CN117520928A - 一种基于信道状态信息目标速度估计的人体跌倒检测方法 - Google Patents
一种基于信道状态信息目标速度估计的人体跌倒检测方法 Download PDFInfo
- Publication number
- CN117520928A CN117520928A CN202410016640.5A CN202410016640A CN117520928A CN 117520928 A CN117520928 A CN 117520928A CN 202410016640 A CN202410016640 A CN 202410016640A CN 117520928 A CN117520928 A CN 117520928A
- Authority
- CN
- China
- Prior art keywords
- target speed
- plcr
- target
- time
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 43
- 238000001228 spectrum Methods 0.000 claims abstract description 34
- 230000001133 acceleration Effects 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000033001 locomotion Effects 0.000 claims abstract description 20
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 239000012634 fragment Substances 0.000 claims abstract description 5
- 230000009471 action Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C23/00—Combined instruments indicating more than one navigational value, e.g. for aircraft; Combined measuring devices for measuring two or more variables of movement, e.g. distance, speed or acceleration
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Surgery (AREA)
- Remote Sensing (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Radar, Positioning & Navigation (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Discrete Mathematics (AREA)
- Oral & Maxillofacial Surgery (AREA)
Abstract
本发明公开了一种基于信道状态信息目标速度估计的人体跌倒检测方法,属于人体跌倒检测技术领域;步骤为:将接收天线摆放在感知区域内不同的位置上,收集感知区域内不同高度的CSI信号;提取CSI数据中的多普勒信息,构造PLCR功率分布的频谱矩阵;运动分割算法将频谱矩阵分为两阶段,提取分割后频谱矩阵中最优PLCR序列;利用目标速度估计的几何模型,求出人体跌倒的速度,加速度;结合CNN网络对计算出人体跌倒的速度、加速度进行跌倒检测。本发明通过运动分割算法将频谱矩阵分为两阶段,在捕获个体跌倒行为时可以精确地截取相关的运动片段,在不受外部环境干扰的情况下,从CSI数据中准确提取速度和加速度特征,提高提取速度和加速度特征的精确性和有效性。
Description
技术领域
本发明属于人体跌倒检测技术领域,具体涉及一种基于信道状态信息的目标速度估计的人体跌倒检测方法。
背景技术
跌倒是世界上老年人最常见的问题之一。根据世界卫生组织的数据,全球估计有64.6万人死于跌倒,其中60岁以上的老年人遭受致命跌倒的人数最多。除致命的跌伤外,每年约有3730万次跌伤可通过医疗抢救。因此,如何及时抢救倒下的老人已成为公共卫生领域最重要的问题之一。鉴于此,当老年人独自生活时,最可靠的方法是设计有效的跌倒检测系统,对老年人摔倒发出警报,以便及时对老年人进行救援。
现有的跌倒检测解决方案可以分为两类:基于可穿戴的解决方案和非接触式的解决方案。
可穿戴技术要求用户佩戴特殊的设备,包括心电图传感器、气压传感器、加速度计、陀螺仪、智能手机等,以跟踪他们身体的运动。然而,除了可穿戴系统潜在的假警报外,要求用户特别是老年人携带专门的传感器是繁琐的,有时是不切实际的。
为了减少或避免这些缺陷,提出非接触式的解决方案。现有常见的非接触式的方法是使用地板传感器、摄像头、基于声学、WiFi信号的方法。
地板传感器可以通过环境的变化来检测跌倒。然而,地板传感器的部署成本很高,而且很可能导致误报。
基于摄像头的系统需要部署一系列摄像机、红外传感器或像Kinect这样的深度摄像机来监测感兴趣的区域。虽然在良好的照明条件和清晰视野的有利设置下可以实现高精度,但视觉系统受到能见度要求的限制,也带来隐私问题。
基于声学的方法受到其传感范围(<4.5m)的限制,并且可能受到环境响度的限制。
上述方法中,会造成误报以及动作分类的精准度不高;因此,如何提高动作分类的精准度以及减少误报率是本发明想要解决的技术问题。
发明内容
本发明的目的在于提供种基于信道状态信息的目标速度估计的人体跌倒检测方法,以解决上述背景技术中提出的问题。
本发明目的是这样实现的:种基于信道状态信息的目标速度估计的人体跌倒检测方法,其特征在于:该方法包括以下步骤:
步骤S1:将接收天线摆放在感知区域内不同的位置上,收集感知区域内不同高度的CSI信号;
步骤S2:提取CSI数据中的多普勒信息,构造描述路径长度变化PLCR功率分布的频谱矩阵;
步骤S3:利用运动分割算法将频谱矩阵分为两阶段,采用PLCR提取算法提取分割后频谱矩阵中最优PLCR序列;
步骤S4:利用目标速度估计的几何模型,求出人体跌倒的速度,加速度;
步骤S5:结合CNN网络对计算出人体跌倒的速度、加速度进行跌倒检测。
优选的,所述步骤S2中提取CSI数据中的多普勒信息,构造描述路径长度变化PLCR功率分布的频谱矩阵,具体操作如下:
步骤S2-1:将CSI功率序列分成重叠的目标段,选择目标段中静态段相关系数差异较大的子载波进行第一主成分分析,获得目标段的第一个PCA序列;
步骤S2-2:对第一个PCA序列进行短时傅里叶变换处理;对于PCA序列的每个片段采用高斯窗口平滑频谱图,并添加0.5秒的零填充,实现精细的1Hz频率分辨率;
步骤S2-3:将所有分段的非重叠频谱图拼接在一起,生成整个PLCR频谱图,获得频谱矩阵。
优选的,所述步骤S2-1中将CSI功率序列分成重叠的0.5秒目标段,并选择目标段中与静态段相关系数差异较大的前20个子载波进行第一主成分分析,获得目标段的第一个PCA分量。
优选的,所述步骤S3中利用运动分割算法将频谱矩阵分为两阶段,采用PLCR提取算法提取分割后频谱矩阵中最优PLCR序列,具体操作为:
步骤S3-1:在第一阶段中设置阈值,计算频谱矩阵频域上的方差序列的均值和
中值;
步骤S3-2:将每个时间点方差与阈值进行比较,看它们是处于波动状态还是稳定
状态;绝对值小于,则称该时间点处于稳定状态,绝对值不小于,则称该时间点处于波动
状态;
步骤S3-3:对所有状态进行状态优化,避免因噪声或其他人为因素的影响而出现误判;
步骤S3-4:在第二阶段中,通过检测方差在稳定状态和波动状态之间的变化来确定活动的开始和结束点;
步骤S3-5:经过步骤S3-4得到多个时间段,对于每个时间段,计算该时间段内的方差最大值,之后将这几个时间段的最大方差值进行比较,取方差值最大的时间段所对应的起点和终点;
步骤S3-6:经过骤S3-5得到分割后的频谱矩阵,基于分割后的频谱矩阵提取PLCR序列;
步骤S3-7:对获得的PLCR序列使用移动平均窗口平滑数据;
步骤S3-8:判断PLCR序列方向。
优选的,所述步骤S3-1中在第一阶段中设置阈值,阈值;
其中,为均值,为中值;
所述步骤S3-3中对所有状态进行状态优化,状态优化通过比较滑动窗口中稳定状态和波动状态的数量来重新确定每个时间点的状态,如果稳定状态的数量大于波动状态的数量,则将该状态的时间点重新分配到稳定状态,否则将其分配到波动状态。
优选的,所述步骤S3-4中通过检测方差在稳定状态和波动状态之间的变化来确定活动的开始和结束点,具体为:
从稳定状态过渡到波动状态时,时间记为,从波动状态过渡到稳定状态时,时间
记为,如果大于动作发生的最小时间长度,将自动保留为活动的起点
和终点;
所述步骤S3-6中基于分割后的频谱矩阵提取PLCR序列,具体为:
将相邻时间的频率变化限制在一个频率箱内,设置分组长度为8,将每组中的功率值相加并求平均值,最大化整个功率;提取每个时间点最大的功率所对应的频率,找到所对应的PLCR序列。
优选的,所述步骤S4中利用目标速度估计的几何模型,求出人体跌倒的速度,加速度,具体操作如下:
步骤S4-1:定义发射机的位置坐标为,接收端的位置坐标为,目标的位置坐标为,目标速度为,PLCR设
为,PLCR与目标速度的关系为:
;
其中,;
;
聚合所有链路关系,链路收发数据为:
;
其中,;
;
目标速度表示为:
;
步骤S4-2:利用目标速度对PLCR方向再识别,采用最小目标速度估计误差,优化目
标速度,获取最佳估计目标速度;
步骤S4-3:根据获得的最佳估计目标速度,更新目标位置,相同的方式连续地
估计目标速度;
所述更新目标位置为:;其中,是两次连续测量之间的
间隔;
步骤S4-4:根据获得的目标速度以及最佳估计目标速度,获得目标加速度为:。
优选的,所述步骤S4-2中采用最小目标速度估计误差,优化目标速度,获取最佳估
计目标速度,具体为:
在t时刻,目标路径的PLCR方向为,根据目标速度的特征,目标在相邻
时刻的运动速度基本保持不变,包括速率的大小和方向;
采用最小目标速度估计误差优化为,其中,
是约束目标路径的PLCR和目标速度估计一致性的均方误差,表示为;是相邻时刻的目标速度估计误差,表示为;为目标速度估计误差系数;t时刻的最佳估计目标速度
为:
;
其中,为t时刻的位置关系系数矩阵的转置;为t时刻的位置关系系数矩阵;为t时刻的PLCR矩阵;为t时刻的PLCR方向符号。
优选的,所述CNN网络包括两个卷积层以及全连接层,两个卷积层为第一卷积层和第二卷积层;所述第一卷积层和第二卷积层均包括ReLU激活函数和最大池化层,第一卷积层和第二卷积层相同,第一个卷积层的输入通道数为1,输出通道数为16,卷积核大小为5×5,步长为1。
优选的,所述步骤S5中结合CNN网络对计算出人体跌倒的速度、加速度进行跌倒检测,具体操作为:
步骤S5-1:采集数据,并输入到CNN网络中进行训练;
采集跌倒、坐下、蹲下、鞠躬、跳跃、跪下、行走七种动作,计算七种动作的目标速度和目标加速度,将获得的目标速度和目标加速度特征进行拼接,并放到CNN网络中进行训练;
步骤S5-2:引入非线性特征到第一个卷积层的ReLU激活函数中,帮助CNN网络学习复杂的特征;
步骤S5-3:将特征通过最大池化层,在第一卷积层后执行下采样,减少特征大小;在输入到第二个卷积层的ReLU激活函数中,再次CNN网络学习复杂的特征;通过最大池化层,执行下采样,减少特征大小;
步骤S5-4:通过全连接层,将第二卷积层输出的特征图展成一维向量,并将其输入到输出层进行分类,最后输出分类结果。
与现有技术相比,本发明具有如下改进及优点:
1、通过运动分割算法将频谱矩阵分为两阶段,在捕获个体跌倒行为时可以精确地截取相关的运动片段,在不受外部环境干扰的情况下,从CSI数据中准确提取速度和加速度特征,提高提取速度和加速度特征的精确性和有效性。
2、通过提取不同的动作分类,并使用CNN网络对速度、加速度特征进行训练,CNN网络输入的是速度加速度特征,输出的是分类准确性,显著的提高跌倒事件的检测准确性;同时有效地减少误报率。
附图说明
图1为本发明的整体流程图。
图2为PLCR、目标速度几何关系模型示意图。
图3为的CNN网络结构示意图。
图4为本发明效果图。
具体实施方式
以下结合附图对本发明做进一步概述。
如图1所示,一种基于信道状态信息目标速度估计的人体跌倒检测方法,该方法包括以下步骤:
步骤S1:将接收天线摆放在感知区域内不同的位置上,收集感知区域内不同高度的CSI信号;
用一根发射天线和三根接收天线在不同的高度收发CSI数据,使用两台装有Intel5300网卡的电脑,一台作为发射机,装有一根外接天线,一台作为接收机,装有三根外接天线,并将其放置不同的高度。
步骤S2:提取CSI数据中的多普勒信息,构造描述路径长度变化PLCR功率分布的频谱矩阵;
对CSI功率应用巴特沃斯滤波器,切断频率设置为2 Hz和80Hz,以消除突发噪声和超出目标频段的干扰。
步骤S2-1:将CSI功率序列分成重叠的目标段,选择目标段中静态段相关系数差异较大的子载波进行第一主成分分析,获得目标段的第一个PCA序列;
将CSI功率序列分成重叠的0.5秒目标段,并选择目标段中与静态段相关系数差异较大的前20个子载波进行第一主成分分析,获得目标段的第一个PCA分量。
当人类移动时,一些子载波可能会由于人类的运动而经历较弱的功率变化,并且更容易受到相关噪声的影响,因此选择合适的子载波,以增加反射功率的比例,同时克服无关噪声。
步骤S2-2:对第一个PCA序列进行短时傅里叶变换处理;对于PCA序列的每个片段采用高斯窗口平滑频谱图,并添加0.5秒的零填充,实现精细的1Hz频率分辨率;
步骤S2-3:将所有分段的非重叠频谱图拼接在一起,生成整个PLCR频谱图,获得频谱矩阵。
步骤S3:利用运动分割算法将频谱矩阵分为两阶段,采用PLCR提取算法提取分割后频谱矩阵中最优PLCR序列;
步骤S3-1:在第一阶段中设置阈值,计算频谱矩阵频域上的方差序列的均值和
中值;
设置阈值;
其中,为均值,为中值。
步骤S3-2:将每个时间点方差与阈值进行比较,看它们是处于波动状态还是稳定
状态;绝对值小于,则称该时间点处于稳定状态,绝对值不小于,则称该时间点处于波动
状态;
步骤S3-3:对所有状态进行状态优化,避免因噪声或其他人为因素的影响而出现误判;该方法是通过比较滑动窗口中稳定状态和波动状态的数量来重新确定每个时间点的状态。如果稳定状态的数量大于波动状态的数量,则将该状态的时间点重新分配到稳定状态,否则将其分配到波动状态。
步骤S3-4:在第二阶段中,通过检测方差在稳定状态和波动状态之间的变化来确定活动的开始和结束点;
具体为:
从稳定状态过渡到波动状态时,时间记为,从波动状态过渡到稳定状态时,时间
记为,如果大于动作发生的最小时间长度,将自动保留为活动的起点
和终点;
所述步骤S3-6中基于分割后的频谱矩阵提取PLCR序列,具体为:
将相邻时间的频率变化限制在一个频率箱内,设置分组长度为8,将每组中的功率值相加并求平均值,最大化整个功率;提取每个时间点最大的功率所对应的频率,找到所对应的PLCR序列。
步骤S3-5:经过步骤S3-4得到多个时间段,对于每个时间段,计算该时间段内的方差最大值,之后将这几个时间段的最大方差值进行比较,取方差值最大的时间段所对应的起点和终点;
步骤S3-6:经过骤S3-5得到分割后的频谱矩阵,基于分割后的频谱矩阵提取PLCR序列;
人类的躯干比身体的其他部位反映出更多的信号,这导致了频谱图中的主导成分。因此,我们可以选择功率最大的频率箱作为由人体运动引起的PLCR。在实践过程中,发现存在噪声的干扰,所以为了消除噪声等干扰,将相邻时间的频率变化限制在一个频率箱内,设置分组长度为8,将每组中的功率值相加并求平均值,最大化整个功率;提取每个时间点最大的功率所对应的频率,找到所对应的PLCR序列。
步骤S3-7:对获得的PLCR序列使用移动平均窗口平滑数据;
步骤S3-8:判断PLCR序列方向。
对于每个PLCR样本,计算样本周围子载波之间的时间滞后,得每个方向段的正向
概率序列,负向概率序列。由于计算的时间滞后是不稳定的,在PLCR高于阈值=1
m/s时累积了时间滞后,一旦PLCR低于阈值或直到积累了足够的时间滞后,就计算符号的分
布。如果特定符号的百分比超过了一个阈值=0.7时,计算方向段中的正向概率的
平均值和负向概率的平均值,如果>时,将该方向
设置为1,如果>时,将该方向设置为-1。
如图2所示,步骤S4:利用目标速度估计的几何模型,求出人体跌倒的速度,加速度;
具体操作如下:
步骤S4-1:定义发射机的位置坐标为,接收端的位置坐标为,目标的位置坐标为,目标速度为,PLCR设
为,PLCR与目标速度的关系为:
;
其中,;
;
聚合所有链路关系,链路收发数据为:
;
其中,;
;
目标速度表示为:
;
当目标跌倒时,根据无线传输的菲涅尔特性,收发机间多径信号的传输满足已收
发机的位置为焦点椭圆模型,目标的运动速度可以被分解为径向速度和切向速度。而
目标的径向速度主导目标路径长度变化。因此,只能从PLCR中推导出径向速度,而目标速
度不能被唯一地识别。因此我们通过增加更多的链接得到真实的速度,这增加了进一步的
几何约束。
步骤S4-2:利用目标速度对PLCR方向再识别,采用最小目标速度估计误差,优化目
标速度,获取最佳估计目标速度;
实际上,当目标路径的传播长度变化很小时,目标路径的PLCR存在方向模糊性问
题;在t时刻,目标路径的PLCR方向为,根据目标速度的特征,目标在相邻时刻
的运动速度基本保持不变,包括速率的大小和方向;
采用最小目标速度估计误差优化为,其中,
是约束目标路径的PLCR和目标速度估计一致性的均方误差,表示为;是相邻时刻的目标速度估计误差,表示为;为目标速度估计误差系数;t时刻的最佳估计目标速度
为:
;
其中,为t时刻的位置关系系数矩阵的转置;为t时刻的位置关系系数矩阵;为t时刻的PLCR矩阵;为t时刻的PLCR方向符号;
步骤S4-3:根据获得的最佳估计目标速度,更新目标位置,相同的方式连续地
估计目标速度;
更新目标位置为:;其中,是两次连续测量之间的间隔;
步骤S4-4:根据获得的目标速度以及最佳估计目标速度,获得目标加速度为:。
步骤S5中结合CNN网络对计算出人体跌倒的速度、加速度进行跌倒检测;
具体操作为:
采集跌倒、坐下、蹲下、鞠躬、跳跃、跪下、行走七种动作,计算它们的目标速度和目标加速度,将获得的目标速度和目标加速度特征进行拼接,放到CNN网络中进行训练;
首先通过第一个卷积层,第一个卷积层的输入通道数为1,输出通道数为16,卷积核大小为5×5,步长为1,通过ReLU激活函数,引入非线性特性到模型中,帮助模型学习复杂的特征;
通过最大池化层,用于在卷积层后执行下采样,减少特征大小;接着经过第二个卷积层,第二个卷积层和第一个卷积层相同;
然后通过ReLU激活函数,通过最大池化层,最后通过全连接层,用于将卷积层输出的特征图展成一维向量,并将其输入到输出层进行分类,最后输出分类结果。
在实验室中对本发明方法进行的验证:
采用的两台配备有Intel 5300网卡的电脑,其中一台作为发射机,配备有一根外接天线,而另一台作为接收机,装有三根外接天线,并分别放置在1.22米,1.42米,1.62米的高度。接收机和发射机被放置在受试对象的一侧,而受试对象则在该一侧进行跌倒和类跌倒的运动。WiFi的工作频率被设定为5.24 GHz,带宽为20 MHz,接收器以每秒2048次的采样率进行数据采集,结果如图4所示,揭示了人在跌倒过程中的运动特征。左侧图展示的是跌倒动作的速度变化图,而右侧则是对应的加速度结果图。通过这些图形,我们可以观察到一个明显的现象:跌倒时,人体会先经历一个加速过程,随后迅速减速。这个过程中的速度较大,持续时间较短,并且在图中形成了显著的波峰。
以上所述仅为本发明的实施方式而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理内所作的任何修改、等同替换、改进等,均应包括在本发明的权利要求范围之内。
Claims (10)
1.一种基于信道状态信息目标速度估计的人体跌倒检测方法,其特征在于:该方法包括以下步骤:
步骤S1:将接收天线摆放在感知区域内不同的位置上,收集感知区域内不同高度的CSI信号;
步骤S2:提取CSI数据中的多普勒信息,构造描述路径长度变化PLCR功率分布的频谱矩阵;
步骤S3:利用运动分割算法将频谱矩阵分为两阶段,采用PLCR提取算法提取分割后频谱矩阵中最优PLCR序列;
步骤S4:利用目标速度估计的几何模型,求出人体跌倒的速度,加速度;
步骤S5:结合CNN网络对计算出人体跌倒的速度、加速度进行跌倒检测。
2.根据权利要求1所述的一种基于信道状态信息目标速度估计的人体跌倒检测方法,其特征在于:所述步骤S2中提取CSI数据中的多普勒信息,构造描述路径长度变化PLCR功率分布的频谱矩阵,具体操作如下:
步骤S2-1:将CSI功率序列分成重叠的目标段,选择目标段中静态段相关系数差异较大的子载波进行第一主成分分析,获得目标段的第一个PCA序列;
步骤S2-2:对第一个PCA序列进行短时傅里叶变换处理;对于PCA序列的每个片段采用高斯窗口平滑频谱图,并添加0.5秒的零填充,实现精细的1Hz频率分辨率;
步骤S2-3:将所有分段的非重叠频谱图拼接在一起,生成整个PLCR频谱图,获得频谱矩阵。
3.根据权利要求1所述的一种基于信道状态信息目标速度估计的人体跌倒检测方法,其特征在于:所述步骤S2-1中将CSI功率序列分成重叠的0.5秒目标段,并选择目标段中与静态段相关系数差异较大的前20个子载波进行第一主成分分析,获得目标段的第一个PCA分量。
4.根据权利要求1所述的一种基于信道状态信息目标速度估计的人体跌倒检测方法,其特征在于:所述步骤S3中利用运动分割算法将频谱矩阵分为两阶段,采用PLCR提取算法提取分割后频谱矩阵中最优PLCR序列,具体操作为:
步骤S3-1:在第一阶段中设置阈值,计算频谱矩阵频域上的方差序列的均值/>和中值;
步骤S3-2:将每个时间点方差与阈值进行比较,看它们是处于波动状态还是稳定状态;绝对值小于/>,则称该时间点处于稳定状态,绝对值不小于/>,则称该时间点处于波动状态;
步骤S3-3:对所有状态进行状态优化,避免因噪声或其他人为因素的影响而出现误判;
步骤S3-4:在第二阶段中,通过检测方差在稳定状态和波动状态之间的变化来确定活动的开始和结束点;
步骤S3-5:经过步骤S3-4得到多个时间段,对于每个时间段,计算该时间段内的方差最大值,之后将这几个时间段的最大方差值进行比较,取方差值最大的时间段所对应的起点和终点;
步骤S3-6:经过骤S3-5得到分割后的频谱矩阵,基于分割后的频谱矩阵提取PLCR序列;
步骤S3-7:对获得的PLCR序列使用移动平均窗口平滑数据;
步骤S3-8:判断PLCR序列方向。
5.根据权利要求4所述的一种基于信道状态信息目标速度估计的人体跌倒检测方法,其特征在于:所述步骤S3-1中在第一阶段中设置阈值,阈值/>;其中,/>为均值,/>为中值;
所述步骤S3-3中对所有状态进行状态优化,状态优化通过比较滑动窗口中稳定状态和波动状态的数量来重新确定每个时间点的状态,如果稳定状态的数量大于波动状态的数量,则将该状态的时间点重新分配到稳定状态,否则将其分配到波动状态。
6.根据权利要求4所述的一种基于信道状态信息目标速度估计的人体跌倒检测方法,其特征在于:所述步骤S3-4中通过检测方差在稳定状态和波动状态之间的变化来确定活动的开始和结束点,具体为:
从稳定状态过渡到波动状态时,时间记为,从波动状态过渡到稳定状态时,时间记为,如果/>大于动作发生的最小时间长度,/>将自动保留为活动的起点和终点;
所述步骤S3-6中基于分割后的频谱矩阵提取PLCR序列,具体为:
将相邻时间的频率变化限制在一个频率箱内,设置分组长度为8,将每组中的功率值相加并求平均值,最大化整个功率;提取每个时间点最大的功率所对应的频率,找到所对应的PLCR序列。
7.根据权利要求1所述的一种基于信道状态信息目标速度估计的人体跌倒检测方法,其特征在于:所述步骤S4中利用目标速度估计的几何模型,求出人体跌倒的速度,加速度,具体操作如下:
步骤S4-1:定义发射机的位置坐标为,接收端的位置坐标为,目标的位置坐标为/>,目标速度为/>,PLCR设为/>,PLCR与目标速度的关系为:
;
其中,;
;
聚合所有链路关系,链路收发数据为:
;
其中,;
;
目标速度表示为:
;
步骤S4-2:利用目标速度对PLCR方向再识别,采用最小目标速度估计误差,优化目标速度,获取最佳估计目标速度;
步骤S4-3:根据获得的最佳估计目标速度,更新目标位置,相同的方式连续地估计目标速度;
所述更新目标位置为:;其中,/>是两次连续测量之间的间隔;
步骤S4-4:根据获得的目标速度以及最佳估计目标速度,获得目标加速度为:。
8.根据权利要求7所述的一种基于信道状态信息目标速度估计的人体跌倒检测方法,其特征在于:所述步骤S4-2中采用最小目标速度估计误差,优化目标速度,获取最佳估计目标速度,具体为:
在t时刻,目标路径的PLCR方向为,根据目标速度的特征,目标在相邻时刻的运动速度基本保持不变,包括速率的大小和方向;
采用最小目标速度估计误差优化为/>,其中,/>是约束目标路径的PLCR和目标速度估计一致性的均方误差,表示为/>;是相邻时刻的目标速度估计误差,表示为/>;/>为目标速度估计误差系数;t时刻的最佳估计目标速度为:
;
其中,为t时刻的位置关系系数矩阵的转置;/>为t时刻的位置关系系数矩阵;/>为t时刻的PLCR矩阵;/>为t时刻的PLCR方向符号。
9.根据权利要求1所述的一种基于信道状态信息目标速度估计的人体跌倒检测方法,其特征在于:所述CNN网络包括两个卷积层以及全连接层,两个卷积层为第一卷积层和第二卷积层;所述第一卷积层和第二卷积层均包括ReLU激活函数和最大池化层,第一卷积层和第二卷积层相同,第一个卷积层的输入通道数为1,输出通道数为16,卷积核大小为5×5,步长为1。
10.根据权利要求9所述的一种基于信道状态信息目标速度估计的人体跌倒检测方法,其特征在于:所述步骤S5中结合CNN网络对计算出人体跌倒的速度、加速度进行跌倒检测,具体操作为:
步骤S5-1:采集数据,并输入到CNN网络中进行训练;
采集跌倒、坐下、蹲下、鞠躬、跳跃、跪下、行走七种动作,计算七种动作的目标速度和目标加速度,将获得的目标速度和目标加速度特征进行拼接,并放到CNN网络中进行训练;
步骤S5-2:引入非线性特征到第一个卷积层的ReLU激活函数中,帮助CNN网络学习复杂的特征;
步骤S5-3:将特征通过最大池化层,在第一卷积层后执行下采样,减少特征大小;在输入到第二个卷积层的ReLU激活函数中,再次CNN网络学习复杂的特征;通过最大池化层,执行下采样,减少特征大小;
步骤S5-4:通过全连接层,将第二卷积层输出的特征图展成一维向量,并将其输入到输出层进行分类,最后输出分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410016640.5A CN117520928B (zh) | 2024-01-05 | 2024-01-05 | 一种基于信道状态信息目标速度估计的人体跌倒检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410016640.5A CN117520928B (zh) | 2024-01-05 | 2024-01-05 | 一种基于信道状态信息目标速度估计的人体跌倒检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117520928A true CN117520928A (zh) | 2024-02-06 |
CN117520928B CN117520928B (zh) | 2024-03-19 |
Family
ID=89742331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410016640.5A Active CN117520928B (zh) | 2024-01-05 | 2024-01-05 | 一种基于信道状态信息目标速度估计的人体跌倒检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117520928B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2844771A1 (en) * | 2012-05-04 | 2015-03-11 | Complete Genomics, Inc. | Methods for determining absolute genome-wide copy number variations of complex tumors |
CN108833036A (zh) * | 2018-05-31 | 2018-11-16 | 湖南大学 | 人体跌倒检测方法 |
CN114676956A (zh) * | 2022-01-04 | 2022-06-28 | 哈尔滨工业大学(威海) | 基于多维数据融合的老人跌倒风险预警系统 |
-
2024
- 2024-01-05 CN CN202410016640.5A patent/CN117520928B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2844771A1 (en) * | 2012-05-04 | 2015-03-11 | Complete Genomics, Inc. | Methods for determining absolute genome-wide copy number variations of complex tumors |
CN108833036A (zh) * | 2018-05-31 | 2018-11-16 | 湖南大学 | 人体跌倒检测方法 |
CN114676956A (zh) * | 2022-01-04 | 2022-06-28 | 哈尔滨工业大学(威海) | 基于多维数据融合的老人跌倒风险预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117520928B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Noor et al. | Adaptive sliding window segmentation for physical activity recognition using a single tri-axial accelerometer | |
CN108564005B (zh) | 一种基于卷积神经网络的人体跌倒辨识方法 | |
Xu et al. | WiStep: Device-free step counting with WiFi signals | |
CN112401856B (zh) | 一种基于毫米波雷达的疗养院监护方法及系统 | |
CN107966161B (zh) | 基于fft的步行检测方法 | |
CN111089604B (zh) | 基于可穿戴传感器的健身运动识别方法 | |
US20140278208A1 (en) | Feature extraction and classification to determine one or more activities from sensed motion signals | |
JP2018173285A (ja) | 行動認識システム、及び行動認識方法 | |
CN111627185A (zh) | 跌倒报警方法、装置以及跌倒检测系统 | |
Murao et al. | A motion recognition method by constancy-decision | |
Pan et al. | Using accelerometer for counting and identifying swimming strokes | |
CN112327288A (zh) | 雷达人体动作识别方法、装置、电子设备和存储介质 | |
Fang et al. | Writing in the air: recognize letters using deep learning through WiFi signals | |
Pan et al. | Dynamic hand gesture detection and recognition with WiFi signal based on 1d-CNN | |
CN116087943A (zh) | 基于毫米波雷达的室内跌倒检测方法及系统 | |
Zhou et al. | Wi-monitor: Daily activity monitoring using commodity wi-fi | |
CN113051972A (zh) | 一种基于WiFi的手势识别系统 | |
CN117520928B (zh) | 一种基于信道状态信息目标速度估计的人体跌倒检测方法 | |
Bastwesy et al. | Wi-nod: Head nodding recognition by wi-fi csi toward communicative support for quadriplegics | |
Chen et al. | WiTT: Modeling and the evaluation of table tennis actions based on WIFI signals | |
Chelli et al. | A machine learning approach for fall detection based on the instantaneous doppler frequency | |
Al Huda et al. | Realtime Online Daily Living Activity Recognition Using Head-Mounted Display. | |
CN116092193A (zh) | 一种基于人体运动状态识别的行人航迹推算方法 | |
Fan et al. | WiVi: WiFi-video cross-modal fusion based multi-path gait recognition system | |
De et al. | Fall detection approach based on combined two-channel body activity classification for innovative indoor environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |