CN115049039A - 基于神经网络的状态识别方法、神经网络训练方法、装置 - Google Patents

Abstract

本发明公开了基于神经网络的状态识别方法、神经网络训练方法、装置，涉及到雷达探测技术领域。该方法包括：获取用户对应的多个目标点的属性，目标点的属性包括：位置信息、速度信息和信噪比信息；将多个目标点的属性输入到神经网络中进行处理，输出用户对应的状态。通过神经网络将目标点属性拆分为多个属性特征进行并行分析，从而能够准确的确定出用户对应的状态。其可以应用于非接触式的环境中，无需摄像机进行信息采集，具有保护隐私、舒适性好等优点。

Description

基于神经网络的状态识别方法、神经网络训练方法、装置

技术领域

本发明涉及雷达探测技术领域，特别是涉及一种基于神经网络的状态识别方法、神经网络训练方法、装置。

背景技术

现有技术中对检测目标进行状态识别通常采用下列三种技术：一是基于视频的状态识别技术，二是基于可穿戴传感器的状态识别技术，三是基于RF(RadioFrequency，射频)信号的状态识别技术。

其中，基于视频的状态识别技术由于用到摄像设备，对于一些敏感环境，如卧室、浴室等环境，会存在隐私泄露的风险；基于可穿戴设备的状态识别技术需要用户主动佩戴相关传感器设备，影响用户使用的舒适度，数据收集的连续性也依赖于用户的配合度，传感器由于佩戴在用户的不同部位，如手腕或脚踝等，获取的数据也主要关注完成某动作时该部位的变化，所以可识别动作较少，准确率也不是很高；基于RF信号的状态识别技术测得距离的分辨率远差于毫米波信号，定位与追踪不如毫米波精细。现有技术虽然已有采用毫米波识别用户的人体状态，但是普遍存在识别用户对应的状态少，且识别精度较低。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于神经网络的状态识别方法、神经网络训练方法、装置。

依据本发明的第一方面，提供了一种基于神经网络的状态识别方法，所述方法包括：

获取用户对应的多个目标点的属性，所述目标点的属性包括：位置信息、速度信息和信噪比信息；

将所述多个目标点的属性输入到所述神经网络中进行处理，输出所述用户对应的状态。

依据本发明的第二方面，提供了一种神经网络的训练方法，所述方法包括：

获取目标状态对应的历史目标点属性；所述目标点的属性包括：位置信息、速度信息和信噪比信息；

将所述历史目标点属性输入至神经网络进行处理，输出对应的状态；

依据所述目标状态和所述状态，对所述神经网络的参数进行调整。

依据本发明的第三方面，提供了一种基于神经网络的状态识别装置，所述装置包括：

属性获取模块，用于获取用户对应的多个目标点的属性，所述目标点的属性包括：位置信息、速度信息和信噪比信息；

状态确定模块，用于将所述多个目标点的属性输入到所述神经网络中进行处理，输出所述用户对应的状态。

依据本发明的第四方面，提供了一种神经网络的训练装置，所述装置包括：

点云序列采集模块，用于获取目标状态对应的历史目标点属性；所述目标点的属性包括：位置信息、速度信息和信噪比信息；

状态生成模块，用于将所述历史目标点属性输入至神经网络进行处理，输出对应的状态；

参数调整模块，用于依据所述目标状态和所述状态，对所述神经网络的参数进行调整。

本发明方案中，通过获取用户状态对应的多个目标点属性，其中，目标点的属性可以包括位置信息、速度信息和信噪比信息。通过神经网络将目标点属性拆分为多个属性特征进行并行分析，从而能够准确的确定出用户对应的多种状态。其可以应用于非接触式的环境中，无需摄像机进行信息采集，具有保护隐私、舒适性好等优点。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。

在附图中：

图1是本发明实施例提供的一种状态识别方法的步骤流程图；

图2是本发明实施例提供的另一种状态识别方法的步骤流程图；

图3是本发明实施例提供的一种识别坐和跌倒状态的步骤流程图；

图4是本发明实施例提供的一种识别走和跑状态的步骤流程图；

图5是本发明实施例提供的一种识别站立状态的步骤流程图；

图6是本发明实施例提供的一种基于神经网络的状态识别方法的步骤流程图；

图7是本发明实施例提供的一种神经网络的执行步骤流程图；

图8是本发明实施例提供的另一种神经网络的执行步骤流程图；

图9是本发明实施例提供的一种神经网络的训练方法的步骤流程图；

图10是本发明实施例提供的另一种神经网络的训练方法的步骤流程图；

图11是本发明实施例提供的一种基于毫米波感知的状态识别方法的步骤流程图；

图12是本发明实施例提供的另一种基于毫米波感知的状态识别方法的步骤流程图；

图13是本发明实施例提供的一种状态识别装置的框图；

图14是本发明实施例提供的一种基于神经网络的状态识别装置的框图；

图15是本发明实施例提供的一种神经网络的训练装置的框图；

图16是本发明实施例提供的一种基于毫米波感知的状态识别装置的框图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

参照图1，示出了本发明实施例提供的一种状态识别方法的步骤流程图，所述方法可以包括：

步骤101、获取用户对应的目标属性，其中，所述目标属性包括：位置信息和速度信息。

本发明实施例中，在雷达对位于目标区域内的用户进行数据采集时，由于人的身体不同部位均会反射毫米波，因此，每个用户对应的目标点均有多个，其目标点的属性可以包括：位置信息、速度信息以及信噪比信息等。

另外地，依据多个所述目标点的属性，可以确定出对应用户的目标属性。目标属性可以理解为将用户当作一个整体，用于表征用户对应的位置以及速度等。一种示例中，可以通过预设的追踪算法对多个目标点的属性进行处理，确定对应目标属性。另一种示例中，可以通过对多个目标点的属性采用取均值、中位数等方式确定对应的目标属性。

因此，可以通过对多个目标点的各属性采用取均值或取中位数等方式得到目标属性。依据目标属性，可以确定用户整体的位置以及速度变化。因此，所述目标属性可以包括位置信息和速度信息等。依据用户对应的不同状态，其位置信息、速度信息等基础信息的差异可以将不同状态区分为多个状态分组。

一种示例中，用户的状态可以包括以下至少一种：坐、跌倒、站立、走和跑。例如，可以将坐或跌倒确定为一组状态分组，走或跑为一组状态分组等。之后利用神经网络或区分同一状态分组对应的位置信息、速度信息等相关信息的差异等识别方式，准确得到用户对应的状态。

步骤102、依据所述位置信息和速度信息，确定所述用户变化的特征数据。

本发明实施例中，为了能够依据用户对应的不同状态之间的位置信息和速度信息的差异，将不同状态区分为多个状态分组。可以对连续多帧中所述用户对应的位置信息和速度信息进行记录。

示例性地，依据位置信息，例如通过获取到的Z轴信息，可以确定出用户对应的高度值，通过获取到的X轴、Y轴信息，可以确定出用户在XY平面上的位移，并可以依据位移和时间的关系，确定出用户对应的速度值。由此，可以将连续多帧中用户对应的高度值和速度值，确定为特征数据。其中，所述特征数据可以作为基础信息来确定用户不同状态对应的状态分组。

步骤103、通过预设的状态阈值对所述特征数据进行匹配，确定所述用户的状态。

本发明实施例中，可以根据预设的识别规则，依据获取到特征数据，来确定各用户的状态，并进行输出。一种示例中，可以依据用户处于不同状态时的特征数据的变化差异，来确定相应的状态阈值等。建立起状态阈值与特征数据对应的状态匹配关系，将该状态匹配关系作为预设的识别规则。另一种示例中，可以采用将状态匹配关系和神经网络结合到一起等方式作为预设的识别规则。其中，用户对应的状态可以包括走、跑、坐、站立和跌倒等。

综上所述，本发明实施例提供的一种状态识别方法，通过获取用户对应的目标属性，其中，所述目标属性可以包括位置信息和速度信息。依据该位置信息和速度信息，可以确定出用户对应的高度变化、水平位移变化以及速度变化等信息，形成用户各状态对应的特征数据，从而通过预设的状态阈值对该特征数据进行匹配，确定出用户具体的状态。其可以应用于非接触式的环境中，无需摄像机进行信息采集，具有保护隐私、舒适性好等优点

参照图2，示出了本发明实施例提供的另一种状态识别方法的步骤流程图，所述方法可以包括：

步骤201、获取用户对应的目标属性，其中，所述目标属性包括：位置信息和速度信息。

本发明实施例中，在雷达对位于目标区域内的用户进行数据采集时，由于人的身体不同部位均会反射毫米波，因此，每个用户对应的目标点均有多个，其目标点的属性可以包括：位置信息、速度信息以及信噪比信息等。

另外地，依据多个所述目标点的属性，可以确定出对应用户的目标属性。目标属性可以理解为将用户当作一个整体，用于表征用户对应的位置以及速度等。因此，可以通过对多个目标点的各属性采用取均值或取中位数等方式得到目标属性。依据目标属性，可以确定用户整体的位置以及速度变化。因此，所述目标属性可以包括位置信息和速度信息等。依据用户对应的不同状态，其位置信息、速度信息等基础信息的差异可以将不同状态区分为多个状态分组。

一种示例中，用户的状态可以包括以下至少一种：坐、跌倒、站立、走和跑。例如，可以将坐或跌倒确定为一组状态分组，走或跑为一组状态分组等。之后利用神经网络或区分同一状态分组对应的位置信息、速度信息等相关信息的差异等识别方式，准确得到用户对应的状态。

一种可选地发明实施例，依据所述位置信息和速度信息，确定所述用户变化的特征数据，可以包括如下步骤：步骤202-步骤203。

步骤202、依据所述位置信息和速度信息，确定所述用户在连续多帧中的高度和速度。

步骤203、将所述高度和速度，作为所述用户变化的特征数据。

本发明实施例中，为了能够依据用户对应的不同状态之间的位置信息和速度信息的差异，将不同状态区分为多个状态分组。可以对连续多帧中所述用户对应的位置信息和速度信息进行记录。

依据位置信息，例如通过获取到的Z轴信息，可以确定出用户对应的高度值，通过获取到的X轴、Y轴信息，可以确定出用户在XY平面上的位移，并可以依据位移和时间的关系，确定出用户对应的速度值。由此，可以将连续多帧中用户对应的高度值和速度值，确定为特征数据。其中，所述特征数据可以作为基础信息来确定用户不同状态对应的状态分组。

一种示例中，所述状态阈值可以包括：高度阈值和第一速度阈值。通过预设的状态阈值对所述特征数据进行匹配，确定所述用户的状态，可以包括以下步骤：步骤204-步骤208。

步骤204、确定所述用户当前的高度是否大于预设的高度阈值。

在所述用户当前的高度大于预设的高度阈值的情况下，执行步骤206；在所述用户当前的高度不大于预设的高度阈值的情况下，执行步骤207。

本发明实施例中，高度阈值可以理解为对状态分组进行划分的高度值。例如，用户的状态为走、跑和站立的高度值明显高于用户的状态为坐和跌倒时的高度，由此，可以根据实际应用场景，预先设置一个高度阈值，根据高度阈值，可以将用户状态区分为两种状态类，第一状态类包括走、跑和站立；第二状态类包括坐和跌倒。

因此，一种示例中，可以根据获取到的特征数据，确定用户当前的高度是否大于对应的高度阈值。其中，可以对连续多帧的高度值取均值再与高度阈值进行匹配。在用户当前的高度大于预设的高度阈值的情况下，可以确定当前用户状态类为第一状态类。在用户当前的高度不大于预设的高度阈值的情况下，可以确定当前状态类为第二状态类。

步骤205、确定所述用户在连续多帧中的速度是否小于第一速度阈值。

当所述用户在连续多帧中的速度小于第一速度阈值，执行步骤208，当所述用户在连续多帧中的速度不小于第一速度阈值，执行步骤209。

步骤206、当所述用户在连续多帧中的高度下降，确定所述用户的状态为第一状态分组，其中，所述第一状态分组包括坐和跌倒。

步骤207、确定所述用户的状态为第二状态分组，其中，所述第二状态分组包括站立。

步骤208、确定所述用户的状态为第三状态分组，其中，所述第三状态分组包括走和跑。

本发明实施例中，第一速度阈值可以理解为在用户状态区分为两种状态类的基础上，对状态类中相应状态进行划分的速度值。例如，用户处于站立状态的时候保持静止，其速度值应该为零。与用户处于走或跑状态时的速度存在明显差异。因此，可以预先设置第一速度阈值，根据第一速度阈值，可以将站立状态从第二状态类中区分出来。

因此，一种示例中，可以根据获取到的特征数据，确定用户在连续多帧中的速度值是否小于对应的第一速度阈值。其中，可以对连续多帧的速度值取均值再与第一速度阈值进行匹配。当用户在连续多帧中的速度不小于第一速度阈值时，可以确定所述用户对应的状态为走或跑。当用户在连续多帧中的速度小于第一速度阈值时，可以确定所述用户对应的状态为站立。此外，为了防止用户从站立往坐或跌倒的状态进行转换时，其对应的高度由高度阈值以上向高度阈值以下逐渐减小，因此，为了提高区分状态分组的准确性，可以在用户当前的高度大于预设的高度阈值的情况下，确定用户在连续多帧中的高度变化趋势，当所述用户对应的高度连续下降，可以确定用户对应的状态为坐或跌倒。从而，可以将坐和跌状态划分为第一状态分组，将站立状态划分为第二状态分组，将走和跑状态划分为第三状态分组。

一种可选地发明实施例中，在确定出用户对应的状态分组后，可以通过神经网络识别出用户具体的状态。

步骤209、依据目标状态分组，获取所述用户对应的多个目标点的属性。

步骤210、将所述多个目标点的属性输入到所述目标状态分组对应的神经网络中进行处理，输出所述用户对应的状态。

本发明实施例中，在雷达对位于目标区域内的用户进行数据采集时，由于人的身体不同部位均会反射毫米波，因此，每个用户对应的目标点均有多个，其目标点的属性可以包括：位置信息、速度信息以及信噪比信息等。

此外，人工神经网络(Artificial Neural Networks，ANN)，也称为神经网络，指的是一种进行分布式并行信息处理的算法数学模型。因此，可以将用户对应的多个所述目标点的属性同时输入到神经网络中，从而在基于目标点的属性特征繁多的情况下，能够对目标点的属性特征进行详细的分析，由此能够在目标状态分组的基础上，确定出各用户具体的状态。

在确定出用户状态对应的目标状态分组后，将多个所述目标点的属性输入到目标状态分组对应的神经网络中进行处理。其中，神经网络的数量与至少有两种以上状态的状态分组的数量相同。例如，第一状态分组和第三状态分组均包含有两种状态，因此，神经网络可以包括相应的区分坐和跌倒的神经网络、以及区分走和跑的神经网络。

一种示例中，所述位置信息在维度上是通过三维坐标如X轴、Y轴以及Z轴综合进行表征的。因此，可以将目标点的属性拆分为坐标X、坐标Y、坐标Z、速度V和信噪比S，统计5个属性特征，针对目标状态分组，将对应的属性特征并行输入到目标神经网络中，以便于对用户对应的多个目标点属性进行特征提取。

此外，为了能够同时提取时间和空间信息，每个属性特征以三维矩阵的形式输入到目标神经网络中，例如，目标神经网络的输入可以为一个P*t*1的矩阵。其中P指的是每帧中目标点的个数，t指的是时间，可以根据具体应用场景对上述参数进行选定。

神经网络可以对输入的三维信息提取相关属性特征，并将对应的三维信息进行展平操作。其中，展平操作指的是将对应的三维矩阵展平为一维向量。接着通过该神经网络映射出不同状态对应的概率。由此，可以将概率最大值对应的状态，确定为用户的状态。

例如，区分坐和跌倒的神经网络中对应的输出可以是1*2的一维向量，记为[R1，R2]^T，R1表示的是状态为坐的概率，R2表示的是状态为跌倒的概率。

区分走和跑的神经网络中对应的输出可以是1*2的一维向量，记为[N1，N2]^T，N1表示的是状态为走的概率，N2表示的是状态为跑的概率。softmax函数将所述整体特征信息映射到(0,1)之间，例如，区分坐和跌倒的神经网络输出的一维向量为[0.11，0.89]^T，由此一维向量可以确定出，状态为跌倒的概率为最大值，因此确定用户对应的状态为跌倒。再例如，区分走和跑的神经网络输出的一维向量为[0.73，0.27]^T，由此一维向量可以确定出，状态为走的概率为最大值，因此确定用户对应的状态为走。

一种可选地发明实施例中，避免在状态识别过程中，因用户的不同身体部位产生移动，导致依据用户的目标属性确定的状态与用户实际状态不符。因此，可以通过用户的上一状态和相应的阈值结合的方式从对应的目标状态分组中，确定出用户对应的状态，从而提高用户状态识别的精度。其中，用户的上一状态指的是上一帧输出的用户状态。

具体地，在确定出用户对应的目标状态分组后，可以依据上一状态、以及同一状态分组对应的位置信息、速度信息等基础信息的差异等方式，识别出用户具体的状态。

在已知目标状态分组为所述第一状态分组的情况下，确定用户的状态为坐或跌倒，所述方法还可以包括：子步骤S31-子步骤S37。

子步骤S31、依据所述位置信息，确定所述用户在连续多帧中的高度下降差值和水平位移。

具体的，依据连续多帧的位置信息，可以确定出用户对应的高度变化和水平位置的变化，从而可以根据该高度变化确定出用户在连续多帧中的高度下降差值，根据水平位置的变化确定出用户在连续多帧中的水平位移。

子步骤S32、确定所述高度下降差值是否大于预设的差值阈值。

在所述高度下降差值大于预设的差值阈值的情况下，执行子步骤S33；否则，执行子步骤S37。

子步骤S33、确定所述水平位移是否大于预设的位移阈值。

当所述水平位移大于预设的位移阈值时，执行子步骤S35。

当所述水平位移不大于预设的位移阈值时，获取所述用户对应的上一状态和当前速度，执行子步骤S34。

子步骤S34、确定所述用户对应的上一状态是否为跌倒。

在所述用户对应的上一状态为除跌倒以外状态的情况下，执行子步骤S36。

在所述用户对应的上一状态为跌倒的情况下，执行子步骤S37。

子步骤S35、确定所述用户当前的状态为跌倒。

子步骤S36、当所述当前速度小于所述第一速度阈值时，确定所述用户当前的状态为坐。

子步骤S37、确定所述用户当前的状态与所述上一状态相同。

本发明实施例中，用户保持同一状态时，其对应的高度值也会因为身体的某一部位的移动而在某一范围内波动。由此，可以预先设置差值阈值，依据该差值阈值，可以区分用户对应的高度变化是发生在同一状态时或发生在不同状态之间转换。

一种示例中，将获取到的高度下降差值与预设的差值阈值进行匹配，在高度下降差值不大于差值阈值时，说明用户保持同一状态，确定用户当前的状态与上一状态相同并输出。

在高度下降差值大于差值阈值时，说明用户已经进行了状态的变换。此时，可以依据所述水平位移来确定用户在改变状态的基础上是否发生了水平位置的移动。具体地，在用户状态转换为坐的情况下，其对应的水平位移也会因为身体的某一部位的移动而在某一范围内波动。在用户状态转换为跌倒的情况下，其对应的水平位移与坐状态对应的水平位移有明显的差异，因此，可以预先设置位移阈值，依据该位移阈值，可以确定该用户在改变状态的基础上是否发生明显的水平位置的变化。

因此，一种示例中，将获取到的水平位移与预设的位移阈值进行匹配，在水平位移大于预设的位移阈值的情况下，确定用户发生明显的水平位置的移动，可以识别用户当前的状态为跌倒。在水平位移不大于预设的位移阈值的情况下，可以获取到用户对应的上一状态。在该上一状态是跌倒的情况下，说明用户当前的状态也为跌倒，与上一状态相同；否则，获取到用户的当前速度，在所述当前速度小于所述第一速度阈值时，确定所述用户当前的状态为坐。

一种示例中，在已知目标状态分组为所述第三状态分组的情况下，确定用户的状态为走或跑，所述方法还可以包括：子步骤S41-子步骤S42。

子步骤S41、确定所述用户当前的速度是否大于预设的第二速度阈值。

当所述用户当前的速度不大于预设的第二速度阈值时，执行子步骤S42；当所述用户当前的速度大于预设的第二速度阈值时，执行子步骤S43。

本发明实施例中，第二速度阈值可以理解为在第三状态分组的基础上，对第三状态分组中的多个状态进行划分的速度值。例如，用户处于走或跑状态时的速度存在差异。从而通过预先设置第二速度阈值，根据该第二速度阈值，初步区分走或跑状态。其中，第二速度阈值大于第一速度阈值。

因此，一种示例中，将获取到的用户对应的当前速度与所述第二速度阈值匹配，当用户的当前速度不大于第二速度阈值时，预测用户的当前状态为走；当用户的当前速度大于第二速度阈值时，预测用户的当前状态为跑。

子步骤S42、确定所述用户上一状态是否为第一状态分组中任意一种状态。若是，执行子步骤S44；否则执行子步骤S46。

子步骤S43、确定所述用户上一状态是否为第一状态分组中任意一种状态。若是，执行子步骤S45；否则执行子步骤S47。

子步骤S44、确定所述用户维持状态为走的帧数是否大于预设的计数阈值。若是，执行子步骤S46；否则执行子步骤S48。

子步骤S45、确定所述用户维持状态为跑的帧数是否大于预设的计数阈值。若是，执行子步骤S47；否则执行子步骤S49。

子步骤S46、确定所述用户当前的状态为走。

子步骤S47、确定所述用户当前的状态为跑。

子步骤S48、对所述用户维持状态为走的帧数进行计数，并确定所述用户当前的状态与所述上一状态相同。

子步骤S49、对所述用户维持状态为跑的帧数进行计数，并确定所述用户当前的状态与所述上一状态相同。

本发明实施例中，在确定用户当前的状态为走或跑之前，需要考虑到用户对应身体部位的移动带来测量误差的可能性。例如，用户的上一状态是否为第一状态分组中任意一种状态时，有可能存在当前速度大于或小于第二速度阈值的状况，但该状况持续的时间很短。由此，根据第二速度阈值对用户当前的速度进行匹配后，也可以在获取到的用户的上一状态，来预先设置一个计数阈值，将该种状况进行排除，从而提高状态识别的精度。

因此，若用户的上一状态是第一状态分组中任意一种状态，确定用户连续维持走或跑状态的帧数。其中，每获取一帧对应的目标属性，就完成一次用户的当前速度和第二速度阈值的匹配，例如，每当连续检测到用户的当前速度大于第二速度阈值时，依据预设的计数阈值对所述状态为跑的帧数进行匹配。每当连续检测到用户的当前速度不大于第二速度阈值时，依据预设的计数阈值对所述状态为走的帧数进行匹配。

具体地，当维持走或跑状态的帧数不大于计数阈值时，此时确定用户当前的状态与上一状态相同。当所述用户维持状态为走的帧数大于预设的计数阈值后，可以确定用户的当前状态为走；当所述用户维持状态为跑的帧数大于计数阈值后，可以确定用户的当前状态为跑。

相应地，当用户的上一状态不是第一状态分组中任意一种状态时，当用户的当前速度不大于第二速度阈值时，确定用户当前状态为走，当用户的当前速度大于第二速度阈值时，确定用户当前状态为跑。并可以将对应用户的状态输出。

一种示例中，确定用户当前的状态是否为站立，所述方法还可以包括：子步骤S51-子步骤S54。

子步骤S51、在所述用户对应的上一状态为第一状态分组中任意一种状态的情况下，依据所述位置信息，确定所述用户在连续多帧中的高度上升差值和上升趋势。

子步骤S52、确定所述高度上升差值是否大于预设的差值阈值且所述用户的上升趋势处于连续上升，若是，执行子步骤S53；否则执行子步骤S54。

子步骤S53、确定所述用户当前的状态为站立。

子步骤S54、确定所述用户当前的状态与所述上一状态相同。

本发明实施例中，第一状态分组和第二状态分组中对应状态的高度值存在差异，由此，可以确定用户的上一状态是否为第一状态分组中的其中一种状态，来预测用户的状态。一种示例中，在用户对应的上一状态为坐或跌的情况下，可以通过目标属性对应的位置信息，得到用户在连续多帧中的高度值，依据该高度值，以便于确定用户的高度上升差值以及上升趋势。

若用户的高度上升差值大于高度差阈值，且用户在连续多帧中的高度处于连续上升的趋势时，则说明用户发生了状态的转换，可以确定用户当前的状态为站立，并输出该状态。否则，用户对应的高度变化被理解为用户保持同一状态时在某一范围内的正常波动，此时确定用户当前的状态与上一状态相同。

另一种示例中，在用户对应的上一状态不为第一状态分组中的其中一种状态时，可以通过目标属性对应的位置信息，得到用户的当前高度，若用户的当前高度大于所述高度阈值，则可以确定用户当前的状态为站立，并输出该状态。

综上所述，本发明实施例提供的另一种状态识别方法，通过获取用户对应的目标属性，其中，所述目标属性可以包括位置信息和速度信息。依据该位置信息和速度信息，可以确定出用户对应的高度变化、水平位移变化以及速度变化等信息，形成用户各状态对应的特征数据，从而通过预设的状态阈值对该特征数据进行匹配，确定出用户具体的状态。其可以应用于非接触式的环境中，无需摄像机进行信息采集，具有保护隐私、舒适性好等优点。

参照图6，示出了本发明实施例提供的一种基于神经网络的状态识别方法的步骤流程图，所述方法可以包括：

步骤601、获取用户对应的多个目标点的属性。

所述目标点的属性包括：位置信息、速度信息和信噪比信息。

步骤602、将所述多个目标点的属性输入到神经网络中进行处理，输出所述用户对应的状态。

本发明实施例中，在雷达对位于目标区域内的用户进行数据采集时，由于人的身体不同部位均会反射毫米波，因此，每个用户对应的目标点均有多个，其目标点的属性可以包括：位置信息、速度信息以及信噪比信息等。

另外，人工神经网络(Artificial Neural Networks，ANN)，也称为神经网络，指的是一种进行分布式并行信息处理的算法数学模型。因此，可以将用户对应的多个所述目标点的属性同时输入到预设的神经网络中，从而在基于目标点的属性特征繁多的情况下，能够对目标点的属性特征进行详细的分析，由此准确的确定出各用户对应的状态。其中，用户对应的状态可以包括走、跑、跳、躺、蹲、坐、站立和跌倒等。

一种示例中，位置信息在维度上是通过三维坐标如X轴、Y轴以及Z轴综合进行表征的。因此，可以将目标点的属性拆分为坐标X、坐标Y、坐标Z、速度V和信噪比S，统计5个属性特征，将对应的属性特征并行输入到神经网络中，以便于对用户对应的多个目标点属性进行特征提取。

此外，为了能够同时提取时间和空间信息，每个属性特征以三维矩阵的形式输入到神经网络中，例如，神经网络的输入可以为一个P*t*1的矩阵。其中P指的是每帧中目标点的个数，t指的是时间，可以根据具体应用场景对上述参数进行选定。

神经网络可以对输入的三维信息提取相关属性特征，并将对应的三维信息进行展平操作。其中，展平操作指的是将对应的三维矩阵展平为一维向量。接着通过该神经网络映射出不同状态对应的概率。由此，可以将概率最大值对应的状态，确定为用户的状态。

具体地，神经网络可以包括卷积层和全连接层，所述神经网络执行以下处理步骤：

子步骤S71、将所述多个目标点的属性通过所述卷积层进行卷积处理，得到对应的整体特征信息。

本发明实施例中，将多个目标点对应的各属性特征分别输入到卷积层中，依据预设的卷积核，对获取到的属性特征进行卷积运算，从而能够对相应的属性特征进行特征提取，作为用户对应的整体特征信息，其中，所述整体特征信息可以理解为经过卷积提取后的多个属性特征的串联后进行卷积操作得到的相关信息。

子步骤S72、将所述整体特征信息输入到所述全连接层进行分类，得到所述用户对应的状态。

本发明实施例中，全连接层可以理解为一个简单的多分类子网络，神经网络依据输入的整体特征信息，将以三维矩阵表达形式的整体特征信息进行展平操作，展平操作指的是将对应的三维矩阵展平为一维向量。接着将该一维向量输入到全连接层中，以将该整体特征信息映射为对应不同状态的概率，从该全连接层输出。因此，可以得到概率最大值对应的状态，并将该状态确定为用户对应的状态。

例如，全连接层的输出可以是1*8的一维向量，记为[Z1，Z2，Z3，Z4，Z5，Z6，Z7，Z8]^T，其中，Z1表示的是状态为走的概率，Z2表示的是状态为跑的概率，Z3表示的是状态为跳的概率，Z4表示的是状态为躺的概率，Z5表示的是状态为蹲的概率，Z6表示的是状态为坐的概率，Z7表示的是状态为站立的概率，Z8表示的是状态为跌倒的概率。可以依据归一化指数函数，例如softmax函数，将所述整体特征信息映射到(0,1)之间，例如输出的一维向量为[0.11，0.14，0，0，0.05，0.1，0.6，0]^T。由此一维向量可以确定出，状态为站立的概率为最大值，因此确定用户对应的状态为站立。

一种可选地发明实施例中，由于在神经网络中，将数据进行多次卷积堆叠提取特征，在一定程度上有利于提高最终分类的准确度。因此，也可以通过设置多个卷积层对目标点的属性特征进行深度的特征提取。

一种示例中，所述卷积层还可以包括第一卷积层、第二卷积层、第三卷积层，所述将所述多个目标点的属性通过所述卷积层进行卷积处理，得到对应的整体特征信息，可以包括以下步骤：子步骤S81-子步骤S83。

子步骤S81、所述第一卷积层对所述目标点的属性分别进行卷积处理，确定多个低维属性特征。

本发明实施例中，将多个目标点对应的各属性特征分别输入到第一卷积层中，依据预设的第一卷积核，对获取到的属性特征进行卷积运算，确定出低维属性特征。

一种可选地发明实施例中，对所述低维属性特征进行最大池化处理。

本发明实施例中，最大池化指的是一种池化操作，其通过最大值的方式减少数据量。因此，可以通过对低维属性特征执行最大池化操作以便于在不影响状态识别的结果的基础上，降低神经网络的参数，从而降低计算成本以及空间占用。

子步骤S82、通过所述第二卷积层对所述低维属性特征进行卷积处理，确定多个高维属性特征。

本发明实施例中，基于预设的第二卷积核，第二卷积层对输入的低维属性特征进行卷积运算，确定出高维属性特征。其中，所述第二卷积层可以包括多个子卷积层。子步骤S82可以包括如下步骤：

所述子卷积层对所述低维属性特征进行卷积处理，得到中间属性特征。

将所述中间属性特征和低维属性特征进行残差操作，确定出多个高维属性特征。

本发明实施例中，由于在神经网络中，将数据进行多次卷积堆叠提取特征，在一定程度上有利于提高最终分类的准确度。因此，也可以通过设置多个子卷积层对相关特征信息进行深度的特征提取，同时，随着网络层数的叠加，神经网络会发生退化现象，当神经网络退化时，浅层结构的网络反而比深层结构的网络具有更好的训练效果。因此，可以在多个子卷积层结构上，加入残差单元，在特征信息提取过程中，会对相应的特征信息执行残差操作，所述残差操作可以理解为将某一子卷积层的输入与该子卷积层的输出相加作为下一个卷积层的输入。然后进行下一步处理，从而解决相应的神经网络退化的情况。

一种示例中，第二卷积层可以包括：第一子卷积层和第二子卷积层，第一子卷积层对输入的低维属性特征进行卷积运算后，提取到相应的特征信息，第二子卷积层将第一子卷积层提取到的特征信息进行卷积运算，确定出中间属性特征，此时，将该中间属性特征和低维属性特征执行一次残差操作，得到高维属性特征，通过不同的目标点的属性特征，可以提取出多个高维属性特征。

另一种示例中，所述第一子卷积层、第二子卷积层以及残差模块可以组合成一个残差模块，可以根据实际应用场景，来选定残差模块的数量。例如在第二卷积层中配置两个串联的残差模块等。

子步骤S83、将多个所述高维属性特征进行连接，通过所述第三卷积层进行卷积处理，确定所述用户的整体特征信息。

本发明实施例中，连接指的是将各属性特征对应的高维属性特征进行串联。例如，将多个三维矩阵叠加形成一个三维矩阵。从而可以基于预设的第三卷积核，第三卷积层对输入的高维属性特征进行卷积运算，提取到用户对应的整体特征信息。

其中，上述所提及的低维属性特征、高维属性特征和整体特征信息均以三维矩阵的数据形式来表示。第一卷积核、第二卷积核和第三卷积核的尺寸和数量可以根据实际情况进行选定，尺寸例如可选3*3、5*5和7*7等。

一种可选地发明实施例中，对所述整体特征信息进行平均池化处理。

本发明实施例中，平均池化指的是一种池化操作，其通过取均值的方式减少数据量。因此，可以通过对低维属性特征执行平均池化操作以便于在不影响状态识别的结果的基础上，降低神经网络对应的的参数，从而降低计算成本以及空间占用，减小过拟合，以便于提高神经网络的容错性。

子步骤S84、将所述整体特征信息输入到所述全连接层进行分类，得到所述用户对应的状态。

本发明实施例中，全连接层可以理解为一个简单的多分类子网络，神经网络依据输入的整体特征信息，将以三维矩阵表达形式的整体特征信息进行展平操作，展平操作指的是将对应的三维矩阵展平为一维向量。接着将该一维向量输入到全连接层中，以将该整体特征信息映射为对应不同状态的概率，从该全连接层输出。因此，可以得到概率最大值对应的状态，并将该状态确定为用户对应的状态。

例如，全连接层的输出可以是1*8的一维向量，记为[Z1，Z2，Z3，Z4，Z5，Z6，Z7，Z8]^T，其中，Z1表示的是状态为走的概率，Z2表示的是状态为跑的概率，Z3表示的是状态为跳的概率，Z4表示的是状态为躺的概率，Z5表示的是状态为蹲的概率，Z6表示的是状态为坐的概率，Z7表示的是状态为站立的概率，Z8表示的是状态为跌倒的概率。可以依据归一化指数函数，例如softmax函数，将所述整体特征信息映射到(0,1)之间，例如输出的一维向量为[0.11，0.14，0，0，0.05，0.1，0.6，0]^T。由此一维向量可以确定出，状态为站立的概率为最大值，因此确定用户对应的状态为站立。

一种可选地发明实施例，所述方法还可以包括：

执行卷积处理操作后，对卷积处理得到的特征信息进行归一化处理。

一种可选地发明实施例，所述方法还可以包括：

执行卷积处理操作后，通过预设的激活函数对卷积处理得到的特征信息进行激活操作。

本发明实施例中，在每次执行完卷积处理操作后，也可以对卷积得到的特征信息进行归一化处理和/或激活操作。具体地，归一化处理指的是把相关的属性特征均映射到0-1范围内，其中，激活操作指的是在神经网络中加入预设的激活函数，使得神经网络中引入非线性因素，解决线性模型不能解决的问题。归一化处理和/或激活操作均能够使得神经网络能够更快收敛，提高神经网络的性能。

综上所述，本发明实施例提供的一种基于神经网络的状态识别方法，通过获取用户状态对应的多个目标点属性，其中，目标点的属性可以包括位置信息、速度信息和信噪比信息。通过神经网络将目标点属性拆分为多个属性特征进行并行分析，从而能够准确的确定出用户对应的多种状态。其可以应用于非接触式的环境中，无需摄像机进行信息采集，具有保护隐私、舒适性好等优点。

参照图9，示出了本发明实施例提供的一种神经网络的训练方法，所述方法可以包括：

步骤901、采集用户对应状态的历史目标点属性，所述用户对应的状态包括以下至少一种：走、跑、跳、躺、蹲、坐、站立和跌倒。

其中，所述目标点的属性包括：位置信息、速度信息和信噪比信息。

本发明实施例中，用户对应的状态可以包括：走、跑、跳、躺、蹲、坐、站立和跌倒等。因此，可以依次选定其中一种状态，作为目标状态。然后通过毫米波雷达采集用户在目标区域内处于该目标状态下的历史反射点，将所述历史反射点经过追踪后，确定出目标状态对应的历史目标点属性。

步骤902、将所述历史目标点属性输入至神经网络进行处理，输出对应的状态。

步骤903、依据所述目标状态和所述状态，对所述神经网络的参数进行调整。

本发明实施例中，将多个历史目标点属性输入到神经网络中，使得神经网络执行以下步骤：

将所述多个目标点的属性通过所述卷积层进行卷积处理，得到对应的整体特征信息。

将所述整体特征信息输入到所述全连接层进行分类，得到所述用户对应的状态。

从而通过上述确定所述历史目标点属性对应的状态。将该状态与目标状态进行比较，确定出该神经网络对应的损失函数，如采用交叉损失熵函数作为损失函数。因此，依据该损失函数，可以通过使用优化器对神经网络的参数进行调整，其中，优化器可以为Adam(adaptive moment estimation，自适应矩估计)函数等。当通过历史目标点属性确定的状态和目标状态的匹配度达到匹配阈值时，如98％等，即可以确定神经网络训练完成。

参照图10，示出了本发明实施例提供的另一种神经网络的训练方法，所述方法可以包括：

获取目标状态对应的历史目标点属性，可以包括以下步骤：步骤1001-步骤1002。

步骤1001、将用户对应状态划分为至少一个状态分组，所述分组包括至少两种状态。

步骤1002、采集所述至少一个状态分组对应目标状态的历史目标点属性，确定所述至少一个状态分组对应的历史目标点属性。

其中，所述目标点的属性包括：位置信息、速度信息和信噪比信息。

本发明实施例中，用户对应的状态可以包括：坐、跌倒、站立、走和跑等。将上述用户状态确定出基础的状态分组后，对每个分组中的至少两种状态进行状态区分。例如对第一状态分组中的坐和跌、第二状态分组中的走和跑进行区分。因此，可以依次选定各状态分组中的任意一种状态，作为目标状态。然后通过毫米波雷达采集用户在目标区域内处于该目标状态下的历史反射点，将所述历史反射点经过追踪后，确定出各状态分组对应的历史目标点属性。

步骤1003、将所述历史目标点属性输入至神经网络进行处理，输出对应的状态。

步骤1004、依据所述目标状态和所述状态，对所述神经网络的参数进行调整。

本发明实施例中，将多个历史目标点属性输入到神经网络中，使得神经网络执行以下步骤：

将所述多个目标点的属性通过所述卷积层进行卷积处理，得到对应的整体特征信息。

将所述整体特征信息输入到所述全连接层进行分类，得到所述用户对应的状态。

从而通过上述确定所述历史目标点属性对应的状态。将该状态与目标状态进行比较，确定出该神经网络对应的损失函数，如采用交叉损失熵函数作为损失函数。因此，依据该损失函数，可以通过使用优化器对神经网络的参数进行调整，其中，优化器可以为Adam函数等。当通过历史目标点属性确定的状态和目标状态的匹配度达到匹配阈值时，如98％等，即可以确定神经网络训练完成。

参照图11，示出了本发明实施例提供的一种基于毫米波感知的状态识别方法的步骤流程图，所述方法可以包括：

步骤1101、通过毫米波雷达采集至少一个用户对应的多个反射点。

本发明实施例中，毫米波作为一种有价值的感知技术，可以用于检测目标并提供对应目标的距离、速度和角度等信息。同时，毫米波可以提供亚毫米级的精确度并且可以穿透某些特定材料，例如塑料、衣物等，且不易受雨、雾、灰尘和雪等环境条件的影响。

具体地，在确定毫米波检测的目标区域后，通过毫米波雷达对位于目标区域内的用户进行检测。其中，毫米波雷达可以采用FMCW(Frequency Modulated Continuous Wave,调频连续波)毫米波雷达。由于人的身体不同部位均会反射毫米波雷达发出的信号，毫米波雷达接收到相应的多个反射信号后会进行信号处理，得到多个反射点的相关属性，例如，反射点的属性可以包括位置信息、速度信息、信噪比信息等。

在不确定位于目标区域内的用户人数的情况下，通过毫米波雷达采集，处理得到每帧中的多个反射点是多位用户对应的反射点集合，因此，需要将采集到的多个反射点进一步处理，以确定出每位用户对应的反射点。

步骤1102、对多个所述反射点进行追踪，确定各所述用户对应的多个所述目标点。

本发明实施例中，可以依据预设的追踪规则，对每帧中获取到的全部反射点进行处理，从而筛选出每位用户对应的多个反射点，并将该反射点确定为用户对应的目标点。其中，目标点的属性也包括位置信息、速度信息、信噪比信息等。由此，多个目标点作为表征用户状态的关键反射点，通过用户对应多个目标点的属性，能够准确地识别出各用户的状态。

步骤1103、依据多个所述目标点的属性，输出各所述用户的状态。

本发明实施例中，可以根据预设的识别规则，依据获取到的连续多帧的多个目标点的属性，来确定各用户的状态，并进行输出。例如，可以采用将神经网络作为预设的识别规则，又例如，可以采用依据目标点的属性来确定相应的状态阈值等，建立起状态阈值与目标点属性对应的状态匹配关系，将该状态匹配关系作为预设的识别规则，再例如，可以采用将神经网络和状态匹配关系结合到一起等方式作为预设的识别规则。其中，用户对应的状态可以包括走、跑、跳、躺、蹲、坐、站立和跌倒等。

综上所述，本发明实施例提供的一种基于毫米波感知的状态识别方法，通过毫米波雷达采集目标区域内的至少一个用户的多个反射点，并对多个反射点进行追踪处理，筛选出每位用户对应的多个反射点，并作为有效的目标点，依据多个目标点的属性，准确地确定出每位用户对应的状态。其可以应用于非接触式的环境中，无需摄像机进行信息采集，具有保护隐私、舒适性好等优点。

参照图12，示出了本发明实施例提供的另一种基于毫米波感知的状态识别的步骤流程图，所述方法可以包括：

步骤1201、通过毫米波雷达采集至少一个用户对应的多个反射点。

本发明实施例中，在确定毫米波检测的目标区域后，通过毫米波雷达对位于目标区域内的用户进行检测。其中，毫米波雷达可以采用FMCW(Frequency ModulatedContinuous Wave,调频连续波)毫米波雷达。由于人的身体不同部位均会反射毫米波雷达发出的信号，毫米波雷达接收到相应的多个反射信号后会进行信号处理，得到多个反射点的相关属性，例如，反射点的属性可以包括位置信息、速度信息、信噪比信息等。

在不确定位于目标区域内的用户人数的情况下，通过毫米波雷达采集，处理得到每帧中的多个反射点是多位用户对应的反射点集合，因此，需要将采集到的多个反射点进一步处理，以确定出每位用户对应的反射点。

对多个所述反射点进行追踪，确定各所述用户对应的多个所述目标点。包括以下步骤：步骤1202-步骤1203。

步骤1202、对多个所述反射点进行去噪处理。

步骤1203、将经过去噪处理的多个所述反射点进行关联分析，确定各所述用户对应的多个所述目标点。

本发明实施例中，可以根据预设的追踪规则，对每帧中获取到的全部反射点进行处理，从而筛选出每位用户对应的多个反射点。

其中，一种示例中，生成预设的追踪规则可以包括以下步骤：

基于用户预先设定的状态识别对应的目标区域，对每帧中的全部反射点进行筛选。例如，若是检测到反射点位于目标区域外，则将该反射点标记为噪声点，并进行噪声点的去除，由此完成对所述反射点的去噪处理。

对去噪处理后的多个反射点进行聚类，聚类可以理解为根据单个用户所关联的多个反射点之间的距离的远近，对位于目标区域中的全部反射点进行分割，形成与处于目标区域中的用户人数相等的反射点集合，同时，通过聚类后的各反射点集合，计算出对应反射点集合的质心位置。

根据各质心位置，将该帧反射点集合匹配到上一帧被聚类的用户对应的身份标识上，若上一帧没有满足匹配条件的用户身份标识，基于该反射点集合建立一个新的用户身份标识。从而保证了对应用户在目标区域内的连续追踪获取的反射点数据的准确性。

因此，将对应用户身份标识的反射点集合内的反射点确定为用户对应的目标点，其中，目标点的属性也包括位置信息、速度信息、信噪比信息等。多个所述目标点可以作为表征用户状态的关键反射点，通过用户对应多个目标点的属性，能够准确地识别出各用户的状态。

依据多个所述目标点的属性，输出各所述用户的状态，包括以下步骤：步骤1204。

步骤1204、将多个所述目标点的属性输入到神经网络中进行处理，输出各所述用户对应的状态。

本发明实施例中，在雷达对位于目标区域内的用户进行数据采集时，由于人的身体不同部位均会反射毫米波，因此，每个用户对应的目标点均有多个，其目标点的属性可以包括：位置信息、速度信息以及信噪比信息等。

另外，人工神经网络(Artificial Neural Networks，ANN)，也称为神经网络，指的是一种进行分布式并行信息处理的算法数学模型。因此，可以将用户对应的多个所述目标点的属性同时输入到预设的神经网络中，从而在基于目标点的属性特征繁多的情况下，能够对目标点的属性特征进行详细的分析，由此准确的确定出各用户对应的状态。其中，用户对应的状态可以包括走、跑、跳、躺、蹲、坐、站立和跌倒等。

一种示例中，位置信息在维度上是通过三维坐标如X轴、Y轴以及Z轴综合进行表征的。因此，可以将目标点的属性拆分为坐标X、坐标Y、坐标Z、速度V和信噪比S，统计5个属性特征，将对应的属性特征分别并行输入到神经网络中，以便于对用户对应的多个目标点属性进行特征提取。

此外，为了能够同时提取时间和空间信息，每个属性特征以三维矩阵的形式输入到神经网络中，例如，神经网络的输入可以为一个P*t*1的矩阵。其中P指的是每帧中目标点的个数，t指的是时间，可以根据具体应用场景对上述参数进行选定。

神经网络可以对输入的三维信息提取相关属性特征，并将对应的三维信息进行展平操作。其中，展平操作指的是将对应的三维矩阵展平为一维向量。接着通过该神经网络映射出不同状态对应的概率。由此，可以将概率最大值对应的状态，确定为用户的状态。

一种可选地发明实施例中，所述方法还可以包括：

监测所述用户的状态，依据所述状态形成所述用户对应的活动轨迹；

依据所述活动轨迹，向所述用户输出提示信息。

本发明实施例中，可以长期对用户的状态进行监测，并按照时序记录对应用户的状态变化，将此状态变化和用户对应的位置变化，确定为所述用户对应时段内的活动轨迹。具体地，可以预先设定活动轨迹的提醒时长，提醒时长如3h、4h等，例如在监测到用户保持同一活动轨迹的时间超过提醒时长后，就会向用户输出提示信息，例如，当用户长时间保持坐的状态，超过提醒时长后，语音向用户发出久坐提醒、其他健康指导建议等提示消息。该方法可以适应用家庭成员的家居活动习惯分析等场景。

一种可选地发明实施例中，所述方法应用于家居控制系统中，所述家居控制系统包括以下至少一种：灯光系统、空调系统。所述方法还包括：

依据所述用户对应的活动轨迹，对所述家居控制系统进行调节。

本发明实施例中，该方法还可以应用于家居控制系统中，其中，家居控制系统可以包括但不限于灯光系统、空调系统等。因此，可以依据用户在不同时段内的运动轨迹，来对家居控制系统进行调节。一种示例中，可以在监测到用户进入到目标区域后或在夜间起夜时，开启灯光系统和/或空调系统。在监测到用户睡觉或离开目标区域后，自动关闭灯光系统和/或空调系统。另一种示例中，还可以依据对应的用户人数和活动轨迹，对灯光系统中相应的灯光强弱以及对空调系统中相应的空调档位进行调节。由此，该方法可以广泛应用于智能家居控制与节能领域中，为用户提供便捷和舒适的生活环境的同时，还可以防止电力浪费，达到节能环保的效果。

一种可选地发明实施例中，所述方法还可以包括：

依据所述活动轨迹，确定所述用户对应的健康信息，并进行存储。

本发明实施例中，对用户的活动轨迹进行监测，并就该活动轨迹进行分析，可以确定出表征用户健康状态的健康信息。一种示例中，可以获取到用户夜间时段的活动轨迹，通过该活动轨迹确定出用户起夜的次数和时间，依据起夜次数和时间，分析用户的睡眠质量，例如是划分为优、良、差等多个等级，可以将表征睡眠质量的等级信息作为健康信息，进行存储。该方法可以适用于用户的健康状态监测的环境中，也可以与智慧医疗系统进行数据的交互，从而使得智慧医疗系统能够获取到用户在一段时间内的健康信息，为医生诊疗提供客观的参考数据。

一种可选地发明实施例中，所述方法还可以包括：

依据所述活动轨迹，判断所述用户的救助情况；

在确定所述用户需要救助的情况下，输出救助信息。

本发明实施例中，对用户的活动轨迹进行监测，并就该活动轨迹进行分析，确定用户在对应的不同状态下是否存在需要救助的情况。一种示例中，从活动轨迹中分析出用户的状态为跌倒，且在一段时间内未监测到状态改变。则确定用户需要进行救助，自动向用户的家人或护工发出救助信息，以请求帮助。另外，特别是针对独居老人的活动轨迹监测的应用场景中，在分析出用户的状态为跌倒的情况下，可以立即向用户的家人或护工发出救助信息，以使得用户第一时间能够得到及时的救助。

综上所述，本发明实施例提供的另一种基于毫米波感知的状态识别方法，通过毫米波雷达采集目标区域内的至少一个用户的多个反射点，并对多个反射点进行追踪处理，筛选出每位用户对应的多个反射点，并作为有效的目标点，依据多个目标点的属性，准确地确定出每位用户对应的状态。其可以应用于非接触式的环境中，无需摄像机进行信息采集，具有保护隐私、舒适性好等优点。

参照图13，示出了本发明实施例提供的一种状态识别装置，所述装置可以包括：

目标点获取模块1301，用于获取用户对应的目标属性，其中，所述目标属性包括：位置信息和速度信息；。

数据确定模块1302，用于依据所述位置信息和速度信息，确定所述用户变化的特征数据。

状态匹配模块1303，用于通过预设的状态阈值对所述特征数据进行匹配，确定所述用户的状态。

一种可选地发明实施例，所述数据确定模块可以包括：

第一信息确定单元，用于依据所述位置信息和速度信息，确定所述用户在连续多帧中的高度和速度。

特征数据生成单元，用于将所述高度和速度，作为所述用户变化的特征数据。

一种可选地发明实施例，所述状态阈值包括：高度阈值和第一速度阈值。所述状态匹配模块可以包括：

第一状态单元，用于在所述用户当前的高度不大于预设的高度阈值的情况下，当所述用户在连续多帧中的高度下降，确定所述用户的状态为第一状态分组，其中，所述第一状态分组包括坐和跌倒。

第二状态单元，用于在所述用户当前的高度大于预设的高度阈值的情况下，当所述用户在连续多帧中的速度小于第一速度阈值，确定所述用户的状态为第二状态分组，其中，所述第二状态分组包括站立。

第三状态单元，用于当所述用户在连续多帧中的速度不小于第一速度阈值，确定所述用户的状态为第三状态分组，其中，所述第三状态分组包括走和跑。

一种可选地发明实施例，所述装置还可以包括：

第一信息确定模块，用于依据所述位置信息，确定所述用户在连续多帧中的高度下降差值和水平位移。

在所述高度下降差值大于预设的差值阈值的情况下，当所述水平位移大于预设的位移阈值时，确定所述用户当前的状态为跌倒。

当所述水平位移不大于预设的位移阈值时，监控所述用户对应的上一状态和当前速度。

在所述用户对应的上一状态为除跌倒以外状态的情况下，当所述当前速度小于所述第一速度阈值时，确定所述用户当前的状态为坐。

一种可选地发明实施例，所述装置还可以包括：

第二信息确定模块，用于在所述用户对应的上一状态为第一状态分组中任意一种状态的情况下，依据所述位置信息，确定所述用户在连续多帧中的高度上升差值。

当所述高度上升差值大于预设的差值阈值，并且所述用户在连续多帧中的高度处于连续上升时，确定所述用户当前的状态为站立。

一种可选地发明实施例，所述装置还可以包括：

第三信息确定模块，用于当所述用户当前的速度大于预设的第二速度阈值时，确定所述用户当前的状态为跑。

当所述用户当前的速度不大于预设的第二速度阈值时，确定所述用户当前的状态为走。

一种可选地发明实施例，所述第三信息确定模块可以包括：

上一状态获取单元，用于当所述用户当前的速度大于预设的第二速度阈值时，获取所述用户的上一状态。

第一状态帧数匹配单元，用于在所述上一状态为为第一状态分组中任意一种状态的情况下，依据预设的计数阈值对所述状态为跑的帧数进行匹配。

当所述用户维持状态为跑的帧数大于预设的计数阈值时，确定所述用户当前的状态为跑。

一种可选地发明实施例，所述第三信息确定模块还可以包括：

上一状态获取单元，用于当所述用户当前的速度不大于预设的第二速度阈值时，获取所述用户的上一状态。

第二状态帧数匹配单元，用于在所述上一状态为为第一状态分组中任意一种状态的情况下，依据预设的计数阈值对所述状态为走的帧数进行匹配。

当所述用户维持状态为走的帧数大于预设的计数阈值时，确定所述用户当前的状态为走。

综上所述，本发明实施例提供的一种状态识别装置，通过获取用户对应的目标属性，其中，所述目标属性可以包括位置信息和速度信息。依据该位置信息和速度信息，可以确定出用户对应的高度变化、水平位移变化以及速度变化等信息，形成用户各状态对应的特征数据，从而通过预设的状态阈值对该特征数据进行匹配，确定出用户具体的状态。其可以应用于非接触式的环境中，无需摄像机进行信息采集，具有保护隐私、舒适性好等优点。

参照图14，示出了本发明实施例提供的一种基于神经网络的状态识别装置，所述装置可以包括：

属性获取模块1401，用于获取用户对应的多个目标点的属性，所述目标点的属性包括：位置信息、速度信息和信噪比信息。

状态确定模块1402，用于将所述多个目标点的属性输入到所述神经网络中进行处理，输出所述用户对应的状态。

所述神经网络包括卷积层和全连接层，所述神经网络可以包括如下模块：

整体特征提取模块，用于将所述多个目标点的属性通过所述卷积层进行卷积处理，得到对应的整体特征信息。

特征分类模块，用于将所述整体特征信息输入到所述全连接层进行分类，得到所述用户对应的状态。

一种可选地发明实施例，所述卷积层包括第一卷积层、第二卷积层、第三卷积层。所述整体特征提取模块可以包括：

第一特征确定单元，用于所述第一卷积层对所述目标点的属性分别进行卷积处理，确定多个低维属性特征。

第二特征确定单元，用于通过所述第二卷积层对所述低维属性特征进行卷积处理，确定多个高维属性特征。

整体特征提取单元，用于将多个所述高维属性特征进行连接，通过所述第三卷积层进行卷积处理，确定所述用户的整体特征信息。

一种可选地发明实施例，所述装置还可以包括：

最大池化模块，用于对所述低维属性特征进行最大池化处理。

一种可选地发明实施例，所述装置还可以包括：

平均池化模块，用于对所述整体特征信息进行平均池化处理。

一种可选地发明实施例，所述第二卷积层包括多个子卷积层。所述第二特征确定单元可以包括：

中间特征确定子单元，用于所述子卷积层对所述低维属性特征进行卷积处理，得到中间属性特征。

第二特征提取子单元，用于将所述中间属性特征和低维属性特征进行残差操作，确定出多个高维属性特征。

一种可选地发明实施例，所述装置还可以包括：

执行卷积处理操作后，对卷积处理得到的特征信息进行归一化处理。

一种可选地发明实施例，所述装置还可以包括：执行卷积处理操作后，通过预设的激活函数对卷积处理得到的特征信息进行激活操作。

综上所述，本发明实施例提供的一种基于神经网络的状态识别方法，通过获取用户状态对应的多个目标点属性，其中，目标点的属性可以包括位置信息、速度信息和信噪比信息。通过神经网络将目标点属性拆分为多个属性特征进行并行分析，从而能够准确的确定出用户对应的多种状态。其可以应用于非接触式的环境中，无需摄像机进行信息采集，具有保护隐私、舒适性好等优点。

参照图15，示出了本发明实施例提供的一种神经网络的训练装置，所述装置可以包括：

点云序列采集模块1501，用于获取目标状态对应的历史目标点属性；所述目标点的属性包括：位置信息、速度信息和信噪比信息；

状态生成模块1502，用于将所述历史目标点属性输入至神经网络进行处理，输出对应的状态。

参数调整模块1503，用于依据所述目标状态和所述状态，对所述神经网络的参数进行调整。

一种可选地发明实施例，所述点云序列采集模块可以包括：

第一属性采集单元，用于采集用户对应状态的历史目标点属性，所述用户对应的状态包括以下至少一种：走、跑、跳、躺、蹲、坐、站立和跌倒。

一种可选地发明实施例，所述点云序列采集模块还可以包括：

状态分组单元，用于将用户对应状态划分为至少一个状态分组，所述分组包括至少两种状态。

第二属性采集单元，用于采集所述至少一个状态分组对应目标状态的历史目标点属性，确定所述至少一个状态分组对应的历史目标点属性。

参照图16，示出了本发明实施例提供的一种基于毫米波感知的状态识别装置，所述装置可以包括：

数据采集模块1601，用于通过雷达采集至少一个用户对应的多个反射点。

数据追踪模块1602，用于对多个所述反射点进行追踪，确定各所述用户对应的多个所述目标点。

状态输出模块1603，用于依据多个所述目标点的属性，输出各所述用户的状态。

一种可选地发明实施例，所述装置还可以包括：

轨迹监测模块，用于监测所述用户的状态，依据所述状态形成所述用户对应的活动轨迹。

依据所述活动轨迹，向所述用户输出提示信息。

一种可选地发明实施例，所述装置应用于家居控制系统中，所述家居控制系统包括以下至少一种：灯光系统、空调系统。所述装置还可以包括：

调节模块，用于依据所述用户对应的活动轨迹，对所述家居控制系统进行调节。

一种可选地发明实施例，所述装置还可以包括：

信息存储模块，用于依据所述活动轨迹，确定所述用户对应的健康信息，并进行存储。

一种可选地发明实施例，所述装置还可以包括：

救助确认模块，用于依据所述活动轨迹，判断所述用户的救助情况。

在确定所述用户需要救助的情况下，输出救助信息。

一种可选地发明实施例，所述数据追踪模块可以包括：

去噪单元，用于对多个所述反射点进行去噪处理。

关联分析单元，用于将经过去噪处理的多个所述反射点进行关联分析，确定各所述用户对应的多个所述目标点。

一种可选地发明实施例，所述目标点的属性包括：位置信息、速度信息和信噪比信息。所述状态输出模块还可以用于：

将多个所述目标点的属性输入到神经网络中进行处理，输出各所述用户对应的状态。

一种可选地发明实施例，所述神经网络包括卷积层和全连接层，所述神经网络可以包括如下模块：

整体特征提取模块，用于将所述多个目标点的属性通过所述卷积层进行卷积处理，得到对应的整体特征信息。

特征分类模块，用于将所述整体特征信息输入到所述全连接层进行分类，得到所述用户对应的状态。

一种可选地发明实施例，所述目标点的属性包括：位置信息和速度信息。所述装置还可以包括：

数据确定模块，用于依据所述位置信息和速度信息，确定所述用户变化的特征数据。

状态匹配模块，用于通过预设的状态阈值对所述特征数据进行匹配，确定所述用户的状态。

一种可选地发明实施例，所述状态阈值包括：高度阈值和第一速度阈值，所述特征数据包括：所述用户在连续多帧中的高度和速度。

所述状态匹配模块可以包括：

第一状态单元，用于在所述用户当前的高度不大于预设的高度阈值的情况下，所述用户在连续多帧中的高度下降，确定所述用户的状态为第一状态分组，其中，所述第一状态分组包括坐和跌倒。

第二状态单元，用于在所述用户当前的高度大于预设的高度阈值的情况下，当所述用户在连续多帧中的速度小于第一速度阈值，确定所述用户的状态为第二状态分组，其中，所述第二状态分组包括站立。

第三状态单元，用于当所述用户在连续多帧中的速度不小于第一速度阈值，确定所述用户的状态为第三状态分组，其中，所述第三状态分组包括走和跑。

一种可选地发明实施例，所述目标点的属性还包括：信噪比信息，所述装置还可以包括：

目标点属性获取模块，用于依据目标状态分组，获取所述用户对应的多个目标点的属性。

将所述多个目标点的属性输入到所述目标状态分组对应的神经网络中进行处理，输出所述用户对应的状态。

综上所述，本发明实施例提供的一种基于毫米波感知的状态识别装置，通过毫米波雷达采集目标区域内的至少一个用户的多个反射点，并对多个反射点进行追踪处理，筛选出每位用户对应的多个反射点，并作为有效的目标点，依据多个目标点的属性，准确地确定出每位用户对应的状态。其可以应用于非接触式的环境中，无需摄像机进行信息采集，具有保护隐私、舒适性好等优点。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域技术人员易于想到的是：上述各个实施例的任意组合应用都是可行的，故上述各个实施例之间的任意组合都是本发明的实施方案，但是由于篇幅限制，本说明书在此就不一一详述了。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

一种电子设备，包括：

一个或多个处理器；

存储器；

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行上述实施例所述的方法。

一种计算机可读存储介质，存储与电子设备结合使用的计算机程序，所述计算机程序可被处理器执行以完成上述实施例所述的方法。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他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、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种基于神经网络的状态识别方法、一种神经网络的训练方法、一种基于神经网络的状态识别装置和一种神经网络的训练装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (17)

1.一种基于神经网络的状态识别方法，其特征在于，所述方法包括：

获取用户对应的多个目标点的属性，所述目标点的属性包括：位置信息、速度信息和信噪比信息；

将所述多个目标点的属性输入到神经网络中进行处理，输出所述用户对应的状态。

2.根据权利要求1所述的方法，其特征在于，所述神经网络包括卷积层和全连接层，所述神经网络执行以下处理步骤：

将所述多个目标点的属性通过所述卷积层进行卷积处理，得到对应的整体特征信息；

将所述整体特征信息输入到所述全连接层进行分类，得到所述用户对应的状态。

3.根据权利要求2所述的方法，其特征在于，所述卷积层包括第一卷积层、第二卷积层、第三卷积层；

所述将所述多个目标点的属性通过所述卷积层进行卷积处理，得到对应的整体特征信息，包括：

所述第一卷积层对所述目标点的属性分别进行卷积处理，确定多个第一特征信息；

通过所述第二卷积层对所述第一特征信息进行卷积处理，确定多个第二特征信息；

将多个所述第二特征信息进行连接，通过所述第三卷积层进行卷积处理，确定所述用户的整体特征信息。

4.根据权利要求3所述的方法，其特征在于，所述通过所述第二卷积层对所述第一特征信息进行卷积处理之前，还包括：

对所述第一特征信息进行最大池化处理。

5.根据权利要求3所述的方法，其特征在于，所述通过所述全连接层对所述整体特征信息进行分类之前，还包括：

对所述整体特征信息进行平均池化处理。

6.根据权利要求3所述的方法，其特征在于，所述第二卷积层包括多个子卷积层；

所述通过所述第二卷积层对所述第一特征信息进行卷积处理，确定多个第二特征信息，包括：

所述子卷积层对所述第一特征信息进行卷积处理，得到中间特征信息；

将所述中间特征信息和第一特征信息进行残差操作，确定出多个第二特征信息。

7.根据权利要求3所述的方法，其特征在于，所述方法还包括：

执行卷积处理操作后，对卷积处理得到的特征信息进行归一化处理。

8.根据权利要求3所述的方法，其特征在于，所述方法还包括：

执行卷积处理操作后，通过预设的激活函数对卷积处理得到的特征信息进行激活操作。

9.一种神经网络的训练方法，其特征在于，所述方法包括：

获取目标状态对应的历史目标点属性；所述目标点的属性包括：位置信息、速度信息和信噪比信息；

将所述历史目标点属性输入至神经网络进行处理，输出对应的状态；

依据所述目标状态和所述状态，对所述神经网络的参数进行调整。

10.根据权利要求9所述的方法，其特征在于，所述获取目标状态对应的历史目标点属性，包括：

采集用户对应状态的历史目标点属性，所述用户对应的状态包括以下至少一种：走、跑、跳、躺、蹲、坐、站立和跌倒。

11.根据权利要求9所述的方法，其特征在于，所述获取目标状态对应的历史目标点属性，包括：

将用户对应状态划分为至少一个状态分组，所述分组包括至少两种状态；

采集所述至少一个状态分组对应目标状态的历史目标点属性，确定所述至少一个状态分组对应的历史目标点属性。

12.一种基于神经网络的状态识别装置，其特征在于，所述装置包括：

属性获取模块，用于获取用户对应的多个目标点的属性，所述目标点的属性包括：位置信息、速度信息和信噪比信息；

状态确定模块，用于将所述多个目标点的属性输入到所述神经网络中进行处理，输出所述用户对应的状态。

13.一种神经网络的训练装置，其特征在于，所述装置包括：

点云序列采集模块，用于获取目标状态对应的历史目标点属性；所述目标点的属性包括：位置信息、速度信息和信噪比信息；

状态生成模块，用于将所述历史目标点属性输入至神经网络进行处理，输出对应的状态；

参数调整模块，用于依据所述目标状态和所述状态，对所述神经网络的参数进行调整。

14.一种电子设备，包括：

一个或多个处理器；

存储器；

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行权利要求1-8中任一所述的方法。

15.一种计算机可读存储介质，存储与电子设备结合使用的计算机程序，所述计算机程序可被处理器执行以完成权利要求1-8中任一所述的方法。

16.一种电子设备，包括：

一个或多个处理器；

存储器；

一个或多个程序，其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于执行权利要求9-11中任一所述的方法。

17.一种计算机可读存储介质，存储与电子设备结合使用的计算机程序，所述计算机程序可被处理器执行以完成权利要求9-11中任一所述的方法。

Images