CN114999643A - 一种基于WiFi的老人智能监护方法 - Google Patents

一种基于WiFi的老人智能监护方法 Download PDF

Info

Publication number
CN114999643A
CN114999643A CN202210615376.8A CN202210615376A CN114999643A CN 114999643 A CN114999643 A CN 114999643A CN 202210615376 A CN202210615376 A CN 202210615376A CN 114999643 A CN114999643 A CN 114999643A
Authority
CN
China
Prior art keywords
data
training
target model
environment
static
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
Application number
CN202210615376.8A
Other languages
English (en)
Inventor
陈炳赞
蔡洽凯
林若轩
王璐瑶
王泉森
郑浩龙
李瑾
杨光华
杨宗林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinan University
Original Assignee
Jinan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jinan University filed Critical Jinan University
Priority to CN202210615376.8A priority Critical patent/CN114999643A/zh
Publication of CN114999643A publication Critical patent/CN114999643A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Discrete Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种基于WiFi的老人智能监护方法，步骤如下：通过WiFi设备收集监测区域的CSI数据；对CSI数据进行预处理，判断属于静态环境还是动态环境；判断为静态环境时，将预处理CSI数据通过GA‑SVM进行训练，获取机器学习后的训练目标模型，并通过训练目标模型对CSI数据的“发呆、睡眠、无人”进行识别，再计算睡眠时心率、呼吸情况；判断为动态环境时，将预处理CSI数据通过GA‑SVM进行训练，获取机器学习后的训练目标模型，并通过预训练目标对预处理CSI数据对“老人摔倒”、“室内入侵”、其他情况进行识别；静态数据处理器和动态数据处理器将结果存储至存储器，并对预训练目标模型进行训练及更新。

Description

一种基于WiFi的老人智能监护方法
技术领域
本发明涉及智能监护技术领域，具体涉及一种基于WiFi的老人智能监护方法。
背景技术
随着老龄化进程加剧，家中老人的监护问题逐渐成为社会热议话题。目前市场上较为流行的监护手段分为Device-based和Device-free两大类，Device-based是基于可穿戴设备的，其最常见的就是基于传感器的方法，Device-based通过附着在人身上的传感器来收集相关数据，具有装饰性、成本低等优点。但是可穿戴传感器存在续航时间短、携带不便等问题，老年人容易出现忘记穿戴、不会使用等情况，这些问题会导致可穿戴传感器难以实现全天候的监护。非侵入式的监护方法市场通用计算机视觉技术作为监测手段，但该技术的实现载体——监控摄像头，对于普通家庭而言，成本较高，并且在黑暗环境下检测精度较低，方位布局复杂，不支持非视距监护。此外，视频监护，可能会侵犯到老年人的隐私。
为了解决老人的监护问题，同时为了解决传统监控设备，网络摄像头存在隐私保护以及机器视觉算法对危险情况识别的实现需要复杂的软件和处理需求的问题；以及克服传统侵入式监护设备易遗忘、续航低的不足。
现阶段市面上已经存在老人监护的专利有一种基于物联网技术的智能化养老护理服务系统(专利号：CN113180947A)，以及一种基于WiFi的老人智能监护方法、系统及介质(专利号：CN108614989B)。前者是通过在医疗护理床上植入各种特定功能的传感器模块，利用多种免触式传感器来监测用户的呼吸频率、心率和动脉搏动等，采用智能化控制的方式帮助监护者对老人进行更好的监护管理；后者是通过对CSI幅度值的JS散度和随机森林后的CSI相位进行赋权运算，对计算结果与模型数据进行比较，达到危险识别的目的。与本系统相比，市面上的系统往往功能较为单一，缺少通过机器学习、智能算法的角度分析的思想较少。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于WiFi的老人智能监护方法。
本发明的目的可以通过采取如下技术方案达到：
一种基于WiFi的老人智能监护方法，所述老人智能监护方法包括以下步骤：
S1、通过WiFi设备收集被监测家庭区域的CSI数据；
进一步地，所述步骤S1中收集CSI数据的过程如下：在被监测家庭区域中安装好WiFi信号发射器和接收器，并搭载好CSI数据实时收集和处理工具，WiFi的工作频率选用5GHz。
S2、对收集的CSI数据进行预处理，获取预处理CSI数据；
S3、根据预处CSI理数据判断属于静态环境还是动态环境；
S4、在判断为静态环境时，将所述预处理CSI数据输入至静态数据处理器，静态数据处理器获取经过机器学习后的第一预训练目标模型，并通过第一预训练目标模型对预处理CSI信息对“发呆、睡眠、无人”三种情况进行识别，计算睡眠时间下心率、呼吸情况；
S5、在判断为动态环境时，将所述预处理CSI数据输入至动态数据处理器，动态数据处理器获取经过机器学习后的第二预训练目标模型，并通过第二预训练目标模型对预处理CSI信息进行危险行为识别。
进一步地，所述步骤S2过程如下：
S2.1、将收集的CSI原始数据分离获取幅值数据和相位数据；
S2.2、对所述幅值数据和相位数据进行线性插值补全，根据数据序列中需要插值的点的左右临近两个数据的均值作为估值，使用该估值方法，相较于高阶插值，运算复杂度低，速度快；
S2.3、通过对不同子载波的相位数据求取差值，获取相位差数据，并且需要限制相位差的值在[-π,π]之间；
S2.4、通过hampel滤波和主成分分析的方式对幅值数据和相位差数据进行除杂，滤波所选窗口大小为50，通过对所取窗口区间定位每个与区间中值μ相差超过三个标准差σ的样本数据作为离群点进行剔除，以此消除离群点对结果的影响，提高了结果的准确性；
S2.5、计算幅值数据和相位差数据的方差，选取方差最大的幅值数据和相位差数据作为最优子载波幅值数据和最优相位差数据，选取出的最优子载波幅值数据和相位差数据一般包含最多的信息，将两组数据作为后续运算的对象，可以在保证结果准确性的同时，大大减少运算量，提高运算速度。
进一步地，所述步骤S3过程如下：
S3.1、通过滑动窗口截取每2秒时间下的幅值数据和相位数据，并计算数据均值，为了保证灵敏度，截取的窗口不宜过长，过长可能导致单次运算量大，过短可能导致幅值数据和相位数据所含信息量过少，出现误判，2秒大小的窗口比较适宜；
S3.2、根据计算结果与存储器中的静态数据以及动态数据进行比较，判断当前数据采集时段是处于静态状态还是处于动态状态，所述比较步骤不涉及模型训练，运算较为简单，可以快速对数据进行快速分类。
进一步地，所述步骤S4中过程如下：
S4.1、初始化预训练之前的第一目标模型；
S4.2、通过在没有任何运动物体的实验场景收集CSI数据，并重复收集不同场景下静态环境的CSI数据作为训练数据，将训练数据经过预处理后对第一预训练目标模型进行生成，并保存至存储器中；
S4.3、将最优幅值数据进行带通滤波，使用巴特沃斯滤波器，通带区间选取0.1～0.5Hz，通过滤除呼吸以外的频率分量，以此去除其他频率的干扰，再求取呼吸范围内的频谱数据，最后通过快速傅里叶变换计算出呼吸速率；
S4.4、将最优相位数据进行DWT细节系数提取，通过带通滤波获取心率范围内的频谱数据，使用巴特沃斯滤波器，通带区间选取1～1.67Hz，滤除心率以外的频率分量，最后通过快速傅里叶变换计算出心率。
进一步地，所述步骤S4.2中静态环境的训练数据收集需要的场景包括：“环境中有人在发呆”、“环境中有人睡眠”和“环境中无人”三种场景，“环境中有人睡眠”的场景下，睡眠的位置应当是人经常睡眠的位置，通过更替不同的人、“发呆”位置，收集多组数据，以实现优良训练数据的收集，保证训练数据的丰富度，使模型鲁棒性更高。
进一步地，所述步骤S5中过程如下：
S5.1、初始化预训练之前的第二目标模型；
S5.2、通过在实验环境中，模拟摔倒、室内入侵行为，对于摔倒，需要在实验环境的不同位置、采取不同姿势、不同实验人员收集不同情况的数据；对于室内入侵，需要不同的人进行实验以收集更多情况的数据。重复收集多组数据作为训练数据，通过训练数据对第二预训练目标模型进行生成，并保存至存储器中。
进一步地，所述步骤S5.2中动态环境的训练数据收集需要的场景包括：“老人摔倒”、“室内入侵”和其他情况，对于摔倒，需要通过更替不同的人、采取不同姿势、不同实验人员收集不同情况的摔倒数据；对于室内入侵，需要不同的人进行入侵实验以收集更多情况的数据，收集多组数据，数据的收集，需要严格控制环境中的人数，以一人为宜，另外需要严格控制摔倒和入侵时间，摔倒时间控制在1秒以内，入侵时间控制在1.5秒以内，以保证训练数据更贴合真实情况，以实现优良训练数据的收集。不同情况的摔倒数据和入侵数据，使训练数据更加丰富，考虑的情况更多，模型鲁棒性更高。
进一步地，所述的第一预训练目标模型和第二预训练目标模型通过GA-SVM训练而来，通过GA算法全局寻优，对SVM的核函数进行重新构建，对惩罚因子C和正则化系数γ进行500次进化，此时的惩罚因子和正则化系数γ训练获得的模型将更加稳定，减少了特征值之间的冗余信息，提高了预训练目标模型的分类精度，提高了分类效率和模型的稳定性。
进一步地，所述老人智能监护方法还包括以下步骤：
S6、静态数据处理器和动态数据处理器将预训练目标模型、幅值数据、相位差数据存储至存储器中，当每一次模型进行分类判别，可以将相应的幅值数据、相位差数据进行存储，并对数据进行标定，并定时将所存储的数据作为训练数据，重新训练获得第一预训练目标模型和第二预训练目标模型，以实现对第一预训练目标模型和第二预训练目标模型进行训练及更新。模型的每次更新，是基于更多的训练数据，使得模型更加稳定、准确性更高、适应性更强。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明对家居老人的生活环境状态进行了分类，分为静态环境和动态环境，对于静态环境，其监护算法更加注重于生理数据的计算分析，通过对静态环境进行分析，可以对老人的作息情况、生理数据(呼吸、心率)进行监测，有助于对老人生理健康进行监护；对于动态环境，其监护算法，更加注重于意外摔倒、室内入侵等事件，通过及时检测到事件发生，并及时发出警告，有助于老人在意外发生时，能获得及时的援助。
(2)本发明从智能分类算法的角度和老人多方位监护的思想出发，通过GA-SVM模型对数据类型进行判别，降低训练时长，提高了识别准确率。在本发明提供的基于GA-SVM模型，对于分类识别，会对预处理后的CSI数据进行分类判别，所述预处理目标模型对人工标注的数据集进行训练，通过SVM和遗传算法对建立的支持向量机核函数进行参数优化，并且处理器将识别结果信息存储至存储器中，以对训练目标模型进行训练及更新可进一步提升分类识别的准确率，并且提高数据对当前环境的适应性，以提高数据的利用率，提升了模型的稳定性。
(3)在本发明提供的老人监护方法从静态和动态场景两种入手，通过对应用场景进行分类，可以有效保证系统的模块化和稳定性，同时不同场景采用相应的训练模型，可以保证模型训练的稳定性和准确性，并且在实际应用中不断更新目标模型，可以有效提高监测模型的准确率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本实施例提供的基于WiFi的老人智能监护方法的流程图；
图2是本实施例提供的基于WiFi的老人智能监护方法的具体工作原理图；
图3是本实施例提供的呼吸速率计算的流程图；
图4是本实施例提供的心跳速率计算的流程图；
图5是本实施例提供的动态静态分类判别的流程图；
图6是本实施例提供的基于遗传-支持向量机训练模型流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
下面参考附图描述本实施例的基于WiFi的多功能老人监护方法。参考图1所示，本实施例提供的基于WiFi的多功能家庭老人的监护方法，包括以下步骤：
S1、通过WiFi设备收集被监测家庭区域的CSI数据；具体的，在需要监护的老人家中选取适合的位置安装CSI收集和发射装置，收集监护区域的CSI数据。为了增加CSI的鲁棒性，可能对于同一片区域，会选取多个不同位置安装发射装置，以保证CSI信号对区域内各个位置的变化较为敏感。
S2、对收集的CSI数据进行预处理，获取预处理CSI数据；
本实施例中，步骤S2具体如下：
S2.1、将收集的CSI原始数据分离获取幅值数据和相位数据，计算方式如下：
Figure BDA0003674074910000071
其中第k个子载波hk表示为：
Figure BDA0003674074910000072
realk和imagk是第k个子载波的实部和虚部，|hk|和∠hk是第k个子载波的幅度和相位；
S2.2、对幅值数据和相位数据进行插值补全；
S2.3、对插值补全后的相位数据求取相位差，计算方式如下：
Figure BDA0003674074910000073
其中
Figure BDA0003674074910000074
是第n1、n2个子载波的相位，
Figure BDA0003674074910000075
是第n1、n2个子载波的相位差；
对第n1、n2个子载波的相位差
Figure BDA0003674074910000076
的值限制在[-π，π]范围中，计算方式如下：
Figure BDA0003674074910000081
S2.4、通过hampel滤波和主成分分析的方式对幅值数据和相位差数据进行除杂；
S2.5、对幅值数据和相位差数据选取最优的子载波幅值数据和最优相位差数据。
具体参考图1所示，将收集到的数据信息传递到预处理模块，将收集到的CSI数据提取相应的幅值和相角。幅值和相角数据含有了CSI的主要信息，接下来对幅值和相位数据通过线性插值进行补全，避免丢包造成数据缺失而影响结果；然后通过对相位数据求取相位差，可以消除相位数据中的大量噪声；然后通过hampel滤波的方式，消除测量窗口中每个与窗口中值相差超过指定标准差的数据，以此消除样本中的离群值影响，通过主成分分析的方式，滤除无用的信号分量，保留大部分有用信息，降低数据维度，减轻了后续运算的复杂度，提高了运算速率；接着通过求取变异系数或方差最大的方式，求获取信息量最多的子载波，选取数据中幅值数据和相位差数据的适合使用训练模型进行分类判别的数据，数据含有较多的信息，同时降低了后续步骤数据计算的负担，提高了运算速度。
作为一个示例，将原始的CSI数据传递至预处理模块，对收集到的原始数据进行预处理。对于采样频率为f，发射和收集天线数量为m、n，则1s中收集到的数据约为f×m×n个数据包，通过预处理后只保留了f个幅值数据和f个相位数据。预处理后的数据局依然保留了主要的信息，同时减轻了后续运算的负担，提高了计算速率。
S3、根据预处CSI理数据判断属于静态环境还是动态环境；
本实施例中，步骤S3具体如下：
S3.1、通过滑动窗口截取每个指定长度时段的幅值数据和相位数据，并计算数据均值，计算公式如下：
Figure BDA0003674074910000091
其中|hk(tx)和∠hk(tx)是第k个子载波在tx时刻的幅度和相位，z为子载波的个数。
S3.2、根据计算结果与存储器中的静态数据以及动态数据进行比较，判断当前数据采集时段是处于静态状态还是处于动态数据进行判断。
具体参考图1所示，CSI原始数据通过预处理模块进行处理后，将会对所对应的环境进行识别，通过预处理后CSI的幅值和相位差信息的数据特征，判断所在场景属于动态场景还是静态场景。
通过对当前场景下预处理后得到的CSI幅值和相位差数据，根据下述公式对幅值和相位差数据进行归一化：
Figure BDA0003674074910000092
Figure BDA0003674074910000093
其中A(tx)、
Figure BDA0003674074910000094
为tx时刻幅值和相位差的值，minA、maxA分别为窗口内幅值的最小值、最大值，
Figure BDA0003674074910000095
分别为窗口内相位差的最小值、最大值，通过下述公式对当前环境进行识别：
Figure BDA0003674074910000096
其中，f(tx)、f(tx+1)为静态环境下tx、tx+1时刻的幅值，g(tx)、g(tx+1)为静态环境下tx、tx+1时刻的相位差，fp(tx)、gp(tx)为静态环境下tx时刻归一化后的幅值和相位差，fp(tx+1)、gp(tx+1)为静态环境下tx+1时刻归一化后的幅值和相位差，z为子载波的个数，若左式大于等于右式，当前环境识别为动态环境，否则当前环境识别为静态环境。
S4、在判断为静态环境时，将所述预处理CSI数据输入至静态数据处理器，静态数据处理器获取经过机器学习后的第一预训练目标模型，并通过第一预训练目标模型对预处理CSI信息对“发呆、睡眠、无人”三种情况进行识别，计算睡眠时间下心率、呼吸情况；
具体的，在判断场景为静态环境时，预处理模块得到的预处理图像信息会传入处理器中进行数据处理，其主要对于三种情况的识别分类任务是通过与已经建立好的第一预训练目标模型进行数据传输和处理实现的。通过已训练的第一预训练目标模型对现实的预分类数据进行识别和分类。
本实施例中，步骤S4过程如下：
S4.1、初始化预训练之前的第一目标模型；
S4.2、重复收集不同场景下静态环境的训练数据，将训练数据经过预处理后对第一预训练目标模型进行生成，并保存至存储器中；
S4.3、将最优幅值数据进行带通滤波获取呼吸范围内的频谱数据，通过快速傅里叶变换计算出呼吸速率；
参考图3，步骤S4.3中静态环境中人的呼吸速率计算方式如下：具体的，通过带通滤波滤除大部分噪声后，通过快速傅里叶变换可以获取相应的频谱，频谱幅值最大值对应的频率即为呼吸频率。通过公式：
v呼＝f呼×60
其中v呼为呼吸速率，f呼为呼吸频率。
S4.4、将最优相位数据进行DWT细节系数提取，通过带通滤波获取心率范围内的频谱数据，通过快速傅里叶变换计算出心率。
参考图4，步骤S4.4中静态环境中人的心率计算方式如下：
对于相位差Δ∠h与近似系数aL和细节系数dl的关系如下：
Figure BDA0003674074910000101
其中，L是分解次数，ns是数据包个数，
Figure BDA0003674074910000102
是小波基。
通过快速傅里叶变换获取相应的频谱，频谱幅值最大值对应的频率即为心率，计算公式如下：v心率＝f心跳×60
其中v心率为心率，f心跳为心跳频率。
本实施例中，步骤S4.2中收集不同场景下静态环境的训练数据，过程如下：
S4.2.1、搭建居家环境；S4.2.2、实验所需场景有“环境中有人在发呆”、“环境中有人睡眠”和“环境中无人”，通过更替不同的人收集多组数据，以实现优良训练数据的收集。
对于训练模型GA-SVM具体的，选取超平面方程为：
wTx+b＝0
其中w为超平面的法向量，b代表超平面与原点之间的距离，x是数据向量，y为标签。
当y为数据点的标签且其值为-1或1时，标签到超平面的距离通过距离公式y(wTx+b)表示，则目标函数为：
Figure BDA0003674074910000111
其中w为超平面的法向量，b代表超平面与原点之间的距离，x是数据向量，y为标签。
相应的，上式的对偶问题为：
Figure BDA0003674074910000112
其中，
Figure BDA0003674074910000113
该对偶问题的KKT条件为：
Figure BDA0003674074910000114
其中α为超平面的法向量，α＝(α1,α2,α3,...,αns)，xi和xj为原始问题的决策变量，yi和yj为对偶问题的决策变量。
将训练数据传递至训练模型GA-SVM中进行训练，选取的核函数为RBF函数，RBF函数表达式为：
Figure BDA0003674074910000115
其中x是数据向量，y为标签，γ为正则化系数。
结合图6所示，训练模型GA-SVM在构建核函数和目标函数后，通过对正则化系数γ和惩罚系数C进行自主寻优和更新，通过非训练集数据进行准确度计算，进而寻得最优参数解。
对参数进行初始化后，选取二进制编码的方式。对正则化系数γ和惩罚系数C进行编码，通过适应度函数对当前数据进行评价，计算当前模型的准确性，并记录最优的参数和，然后通过交叉算法和变异，对当前的选取的参数产生新的参数，再产生新的模型计算新模型的准确度，最后获取最优的SVM模型。
在静态环境监测过程中，当识别到环境中有人，将会通过计算模块，计算环境中人的生理状况(呼吸速率和心率)，当环境中呼吸和心率低于设定的阈值时，将会发出警报。
S5、在判断为动态环境时，将所述预处理CSI数据输入至动态数据处理器，动态数据处理器获取经过机器学习后的第二预训练目标模型，并通过第二预训练目标模型对预处理CSI信息进行危险行为识别。
对于训练模型GA-SVM，选取超平面方程为：wTx+b＝0
当y为数据点的标签且其值为-1或1时，标签到超平面的距离可以通过距离公式y(wTx+b)表示，则目标函数为：
Figure BDA0003674074910000121
其中w为超平面的法向量，b代表超平面与原点之间的距离，x是数据向量，y为标签。
相应的，上式的对偶问题为：
Figure BDA0003674074910000122
其中，
Figure BDA0003674074910000123
该对偶问题的KKT条件为：
Figure BDA0003674074910000131
其中α为超平面的法向量，α＝(α1,α2,α3,...,αns)，xi和xj为原始问题的决策变量，yi和yj为对偶问题的决策变量。
将训练数据传递至SVM中进行训练，选取的核函数为RBF函数，RBF函数表达式为：
Figure BDA0003674074910000132
其中x是数据向量，y为标签，γ为正则化系数。
结合图6所示，训练模型GA-SVM在构建核函数和目标函数后，通过对正则化系数γ和惩罚系数C进行自主寻优和更新，通过非训练集数据进行准确度计算，进而寻得最优最优参数解。
对参数进行初始化后，选取二进制编码的方式。对正则化系数γ和惩罚系数C进行编码，通过适应度函数对当前数据进行评价，计算当前模型的准确性，并记录最优的参数和，然后通过交叉算法和变异，对当前的选取的参数产生新的参数，再产生新的模型计算新模型的准确度，最后获取最优的SVM模型。
在对动态环境进行检测时，当检测到“老人摔倒”、“室内入侵”行为时，系统将会发出报警。
S5.1、初始化预训练之前的第二目标模型；
S5.2、重复收集动态环境的训练数据，将训练数据经过预处理后对第二预训练目标模型进行生成，并保存至存储器中。
本实施例步骤S5.2中收集动态环境的训练数据过程如下：
S5.2.1、搭建居家环境；
S5.2.2、在实验场景中，进行有人室内入侵、老人摔倒的模拟，通过更替不同的人收集多组数据，以实现优良训练数据的收集。
S6、静态数据处理器和动态数据处理器将结果信息存储至存储器中，对所述预训练目标模型进行训练及更新。
需要说明的是，在本发明提供的静态环境识别和动态环境识别中，模型每隔Q次更新后，将最新的数据传送至所述的目标模型中，以实现目标模型进行训练更新，从而保证了模型训练的稳定性，通过更多的准确数据，达到模型参数更新，可有效提高模型分类识别的准确率。
实施例2
如图2所示，本实施例提供了一种基于WiFi的老人智能监护系统。该系统主要包括CSI信息收集模块、预处理模块、静态动态判别模块、CPU处理器、存储模块。各个模块的具体功能如下：
CSI信息收集模块，用于对环境中的CSI数据进行实时地收集，并将收集的数据传输至预处理模块；
预处理模块，用于对收集到的CSI数据进行预处理，获取得到幅值数据和相位差数据，并将数据传输到静态动态识别模块和CPU处理器；
静态动态判别模块，用于对环境进行分类，将环境划分为静态环境和动态环境，并将判别结果反馈至CPU处理器；
CPU处理器将根据环境情况，选用相应的预训练模型，若环境为静态环境，将调用第一预训练目标模型，对环境下“发呆”“、睡眠”、“无人”三种情况进行分类判别，当检测到环境为“发呆”和“睡眠”情况，将会对环境中老人的呼吸速率、心跳速率进行计算，当呼吸速率低于阈值时，会将结果发送至服务器，云服务器收到结果后会进行报警，若环境为动态环境，将调用第二预训练目标模型，对环境下“老人摔倒”、“室内入侵”、其他情况进行分类判别，当识别到“老人摔倒”、“室内入侵”两种情况时，将会将结果发送至云服务器，云服务器收到结果后会进行报警，并对第一预训练目标模型和第二预训练目标模型进行定时的更新；
存储模块，用于存储第一预训练目标模型、第二预训练目标模型、以及两个模型分类判别的结果和对应的幅值数据、相位差数据，存储的数据用于分类判别和模型的更新；
本实施例中，第一预训练目标模型、第二预训练目标模型皆是通过GA-SVM训练而来，具体实现可以参见上述实施例。需要说明的是，静态动态判别模块，使整个CPU处理器每次运算，都只需调用一种预训练目标模型，并且会根据静态动态判别模块的结果，是否进行心跳速率和呼吸速率的计算，相较单纯对“发呆”、“睡眠”、“无人”、“老人摔倒”、“室内入侵”、其他情况同时分类判别，大大降低了CPU处理器运算量，降低了模型训练的复杂度，对CPU处理器的运算能力要求较低，由于每种模型分类情况较少，提高了分类准确度，每次分类判别所需时间更少。GA-SVM的应用，通过GA算法对惩罚因子C和正则化系数γ进行优化，而GA算法是一种高效、全局的搜索寻优方法，具有很强的求解能力和广泛的适应性，相较于传统的SVM参数值更加合理化，提高了分类性能以及系统的运行速度。模型的每次更新都会使系统准确性提高，使模型更加适用于当前环境，大大提高了系统的鲁棒性和准确性。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (9)

1.一种基于WiFi的老人智能监护方法，其特征在于，所述老人智能监护方法包括以下步骤：
S1、通过WiFi设备收集被监测家庭区域的CSI数据；
S2、对收集的CSI数据进行预处理，获取预处理CSI数据，得到幅值数据和相位差数据；
S3、根据预处理CSI数据判断属于静态环境还是动态环境；
S4、在判断为静态环境时，将所述预处理CSI数据输入至静态数据处理器，静态数据处理器获取经过机器学习后的第一预训练目标模型，并通过第一预训练目标模型对预处理CSI信息对“发呆”、“睡眠”、“无人”三种情况进行识别，计算睡眠时间下心率、呼吸情况；
S5、在判断为动态环境时，将所述预处理CSI数据输入至动态数据处理器，动态数据处理器获取经过机器学习后的第二预训练目标模型，并通过第二预训练目标模型对预处理CSI信息进行危险行为识别。
2.根据权利要求1所述的一种基于WiFi的老人智能监护方法，其特征在于，所述步骤S2过程如下：
S2.1、将收集的CSI原始数据分离获取幅值数据和相位数据；
S2.2、对所述幅值数据和相位数据进行插值补全；
S2.3、对插值补全后的相位数据求取相位差；
S2.4、通过hampel滤波和主成分分析的方式对幅值数据和相位差数据进行除杂；
S2.5、对幅值数据和相位差数据选取最优的子载波幅值数据和最优相位差数据。
3.根据权利要求1所述的一种基于WiFi的老人智能监护方法，其特征在于，所述步骤S3过程如下：
S3.1、通过滑动窗口截取每个指定长度时段的幅值数据和相位数据，并计算数据均值；
S3.2、根据计算结果与存储器中的静态数据以及动态数据进行比较，判断当前数据采集时段是处于静态状态还是处于动态数据状态。
4.根据权利要求1所述的一种基于WiFi的老人智能监护方法，其特征在于，所述步骤S4中过程如下：
S4.1、初始化预训练之前的第一目标模型；
S4.2、重复收集不同场景下静态环境的训练数据，将训练数据经过预处理后对第一预训练目标模型进行生成，并保存至存储器中；
S4.3、将最优幅值数据进行带通滤波获取呼吸范围内的频谱数据，通过快速傅里叶变换计算出呼吸速率；
S4.4、将最优相位数据进行DWT细节系数提取，通过带通滤波获取心率范围内的频谱数据，通过快速傅里叶变换计算出心率。
5.根据权利要求4所述的一种基于WiFi的老人智能监护方法，其特征在于，所述步骤S4.2中静态环境的训练数据收集需要的场景包括：“环境中有人在发呆”、“环境中有人睡眠”和“环境中无人”，通过更替不同的人收集多组数据，以实现优良训练数据的收集。
6.根据权利要求1所述的一种基于WiFi的老人智能监护方法，其特征在于，所述步骤S5中过程如下：
S5.1，初始化预训练之前的第二目标模型；
S5.2，重复收集动态环境的训练数据，通过训练数据对第二预训练目标模型进行生成，并保存至存储器中。
7.根据权利要求1所述的一种基于WiFi的老人智能监护方法，其特征在于，所述步骤S5.2中动态环境的训练数据收集需要的场景包括：“老人摔倒”和“室内入侵”，通过更替不同的人收集多组数据，以实现优良训练数据的收集。
8.根据权利要求1所述的一种基于WiFi的老人智能监护方法，其特征在于，所述的第一预训练目标模型和第二预训练目标模型通过GA-SVM训练而来，通过GA算法获取最优的惩罚因子C和正则化系数γ。
9.根据权利要求1所述的一种基于WiFi的老人智能监护方法，其特征在于，所述老人智能监护方法还包括以下步骤：
S6、静态数据处理器和动态数据处理器将结果信息存储至存储器中，对第一预训练目标模型和第二预训练目标模型进行训练及更新。
CN202210615376.8A 2022-06-01 2022-06-01 一种基于WiFi的老人智能监护方法 Pending CN114999643A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210615376.8A CN114999643A (zh) 2022-06-01 2022-06-01 一种基于WiFi的老人智能监护方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210615376.8A CN114999643A (zh) 2022-06-01 2022-06-01 一种基于WiFi的老人智能监护方法

Publications (1)

Publication Number Publication Date
CN114999643A true CN114999643A (zh) 2022-09-02

Family

ID=83030567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210615376.8A Pending CN114999643A (zh) 2022-06-01 2022-06-01 一种基于WiFi的老人智能监护方法

Country Status (1)

Country Link
CN (1) CN114999643A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115913415A (zh) * 2022-11-09 2023-04-04 华工未来科技(江苏)有限公司 一种基于ris辅助的wifi信号动作识别方法、装置及存储介质
CN116821778A (zh) * 2023-08-30 2023-09-29 之江实验室 一种基于wifi信号的步态识别方法、装置和可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115913415A (zh) * 2022-11-09 2023-04-04 华工未来科技(江苏)有限公司 一种基于ris辅助的wifi信号动作识别方法、装置及存储介质
CN115913415B (zh) * 2022-11-09 2024-02-02 华工未来科技(江苏)有限公司 一种基于ris辅助的wifi信号动作识别方法、装置及存储介质
CN116821778A (zh) * 2023-08-30 2023-09-29 之江实验室 一种基于wifi信号的步态识别方法、装置和可读存储介质
CN116821778B (zh) * 2023-08-30 2024-01-09 之江实验室 一种基于wifi信号的步态识别方法、装置和可读存储介质

Similar Documents

Publication Publication Date Title
CN108553108B (zh) 一种基于Wi-Fi中CSI信号的人体动作与呼吸的检测方法和系统
US11793406B2 (en) Image processing method and corresponding system
CN114999643A (zh) 一种基于WiFi的老人智能监护方法
US20190374166A1 (en) Detecting abnormalities in ecg signals
CN110151203B (zh) 基于多级雪崩式卷积递归网络eeg分析的疲劳驾驶识别方法
CN112716474A (zh) 基于生物微波雷达的非接触式睡眠状态监测方法和系统
CN102488512A (zh) 一种心电监护自动报警系统及其报警方法
CN114052744B (zh) 基于脉冲神经网络的心电信号分类方法
CN114469076B (zh) 一种融合身份特征的独居老人跌倒识别方法及系统
CN114926957B (zh) 基于智能家居的婴幼儿监护系统及监护方法
CN110737201A (zh) 一种监护方法、装置、存储介质及空调
CN110363143A (zh) 监控方法、装置和系统
CN111053552B (zh) 一种基于深度学习的qrs波检测方法
EP2547256A1 (en) Lightweight wheeze detection methods and systems
CN114241270A (zh) 一种家庭护理智能监督方法、系统及装置
CN113657319A (zh) 一种基于图像识别技术的无干扰睡眠动作行为的识别方法
CN111626273B (zh) 基于原子性动作时序特性的摔倒行为识别系统及方法
EP3977482A1 (en) System and method for filtering time-varying data for physiological signal prediction
CN110123328B (zh) 一种基于无线识别的呼吸频率检测方法
CN111028488A (zh) 一种基于pso-svm的智能久坐提醒的方法
CN115687894A (zh) 一种基于小样本学习的跌倒检测系统及方法
CN114488841A (zh) 一种智能穿戴设备的数据搜集处理方法
CN115581435A (zh) 一种基于多传感器的睡眠监测方法和设备
EP4026046A1 (en) Biometric data capturing and analysis using a hybrid sensing system
CN113907743B (zh) Cgan和多尺度卷积神经网络实现呼吸检测的方法及系统

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