CN113712538A - 基于wifi信号的跌倒检测方法、装置、设备和存储介质 - Google Patents
基于wifi信号的跌倒检测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113712538A CN113712538A CN202111007462.2A CN202111007462A CN113712538A CN 113712538 A CN113712538 A CN 113712538A CN 202111007462 A CN202111007462 A CN 202111007462A CN 113712538 A CN113712538 A CN 113712538A
- Authority
- CN
- China
- Prior art keywords
- trained
- information
- joint
- channel state
- state information
- 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.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
- G08B21/0461—Sensor means for detecting integrated or attached to an item closely associated with the person but not worn by the person, e.g. chair, walking stick, bed sensor
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请涉及人工智能领域,提供了一种基于WIFI信号的跌倒检测方法、装置、设备和存储介质,获取预设个数的信道状态信息;将所述预设个数的信道状态信息输入训练完成的姿态检测模型得到待检测人体的关节点信息;根据所述关节点信息中的肩关节信息和髋关节信息计算所述待检测人体的质点位置;根据所述质点位置计算所述质点距离地面的高度;将所述高度与预设距离阈值进行比较;若所述高度小于所述距离阈值,确定所述待检测人体为跌倒。通过本申请提供的基于WIFI信号的跌倒检测方法、装置、计算机设备和存储介质,无需借助相机进行检测,保护用户的隐私。
Description
技术领域
本申请涉及人工智能的技术领域,特别涉及一种基于WIFI信号的跌倒检测方法、装置、设备和存储介质。
背景技术
根据调查报告显示,跌倒已经成为老人发生危险的重要因素,因此,为了及时发现老人跌倒,会借用多种手段进行跌倒检测。现有的跌倒检测多基于相机或多种传感器进行检测,然而这些手段受制于越来越被人重视起来的隐私问题。另外,老人发生危险跌倒的场所往往是卧室、浴室等隐私需要保护的地点。在浴室放置摄像头监控从而进行摔倒检测显然侵犯了老人的隐私,而在家庭住房内布置传感器则不是大多数人愿意接受的方案,因为住房的改造干扰了用户的日常生活。
发明内容
本申请的主要目的为提供一种基于WIFI信号的跌倒检测方法、装置、设备和存储介质,旨在解决现有的跌倒检测需要借助相机导致用户的隐私受到侵犯的技术问题。
为实现上述目的,本申请提供了一种基于WIFI信号的跌倒检测方法,包括以下步骤:
获取预设个数的信道状态信息;
将所述预设个数的信道状态信息输入训练完成的姿态检测模型得到待检测人体的关节点信息;
根据所述关节点信息中的肩关节信息和髋关节信息计算所述待检测人体的质点位置;
根据所述质点位置计算所述质点距离地面的高度;
将所述高度与预设距离阈值进行比较,若所述高度小于所述距离阈值,确定所述待检测人体为跌倒。
进一步地,训练完成的姿态检测模型采用以下步骤进行训练:
获取待训练图片和待训练信道状态信息;其中,所述待训练图片和所述待训练信道状态信息在同一位置采集,所述待训练图片包括待训练人体;
将所述待训练图片输入预设的姿态识别模型进行处理得到所述待训练人体对应的待训练关节点信息;
根据所述待训练关节点信息对所述待训练信道状态信息的时域进行调整得到对应的待训练文件,使得待训练文件中的所述待训练信道状态信息的时域与所述待训练关节点信息的时域相同;
将待训练文件输入预设的多头注意力机制模型中计算得到所述待训练人体的预测关节点信息;
根据所述待训练关节点信息和所述预测关节点信息计算损失值;
根据所述损失值对预设的多头注意力机制模型进行迭代训练,得到训练完成后的姿态检测模型;其中,训练完成后的姿态检测模型基于信道状态信息得到对应的关节点信息。
进一步地,所述根据所述待训练关节点信息对所述待训练信道状态信息的时域进行调整得到对应的待训练文件,使得待训练文件中的所述待训练信道状态信息的时域与所述待训练关节点信息的时域相同的步骤,包括:
将所述待训练关节点信息和所述待训练信道状态信息按照一比十的比例进行调整,得到对应的待训练文件。
进一步地,所述根据所述待训练关节点信息和所述预测关节点信息计算损失值的步骤,包括:
通过欧几里得距离公式计算各个所述待训练关节点信息与对应的预测关节点信息之间的欧式距离;
计算各个所述预测关节点信息的置信度;
根据所述置信度和所述欧式距离计算所述损失值。
进一步地,所述根据所述置信度和所述欧式距离计算所述损失值的步骤,包括:
根据公式 计算各个所述预测关节点信息的所述损失值;其中,L表示所述损失值,表示预测关节点信息i的置信度,∑Mc表示所有预测关节点信息的置信度之和,为预测关节点信息i与对应的待训练关节点信息的欧式距离,所述pM为预测关节点信息,M为待训练关节点信息。
进一步地,所述根据所述质点确定所述待检测人体是否跌倒的步骤之后,包括:
若所述待检测人体跌倒,根据预设规则生成提示信息,并将所述提示信息发送至预先连接的移动终端。
进一步地,所述获取预设个数的信道状态信息的步骤,包括:
获取AP模式下的连续十个所述信道状态信息。
本申请还提供了一种基于WIFI信号的跌倒检测装置,包括:
第一获取单元,用于获取预设个数的信道状态信息;
第一输入单元,用于将所述预设个数的信道状态信息输入训练完成的姿态检测模型得到待检测人体的关节点信息;
第一计算单元,用于根据所述关节点信息中的肩关节信息和髋关节信息计算所述待检测人体的质点;
第二计算单元,用于根据所述质点位置计算所述质点距离地面的高度;
确定单元,用于将所述高度与预设距离阈值进行比较,若所述高度小于所述距离阈值,确定所述待检测人体为跌倒。
本申请还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的基于WIFI信号的跌倒检测方法的步骤。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的基于WIFI信号的跌倒检测方法的步骤。
本申请提供的基于WIFI信号的跌倒检测方法、装置、设备和存储介质,预先通过信道状态信息训练好了姿态检测模型,直接根据信道状态信息得到关节点信息,进而确定是否跌倒,无需借助相机,同时WiFi的无线波特性使其可以穿过墙体且不受光线强弱或视野的影响,对于居家养老等应用场景,较好的保护了用户的隐私的同时也不会受到环境因素的干扰。
附图说明
图1是本申请一实施例中基于WIFI信号的跌倒检测方法步骤示意图;
图2是本申请一实施例中基于WIFI信号的跌倒检测装置结构框图;
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
参照图1,本申请一实施例提供一种基于WIFI信号的跌倒检测方法,其特征在于,包括以下步骤:
步骤S1,获取预设个数的信道状态信息;
步骤S2,将所述预设个数的信道状态信息输入训练完成的姿态检测模型得到待检测人体的关节点信息;
步骤S3,根据所述关节点信息中的肩关节信息和髋关节信息计算所述待检测人体的质点位置;
步骤S4,根据所述质点位置计算所述质点距离地面的高度;
步骤S5,将所述高度与预设距离阈值进行比较,若所述高度小于所述距离阈值,确定所述待检测人体为跌倒。
本实施例中,上述基于WIFI信号的跌倒检测方法多应用于卧室、浴室等区域,安装有路由器和主机,路由器作为发射端,用于发射信道状态(CSI,Channel StateInformation)信息,信道状态信息是用来估计WiFi传输的通信线路的信道特征的信息。在无线传输的过程中,信道状态会受到一系列物理环境的影响(反射,绕射和折射)。信道状态的时间延迟影响,幅度衰减和相位信息综合描述了一个信号在信道中的传输过程。在正交频分复用技术(OFDM,Orthogonal Frequency Division Multiplexing)下,信道状态在子载波层次上被表示。相比接收信号强度(RSS,Received Signal Strength),信道状态含有更细粒度的无线通信线路信息。主机上设置有接收信道状态信息的工具,如因特尔5300网卡的信道状态收集工具。
如上述步骤S1-S2所述,路由器发射的信道状态信息是连续的,选择预设个数的连续的信道状态信息,如连续的10个信道状态信息,将10个信道状态信息输入姿态检测模型,得到待检测人体的关节点信息,如肩关节、肘关节、踝关节等的关节点信息,姿态检测模型是基于多头注意力机制模型训练而成。多头注意力机制模型会形成多个子空间,可以让模型去关注不同方面的信息,训练时,根据待训练样本中的关节点信息和信道状态信息进行训练,使得训练完成后的姿态检测模型能够根据输入的信道状态信息得到对应的关节点信息。待训练样本中的关节点信息经过多头注意力机制模型之后会得到一个R矩阵,这个R矩阵表示关节点信息与信道状态信息在N个角度上的一个关联信息,这个角度就是用多个头的注意力矩阵体现的。
如上述步骤S3-S5所述,根据得到的关节点信息计算待检测人体的质点,质点可以是待检测人体的胸腔位置,或其他位置,通过计算得到待检测人体的质点,而质点的高度变化将作为判断人体是否跌倒的一项指标,质点的高度低于预设距离阈值时,即可判定待检测人体跌倒。具体的,姿态检测模型基于待训练信道状态信息训练得到,这些待训练信道状态信息与待训练图片上的关节点信息是对应的,信道状态信息穿过人体时,人体的移动会导致无线信道中所有的数据流和子载波中的信道状态信息产生波动,且这些波动具有唯一性,因此,能够根据信道状态信息的波动检测人体的动作。本申请在训练时将待训练图片中的待训练关节点信息与对应的待训练信道状态信息调整,得到关于待训练信道状态信息的待训练文件,将待训练文件输入多头注意力机制训练,从而,训练得到的姿态检测模型能够根据信道状态信息得到对应的关节点信息。
将信道状态信息输入到姿态检测模型中,输出的关节点信息包括有各个关节点在一帧图像上的位置信息,通过关节点信息确定人体上半身的位置信息,人体包括有两个肩关节和两个髋关节,肩关节和髋关节连接形成两条相交的直线,交点作为质点,根据肩关节和髋关节的位置信息即可得到质点的位置信息,从而得到质点距离地面的高度值,将高度值与预设的距离阈值进行比较,若高度值小于距离阈值,则确定待检测人体跌倒。在另一实施例中,直接将髋关节作为质点,当髋关节的高度小于预设的高度阈值时,确定待检测人体跌倒。
现有的基于相机的人体姿态检测受限于输入数据的质量,当环境昏暗或有掩体遮挡时,相机无法观察到完整的人像,则模型无法检测出预期中的结果。另外,在特定场景中设置摄像头,会触犯到用户的隐私。通过本实施例提供的基于WIFI信号的跌倒检测方法,直接根据信道状态信息得到关节点信息,进而确定是否跌倒,无需借助相机,同时WiFi的无线波特性使其可以穿过墙体且不受光线强弱或视野的影响,对于居家养老等应用场景,较好的保护了用户的隐私的同时也不会受到环境因素的干扰。
在一实施例中,训练完成的姿态检测模型采用以下步骤进行训练:
步骤S3A,获取待训练图片和待训练信道状态信息;其中,所述待训练图片和所述待训练信道状态信息在同一位置采集,所述待训练图片包括待训练人体;
步骤S3B,将所述待训练图片输入预设的姿态识别模型进行处理得到所述待训练人体对应的待训练关节点信息;
步骤S3C,根据所述待训练关节点信息对所述待训练信道状态信息的时域进行调整得到对应的待训练文件,使得待训练文件中的所述待训练信道状态信息的时域与所述待训练关节点信息的时域相同;
步骤S3D,将待训练文件输入预设的多头注意力机制模型中计算得到所述待训练人体的预测关节点信息;
步骤S3E,根据所述待训练关节点信息和所述预测关节点信息计算损失值;
步骤S3F,根据所述损失值对预设的多头注意力机制模型进行迭代训练,得到训练完成后的姿态检测模型;其中,训练完成后的姿态检测模型基于信道状态信息得到对应的关节点。
本实施例中,获取训练集,训练集中包括有若干个待训练图片及对应的待训练信道状态信息,如1万个待训练图片,每个待训练图片中包括单人的待训练人体,即待训练图片中只有一个人体。将待训练图片输入到姿态识别模型中提取各个待训练人体的待训练关节点信息,姿态识别模型能够基于相机获取到的待训练图片得到对应的待训练人体的待训练关节点信息。在训练多头注意力机制模型时,从训练集中随机获取多个待训练图片和待训练信道状态信息进行调整生成待训练文件,使得两者之间的信息在时域上保持同步,待训练文件为一个关于信道状态信息的3*10的矩阵,让信道状态信息和相机看到同样的内容,从而进行学习,将待训练文件输入多头注意力机制模型中进行训练,得到待训练人体的预测关节点信息,根据预测关节点信息和待训练关节点信息计算损失值,当损失值没有达到预设损失值阈值时,根据损失值进行迭代训练,当损失值小于预设损失值阈值时,表明训练后的多头注意力机制模型能够准确根据信道状态信息得到对应的关节点信息,结束训练。进一步地,还可一次输入100个的待训练文件进行迭代训练,1万个训练待训练图片可进行100次迭代训练,100次迭代训练即完成一次EPOCH的训练,本实施例中的一次EPOCH代表将100个待训练文件送入多头注意力机制模型中,完成了一次前向计算和反向传播的过程,完成20次EPOCH的训练即训练完成,得到一个训练完成的姿态检测模型。本申请使用Transformer(双向预训练转换器)的多头注意力机制模型来学习序列特征,可以有效地提取某一时刻下10个信道状态信息的特征向量,这对于还原或者学习相机视野具有重要帮助,另外Transformer的并行性可以高效的训练模型。
在一实施例中,所述根据所述待训练关节点信息对所述待训练信道状态信息的时域进行调整得到对应的待训练文件,使得待训练文件中的所述待训练信道状态信息的时域与所述待训练关节点信息的时域相同的步骤S3C,包括:
步骤S3C1,将所述待训练关节点信息和所述待训练信道状态信息按照一比十的比例进行调整,得到对应的待训练文件。
本实施例中,因为我们需要相机和信道状态信息观察到同一时刻,或我们肉眼不可分辨下的“同一时刻”的内容,所以需要进行调整,这样才能保证,根据相机帧数据得到的待训练图片所对应的待训练关节点信息可以准确地指导这一时刻下信道状态信息所包含的待训练人体的关节点信息。在相机的帧数设置为30FPS的情况下,则每两张相机帧数据的时间间隔约为0.033秒,这段时间内,通过调整发包速率,得到大致10个信道状态信息,即300Hz。通过计算得到的300Hz的发送速率无法准确获得相机数据10倍的整数倍信道状态信息,因此可在均匀的数据上删除杂余的信道状态信息使其对齐配对,进而准确的指导这一时刻下信道状态信息所包含的待训练人体的关节点信息。
使用matlab,将待训练信道状态信息和待训练关节点信息按10:1的比例配对成.mat文件。matlab是美国MathWorks公司出品的商业数学软件,matlab是matrix&laboratory两个词的组合,意为矩阵工厂(矩阵实验室),软件主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中,matlab的基本数据单位是矩阵。
在一实施例中,所述根据所述待训练关节点信息和所述预测关节点信息计算损失值的步骤S3E,包括:
步骤S3E1,通过欧几里得距离公式计算各个所述待训练关节点信息与对应的预测关节点信息之间的欧式距离;
步骤S3E2,计算各个所述预测关节点信息的置信度;
步骤S3E3,根据所述置信度和所述欧式距离计算所述损失值。
本实施例中,欧几里得距离(Euclidean distance)也称欧式距离,它是一个通常采用的距离定义,它是在m维空间中两个点之间的真实距离。在二维和三维空间中的欧式距离的就是两点之间的距离,推广到n维空间,n维欧氏空间是一个点集,欧氏距离看作信号的相似程度,距离越近就越相似,就越容易相互干扰,误码率就越高。通过欧式距离公式计算各个待训练节点与对应的预测关节点之间的欧式距离,并计算各个预测关节点的置信度,根据置信度和欧式距离得到最终的损失值。
在一实施例中,所述根据所述置信度和所述欧式距离计算所述损失值的步骤,包括:
根据公式 计算各个所述预测关节点信息的所述损失值;其中,L表示所述损失值,表示预测关节点信息i的置信度,∑Mc表示所有预测关节点信息的置信度之和,为预测关节点信息i与对应的待训练关节点信息的欧式距离,所述pM为预测关节点信息,M为待训练关节点信息。
本实施例中,上述公式中,x,y表示关节点的坐标,pM和M均为一个四维矩阵。通过上述公式计算各个待检测关节点信息对应的损失值,每个待检测关节点信息均有一个损失值,将损失值与对应的预设的损失阈值进行比较,确定是否需要继续训练,各个损失值所对应的损失阈值可以相同,也可以更加经验设置不同的数值。
在一实施例中,所述确定所述待检测人体为跌倒的步骤S5之后,包括:
步骤S6,根据预设规则生成提示信息,并将所述提示信息发送至预先连接的移动终端。
本实施例中,待检测人体跌倒,生成提示信息,提示信息可以包括跌倒检测的时间,提示信息可以以短信的形式发送至预先连接的移动终端,或者以弹窗的形式发送至预先连接的移动终端,使得移动终端的持有者能够快速知晓待检测人体跌倒,便于后续的救援工作。
在一实施例中,所述获取预设个数的信道状态信息的步骤S1,包括:
步骤S1a,获取AP模式下的连续10个所述信道状态信息。
本实施例中,使用了AP(Access Point,无线接入)模式发送信道状态信息,摒弃了monitor(监听)模式,在AP模式下,路由器能够更好的发送包裹到接收端,这更符合普遍的家庭应用场景。AP模式下的发包速率易控制,且得到的信道状态信息分布均匀,更有利于相机帧数据和信道状态信息的同步调整,进而提高检测的准确性以及通用性。信道状态信息是应用场景中只有一个待检测人体时的信道状态信息,如果检测范围内存在多人,则不认为会有老人跌倒没人知晓这一风险。
参见图2,本申请一实施例还提供了一种基于WIFI信号的跌倒检测装置,包括:
第一获取单元10,用于获取预设个数的信道状态信息;
第一输入单元20,用于将所述预设个数的信道状态信息输入训练完成的姿态检测模型得到待检测人体的关节点信息;
第一计算单元30,用于根据所述关节点信息中的肩关节信息和髋关节信息计算所述待检测人体的质点;
第二计算单元40,用于根据所述质点位置计算所述质点距离地面的高度;
确定单元50,用于将所述高度与预设距离阈值进行比较,若所述高度小于所述距离阈值,确定所述待检测人体为跌倒。
在一实施例中,所述基于WIFI信号的跌倒检测装置,还包括:
第二获取单元,用于获取待训练图片和待训练信道状态信息;其中,所述待训练图片和所述待训练信道状态信息在同一位置采集,所述待训练图片包括待训练人体;
第二输入单元,用于将所述待训练图片输入预设的姿态识别模型进行处理得到所述待训练人体对应的待训练关节点信息;
调整单元,用于根据所述待训练关节点信息对所述待训练信道状态信息的时域进行调整得到对应的待训练文件,使得待训练文件中的所述待训练信道状态信息的时域与所述待训练关节点信息的时域相同;
第三计算单元,用于将待训练文件输入预设的多头注意力机制模型中计算得到所述待训练人体的预测关节点信息;
第四计算单元,用于根据所述待训练关节点信息和所述预测关节点信息计算损失值;
迭代训练单元,用于根据所述损失值对预设的多头注意力机制模型进行迭代训练,得到训练完成后的姿态检测模型;其中,训练完成后的姿态检测模型基于信道状态信息得到对应的关节点信息。
在一实施例中,所述调整单元,包括:
调整子单元,用于将所述待训练关节点信息和所述待训练信道状态信息按照一比十的比例进行调整,得到对应的待训练文件。
在一实施例中,第三计算单元,包括:
第一计算子单元,用于通过欧几里得距离公式计算各个所述待训练关节点信息与对应的预测关节点信息之间的欧式距离;
第二计算子单元,用于计算各个所述预测关节点信息的置信度;
第三计算子单元,用于根据所述置信度和所述欧式距离计算所述损失值。
在一实施例中,所述第三计算子单元,包括:
计算模块,用于根据公式 计算各个所述预测关节点信息的所述损失值;其中,L表示所述损失值,表示预测关节点信息i的置信度,∑Mc表示所有预测关节点信息的置信度之和, 为预测关节点信息i与对应的待训练关节点信息的欧式距离,所述pM为预测关节点信息,M为待训练关节点信息。
在一实施例中,所述基于WIFI信号的跌倒检测装置,还包括:
生成单元,用于根据预设规则生成提示信息,并将所述提示信息发送至预先连接的移动终端。
在一实施例中,所述第一获取单元10,包括:
获取AP模式下的连续十个所述信道状态信息。
在本实施例中,上述各个单元、子单元的具体实现请参照上述方法实施例中所述,在此不再进行赘述。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种跌倒检测方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现一种跌倒检测方法。
综上所述,为本申请实施例中提供的基于WIFI信号的跌倒检测方法、装置、设备和存储介质,获取预设个数的信道状态信息;将所述预设个数的信道状态信息输入训练完成的姿态检测模型得到待检测人体的关节点信息;根据所述关节点信息中的肩关节信息和髋关节信息计算所述待检测人体的质点位置;根据所述质点位置计算所述质点距离地面的高度;将所述高度与预设距离阈值进行比较;若所述高度小于所述距离阈值,确定所述待检测人体为跌倒。本申请提供的基于WIFI信号的跌倒检测方法、装置、计算机设备和存储介质直接根据信道状态信息得到关节点信息,进而确定是否跌倒,无需借助相机,同时WiFi的无线波特性使其可以穿过墙体且不受光线强弱或视野的影响,对于居家养老等应用场景,较好的保护了用户的隐私的同时也不会受到环境因素的干扰。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于WIFI信号的跌倒检测方法,其特征在于,包括以下步骤:
获取预设个数的信道状态信息;
将所述预设个数的信道状态信息输入训练完成的姿态检测模型得到待检测人体的关节点信息;
根据所述关节点信息中的肩关节信息和髋关节信息计算所述待检测人体的质点位置;
根据所述质点位置计算所述质点距离地面的高度;
将所述高度与预设距离阈值进行比较;若所述高度小于所述距离阈值,确定所述待检测人体为跌倒。
2.根据权利要求1所述的基于WIFI信号的跌倒检测方法,其特征在于,训练完成的姿态检测模型采用以下步骤进行训练:
获取待训练图片和待训练信道状态信息;其中,所述待训练图片和所述待训练信道状态信息在同一位置采集,所述待训练图片包括待训练人体;
将所述待训练图片输入预设的姿态识别模型进行处理得到所述待训练人体对应的待训练关节点信息;
根据所述待训练关节点信息对所述待训练信道状态信息的时域进行调整得到对应的待训练文件,使得待训练文件中的所述待训练信道状态信息的时域与所述待训练关节点信息的时域相同;
将待训练文件输入预设的多头注意力机制模型中计算得到所述待训练人体的预测关节点信息;
根据所述待训练关节点信息和所述预测关节点信息计算损失值;
根据所述损失值对预设的多头注意力机制模型进行迭代训练,得到训练完成后的姿态检测模型;其中,训练完成后的姿态检测模型基于信道状态信息得到对应的关节点信息。
3.根据权利要求2所述的基于WIFI信号的跌倒检测方法,其特征在于,所述根据所述待训练关节点信息对所述待训练信道状态信息的时域进行调整得到对应的待训练文件,使得待训练文件中的所述待训练信道状态信息的时域与所述待训练关节点信息的时域相同的步骤,包括:
将所述待训练关节点信息和所述待训练信道状态信息按照一比十的比例进行调整,得到对应的待训练文件。
4.根据权利要求2所述的基于WIFI信号的跌倒检测方法,其特征在于,所述根据所述待训练关节点信息和所述预测关节点信息计算损失值的步骤,包括:
通过欧几里得距离公式计算各个所述待训练关节点信息与对应的预测关节点信息之间的欧式距离;
计算各个所述预测关节点信息的置信度;
根据所述置信度和所述欧式距离计算所述损失值。
6.根据权利要求1所述的基于WIFI信号的跌倒检测方法,其特征在于,所述确定所述待检测人体为跌倒的步骤之后,包括:
根据预设规则生成提示信息,并将所述提示信息发送至预先连接的移动终端。
7.根据权利要求1所述的基于WIFI信号的跌倒检测方法,其特征在于,所述获取预设个数的信道状态信息的步骤,包括:
获取AP模式下的连续十个所述信道状态信息。
8.一种基于WIFI信号的跌倒检测装置,其特征在于,包括:
第一获取单元,用于获取预设个数的信道状态信息;
第一输入单元,用于将所述预设个数的信道状态信息输入训练完成的姿态检测模型得到待检测人体的关节点信息;
第一计算单元,用于根据所述关节点信息中的肩关节信息和髋关节信息计算所述待检测人体的质点位置;
第二计算单元,用于根据所述质点位置计算所述质点距离地面的高度;
确定单元,用于将所述高度与预设距离阈值进行比较,若所述高度小于所述距离阈值,确定所述待检测人体为跌倒。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于WIFI信号的跌倒检测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于WIFI信号的跌倒检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111007462.2A CN113712538A (zh) | 2021-08-30 | 2021-08-30 | 基于wifi信号的跌倒检测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111007462.2A CN113712538A (zh) | 2021-08-30 | 2021-08-30 | 基于wifi信号的跌倒检测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113712538A true CN113712538A (zh) | 2021-11-30 |
Family
ID=78679327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111007462.2A Pending CN113712538A (zh) | 2021-08-30 | 2021-08-30 | 基于wifi信号的跌倒检测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113712538A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11339169A (ja) * | 1998-05-26 | 1999-12-10 | Noritz Corp | 入浴監視装置 |
CN107749143A (zh) * | 2017-10-30 | 2018-03-02 | 安徽工业大学 | 一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法 |
CN108833036A (zh) * | 2018-05-31 | 2018-11-16 | 湖南大学 | 人体跌倒检测方法 |
CN109299659A (zh) * | 2018-08-21 | 2019-02-01 | 中国农业大学 | 一种基于rgb相机和深度学习的人体姿态识别方法与系统 |
CN109492612A (zh) * | 2018-11-28 | 2019-03-19 | 平安科技(深圳)有限公司 | 基于骨骼点的跌倒检测方法及其跌倒检测装置 |
CN110458061A (zh) * | 2019-07-30 | 2019-11-15 | 四川工商学院 | 一种识别老年人跌倒的方法及陪伴机器人 |
CN110598536A (zh) * | 2019-07-31 | 2019-12-20 | 杭州连帆科技有限公司 | 一种基于人体骨架运动模型的跌倒检测方法及系统 |
CN111274954A (zh) * | 2020-01-20 | 2020-06-12 | 河北工业大学 | 基于改进姿态估计算法的嵌入式平台实时跌倒检测方法 |
US20200271747A1 (en) * | 2015-07-17 | 2020-08-27 | Origin Wireless, Inc. | Method, apparatus, and system for wireless inertial measurement |
CN112346050A (zh) * | 2020-10-23 | 2021-02-09 | 清华大学 | 基于Wi-Fi设备的跌倒检测方法及系统 |
CN112668413A (zh) * | 2020-12-16 | 2021-04-16 | 北京邮电大学 | 人体姿态估计方法、装置、电子设备及可读存储介质 |
KR20210077516A (ko) * | 2019-12-17 | 2021-06-25 | 서울대학교산학협력단 | 와이파이 송수신기 간의 채널상태정보를 이용한 실내 재실자의 일상생활 활동 인식 방법 |
-
2021
- 2021-08-30 CN CN202111007462.2A patent/CN113712538A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11339169A (ja) * | 1998-05-26 | 1999-12-10 | Noritz Corp | 入浴監視装置 |
US20200271747A1 (en) * | 2015-07-17 | 2020-08-27 | Origin Wireless, Inc. | Method, apparatus, and system for wireless inertial measurement |
CN107749143A (zh) * | 2017-10-30 | 2018-03-02 | 安徽工业大学 | 一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法 |
CN108833036A (zh) * | 2018-05-31 | 2018-11-16 | 湖南大学 | 人体跌倒检测方法 |
CN109299659A (zh) * | 2018-08-21 | 2019-02-01 | 中国农业大学 | 一种基于rgb相机和深度学习的人体姿态识别方法与系统 |
CN109492612A (zh) * | 2018-11-28 | 2019-03-19 | 平安科技(深圳)有限公司 | 基于骨骼点的跌倒检测方法及其跌倒检测装置 |
CN110458061A (zh) * | 2019-07-30 | 2019-11-15 | 四川工商学院 | 一种识别老年人跌倒的方法及陪伴机器人 |
CN110598536A (zh) * | 2019-07-31 | 2019-12-20 | 杭州连帆科技有限公司 | 一种基于人体骨架运动模型的跌倒检测方法及系统 |
KR20210077516A (ko) * | 2019-12-17 | 2021-06-25 | 서울대학교산학협력단 | 와이파이 송수신기 간의 채널상태정보를 이용한 실내 재실자의 일상생활 활동 인식 방법 |
CN111274954A (zh) * | 2020-01-20 | 2020-06-12 | 河北工业大学 | 基于改进姿态估计算法的嵌入式平台实时跌倒检测方法 |
CN112346050A (zh) * | 2020-10-23 | 2021-02-09 | 清华大学 | 基于Wi-Fi设备的跌倒检测方法及系统 |
CN112668413A (zh) * | 2020-12-16 | 2021-04-16 | 北京邮电大学 | 人体姿态估计方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11551153B2 (en) | Localized learning from a global model | |
KR102409204B1 (ko) | 모듈화된 인공지능 모델 플랫폼 서비스 제공 방법, 장치 및 컴퓨터프로그램 | |
KR102106898B1 (ko) | 얼굴 데이터베이스를 이용한 인물 추적 방법 및 시스템 | |
JP2008113442A (ja) | マルチチャネルセンサ信号ストリームにおけるイベント検出 | |
WO2018120962A1 (zh) | 一种基于可靠性管理的不确定性消除情景感知系统及其工作方法 | |
JP2017102085A (ja) | 情報処理装置、情報処理方法及びプログラム | |
KR102397248B1 (ko) | 영상 분석 기반의 환자 동작 모니터링 시스템 및 그의 제공 방법 | |
Thabet et al. | Enhanced smart doorbell system based on face recognition | |
CN108429745A (zh) | 登录的认证方法和认证系统、网页登录方法和系统 | |
CN111860196A (zh) | 手部作业动作评分装置、方法及计算机可读存储介质 | |
CN111126321B (zh) | 电力安全施工防护方法、装置及计算机设备 | |
CN111460909A (zh) | 基于视觉的货位管理方法和装置 | |
CN110889847A (zh) | 一种基于红外成像的核辐射损伤评估系统、方法 | |
CN113712538A (zh) | 基于wifi信号的跌倒检测方法、装置、设备和存储介质 | |
US11256910B2 (en) | Method and system for locating an occupant | |
CN112215112A (zh) | 一种可用于手部动作识别的神经网络模型的生成方法和系统 | |
JP2016103245A (ja) | 情報処理装置、情報処理方法、プログラム | |
CN115762558A (zh) | 自动扶梯生产用性能检测系统及其方法 | |
KR101340287B1 (ko) | 스마트 홈에서 마이닝 기반의 패턴 분석을 이용한 침입탐지 시스템 | |
KR102039902B1 (ko) | 원격 기자재 정도 검사 시스템 및 방법 | |
Mayan et al. | Facial attendance system technology using Microsoft Cognitive Services | |
CN111614697A (zh) | 用于身份识别的方法和系统 | |
KR20220112433A (ko) | 사용자 인식 시스템 및 방법 | |
CN111402443B (zh) | 一种监理考勤方法、客户端及其存储介质 | |
KR102541215B1 (ko) | Vr 영상을 이용한 수중생물 모니터링 장치와 방법 |
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 |