度和相位信息。

对接收天线j的CSI数据在时间方向上连续采集，如果采集的数据包总数为T，则发射天线与接收天线j之间第k个子载波所采集的连续T个人体运动CSI数据表示为：

其中，T、S、F分别表示发送的数据包数量，接收天线个数和子载波个数；用H(i,j,k)表示矩阵

中的每一个元素，人体运动的CSI数据

是一个T·S·F的三维复矩阵。

进一步，步骤二中，所述提取与人体运动相关的动态路径，包括：

通过天线间的共轭相乘，滤除无关噪声，从多径信号中分离出动态传播路径分量；选择一根接收天线作为参考天线，选择参考天线步骤如下：

求出每根接收天线每个子载波CSI幅度的均值u(j,k)：

求出每根接收天线每个子载波CSI幅度的标准差σ(j,k)：

求出每根接收天线每个子载波CSI幅度的均值标准差比R(j,k)：

求出每根接收天线子载波CSI幅度均值标准差比的均值u_R(j)：

选择接收天线子载波CSI幅度均值标准差比的均值最大的一根接收天线作为参考天线j₀：

j₀＝argmax_ju(j),j＝1,2,…,S；

将其余接收天线的CSI分别与参考天线的CSI共轭相乘：

C(i,j,k)＝H(i,j,k)·H^*(i,j₀,k)；

其中，j₀是参考天线的编号。C(i,j,k)表示共轭相乘后的CSI信号矩阵C中的每个元素，矩阵C是一个T·S·F的复矩阵。

将矩阵C中每根天线上每个子载波连续的CSI信号

i＝1,2,…,T分别通过带通滤波器滤除静态路径成分：

其中，j＝1,2,…,S表示不同的接收天线，k＝1,2,…,F表示接收天线上不同的子载波，*表示卷积运算，h(i)表示带通滤波器，上下截至频率分别设置为10Hz和90Hz，

表示滤波后每根天线上每个子载波连续的动态路径CSI信号。由滤波后的

组成CSI动态路径信号H_d，其中每个元素为H_d(i,j,k)，H_d为T·S·F的三维复矩阵。

进一步，步骤二中，所述对人体运动产生的多普勒频移DFS、天线阵列到达角AoA以及信号飞行时间ToF信息进行联合估计，包括：

由于室内多径效应的影响，H_d(i,j,k)表示为：

其中，L是多条路径的总数，a_l(i,j,k)和τ_l(i,j,k)分别是第l条路径的复衰减因子和传播延迟。以H(0,0,0)作为参考，第l条路径，第k个子载波的CSI的相位信息表示为：

其中，f_c是信道的载波频率，Δt_i、Δs_j和Δf_k分别是H(i,j,k)与H(0,0,0)之间的时间、天线距离和子载波频率的差值，τ_l、φ_l和f_l分别是第l条路径H(0,0,0)时的ToF、AoA和DFS信息；在短时间窗、窄带宽和小孔径的情况下，信号衰减因子是一个常数；同时，f_cτ_l保持不变，将它与复衰减因子a_l合并，则第l条路径的信号参数表示为：

θ_l＝(α_l,τ_l,φ_l,f_l)；

令：

m＝(i,j,k)，i＝1,2,…,T,j＝1,2,…,S,k＝1,2,…,F；

其中，T、S、F分别表示发送的数据包数量，接收天线个数和子载波个数。

对于期望步骤，接收到的CSI将被分解，动态路径CSI信号H_d(m)的每条路径H_l(m)表示为：

其中，

是上一次迭代中估计的参数，

为上一次迭代中估计的第l条路径，L表示估计的多径数量，β_l是用于控制收敛速度的非负系数，默认为1。

对于最大化步骤，通过迭代计算所得参数如下：

其中，复衰减因子的最大似然估计值表示为

和

的函数：

其中，T、S、F分别表示发送的数据包数量，接收天线个数和子载波个数，目标函数z为：

所有参数的初始值如下：

τ_l＝φ_l＝f_l＝α_l＝0,l＝1,2,…,L；

重复上述期望和最大化步骤，直至参数估计值收敛：

其中，

表示当前迭代中估计的参数，

表示上一次迭代中估计的参数。

通过估计得到若干条动态路径的AoA、ToF和DFS信息，选择功率最大的路径作为人体运动反射路径：

该路径的AoA估计值记为φ，ToF的估计值记为τ_p，DFS的估计值记为f_d。

进一步，步骤二中，所述计算出人体运动轨迹与运动速度，包括：

提出人体运动轨迹跟踪算法，假设发射端天线位置坐标为Tx(0,0)，接收端天线位置坐标为Rx(x_r,y_r)，运动的目标坐标为l(x,y)，ψ_r是天线阵列角，φ_Tx是视距(LOS)路径的到达角，则天线阵列角ψ_r可以通过φ_Tx和Rx(x_r,y_r)计算得到：

如动态路径成分提取部分所述，AoA的估计值为φ，ToF的估计值τ_p是真实信号ToF值τ_d与视距信号ToF值τ_s之差。发射天线和接收天线的位置已知，直接测量出视距的距离，实际人体运动反射信号传播距离如下：

range＝τ_p·c+dist(Tx,Rx)；

其中，c为光速，dist(Tx,Rx)是收发端视距的距离。

根据几何关系可以建立轨迹方程如下：

通过求解方程得到人体实时位置坐标：

其中，

X是目标运动范围内的任意值；根据方程的解与信号参数的估计间隔计算出人体的运动速度：

其中，(x′,y′)为估计时间间隔Δt前的人体位置。

进一步，步骤三中，所述依据当前人体运动速度和预设的摔倒速度阈值，判断并提取出摔倒动作的时间窗口，包括：

根据人体在室内的行走速度设置阈值，提取与摔倒动作相关的CSI信息同时去除其他动作和噪声的影响：

v_threshold＝μ(v_walk)+γ·σ(v_walk)；

其中，μ(v_walk)和σ(v_walk)分别是室内人体行走速度的平均值和标准差，γ是一个用于调整阈值大小的常数。记录v≥v_threshold的动作开始和结束时间，作为摔倒动作的时间窗口。

进一步，步骤四中，所述利用联合估计得到的DFS和人体运动速度，结合CSI幅度与相位差作为摔倒动作判决的统计量，从中提取共11个摔倒动作特征，包括：

综合考虑CSI的幅度、CSI的相位差、DFS和人体运动速度，提取摔倒动作特征，用于提高识别精度和简化分类计算；选取的CSI幅度为第一根天线第十个子载波的幅度，即A＝|H(i,1,10)|,i＝1,2,…,T，选取的CSI相位差为第一根天线与第二根天线第十条子载波的相位差，即Ph＝φ_i,1,10-φ_i,2,10,i＝1,2,…,T。

提取的特征如下：

(1)动作持续时间

TD＝t_start-t_end；

其中，t_start表示步骤三中时间窗口的动作开始时间，t_end表示动作结束时间。

(2)CSI幅度归一化标准差STD_A

其中，

表示CSI幅度的均值。

(3)CSI相位差归一化标准差STD_Ph

其中，

表示CSI相位差的均值。

(4)CSI幅度样本熵SE_A

对于N个CSI幅度样本数据组成的时间序列{A(n)}＝{A(1),A(2),…,A(N)}，定义序列A_m(i)＝{A(i),A(i+1),…,A(i+m-1)}，定义序列A_m(i)与A_m(j)之间的距离d[A_m(i),A_m(j)]为两者元素中最大差值的绝对值，即：

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

对于序列A_m(i)，统计A_m(i)与A_m(j)(1≤j≤N-m,j≠i)之间的距离小于等于阈值r时j的数目，记作B_i；对于1≤i≤N-m，定义：

定义：

增加维数到m+1，计算A_m+1(i)与A_m+1(j)(1≤j≤N-m,j≠i)距离小于等于r的个数，记为D_i。

定义为：

定义：

其中，

表示两个序列在相似容限r下匹配m个点的概率，D^m(r)是两个序列匹配m+1个点的概率。样本熵计算公式为：

计算CSI幅度样本熵时，取m＝2，r＝0.15·STD_A。

(5)CSI相位差样本熵SE_Ph

计算方式与CSI幅度样本熵同理，将样本数据替换为CSI相位差数据{Ph(n)}＝{Ph(1),Ph(2),…,Ph(N)}，计算公式为：

计算CSI相位差样本熵时，取m＝2，r＝0.15·STD_Ph。

(6)CSI幅度绝对中位差MAD_A

MAD_A＝median(|A-median(A)|)；

其中，median表示计算数据的中位数。

(7)CSI相位绝对中位差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表示计算该样本中所有数值由小到大排列后第75％的数字，Q₁表示计算该样本中所有数值由小到大排列后第25％的数字。

(9)CSI相位差四分位距IR_Ph

Q₃(Ph)-Q₁(Ph)；

(10)DFS绝对值的最大值f_max

f_max＝max|f_d|；

(11)人体运动速度最大值v_max

v_max＝max v；

增加DFS和速度来更好地体现人体摔倒动作，共提取11个特征，组成特征向量W进行最终分类：

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

进一步，步骤五中，所述通过一个两层的分类模型，对特征进行动态筛选，舍去权重较低的变量；使用剩余特征进行摔倒动作识别，得到结果，包括：

利用WIFI设备分别多次人体运动的信道状态信息CSI数据，计算得到多组特征向量；将获得的特征向量作为输入数据，将输入数据按比例划分训练数据集和测试数据集；

在第一层分类器中，利用训练数据集，采用随机森林RF进行初步的学习和分类，计算每个特征的变量权重；每个特征在随机森林中每个决策树的贡献通过基尼系数计算来评估，通过VIM表示变量的重要性，用G来表示基尼系数；其中，所述基尼系数的计算方式如下：

其中，R表示类别总数，本模型中包括摔倒和非摔倒两类，s_pr表示在节点p中类别r所占的比例。

根据步骤四中提取的特征向量W，共有11个特征a₁,a₂,…,a₁₁，按照公式计算出每个特征a_i,i＝1,2,…,11的基尼系数，记作VIM_i；基尼系数的变化，即特征在决策树节点p中的重要性的计算如下：

VIM_jp＝G_p-G_l-G_r；

其中，G_l和G_r分别代表两个新节点的基尼系数。

若特征a_i出现的节点记为集合P，则决策树j中特征a_i的重要性表示为：

假设随机森林中决策树的总数为k_tree，则特征a_i的重要性表示为：

对得到的特征重要性进行归一化即可得到变量权重：

按照变量权重大小对特征进行筛选，滤除变量权重VIM_j＜0.04的特征；滤除部分特征后的特征向量用W₀表示，根据W₀更新训练数据集和测试数据集。

在第二层分类器中，利用更新后的测试集数据，采用支持向量机SVM进行模型训练，类别包括摔倒动作和非摔倒动作；模型训练完成后，将更新后测试数据集的数据放入模型进行分类，对于每一组数据，输出一种类别；将测试集数据原类别与模型分类结果比对得到分类模型准确率。

本发明的另一目的在于提供一种应用所述的人体摔倒智能检测方法的人体摔倒智能检测系统，所述人体摔倒智能检测系统包括：

原始CSI数据获取模块，用于利用WIFI设备获取原始CSI数据；

动态路径提取模块，用于提取与人体运动相关的动态路径；

联合估计模块，用于对人体运动产生的多普勒频移DFS、天线阵列到达角AoA以及信号飞行时间ToF信息进行联合估计，计算人体运动轨迹与运动速度；

时间窗口提取模块，用于依据当前人体运动速度和预设的摔倒速度阈值，判断并提取出摔倒动作的时间窗口；

摔倒动作特征提取模块，用于利用联合估计得到的DFS和人体运动速度，结合CSI幅度与相位差作为摔倒动作判决的统计量，提取共11个摔倒动作特征；

摔倒动作识别模块，用于通过一个两层的分类模型，对特征进行动态筛选，舍去权重较低的变量；使用剩余特征进行摔倒动作识别，得到结果。

本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的人体摔倒智能检测系统。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的人体摔倒智能检测方法，具体涉及一种基于信道状态信息(CSI)和两层分类模型机器学习的室内人体摔倒检测方法，克服了现有技术中检测精度低且检测结果易受到环境变化影响的问题，同时节省了计算资源，提升了摔倒动作的检测精度，可用于智能家居、养老院看护等场景。

本发明首先将CSI信号中动态路径成分进行了提取，滤除了静态路径成分，降低了噪声的影响；然后对人体运动时的信道参数进行了估计，根据参数估计结果计算出人体运动轨迹和人体运动速度；接着通过运动速度和阈值提取了摔倒动作时间窗口，避免了其余动作或噪声产生的影响；然后根据联合估计得到的信道参数和CSI幅度与相位差提取了摔倒动作特征，用以凸显摔倒动作；最后通过一个两层的分模型，首先对特征进行动态筛选，舍去权重较低的变量，然后使用剩余特征进行摔倒动作识别，得到结果，这样不仅可以动态应对环境变化，由于使用了较少的特征进行最终识别，还节省了计算资源。本发明涉及基于WIFI的人体摔倒智能检测方法，可用于智能家居和养老院看护等。

本发明基于WIFI设备的CSI信息，有效解决了基于传感器摔倒检测方法安装成本高昂，安装难度高的问题；解决了基于计算机视觉摔倒检测方法用户隐私难以保护的问题；也解决了基于RSSI摔倒检测方法的精度低，可靠性差的问题。本发明可应用与商用WIFI设备，安装简单，成本低，同时很好地保护了用户的隐私，同时检测精度较高，可靠性高。

本发明在现有的基于WIFI的摔倒检测系统进行了改进，在原有的基于CSI幅度和相位的摔倒检测系统中增添了新的统计量包括DFS和人体运动速度，并于CSI幅度和相位差信息进行数据融合，提取了更能凸显摔倒动作的特征；本发明为了提取与摔倒动作紧密相关的CSI信息，同时去除其他动作和噪声的影响，本发明根据人体在室内的行走速度设置了阈值，当人体运动速度超过阈值的部分可能有摔倒动作发生，对相关时间窗口信息进行了提取，并命名为摔倒时间窗口；本发明针对现有方法摔倒检测性能易受到环境变化影响的问题，提出了一个两层的分类模型，首先使用RF方法对特征进行动态筛选，舍去权重较低的变量，然后对剩余特征使用SVM方法进行摔倒动作最终识别，得到了较好的分类结果。

由仿真图6可以看出本发明中提出的摔倒时间窗口检测方法可以有效提取与摔倒动作有关的时间窗口，同时去除其他动作和噪声的影响，便于进行后续步骤的特征提取和分类器识别。由仿真图7可以看出在同一检测环境下，本发明的摔倒检测方法识别精确度明显高于传统检测方法。由仿真图8可以看出在不同的检测环境下，与传统检测方法易受到环境变化影响不同，本发明提出的摔倒检测方法识别精确度都维持在一个较高的水平。此外，由于使用了两层的分类模型进行识别，特征经历了筛选，使用了较少的特征进行分类计算，节省了计算资源。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的人体摔倒智能检测方法流程图。

图2是本发明实施例提供的提取与人体运动相关的动态路径，对人体运动产生的DFS、AoA、ToF信息进行联合估计，计算出人体运动轨迹与运动速度的方法流程图。

图3是本发明实施例提供的两层分类模型摔倒动作识别的方法流程图。

图4是本发明实施例提供的人体运动轨迹跟踪算法图。

图5是本发明实施例提供的人体摔倒智能检测系统结构框图；

图中：1、原始CSI数据获取模块；2、动态路径提取模块；3、联合估计模块；4、时间窗口提取模块；5、摔倒动作特征提取模块；6、摔倒动作识别模块。

图6是本发明实施例提供的一次实验中提取的与摔倒动作相关的CSI幅度和相位差信息图。

图6(a)是本发明实施例提供的一次实验中摔倒动作CSI幅度图。

图6(b)是本发明实施例提供的一次实验中摔倒动作CSI相位差图。

图7是本发明实施例提供的单一场景不同分类算法的结果对比图。

图8是本发明实施例提供的不同场景不同摔倒检测方法的结果对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种人体摔倒智能检测方法、系统、信息数据处理终端，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的人体摔倒智能检测方法包括以下步骤：

S101，利用WIFI设备获取原始CSI数据；

S102，提取与人体运动相关的动态路径，对人体运动产生的多普勒频移DFS、天线阵列到达角AoA以及信号飞行时间ToF信息进行联合估计，计算出人体运动轨迹与运动速度；

S103，依据当前人体运动速度和预设的摔倒速度阈值，判断并提取出摔倒动作的时间窗口；

S104，利用联合估计得到的DFS和人体运动速度，结合CSI幅度与相位差作为摔倒动作判决的统计量，从中提取共11个摔倒动作特征；

S105，通过一个两层的分类模型，对特征进行动态筛选，舍去权重较低的变量；使用剩余特征进行摔倒动作识别，得到结果。

本发明提供的基于WIFI的人体摔倒智能检测方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的基于WIFI的人体摔倒智能检测方法仅仅是一个具体实施例而已。

本发明实施例提供的S101中，利用WIFI设备获取原始CSI数据，具体过程为：

利用WIFI设备建立发射端与接收端之间的通信；发射端的天线数目为1，接收端的天线数目为S，每对收发天线之间传输一个数据包可以得到F个子载波的信道状态信息，故每个信道状态信息CSI数据包表示为一个S×F的复数矩阵，在第i个CSI数据包中，发送天线和接收天线j＝1,2,…,S之间，采集的CSI数据H_i,j表示为：

H_i,j＝[H(i,j,1),H(i,j,2),…,H(i,j,k),…,H(i,j,F)],k＝1,2,…,F；

其中，k表示子载波的编号，第k个子载波的CSI表示为：

其中，|H(i,j,k)|和

分别是在时刻i时，天线j，子载波k上的CSI的幅度和相位信息；

对接收天线j的CSI数据在时间方向上连续采集，如果采集的数据包总数为T，则发射天线与接收天线j之间第k个子载波所采集的连续T个人体运动CSI数据表示为：

其中，T、S、F分别表示发送的数据包数量，接收天线个数和子载波个数；用H(i,j,k)表示矩阵

中的每一个元素，人体运动的CSI数据

是一个T·S·F的三维复矩阵。

如图2所示，本发明实施例提供的S102中，提取与人体运动相关的动态路径，对人体运动产生的DFS、AoA、ToF信息进行联合估计，计算出人体运动轨迹与运动速度，包括：

S201，提取与人体运动相关的动态路径。

S202，对人体运动产生的DFS、AoA、ToF信息进行联合估计。

S203，计算出人体运动轨迹与运动速度。

具体过程为：

通过天线间的共轭相乘，滤除无关噪声，从多径信号中分离出动态传播路径分量。首先，选择一根接收天线作为参考天线，选择参考天线步骤如下：

求出每根接收天线每个子载波CSI幅度的均值u(j,k)：

求出每根接收天线每个子载波CSI幅度的标准差σ(j,k)：

求出每根接收天线每个子载波CSI幅度的均值标准差比R(j,k)：

求出每根接收天线子载波CSI幅度均值标准差比的均值u_R(j)：

选择接收天线子载波CSI幅度均值标准差比的均值最大的一根接收天线作为参考天线j₀：

j₀＝argmax_ju(j),j＝1,2,…,S

然后，将其余接收天线的CSI分别与参考天线的CSI共轭相乘：

C(i,j,k)＝H(i,j,k)·H^*(i,j₀,k)

其中，j₀是参考天线的编号。C(i,j,k)表示共轭相乘后的CSI信号矩阵C中的每个元素，矩阵C是一个T·S·F的复矩阵。

将矩阵C中每根天线上每个子载波连续的CSI信号

i＝1,2,…,T分别通过带通滤波器滤除静态路径成分：

其中，j＝1,2,…,S表示不同的接收天线，k＝1,2,…,F表示接收天线上不同的子载波，*表示卷积运算，h(i)表示带通滤波器，上下截至频率分别设置为10Hz和90Hz，

表示滤波后每根天线上每个子载波连续的动态路径CSI信号。由滤波后的

组成CSI动态路径信号H_d，其中每个元素为H_d(i,j,k)，H_d为T·S·F的三维复矩阵。

由于室内多径效应的影响，H_d(i,j,k)可以表示为

其中，L是多条路径的总数，a_l(i,j,k)和τ_l(i,j,k)分别是第l条路径的复衰减因子和传播延迟。以H(0,0,0)作为参考，第l条路径，第k个子载波的CSI的相位信息可以表示为：

其中，f_c是信道的载波频率，Δt_i、Δs_j和Δf_k分别是H(i,j,k)与H(0,0,0)之间的时间、天线距离和子载波频率的差值，τ_l、φ_l和f_l分别是第l条路径H(0,0,0)时的ToF、AoA和DFS信息。在短时间窗、窄带宽和小孔径的情况下，信号衰减因子是一个常数。此外，f_cτ_l保持不变，所以它可以将它与复衰减因子a_l合并。那么，第l条路径的信号参数可以表示为：

θ_l＝(α_l,τ_l,φ_l,f_l)

为了简化公式，令：

m＝(i,j,k)，i＝1,2,…,T,j＝1,2,…,S,k＝1,2,…,F

其中T、S、F分别表示发送的数据包数量，接收天线个数和子载波个数

对于期望步骤，接收到的CSI将被分解，动态路径CSI信号H_d(m)的每条路径H_l(m)可以表示为：

其中

是上一次迭代中估计的参数，

为上一次迭代中估计的第l条路径，L表示估计的多径数量，β_l是一个用于控制收敛速度的非负系数，默认为1。

对于最大化步骤，通过迭代计算所得参数如下：

其中，复衰减因子的最大似然估计值可以表示为

和

的函数

其中，T、S、F分别表示发送的数据包数量，接收天线个数和子载波个数，目标函数z为：

所有参数的初始值如下：

τ_l＝φ_l＝f_l＝α_l＝0,l＝1,2,…,L

重复上述期望和最大化步骤，直至参数估计值收敛：

其中，

表示当前迭代中估计的参数，

表示上一次迭代中估计的参数。

通过估计可以得到若干条动态路径的AoA、ToF和DFS信息，选择功率最大的路径作为人体运动反射路径。

该路径的AoA估计值记为φ，ToF的估计值记为τ_p，DFS的估计值记为f_d。

本发明提出的人体运动轨迹跟踪算法。假设发射端天线位置坐标为Tx(0,0)，接收端天线位置坐标为Rx(x_r,y_r)，运动的目标坐标为l(x,y)，ψ_r是天线阵列角，φ_Tx是视距(LOS)路径的到达角。天线阵列角ψ_r可以通过φ_Tx和Rx(x_r,y_r)计算得到：

如动态路径成分提取部分所述，AoA的估计值为φ，ToF的估计值τ_p是真实信号ToF值τ_d与视距信号ToF值τ_s之差。由于发射天线和接收天线的位置已知，可以直接测量出视距的距离，实际人体运动反射信号传播距离如下：

range＝τ_p·c+dist(Tx,Rx)

其中，c为光速，dist(Tx,Rx)是收发端视距的距离。

根据几何关系可以建立轨迹方程如下：

通过求解方程可以得到人体实时位置坐标：

其中，

X是目标运动范围内的任意值。根据上述方程的解与信号参数的估计间隔可以计算出人体的运动速度：

其中，(x′,y′)为估计时间间隔Δt前的人体位置。

本发明实施例提供的S103中，依据当前人体运动速度和预设的摔倒速度阈值，判断并提取出摔倒动作的时间窗口，具体过程为：

人体的摔倒动作会导致速度的突然增大，为了提取与摔倒动作相关的CSI信息同时去除其他动作和噪声的影响，本发明根据人体在室内的行走速度设置了阈值。

v_threshold＝μ(v_walk)+γ·σ(v_walk)

其中，μ(v_walk)和σ(v_walk)分别是室内人体行走速度的平均值和标准差，γ是一个用于调整阈值大小的常数。记录v≥v_threshold的动作开始和结束时间，作为摔倒动作的时间窗口。

本发明实施例提供的S104中，利用联合估计得到的DFS和人体运动速度，结合CSI幅度与相位差作为摔倒动作判决的统计量，从中提取共11个摔倒动作特征，具体过程为：

综合考虑CSI的幅度、CSI的相位差、DFS和人体运动速度，提取摔倒动作特征，用于提高识别精度和简化分类计算。本发明中选取的CSI幅度为第一根天线第十个子载波的幅度，即A＝|H(i,1,10)|,i＝1,2,…,T，选取的CSI相位差为第一根天线与第二根天线第十条子载波的相位差，即Ph＝φ_i,1,10-φ_i,2,10,i＝1,2,…,T。

提取的特征如下：

(1)动作持续时间

TD＝t_start-t_end

其中，t_start表示步骤三中时间窗口的动作开始时间，t_end表示动作结束时间。

(2)CSI幅度归一化标准差STD_A

其中，

表示CSI幅度的均值。

(3)CSI相位差归一化标准差STD_Ph

其中，

表示CSI相位差的均值。

(4)CSI幅度样本熵SE_A

对于N个CSI幅度样本数据组成的时间序列{A(n)}＝{A(1),A(2),…,A(N)},

定义序列A_m(i)＝{A(i),A(i+1),…,A(i+m-1)}，定义序列A_m(i)与A_m(j)之间的距离d[A_m(i),A_m(j)]为两者元素中最大差值的绝对值，即：

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

对于序列A_m(i)，统计A_m(i)与A_m(j)(1≤j≤N-m,j≠i)之间的距离小于等于阈值r时j的数目，记作B_i；对于1≤i≤N-m，定义：

定义：

增加维数到m+1，计算A_m+1(i)与A_m+1(j)(1≤j≤N-m,j≠i)距离小于等于r的个数，记为D_i。

定义为：

定义：

这样，

表示两个序列在相似容限r下匹配m个点的概率，D^m(r)是两个序列匹配m+1个点的概率。样本熵计算公式为：

在本发明中计算CSI幅度样本熵时，取m＝2，r＝0.15·STD_A

(5)CSI相位差样本熵SE_Ph

计算方式与CSI幅度样本熵同理，将样本数据替换为CSI相位差数据{Ph(n)}＝{Ph(1),Ph(2),…,Ph(N)}，计算公式为：

在本发明中计算CSI相位差样本熵时，取m＝2，r＝0.15·STD_Ph

(6)CSI幅度绝对中位差MAD_A

MAD_A＝median(|A-median(A)|)

其中，median表示计算数据的中位数。

(7)CSI相位绝对中位差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表示计算该样本中所有数值由小到大排列后第75％的数字，Q₁表示计算该样本中所有数值由小到大排列后第25％的数字

(9)CSI相位差四分位距IR_Ph

Q₃(Ph)-Q₁(Ph)

(10)DFS绝对值的最大值f_max

f_max＝max|f_d|

(11)人体运动速度最大值v_max

v_max＝maxv

与现有的只使用振幅和相位的方法不同，本文增加了DFS和速度来更好地体现人体摔倒动作，共提取11个特征，组成特征向量W进行最终分类。

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

如图3所示，本发明实施例提供的S105中，通过一个两层的分类模型，首先对特征进行动态筛选，舍去权重较低的变量，然后使用剩余特征进行摔倒动作识别，得到结果，包括：

S301，使用RF方法进行初步的分类，并计算每个特征的变量权重。

S302，根据变量权重对特征进行筛选，去除变量权重较小的变量。

S303，使用SVM进行最终的分类。

具体过程为：

利用WIFI设备分别多次人体运动的信道状态信息CSI数据，计算得到多组特征向量；将获得的特征向量作为输入数据，将输入数据按比例划分训练数据集和测试数据集；

在第一层分类器中，利用训练数据集，采用随机森林(RF)进行初步的学习和分类，计算每个特征的变量权重。每个特征在随机森林中每个决策树的贡献可以通过基尼系数计算来评估。本发明通过VIM表示变量的重要性，用G来表示基尼系数。基尼系数的计算方式如下：

其中，R表示类别总数，本模型中包括摔倒和非摔倒两类，s_pr表示在节点p中类别r所占的比例。

根据步骤四中提取的特征向量W，共有11个特征a₁,a₂,…,a₁₁，按照上式计算出每个特征a_i,i＝1,2,…,11的基尼系数，记作VIM_i。基尼系数的变化，也就是特征在决策树节点p中的重要性的计算如下：

VIM_jp＝G_p-G_l-G_r

其中，G_l和G_r分别代表两个新节点的基尼系数。

如果特征a_i出现的节点记为集合P，那么决策树j中特征a_i的重要性可以表示为：

假设随机森林中决策树的总数为k_tree，那么特征a_i的重要性可以表示为：

最后，对得到的特征重要性进行归一化就可以得到变量权重。

接着，按照变量权重大小对特征进行筛选，滤除变量权重VIM_j＜0.04的特征。滤除部分特征后的特征向量用W₀表示，根据W₀更新训练数据集和测试数据集。

在第二层分类器中，利用更新后的测试集数据，采用支持向量机(SVM)进行模型训练，类别包括摔倒动作和非摔倒动作。模型训练完成后，将更新后测试数据集的数据放入模型进行分类，对于每一组数据，输出一种类别。最后，将测试集数据原类别与模型分类结果比对得到分类模型准确率。

本发明实施例提供的人体运动轨迹跟踪算法图如图4所示。

如图5所示，本发明实施例提供的人体摔倒智能检测系统包括：

原始CSI数据获取模块1，用于利用WIFI设备获取原始CSI数据；

动态路径提取模块2，用于提取与人体运动相关的动态路径；

联合估计模块3，用于对人体运动产生的多普勒频移DFS、天线阵列到达角AoA以及信号飞行时间ToF信息进行联合估计，计算人体运动轨迹与运动速度；

时间窗口提取模块4，用于依据当前人体运动速度和预设的摔倒速度阈值，判断并提取出摔倒动作的时间窗口；

摔倒动作特征提取模块5，用于利用联合估计得到的DFS和人体运动速度，结合CSI幅度与相位差作为摔倒动作判决的统计量，提取共11个摔倒动作特征；

摔倒动作识别模块6，用于通过一个两层的分类模型，对特征进行动态筛选，舍去权重较低的变量；使用剩余特征进行摔倒动作识别，得到结果。

实际测试中，为了采集运动数据，本发明采用了一对工作在5GHz、信道带宽为20MHz的商用WiFi设备。选择一台带有一根天线的笔记本电脑作为发射端，另一台带有三根天线的笔记本电脑作为接收端。这两款笔记本电脑都配备了英特尔5300网卡以进行CSI数据采集。收发端的天线是全向的，工作在2.4GHz和5GHz频段，增益为8dBi。当实验进行时，需要保持天线的位置不变。另外，将CSI数据的采样率设置为1kHz，以获取准确有效的人体运动信息。在室内环境中，WiFi设备安装在支架上，每个支架的高度以及两个支架之间的距离可根据实验要求适当调整。此外，为了测试系统的性能，我们在实验室、办公室和宿舍三个典型环境下进行了实验。这些场景中有各种各样的家具和电子设备，与日常生活场景相似。实验中共有12人参与了数据集的采集，其中包括8名男性和4名女性。他们完成一些可能导致人体高速运动的日常动作，包括“走”、“跑”、“跳”、“坐”、“站”、“躺”和“摔”。此外，他们在每个实验环境中重复每个动作30次，以完成三个实验场景的CSI数据采集。根据步骤二至步骤五所述，完成本发明提出的一种人体摔倒智能检测方法、系统、信息数据处理终端。

下面结合仿真实验对本发明的技术效果作进一步的描述。

仿真条件：将对本发明提出的基于WIFI的人体摔倒智能检测方案进行仿真与性能分析，分析本发明提出的方法在同一实验场景中与不同分类算法的识别精度对比以及在不同实验场景中与不同摔倒检测方法的识别精度对比。实验场景包括实验室、办公室和宿舍，实验部署阶段是在相距1m左右的两个位置分别布置一个装有无线网卡的笔记本电脑作为采集数据的收发端，接收端与发射端位置固定，可疑物品放在靠近发射端的视距路径上，接收端负责采集信道状态信息CSI数据，并将数据传输到服务器端进行分类运算，使发射端与接收端通信，然后开始采集可疑物品材质的数据。

仿真内容与结果：

仿真1，根据摔倒时间窗口，提取与摔倒动作相关的CSI幅度和相位差信息。如图6所示，提取的CSI幅度和相位差信息仅与人体摔倒动作有关，去除了其他动作和噪声的影响。

仿真2，单一场景不同分类算法的结果对比。如图7所示，本发明提出的分类算法相比传统的基于K最近邻(KNN)、随机森林(RF)、支持向量机(SVM)算法有更高的精度，分类准确率达到了96％，说明本发明可以很好地检测室内摔倒动作。

仿真3，不同场景不同摔倒检测方法的结果对比。如图8所示，本发明提出的摔倒检测系统相对于现有的摔倒检测方法包括RT-Fall、FallDeFi、FDS，对于不同实验场景都可以保持较高的分类准确率，对于办公室、实验室和宿舍的实验场景，分别达到了96％、95％、96％的准确率，本发明可以动态地选择适合于不同环境的特征，应用于多种不同的环境。

本发明可以应用于智能家庭，仅需一对WIFI设备，当使用者出现摔倒动作时会予以警告，该系统无需使用者携带任何传感器，很好地保护了使用者的隐私，不会影响使用者的日常生活；此外本发明还可以应用于老年看护，对于养老院或老人居住的室内设施，该发明可以智能的检测和计算老人是否出现摔倒的危险动作，如果动作发生将立刻警告并联系家庭成员和医护人员，避免错过最佳救助时间。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种人体摔倒智能检测方法，其特征在于，所述人体摔倒智能检测方法包括以下步骤：

步骤一，利用WIFI设备获取原始CSI数据；

步骤二，提取与人体运动相关的动态路径，对人体运动产生的多普勒频移DFS、天线阵列到达角AoA以及信号飞行时间ToF信息进行联合估计，计算出人体运动轨迹与运动速度；

步骤三，依据当前人体运动速度和预设的摔倒速度阈值，判断并提取出摔倒动作的时间窗口；

步骤四，利用联合估计得到的DFS和人体运动速度，结合CSI幅度与相位差作为摔倒动作判决的统计量，从中提取共11个摔倒动作特征；

步骤五，通过一个两层的分类模型，对特征进行动态筛选，舍去权重较低的变量；使用剩余特征进行摔倒动作识别，得到结果。

2.如权利要求1所述的人体摔倒智能检测方法，其特征在于，步骤一中，所述利用WIFI设备获取原始CSI数据，包括：

利用WIFI设备建立发射端与接收端之间的通信；发射端的天线数目为1，接收端的天线数目为S，每对收发天线之间传输一个数据包可以得到F个子载波的信道状态信息，故每个信道状态信息CSI数据包表示为一个S×F的复数矩阵，在第i个CSI数据包中，发送天线和接收天线j＝1,2,…,S之间，采集的CSI数据H_i,j表示为：

H_i,j＝[H(i,j,1),H(i,j,2),…,H(i,j,k),…,H(i,j,F)],k＝1,2,…,F；

其中，k表示子载波的编号，第k个子载波的CSI表示为：

其中，|H(i,j,k)|和

分别是在时刻i时，天线j，子载波k上的CSI的幅度和相位信息；

对接收天线j的CSI数据在时间方向上连续采集，如果采集的数据包总数为T，则发射天线与接收天线j之间第k个子载波所采集的连续T个人体运动CSI数据表示为：

其中，T、S、F分别表示发送的数据包数量，接收天线个数和子载波个数；用H(i,j,k)表示矩阵

中的每一个元素，人体运动的CSI数据

是一个T·S·F的三维复矩阵。

3.如权利要求1所述的人体摔倒智能检测方法，其特征在于，步骤二中，所述提取与人体运动相关的动态路径，包括：

通过天线间的共轭相乘，滤除无关噪声，从多径信号中分离出动态传播路径分量；选择一根接收天线作为参考天线，选择参考天线步骤如下：

求出每根接收天线每个子载波CSI幅度的均值u(j,k)：

求出每根接收天线每个子载波CSI幅度的标准差σ(j,k)：

求出每根接收天线每个子载波CSI幅度的均值标准差比R(j,k)：

求出每根接收天线子载波CSI幅度均值标准差比的均值u_R(j)：

选择接收天线子载波CSI幅度均值标准差比的均值最大的一根接收天线作为参考天线j₀：

j₀＝argmax_ju(j),j＝1,2,…,S；

将其余接收天线的CSI分别与参考天线的CSI共轭相乘：

C(i,j,k)＝H(i,j,k)·H^*(i,j₀,k)；

其中，j₀是参考天线的编号；C(i,j,k)表示共轭相乘后的CSI信号矩阵C中的每个元素，矩阵C是一个T·S·F的复矩阵；

将矩阵C中每根天线上每个子载波连续的CSI信号

分别通过带通滤波器滤除静态路径成分：

其中，j＝1,2,…,S表示不同的接收天线，k＝1,2,…,F表示接收天线上不同的子载波，*表示卷积运算，h(i)表示带通滤波器，上下截至频率分别设置为10Hz和90Hz，

表示滤波后每根天线上每个子载波连续的动态路径CSI信号；由滤波后的

组成CSI动态路径信号H_d，其中每个元素为H_d(i,j,k)，H_d为T·S·F的三维复矩阵。

4.如权利要求1所述的人体摔倒智能检测方法，其特征在于，步骤二中，所述对人体运动产生的多普勒频移DFS、天线阵列到达角AoA以及信号飞行时间ToF信息进行联合估计，包括：

由于室内多径效应的影响，H_d(i,j,k)表示为：

其中，L是多条路径的总数，a_l(i,j,k)和τ_l(i,j,k)分别是第l条路径的复衰减因子和传播延迟；以H(0,0,0)作为参考，第l条路径，第k个子载波的CSI的相位信息表示为：

其中，f_c是信道的载波频率，Δt_i、Δs_j和Δf_k分别是H(i,j,k)与H(0,0,0)之间的时间、天线距离和子载波频率的差值，τ_l、φ_l和f_l分别是第l条路径H(0,0,0)时的ToF、AoA和DFS信息；在短时间窗、窄带宽和小孔径的情况下，信号衰减因子是一个常数；同时，f_cτ_l保持不变，将它与复衰减因子a_l合并，则第l条路径的信号参数表示为：

θ_l＝(α_l,τ_l,φ_l,f_l)；

令：

m＝(i,j,k)，i＝1,2,…,T,j＝1,2,…,S,k＝1,2,…,F；

其中，T、S、F分别表示发送的数据包数量，接收天线个数和子载波个数；

对于期望步骤，接收到的CSI将被分解，动态路径CSI信号H_d(m)的每条路径H_l(m)表示为：

其中，

是上一次迭代中估计的参数，

为上一次迭代中估计的第l条路径，L表示估计的多径数量，β_l是用于控制收敛速度的非负系数，默认为1；

对于最大化步骤，通过迭代计算所得参数如下：

其中，复衰减因子的最大似然估计值表示为

和

的函数：

其中，T、S、F分别表示发送的数据包数量，接收天线个数和子载波个数，目标函数z为：

所有参数的初始值如下：

τ_l＝φ_l＝f_l＝α_l＝0,l＝1,2,…,L；

重复上述期望和最大化步骤，直至参数估计值收敛：

其中，

表示当前迭代中估计的参数，

表示上一次迭代中估计的参数；

通过估计得到若干条动态路径的AoA、ToF和DFS信息，选择功率最大的路径作为人体运动反射路径：

该路径的AoA估计值记为φ，ToF的估计值记为τ_p，DFS的估计值记为f_d。

5.如权利要求1所述的人体摔倒智能检测方法，其特征在于，步骤二中，所述计算出人体运动轨迹与运动速度，包括：

提出人体运动轨迹跟踪算法，假设发射端天线位置坐标为Tx(0,0)，接收端天线位置坐标为Rx(x_r,y_r)，运动的目标坐标为l(x,y)，ψ_r是天线阵列角，φ_Tx是视距LOS路径的到达角，则天线阵列角ψ_r可以通过φ_Tx和Rx(x_r,y_r)计算得到：

如动态路径成分提取部分所述，AoA的估计值为φ，ToF的估计值τ_p是真实信号ToF值τ_d与视距信号ToF值τ_s之差；发射天线和接收天线的位置已知，直接测量出视距的距离，实际人体运动反射信号传播距离如下：

range＝τ_p·c+dist(Tx,Rx)；

其中，c为光速，dist(Tx,Rx)是收发端视距的距离；

根据几何关系可以建立轨迹方程如下：

通过求解方程得到人体实时位置坐标：

其中，

X是目标运动范围内的任意值；根据方程的解与信号参数的估计间隔计算出人体的运动速度：

其中，(x′,y′)为估计时间间隔Δt前的人体位置。

6.如权利要求1所述的人体摔倒智能检测方法，其特征在于，步骤三中，所述依据当前人体运动速度和预设的摔倒速度阈值，判断并提取出摔倒动作的时间窗口，包括：

根据人体在室内的行走速度设置阈值，提取与摔倒动作相关的CSI信息同时去除其他动作和噪声的影响：

v_threshold＝μ(v_walk)+γ·σ(v_walk)；

其中，μ(v_walk)和σ(v_walk)分别是室内人体行走速度的平均值和标准差，γ是一个用于调整阈值大小的常数；记录v≥v_threshold的动作开始和结束时间，作为摔倒动作的时间窗口。

7.如权利要求1所述的人体摔倒智能检测方法，其特征在于，步骤四中，所述利用联合估计得到的DFS和人体运动速度，结合CSI幅度与相位差作为摔倒动作判决的统计量，从中提取共11个摔倒动作特征，包括：

综合考虑CSI的幅度、CSI的相位差、DFS和人体运动速度，提取摔倒动作特征，用于提高识别精度和简化分类计算；选取的CSI幅度为第一根天线第十个子载波的幅度，即A＝|H(i,1,10)|,i＝1,2,…,T，选取的CSI相位差为第一根天线与第二根天线第十条子载波的相位差，即Ph＝φ_i,1,10-φ_i,2,10,i＝1,2,…,T；

提取的特征如下：

(1)动作持续时间

TD＝t_start-t_end；

其中，t_start表示步骤三中时间窗口的动作开始时间，t_end表示动作结束时间；

(2)CSI幅度归一化标准差STD_A

其中，

表示CSI幅度的均值；

(3)CSI相位差归一化标准差STD_Ph

其中，

表示CSI相位差的均值；

(4)CSI幅度样本熵SE_A

对于N个CSI幅度样本数据组成的时间序列{A(n)}＝{A(1),A(2),…,A(N)}，定义序列A_m(i)＝{A(i),A(i+1),…,A(i+m-1)}，定义序列A_m(i)与A_m(j)之间的距离d[A_m(i),A_m(j)]为两者元素中最大差值的绝对值，即：

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

对于序列A_m(i)，统计A_m(i)与A_m(j)(1≤j≤N-m,j≠i)之间的距离小于等于阈值r时j的数目，记作B_i；对于1≤i≤N-m，定义：

定义：

增加维数到m+1，计算A_m+1(i)与A_m+1(j)(1≤j≤N-m,j≠i)距离小于等于r的个数，记为D_i；

定义为：

定义：

其中，

表示两个序列在相似容限r下匹配m个点的概率，D^m(r)是两个序列匹配m+1个点的概率；样本熵计算公式为：

计算CSI幅度样本熵时，取m＝2，r＝0.15·STD_A；

(5)CSI相位差样本熵SE_Ph

计算方式与CSI幅度样本熵同理，将样本数据替换为CSI相位差数据{Ph(n)}＝{Ph(1),Ph(2),…,Ph(N)}，计算公式为：

计算CSI相位差样本熵时，取m＝2，r＝0.15·STD_Ph；

(6)CSI幅度绝对中位差MAD_A

MAD_A＝median(|A-median(A)|)；

其中，median表示计算数据的中位数；

(7)CSI相位绝对中位差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表示计算该样本中所有数值由小到大排列后第75％的数字，Q₁表示计算该样本中所有数值由小到大排列后第25％的数字；

(9)CSI相位差四分位距IR_Ph

Q₃(Ph)-Q₁(Ph)；

(10)DFS绝对值的最大值f_max

f_max＝max|f_d|；

(11)人体运动速度最大值v_max

v_max＝maxv；

增加DFS和速度来更好地体现人体摔倒动作，共提取11个特征，组成特征向量W进行最终分类：

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

8.如权利要求1所述的人体摔倒智能检测方法，其特征在于，步骤五中，所述通过一个两层的分类模型，对特征进行动态筛选，舍去权重较低的变量；使用剩余特征进行摔倒动作识别，得到结果，包括：

利用WIFI设备分别多次人体运动的信道状态信息CSI数据，计算得到多组特征向量；将获得的特征向量作为输入数据，将输入数据按比例划分训练数据集和测试数据集；

在第一层分类器中，利用训练数据集，采用随机森林RF进行初步的学习和分类，计算每个特征的变量权重；每个特征在随机森林中每个决策树的贡献通过基尼系数计算来评估，通过VIM表示变量的重要性，用G来表示基尼系数；其中，所述基尼系数的计算方式如下：

其中，R表示类别总数，本模型中包括摔倒和非摔倒两类，s_pr表示在节点p中类别r所占的比例；

根据步骤四中提取的特征向量W，共有11个特征a₁,a₂,…,a₁₁，按照公式计算出每个特征a_i,i＝1,2,…,11的基尼系数，记作VIM_i；基尼系数的变化，即特征在决策树节点p中的重要性的计算如下：

VIM_jp＝G_p-G_l-G_r；

其中，G_l和G_r分别代表两个新节点的基尼系数；

若特征a_i出现的节点记为集合P，则决策树j中特征a_i的重要性表示为：

假设随机森林中决策树的总数为k_tree，则特征a_i的重要性表示为：

对得到的特征重要性进行归一化即可得到变量权重：

按照变量权重大小对特征进行筛选，滤除变量权重VIM_j＜0.04的特征；滤除部分特征后的特征向量用W₀表示，根据W₀更新训练数据集和测试数据集；

在第二层分类器中，利用更新后的测试集数据，采用支持向量机SVM进行模型训练，类别包括摔倒动作和非摔倒动作；模型训练完成后，将更新后测试数据集的数据放入模型进行分类，对于每一组数据，输出一种类别；将测试集数据原类别与模型分类结果比对得到分类模型准确率。

9.一种实施权利要求1～8任意一项所述的人体摔倒智能检测方法的人体摔倒智能检测系统，其特征在于，所述人体摔倒智能检测系统包括：

原始CSI数据获取模块，用于利用WIFI设备获取原始CSI数据；

动态路径提取模块，用于提取与人体运动相关的动态路径；

联合估计模块，用于对人体运动产生的多普勒频移DFS、天线阵列到达角AoA以及信号飞行时间ToF信息进行联合估计，计算人体运动轨迹与运动速度；

时间窗口提取模块，用于依据当前人体运动速度和预设的摔倒速度阈值，判断并提取出摔倒动作的时间窗口；

摔倒动作特征提取模块，用于利用联合估计得到的DFS和人体运动速度，结合CSI幅度与相位差作为摔倒动作判决的统计量，提取共11个摔倒动作特征；

摔倒动作识别模块，用于通过一个两层的分类模型，对特征进行动态筛选，舍去权重较低的变量；使用剩余特征进行摔倒动作识别，得到结果。

10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求9所述的人体摔倒智能检测系统。

Images