CN117643468A - 基于多源信息融合的无线跌倒检测方法 - Google Patents
基于多源信息融合的无线跌倒检测方法 Download PDFInfo
- Publication number
- CN117643468A CN117643468A CN202311675466.7A CN202311675466A CN117643468A CN 117643468 A CN117643468 A CN 117643468A CN 202311675466 A CN202311675466 A CN 202311675466A CN 117643468 A CN117643468 A CN 117643468A
- Authority
- CN
- China
- Prior art keywords
- csi
- data
- feature
- variance
- features
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000009471 action Effects 0.000 claims abstract description 33
- 230000033001 locomotion Effects 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000010187 selection method Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 59
- 230000001133 acceleration Effects 0.000 claims description 28
- 239000002245 particle Substances 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 206010016173 Fall Diseases 0.000 claims description 3
- 241000287127 Passeridae Species 0.000 claims description 3
- 239000000969 carrier Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000003313 weakening effect Effects 0.000 claims description 2
- 230000002829 reductive effect Effects 0.000 abstract description 10
- 230000008030 elimination Effects 0.000 abstract 1
- 238000003379 elimination reaction Methods 0.000 abstract 1
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
-
- 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
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- 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
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
-
- 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
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/04—Constructional details of apparatus
- A61B2560/0462—Apparatus with built-in sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Geometry (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于多源信息融合的无线跌倒检测方法,属于电子信息技术领域,首先基于融合IMU提取人体动作信息,再通过扩展卡尔曼滤波融合惯性数据解算人体姿态角,构建惯性数据的特征矩阵;进行CSI的噪声和偏移消除步骤,然后提取微分CSI特征;提出基于微分CSI的自适应跌倒动作分割方法,再通过CSI和微分CSI构建特征矩阵;提出多信息融合的特征选择方法将惯性数据特征矩阵与CSI特征矩阵进行融合处理。最后使用融合特征矩阵训练基于SVM分类器对人体跌倒动作进行检测识别;本发明通过结合IMU和CSI特征降低跌倒检测中存在的假阳性,从而增加提高准确率和鲁棒性。
Description
技术领域
本发明属于属于电子信息技术领域,涉及一种基于多源信息融合的无线跌倒检测方法。
背景技术
在快速老龄化的社会,老年人的健康问题日益凸显。而跌倒在全世界范围内成为影响老年人健康的主要原因,其会导致老年人在生理与心理上产生不同程度的损伤,甚至会导致死亡。为保障老人健康,针对老人,尤其是独居老人,作跌倒安全防护成为迫切需求。
目前应用比较广泛的有基于视频图像、基于可穿戴传感器和基于环境传感器的跌倒检测。其中基于视频图像的检测方法不仅计算复杂、成本高,而且容易侵犯用户的个人隐私。基于可穿戴式传感器的跌倒检测可以直接获取人体的运动姿态信息,但只能获取到身体部位的局部运动信息,感知到人体的运动信息并不能全面、准确地表达人体的真实的运动状态,并且对噪声敏感,鲁棒性较差;使用多部位的穿戴式传感器可以等改善上述问题,但实际使用时会影响用户的日常活动。基于环境式传感器的跌倒检测将装置固定在室内,不仅安装方便,也不会侵犯个人隐私,相较于可穿戴式的跌倒检测能得到人体整体的运动概貌。
考虑到Wi-Fi CSI可以提供更为全面的人体运动信息,并且其具有成本低、设备部署简单等优点。在穿戴式跌倒检测系统检测到使用者摔倒之前,CSI信息可能已经检测到不寻常的人体跌倒特征。如果能将两者互补信息同时提取,并使用数据融合的方法提取特征,能够提高跌倒识别准确率,尤其是降低类跌倒活动的误报率。
发明内容
有鉴于此,本发明的目的在于提供一种融合可穿戴传感器和基于环境传感器的跌倒检测方法。
为达到上述目的,本发明提供如下技术方案:
一种基于多源信息融合的无线跌倒检测方法,包括以下步骤:
S1:通过融合惯性传感器获取人体运动状态信息,包括加速度、角速度;使用平滑滤波器过滤噪声传感器本身的噪声、降低数据抖动;基于扩展卡尔曼滤波(EKF)的融合滤波算法消除陀螺仪的累计误差,再对加速度、角速度进行数据融合和姿态角解算,接着对得到的三轴角度和三轴加速度进行融合特征提取;
S2:获取人体动作和周围环境信息,包括WiFi无线信道的幅度、相位;提取WiFi信息中的CSI数据,设置巴特沃斯低通滤波器去除背景杂波,使用主成分分析法对CSI信号进行降维处理;最后使用居中投影的方法进行消除相位偏移并计算生成微分CSI特征;
S3:提出基于微分CSI的自适应活动分割算法,通过估计行为的持续时间或者手动标记判断每一个动作的开始和结束;然后分别对两种数据进行特征提取,对于惯性传感器原始数据处理后得到的加速度、角度以及融合特征进行时域提取,特征值包括均值、标准差、平均绝对偏差、最大值、不同轴之间的相互系数,并将特征数据按照活动种类进行归类处理;对WiFi CSI提取幅值和微分CSI特征,包括数据时间序列的各种统计矩阵;
S4:提供多信息融合的特征选择方法对提取到运动特征和CSI信号特征进行融合,以捕获从两种特征之间的复杂关联;
S5:建立基于支持向量机的跌倒检测模型SVM,包括训练和测试阶段;训练阶段通过已知的跌倒和非跌倒数据训练模型参数;测试阶段通过步骤S4得到的融合特征向量预测跌倒动作。
进一步,所述步骤S1具体包括以下步骤:
S11:采集跌倒动作和三种可能跟跌倒混淆的动作的数据,包括坐下、站起、下蹲,其中融合惯性传感器收集到的数据为角速度,加速度和磁偏量信息;
S12:通过低通滤波过滤高频噪声成分,再通过进行平滑过滤处理;
S13:使用EKF方程组进行迭代计算,得到当前时刻的姿态角的四元数表示法,以此类推,得到一组线性的四元数形式姿态角;采用陀螺仪进行状态预测,再利用加速度计对预测状态进行更新,用来消除陀螺仪零漂产生的累计误差;
扩展卡尔曼滤波器模型为:
最终将四元数解算出的四元数姿态数据转换为欧拉角,转换公式如下:
其中,x为偏航角,y为俯仰角,z为横滚角;
S14:通过合加速度SMVa、合角速度SMVω、合姿态角SMVg来表征姿态的综合变化,表示为:
进一步,所述步骤S2具体包括以下步骤:
S21:对原始CSI数据使用低通巴特沃斯滤波器和相位消除法进行数据处理,对数据中存在的噪声和异常值进行过滤,具体步骤如下:
首先采用巴特沃斯滤波器对数据进行处理,巴特沃斯低通滤波器用如下振幅的平方对频率的公式表示:
其中f为截止频率,n为滤波器的阶数,p表示通频带边缘频率;处理后获得CSI数据流,由人体运动引起的射频信号的变化与不同的CSI流相关;
采用主成分分析法PCA移除相关性较大的CSI数据流,得到Y中的成分按照最大可能方差降序排列,其中第一个主成分具有最大可能方差,包含最大人体运动信息且受噪声的影响最小,最后一个主成分具有最小可能方差,受噪声的影响最大;
S22:计算微分CSI:
(1)消除相位偏移
假设CSI(n)是频域中w个时间步长的N个子载波中第n个子载波的CSI,CSI离散傅立叶变换DFT表示为:
将式(5)进行离散傅立叶逆变换IDFT:
其中CSIk和Xk分别为任意特定子载波的CSI矩阵和空间映射矩阵SMM和循环延迟分集CDD的乘积,Hk为跨相应子载波的信道系数,ε为归一化频率偏移量;ci为第i个时间步长信道中存在的噪声,任意子载波n的CSI现在包含所需的CSI(sn)和频率偏移μn部分,即式(6)中的第一项和第二项,考虑任意特征的时间步长为I,子载波数为N,得到一个阶数为I×N的特征矩阵,数据集的每个特征都表示为:
CSIR=S+μT+C (7)
其中,S(I×N)是一个不含偏移和噪声的Sn(I×1)向量矩阵,μ是一个包含常数偏移项μn的N×1向量,n={1,2,…,N},表示每个时间步长i,C表示通过去噪滤波器去除的噪声,偏移通过投影步骤中的居中方法来消除,跨列居中会产生微分CSI:
其中,CSIdiff(I×N)包含微分CSI,I为标识矩阵,P(I×1)为正交投影矩阵;列平均是CSIR各列在矢量1方向上的正交投影;P⊥是对的无效空间的投影矩阵;根据式(7)和式(8),将原始数据矩阵CSIR投影到的无效空间,可得:
CSIdiff=P⊥S+P⊥C (9)。
进一步,所述步骤S3具体包括以下步骤:
S31:构建基于微分CSI的自适应活动分割算法,利用信号方差特征中活动和静止部分的差值,微分方差的方法增强活动数据的特征,减弱非活动特征;
S32:惯性传感器特征提取:对于窗口时间范围T,合加速度、合角速度、合姿态角分别提取活动数据中的集中趋势、数据的局部变动幅度、数据的总体变动程度、活动数据的波动情况、活动数据中的偏差情况、X轴和Z轴之间加速度和姿态角关系的强度和方向;
S33:CSI信息特征提取:基于步骤S2处理后得到的SCI信息数据,分别提取CSI幅值特征和微分CSI统计特征。
进一步,步骤S31所述基于微分CSI的自适应活动分割算法具体包括以下步骤:
S311:对于去噪后的信号Y,窗口大小W,偏移量k为相邻滑动窗口之间的步长,第t个窗口的方差定义为:
方差代表信号CSI的波动,方差越大的部分是人类活动的部分,但非活动部分仍然存在一些小的波动;
S312:将滑动窗口相加,结果表示为:
其中,Ysum表示每个滑动窗口的总和,然后对每个滑动窗口进行前后差分运算,得到微分CSI:
Ydiff(t)=Ysum(t)-Ysum(t-1) (12)
采用中值滤波法,得到滤波后的结果Yf;
S313:Ysum值越大的部分是人类活动的部分,设置初始阈值并不断移动窗口:
判断时将初始阈值乘以一个判断系数c,在处理第一部分时,平滑非动作部分的方差,扩大动作部分的方差;在切割活动数据时,将初始阈值乘以设定的判断系数,保留更多的动作信号;如果窗口中的总和大于c*th,则将相应的时间点设为起点,否则更改阈值:
在检测起点和终点时,旧阈值和当前窗口生成的值的权重设置为0.5;
S314:如果找到了起点,则移动起点后的窗口,直到窗口内的总和小于或等于c*th,然后自动更新阈值:
在判断终点时,考虑此时已确定的行动起点,将此时的窗口大小设置为2w。
进一步,步骤S32具体包括以下步骤:
用A表示加速度、合角速度、合姿态角中的任一一种,分别提取下列特征向量:
(1)采用均值来反映活动数据中的集中趋势,如下所示:
(2)采用最大值和最小值表示数据的局部变动幅度,如下所示:
maxA,minA(A)(17)
(3)采用累计变化量反映数据的总体变动程度,如下所示:
(4)采用标准差来反映活动数据的波动情况,如下所示:
(5)采用偏差反映活动数据中的偏差情况,如下所示:
(6)采用相关系数来反映X轴和Z轴之间加速度和姿态角关系的强度和方向,如下所示:
进一步,步骤S33具体包括:
(1)采用均值来反映活动数据中的集中趋势,如下所示:
(2)采用标准差来反映活动数据的波动情况,如下所示:
(3)采用平均绝对偏差反映活动数据中的偏差情况,如下所示:
MAD(k)=me(|Hk(i)-me(Hk)|) (24)
(4)构建微分CSI特征矩阵,包括方差、协方差和相关系数:
1)方差
首先计算微分CSI矩阵CSIdiff,然后写出协方差矩阵
其中V是N×N矩阵;沿着V的对角线元素得到每个子载波CSI的方差,第n个子载波的方差表达式为:
从方差参数中获得特定子载波在不同时间步长的CSI信息,通过比较V的不同对角元素,比较一个子载波和另一个子载波的差异;
计算出特定子载波的方差后,将每个值除以标准偏差,得出微分CSI;
2)协方差
协方差表示两个子载波相互的影响,考虑两个子载波I和M,其协方差的表达式为:
其中L=XlHl,M=XmHm,如果协方差值不为零,推断一个子载波由于另一个子载波的影响而产生偏移;
3)相关系数
两个子载波之间的关系通过相关系数进一步估算,相关系数的范围在-1到1之间;任何两个子载波I和M的相关系数为:
非对角元素也称为皮尔逊相关系数,表示任意两个子载波之间的相关性,相关系数为0表示它们不相关,-1则表示完全相关。
进一步,所述步骤S4具体包括以下步骤:
S41:分别计算步骤S3所得的特征集中的各个特征重要性W,使用Wilks统计量衡量判别特征的重要性,Wilks值越低的特征被认为具有较好的判别性能;
筛选出其中特征重要性最高的n个特征,并计算其余各特征与筛选出的特征之间的互信息值I(X;Y),表达式为:
其中,p(x,y)为联合概率密度函数,p(x)和p(y)是x和y的边缘概率密度函数;当x与y表示特征和标签之间的联系时,互信息值越大,则特征和标签的关联性越强;当x与y同时表示特征时,互信息值越大,则特征间的冗余性越强;
S42:特征分组
以筛选出的n个最高重要性特征为基准,将原始特征分为n组,根据S41中计算的特征间互信息值,选出m个互信息值较大的特征分为同一组;
S43:SSA特征选择
首先初始化种群,针对所有的粒子赋初始值,具体的初始区间为[0,1],当初始值大于0.5时,则赋值为1,当初始值小于等于0.5时,则赋值为0;
然后设置种群迭代规则,在迭代过程中粒子的速度和位置更新按照下式(30)进行更新;
其中K是随机数[-1,1],β是步长控制参数,它是一个随机数,服从方差为1,均值为0的正态分布;Xbest表示当前全局最优位置;ε表示最小常数;fg、fw和fi分别代表当前麻雀的全局最优、全局最差和个体适应度;
每次迭代之后得到的结果,考虑维度和精确度两种目标进行联合判定粒子所选出的优劣程度;在粒子选择的过程中,对粒子进行随机扰动。
进一步,所述步骤S5具体包括以下步骤:
将融合后的特征数据映射到高维空间中,变为高维空间中的线性可分问题,引入核函数为则跌倒活动识别分类问题表示为:
式中w表示最优分类超平面的权系数,b表示分类阈值;εi是为解决线性不可分问题引入的松弛因子,只有离群点会有松弛变量,εi越大,表示离群越远;引入惩罚因子C(C>0),对上述问题的对偶问题表示为:
式中Qij=yiyjk(xi,xj),e为所有为1的向量,最终决策函数为:
根据跌倒活动类型的数据特征,选择合适的核函数和惩罚参数C来确定SVM,核函数选择径向基RBF核函数,如下所示:
K(xi,xj)=exp(-γ||xi-xj||2),γ>0 (34)
其中γ为核参数,结合WiFi干扰环境下的CSI跌倒活动数据特征,构建基于RBF核函数的SVM算法模型。
本发明的有益效果在于:首先,针对惯性传感器系统中陀螺仪零点漂移、磁场干扰和线性加速度的问题,采用基于扩展卡尔曼滤波的融合滤波算法提高了姿态估计的精度。其次,设计融合惯性传感器数据和WiFi CSI的数据的方法,丰富了对运动状态信息的描述,使用多信息融合的特征选择方法融合这两种模态特征,在不增加特征维度的同时保留两种特征的不同信息,提高了检测跌倒动作的准确率。综上所述,该方法能够显著提高室内环境下的人体跌倒识别准确率。同时,本发明还可以应用于医疗保健、老年护理等领域,具有广阔的市场应用前景。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为基于多特征融合的无线跌倒检测方法架构图;
图2为基于微分CSI的自适应跌倒动作分割算法流程图;
图3为多信息融合的特征选择算法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1~图3,本发明提供一种基于多源信息融合的无线跌倒检测方法,该方法主要分为以下步骤:
S1:通过融合惯性传感器获取人体运动状态信息,包括加速度、角速度等原始数据;使用平滑滤波器过滤噪声传感器本身的噪声、降低数据抖动;然后基于扩展卡尔曼滤波(EKF)的融合滤波算法消除陀螺仪的累计误差、提高测量精度,再对加速度、角速度进行数据融合和姿态角解算,接着对得到的三轴角度和三轴加速度进行融合特征提取;具体包括以下步骤:
Step1:首先在实验环境下采集跌倒动作和三种可能跟跌倒混淆的动作(坐下、站起、下蹲)的数据,其中融合惯性传感器收集到的数据为角速度,加速度和磁偏量信息。
Step2:由于人体跌倒等活动的频率相对较低,此处通过低通滤波过滤高频噪声成分,用于更好地捕捉到人体运动的整体趋势和特征;再通过进行平滑过滤处理,进一步的消除噪声,使运动信息更加可靠和易于分析。
Step3:使用基于EKF方程组进行迭代计算得到当前时刻的姿态角的四元数表示法,以此类推,得到一组线性的四元数形式姿态角,达到实时准确跟踪姿态信息的目的。本发明采用陀螺仪进行状态预测,再利用加速度计对预测状态进行更新,用来消除陀螺仪零漂产生的累计误差。
扩展卡尔曼滤波器模型为:
最终将四元数解算出的四元数姿态数据转换为欧拉角,转换公式如下:
其中,x为偏航角,y为俯仰角,z为横滚角。
Step4:基于步骤Step3处理后得到加速度、角速度、姿态角度单一方向上的数据是不足以判断姿态的,本专利引入合加速度SMVa、合角速度SMVω、合姿态角SMVg来表征姿态的综合变化,表示为:
S2:利用WiFi技术获取人体动作和周围环境信息,包括无线信道的幅度、相位等数据;提取WiFi信息中的CSI数据,设置巴特沃斯低通滤波器去除背景杂波,使用主成分分析法对CSI信号进行降维处理;最后使用居中投影的方法进行消除相位偏移并计算生成微分CSI特征;具体包括以下步骤:
Step1:对原始CSI数据使用低通巴特沃斯滤波器和相位消除法进行数据处理,对数据中存在的噪声和异常值等无关信息进行过滤,具体步骤如下:
首先采用巴特沃斯滤波器对数据进行处理,巴特沃斯低通滤波器可用如下振幅的平方对频率的公式表示:
其中f为截止频率,n为滤波器的阶数,p表示通频带边缘频率。
经过上述步骤处理后获得了30个CSI数据流,由人体运动引起的射频信号的变化与不同的CSI流相关。采用主成分分析法(PCA)用于移除相关性较大的CSI数据流。最终得到Y中的成分按照最大可能方差降序排列,其中第一个主成分具有最大可能方差,包含最大人体运动信息且受噪声的影响最小,而最后一个主成分具有最小可能方差,受噪声的影响最大。
Step2:计算微分CSI。CSI相位数据受到CFO和SFO存在的影响,分别是由于发送端和接收端时钟之间缺乏同步以及接收端模数转换器的原因。因此除了去噪之外,相位数据的偏移去除对于提高SVM模型的性能精度至关重要。
(1)消除相位偏移
假设CSI(n)是频域中w个时间步长的N个子载波中第n个子载波的CSI。CSI离散傅立叶变换(DFT)可表示为:
考虑到CSI中存在的偏移和噪声,将式(5)进行离散傅立叶逆变换(IDFT)
其中CSIk和Xk分别为任意特定子载波的CSI矩阵和空间映射矩阵(SMM)和循环延迟分集(CDD)的乘积,Hk为跨相应子载波的信道系数,ε为归一化频率偏移量。ci为第i个时间步长信道中存在的噪声,该部分已经在去噪环节滤除。因此,任意子载波n的CSI现在包含所需的CSI(sn)和频率偏移μn部分,即式(6)中的第一项和第二项。考虑任意特征的时间步长为I,子载波数为N,可以得到了一个阶数为I×N的特征矩阵。数据集的每个特征都可以表示为:
CSIR=S+μT+C (7)
其中,S(I×N)是一个不含偏移和噪声的Sn(I×1)向量矩阵,μ是一个包含常数偏移项μn的N×1向量,其中n={1,2,…,N},表示每个时间步长i,C表示通过去噪滤波器去除的噪声。偏移通过投影步骤中的居中方法来消除。跨列居中会产生微分CSI:
其中,CSIdiff(I×N)包含微分CSI,I为标识矩阵,P(I×1)为正交投影矩阵。列平均是CSIR各列在矢量1方向上的正交投影。P⊥是对的无效空间的投影矩阵。根据式(7)和式(8),将原始数据矩阵CSIR投影到的无效空间,可得:
CSIdiff=P⊥S+P⊥C (9)
S3:为了保证数据时序性的同时提高跌倒信息的可辨识性,提出基于微分CSI的自适应活动分割算法,通过估计行为的持续时间或者手动标记判断每一个动作的开始和结束。然后分别对两种数据进行特征提取,对于惯性传感器原始数据处理后得到的加速度、角度以及融合特征进行时域提取,特征值包括均值、标准差、平均绝对偏差、最大值、不同轴之间的相互系数,并将特征数据按照活动种类进行归类处理;对WIFI CSI提取幅值和微分CSI特征,包括数据时间序列的各种统计矩阵;具体包括以下步骤:
Step1:基于微分CSI的自适应活动分割算法
由于收集到的CSI信息包含静态状态信息,直接提取特征训练分类模型会降低的分类准确率。考虑到人体活动会影响信号路径Los,活动时CSI振幅的方差一般会比无活动时大很多。为了解决上述问题,设计了一种自适应活动分割算法,利用信号方差特征中活动和静止部分的差值。微分方差的方法增强活动数据的特征,减弱非活动特征。
1、对于去噪后的信号Y,窗口大小W,偏移量k为相邻滑动窗口之间的步长。则第t个窗口的方差定义为:
方差代表信号CSI的波动,方差越大的部分是人类活动的部分。但非活动部分仍然存在一些小的波动。
2、为了减少的非活动部分所引起的波动,将滑动窗口相加,结果表示为:
其中,Ysum表示每个滑动窗口的总和,然后对每个滑动窗口进行前后差分运算,得到微分CSI:
Ydiff(t)=Ysum(t)-Ysum(t-1) (12)
经过这些运算后,由于存在多个峰值,运动信号有可能被分成多个独立的部分。为解决这一问题,采用中值滤波法,得到滤波后的结果Yf。
3、Ysum值越大的部分是人类活动的部分。设置初始阈值并不断移动窗口:
判断时需要将初始阈值乘以一个判断系数c。在处理第一部分时,平滑了非动作部分的方差,扩大了动作部分的方差。根据上述分析,在切割活动数据时,将初始阈值乘以设定的判断系数,这样可以保留更多的动作信号。如果窗口中的总和大于c*th,则将相应的时间点设为起点。否则更改阈值:
更新后的阈值不仅与之前生成的阈值相关,还与当前窗口的变化相关。由于新阈值的生成与当前窗口和旧阈值密切相关,因此在检测起点和终点时,旧阈值和当前窗口生成的值同等重要,因此将这两部分的权重设置为0.5。
4、如果找到了起点,则移动起点后的窗口,直到窗口内的总和小于或等于c*th,然后自动更新阈值:
在判断终点时,需要考虑此时已确定的行动起点。由于更新的阈值与当前窗口的变化有关,将此时的窗口大小设置为2w。
Step2:惯性传感器特征提取
对于窗口时间范围T,合加速度、合角速度、合姿态角分别提取下列特征向量,用A表示三者之一,具体表示为:
(1)采用均值来反映活动数据中的集中趋势,如下所示:
(2)采用最大值和最小值表示数据的局部变动幅度,如下所示:
maxA,minA(A)(17)
(3)采用累计变化量反映数据的总体变动程度,如下所示:
(4)采用标准差来反映活动数据的波动情况,如下所示:
(5)采用偏差反映活动数据中的偏差情况,如下所示:
(6)采用相关系数来反映X轴和Z轴之间加速度和姿态角关系的强度和方向,如下所示:
Step3:CSI信息特征提取
基于步骤S2处理后得到的SCI信息数据,分别提取CSI幅值特征和微分CSI统计特征,具体为:
(1)采用均值来反映活动数据中的集中趋势,如下所示:
(2)采用标准差来反映活动数据的波动情况,如下所示:
(3)采用平均绝对偏差反映活动数据中的偏差情况,如下所示:
MAD(k)=me(Hk(i)-me(Hk)) (24)
(4)构建微分CSI特征矩阵,包括方差、协方差和相关系数:
1)方差
首先计算微分CSI矩阵CSIdiff,然后写出协方差矩阵
其中V是N×N矩阵。沿着V的对角线元素,可以得到每个子载波CSI的方差。第n个子载波的方差表达式为:
从方差参数中,可以获得特定子载波在不同时间步长的CSI信息,因为原始CSI的中心偏移得到了缓解。通过比较V的不同对角元素,可以比较一个子载波和另一个子载波的差异。
计算出特定子载波的方差后,我们将每个值除以标准偏差,得出微分CSI。从图中可以看出,缩放后的微分CSI比原始CSI更加集中。
2)协方差
协方差表示两个子载波相互的影响。考虑两个子载波I和M,其协方差的表达式为:
其中L=XlHl,M=XmHm。如果协方差值不为零,可以推断一个子载波由于另一个子载波的影响而产生偏移。
3)相关系数
两个子载波之间的关系可以通过相关系数进一步估算,相关系数的范围在-1到1之间。任何两个子载波I和M的相关系数为:
非对角元素也称为皮尔逊相关系数,表示任意两个子载波之间的相关性。相关系数为0表示它们不相关,而-1则表示完全(负)相关。
计算出的方差、协方差和相关系数等统计量反映了CSI的偏差,微分CSI方法增强活动数据的特征,减弱非活动特征。使用减少偏移量后的微分特征会提高SVM模型的分类精度。
S4:为了实现细粒度的活动识别,本发明提出多信息融合的特征选择方法对提取到运动特征和CSI信号特征进行融合,以捕获从两种特征之间的复杂关联;具体包括以下步骤:
针对特征选择算法没有考虑特征间的关联性,导致选出的特征存在部分冗余,在分组时考虑特征间的关联性,使特征子集间的耦合度降低,对最后的特征子集进行集成,得到稳定的特征子集,具体步骤为:
Step1:分别计算步骤S3所得的特征集中的各个特征重要性W,使用Wilks统计量用于衡量判别特征的重要性,Wilks值越低的特征被认为具有较好的判别性能。
筛选出其中特征重要性最高的n个特征,并计算其余各特征与筛选出的特征之间的互信息值I(X;Y),表达式为:
其中,p(x,y)为联合概率密度函数,p(x)和p(y)是x和y的边缘概率密度函数。当x与y表示特征和标签之间的联系时,互信息值越大,则特征和标签的关联性越强;当x与y同时表示特征时,互信息值越大,则特征间的冗余性越强。
Step2:特征分组
以筛选出的n个最高重要性特征为基准,将原始特征分为n组,根据Step1中计算的特征间互信息值,选出m个互信息值较大的特征分为同一组。
分组完成后,相较于原始特征集,特征维度降低,特征组间的冗余信息较少。特征组内的关联度较高,在使用SSA算法做特征选择时,粒子的搜索空间减小,时间的复杂度降低。因每组特征内的关联度高,提升了粒子初始化种群的质量,进而每组特征能选择出更重要的特征。
Step3:SSA特征选择
首先初始化种群。种群速度和位置两个参数决定了粒子运动的具体情况,位置决定了距离最优值的距离,速度迭代时变化的大小。在粒子群算法开始时,针对所有的粒子赋初始值。具体的初始区间为[0,1],为了便于统计和观察,当初始值大于0.5时,则赋值为1,当初始值小于等于0.5时,则赋值为0。在初始化过程中,所选出的特征总数占原始特征的50%,满足一般的特征选择要求。
然后设置种群迭代规则。在迭代过程中粒子的速度和位置更新按照下式(30)进行更新。
其中K是随机数[-1,1],β是步长控制参数,它是一个随机数,服从方差为1,均值为0的正态分布;Xbest表示当前全局最优位置;为了防止分母出现0,ε表示最小常数;fg、fw和fi分别代表当前麻雀的全局最优、全局最差和个体适应度。
每次迭代之后得到的结果,考虑维度和精确度两种目标进行联合判定粒子所选出的优劣程度,所立的适应度函数精确度占比为0.8,特征维数为0.2。为了避免因粒子陷入局部而使结果存现偏差,在粒子选择的过程中,还对粒子进行随机扰动,避免粒子陷入局部最优化。具体更改的总数占整个矩阵的5%,更改的位置为迭代总数的60%。
S5:建立基于支持向量机的跌倒检测模型(SVM),包括训练和测试两个阶段。训练阶段通过已知的跌倒和非跌倒数据训练模型参数;测试阶段通过步骤4得到的融合特征向量预测跌倒动作;具体包括以下步骤:
将融合后的特征数据映射到高维空间中,变为高维空间中的线性可分问题,引入核函数为则跌倒活动识别分类问题表示为:
式中w表示最优分类超平面的权系数,b表示分类阈值;εi是为解决线性不可分问题引入的松弛因子,只有离群点会有松弛变量,εi越大,表示离群越远;考虑到放弃这些离群点将损失分类准确度,所以引入惩罚因子C(C>0),对上述问题的对偶问题表示为:
式中Qij=yiyjk(xi,xj),e为所有为1的向量,最终决策函数为:
根据跌倒等活动类型的数据特征,选择合适的核函数和惩罚参数C来确定SVM,核函数选择径向基(RBF)核函数,如下所示:
K(xi,xj)=exp(-γ||xi-xj||2),γ>0 (34)
其中的γ为核参数。结合WiFi干扰环境下的CSI跌倒活动数据特征,构建基于RBF核函数的SVM算法模型。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于多源信息融合的无线跌倒检测方法,其特征在于:包括以下步骤:
S1:通过融合惯性传感器获取人体运动状态信息,包括加速度、角速度;使用平滑滤波器过滤噪声传感器本身的噪声、降低数据抖动;基于扩展卡尔曼滤波(EKF)的融合滤波算法消除陀螺仪的累计误差,再对加速度、角速度进行数据融合和姿态角解算,接着对得到的三轴角度和三轴加速度进行融合特征提取;
S2:获取人体动作和周围环境信息,包括WiFi无线信道的幅度、相位;提取WiFi信息中的CSI数据,设置巴特沃斯低通滤波器去除背景杂波,使用主成分分析法对CSI信号进行降维处理;最后使用居中投影的方法进行消除相位偏移并计算生成微分CSI特征;
S3:提出基于微分CSI的自适应活动分割算法,通过估计行为的持续时间或者手动标记判断每一个动作的开始和结束;然后分别对两种数据进行特征提取,对于惯性传感器原始数据处理后得到的加速度、角度以及融合特征进行时域提取,特征值包括均值、标准差、平均绝对偏差、最大值、不同轴之间的相互系数,并将特征数据按照活动种类进行归类处理;对WiFi CSI提取幅值和微分CSI特征,包括数据时间序列的各种统计矩阵;
S4:提供多信息融合的特征选择方法对提取到运动特征和CSI信号特征进行融合,以捕获从两种特征之间的复杂关联;
S5:建立基于支持向量机的跌倒检测模型SVM,包括训练和测试阶段;训练阶段通过已知的跌倒和非跌倒数据训练模型参数;测试阶段通过步骤S4得到的融合特征向量预测跌倒动作。
2.根据权利要求1所述的基于多源信息融合的无线跌倒检测方法,其特征在于:所述步骤S1具体包括以下步骤:
S11:采集跌倒动作和三种可能跟跌倒混淆的动作的数据,包括坐下、站起、下蹲,其中融合惯性传感器收集到的数据为角速度,加速度和磁偏量信息;
S12:通过低通滤波过滤高频噪声成分,再通过进行平滑过滤处理;
S13:使用EKF方程组进行迭代计算,得到当前时刻的姿态角的四元数表示法,以此类推,得到一组线性的四元数形式姿态角;采用陀螺仪进行状态预测,再利用加速度计对预测状态进行更新,用来消除陀螺仪零漂产生的累计误差;
扩展卡尔曼滤波器模型为:
最终将四元数解算出的四元数姿态数据转换为欧拉角,转换公式如下:
其中,x为偏航角,y为俯仰角,z为横滚角;
S14:通过合加速度SMVa、合角速度SMVω、合姿态角SMVg来表征姿态的综合变化,表示为:
3.根据权利要求1所述的基于多源信息融合的无线跌倒检测方法,其特征在于:所述步骤S2具体包括以下步骤:
S21:对原始CSI数据使用低通巴特沃斯滤波器和相位消除法进行数据处理,对数据中存在的噪声和异常值进行过滤,具体步骤如下:
首先采用巴特沃斯滤波器对数据进行处理,巴特沃斯低通滤波器用如下振幅的平方对频率的公式表示:
其中f为截止频率,n为滤波器的阶数,p表示通频带边缘频率;处理后获得CSI数据流,由人体运动引起的射频信号的变化与不同的CSI流相关;
采用主成分分析法PCA移除相关性较大的CSI数据流,得到Y中的成分按照最大可能方差降序排列,其中第一个主成分具有最大可能方差,包含最大人体运动信息且受噪声的影响最小,最后一个主成分具有最小可能方差,受噪声的影响最大;
S22:计算微分CSI:
(1)消除相位偏移
假设CSI(n)是频域中w个时间步长的N个子载波中第n个子载波的CSI,CSI离散傅立叶变换DFT表示为:
将式(5)进行离散傅立叶逆变换IDFT:
其中CSIk和Xk分别为任意特定子载波的CSI矩阵和空间映射矩阵SMM和循环延迟分集CDD的乘积,Hk为跨相应子载波的信道系数,ε为归一化频率偏移量;ci为第i个时间步长信道中存在的噪声,任意子载波n的CSI现在包含所需的CSI(sn)和频率偏移μn部分,即式(6)中的第一项和第二项,考虑任意特征的时间步长为I,子载波数为N,得到一个阶数为I×N的特征矩阵,数据集的每个特征都表示为:
CSIR=S+μT+C (7)
其中,S(I×N)是一个不含偏移和噪声的Sn(I×1)向量矩阵,μ是一个包含常数偏移项μn的N×1向量,n={1,2,...,N},表示每个时间步长i,C表示通过去噪滤波器去除的噪声,偏移通过投影步骤中的居中方法来消除,跨列居中会产生微分CSI:
其中,CSIdiff(I×N)包含微分CSI,I为标识矩阵,P(I×1)为正交投影矩阵;列平均是CSIR各列在矢量1方向上的正交投影;P⊥是对的无效空间的投影矩阵;根据式(7)和式(8),将原始数据矩阵CSIR投影到的无效空间,可得:
CSIdiff=P⊥S+P⊥C (9)。
4.根据权利要求1所述的基于多源信息融合的无线跌倒检测方法,其特征在于:所述步骤S3具体包括以下步骤:
S31:构建基于微分CSI的自适应活动分割算法,利用信号方差特征中活动和静止部分的差值,微分方差的方法增强活动数据的特征,减弱非活动特征;
S32:惯性传感器特征提取:对于窗口时间范围T,合加速度、合角速度、合姿态角分别提取活动数据中的集中趋势、数据的局部变动幅度、数据的总体变动程度、活动数据的波动情况、活动数据中的偏差情况、X轴和Z轴之间加速度和姿态角关系的强度和方向;
S33:CSI信息特征提取:基于步骤S2处理后得到的SCI信息数据,分别提取CSI幅值特征和微分CSI统计特征。
5.根据权利要求4所述的基于多源信息融合的无线跌倒检测方法,其特征在于:步骤S31所述基于微分CSI的自适应活动分割算法具体包括以下步骤:
S311:对于去噪后的信号Y,窗口大小W,偏移量k为相邻滑动窗口之间的步长,第t个窗口的方差定义为:
方差代表信号CSI的波动,方差越大的部分是人类活动的部分,但非活动部分仍然存在一些小的波动;
S312:将滑动窗口相加,结果表示为:
其中,Ysum表示每个滑动窗口的总和,然后对每个滑动窗口进行前后差分运算,得到微分CSI:
Ydiff(t)=Ysum(t)-Ysum(t-1) (12)
采用中值滤波法,得到滤波后的结果Yf;
S313:Ysum值越大的部分是人类活动的部分,设置初始阈值并不断移动窗口:
判断时将初始阈值乘以一个判断系数c,在处理第一部分时,平滑非动作部分的方差,扩大动作部分的方差;在切割活动数据时,将初始阈值乘以设定的判断系数,保留更多的动作信号;如果窗口中的总和大于c*th,则将相应的时间点设为起点,否则更改阈值:
在检测起点和终点时,旧阈值和当前窗口生成的值的权重设置为0.5;
S314:如果找到了起点,则移动起点后的窗口,直到窗口内的总和小于或等于c*th,然后自动更新阈值:
在判断终点时,考虑此时已确定的行动起点,将此时的窗口大小设置为2w。
6.根据权利要求4所述的基于多源信息融合的无线跌倒检测方法,其特征在于:步骤S32具体包括以下步骤:
用A表示加速度、合角速度、合姿态角中的任一一种,分别提取下列特征向量:
(1)采用均值来反映活动数据中的集中趋势,如下所示:
(2)采用最大值和最小值表示数据的局部变动幅度,如下所示:
maxA,minA(A)(17)
(3)采用累计变化量反映数据的总体变动程度,如下所示:
(4)采用标准差来反映活动数据的波动情况,如下所示:
(5)采用偏差反映活动数据中的偏差情况,如下所示:
(6)采用相关系数来反映X轴和Z轴之间加速度和姿态角关系的强度和方向,如下所示:
7.根据权利要求4所述的基于多源信息融合的无线跌倒检测方法,其特征在于:步骤S33具体包括:
(1)采用均值来反映活动数据中的集中趋势,如下所示:
(2)采用标准差来反映活动数据的波动情况,如下所示:
(3)采用平均绝对偏差反映活动数据中的偏差情况,如下所示:
MAD(k)=me(|Hk(i)-me(Hk)|) (24)
(4)构建微分CSI特征矩阵,包括方差、协方差和相关系数:
1)方差
首先计算微分CSI矩阵CSIdiff,然后写出协方差矩阵
其中V是N×N矩阵;沿着V的对角线元素得到每个子载波CSI的方差,第n个子载波的方差表达式为:
从方差参数中获得特定子载波在不同时间步长的CSI信息,通过比较V的不同对角元素,比较一个子载波和另一个子载波的差异;
计算出特定子载波的方差后,将每个值除以标准偏差,得出微分CSI;
2)协方差
协方差表示两个子载波相互的影响,考虑两个子载波I和M,其协方差的表达式为:
其中L=XlHl,M=XmHm,如果协方差值不为零,推断一个子载波由于另一个子载波的影响而产生偏移;
3)相关系数
两个子载波之间的关系通过相关系数进一步估算,相关系数的范围在-1到1之间;任何两个子载波I和M的相关系数为:
非对角元素也称为皮尔逊相关系数,表示任意两个子载波之间的相关性,相关系数为0表示它们不相关,-1则表示完全相关。
8.根据权利要求1所述的基于多源信息融合的无线跌倒检测方法,其特征在于:所述步骤S4具体包括以下步骤:
S41:分别计算步骤S3所得的特征集中的各个特征重要性W,使用Wilks统计量衡量判别特征的重要性,Wilks值越低的特征被认为具有较好的判别性能;
筛选出其中特征重要性最高的n个特征,并计算其余各特征与筛选出的特征之间的互信息值I(X;Y),表达式为:
其中,p(x,y)为联合概率密度函数,p(x)和p(y)是x和y的边缘概率密度函数;当x与y表示特征和标签之间的联系时,互信息值越大,则特征和标签的关联性越强;当x与y同时表示特征时,互信息值越大,则特征间的冗余性越强;
S42:特征分组
以筛选出的n个最高重要性特征为基准,将原始特征分为n组,根据S41中计算的特征间互信息值,选出m个互信息值较大的特征分为同一组;
S43:SSA特征选择
首先初始化种群,针对所有的粒子赋初始值,具体的初始区间为[0,1],当初始值大于0.5时,则赋值为1,当初始值小于等于0.5时,则赋值为0;
然后设置种群迭代规则,在迭代过程中粒子的速度和位置更新按照下式(30)进行更新;
其中K是随机数[-1,1],β是步长控制参数,它是一个随机数,服从方差为1,均值为0的正态分布;Xbest表示当前全局最优位置;ε表示最小常数;fg、fw和fi分别代表当前麻雀的全局最优、全局最差和个体适应度;
每次迭代之后得到的结果,考虑维度和精确度两种目标进行联合判定粒子所选出的优劣程度;在粒子选择的过程中,对粒子进行随机扰动。
9.根据权利要求1所述的基于多源信息融合的无线跌倒检测方法,其特征在于:所述步骤S5具体包括以下步骤:
将融合后的特征数据映射到高维空间中,变为高维空间中的线性可分问题,引入核函数为则跌倒活动识别分类问题表示为:
式中w表示最优分类超平面的权系数,b表示分类阈值;εi是为解决线性不可分问题引入的松弛因子,只有离群点会有松弛变量,εi越大,表示离群越远;引入惩罚因子C(C>0),对上述问题的对偶问题表示为:
式中Qij=yiyjk(xi,xj),e为所有为1的向量,最终决策函数为:
根据跌倒活动类型的数据特征,选择合适的核函数和惩罚参数C来确定SVM,核函数选择径向基RBF核函数,如下所示:
K(xi,xj)=exp(-γ||xi-xj||2),γ>0 (34)
其中γ为核参数,结合WiFi干扰环境下的CSI跌倒活动数据特征,构建基于RBF核函数的SVM算法模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311675466.7A CN117643468A (zh) | 2023-12-06 | 2023-12-06 | 基于多源信息融合的无线跌倒检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311675466.7A CN117643468A (zh) | 2023-12-06 | 2023-12-06 | 基于多源信息融合的无线跌倒检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117643468A true CN117643468A (zh) | 2024-03-05 |
Family
ID=90049215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311675466.7A Pending CN117643468A (zh) | 2023-12-06 | 2023-12-06 | 基于多源信息融合的无线跌倒检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117643468A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117848332A (zh) * | 2024-03-07 | 2024-04-09 | 北京理工大学前沿技术研究院 | 一种车载多源融合高精度定位系统的imu噪声消除方法 |
CN118364262A (zh) * | 2024-06-17 | 2024-07-19 | 中国科学院空天信息创新研究院 | 一种用于行为模式识别的传感器特征优选方法 |
-
2023
- 2023-12-06 CN CN202311675466.7A patent/CN117643468A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117848332A (zh) * | 2024-03-07 | 2024-04-09 | 北京理工大学前沿技术研究院 | 一种车载多源融合高精度定位系统的imu噪声消除方法 |
CN117848332B (zh) * | 2024-03-07 | 2024-05-03 | 北京理工大学前沿技术研究院 | 一种车载多源融合高精度定位系统的imu噪声消除方法 |
CN118364262A (zh) * | 2024-06-17 | 2024-07-19 | 中国科学院空天信息创新研究院 | 一种用于行为模式识别的传感器特征优选方法 |
CN118364262B (zh) * | 2024-06-17 | 2024-08-16 | 中国科学院空天信息创新研究院 | 一种用于行为模式识别的传感器特征优选方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117643468A (zh) | 基于多源信息融合的无线跌倒检测方法 | |
Vishnu et al. | Human fall detection in surveillance videos using fall motion vector modeling | |
Sztyler et al. | Online personalization of cross-subjects based activity recognition models on wearable devices | |
Maggio et al. | Efficient multitarget visual tracking using random finite sets | |
Jordao et al. | Novel approaches to human activity recognition based on accelerometer data | |
JP5604256B2 (ja) | 人物動作検出装置およびそのプログラム | |
CN105787434A (zh) | 基于惯性传感器的人体运动模式识别方法 | |
JP7070605B2 (ja) | 注目範囲推定装置、その方法およびプログラム | |
KR101872907B1 (ko) | 듀얼 스마트 밴드를 이용한 모션 분석 장치 및 방법 | |
WO2011140632A1 (en) | Method of identification and devices thereof | |
Fan et al. | Fall detection via human posture representation and support vector machine | |
Jensen et al. | Classification of kinematic swimming data with emphasis on resource consumption | |
CN110033472B (zh) | 一种复杂红外地面环境下的稳定目标跟踪方法 | |
EP2967446A2 (en) | Determining activities from sensed motion signals | |
Peterek et al. | Comparison of classification algorithms for physical activity recognition | |
WO2007026130A1 (en) | Feature selection | |
Salman et al. | Classification and legality analysis of bowling action in the game of cricket | |
CN110163112B (zh) | 一种考生姿态分割与平滑方法 | |
CN109902554B (zh) | 一种基于商用Wi-Fi的手语的识别方法 | |
Yang et al. | Human posture recognition in intelligent healthcare | |
Zhang et al. | Recognizing ping-pong motions using inertial data based on machine learning classification algorithms | |
Krupitzer et al. | Beyond position-awareness—Extending a self-adaptive fall detection system | |
Song et al. | Adaptive common spatial pattern for single-trial EEG classification in multisubject BCI | |
Gunale et al. | Indoor human fall detection system based on automatic vision using computer vision and machine learning algorithms | |
Venkatachalam et al. | Bimodal HAR-An efficient approach to human activity analysis and recognition using bimodal hybrid classifiers |
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 |