[发明专利]一种人体摔倒智能检测方法、系统、信息数据处理终端

权利要求书

1.一种人体摔倒智能检测方法，其特征在于，所述人体摔倒智能检测方法包括以下步骤：

步骤一，利用WIFI设备获取原始CSI数据；

步骤二，提取与人体运动相关的动态路径，对人体运动产生的多普勒频移DFS、天线阵列到达角AoA以及信号飞行时间ToF信息进行联合估计，计算出人体运动轨迹与运动速度；

步骤三，依据当前人体运动速度和预设的摔倒速度阈值，判断并提取出摔倒动作的时间窗口；

步骤四，利用联合估计得到的DFS和人体运动速度，结合CSI幅度与相位差作为摔倒动作判决的统计量，从中提取共11个摔倒动作特征；

步骤五，通过一个两层的分类模型，对特征进行动态筛选，舍去权重较低的变量；使用剩余特征进行摔倒动作识别，得到结果；

步骤四中，所述利用联合估计得到的DFS和人体运动速度，结合CSI幅度与相位差作为摔倒动作判决的统计量，从中提取共11个摔倒动作特征，包括：

综合考虑CSI的幅度、CSI的相位差、DFS和人体运动速度，提取摔倒动作特征，用于提高识别精度和简化分类计算；选取的CSI幅度为第一根天线第十个子载波的幅度，即A＝|H(i,1,10)|,i＝1,2,…,T，选取的CSI相位差为第一根天线与第二根天线第十条子载波的相位差，即Ph＝φ_i,1,10-φ_i,2,10,i＝1,2,…,T；

提取的特征如下：

(1)动作持续时间

TD＝t_start-t_end；

其中，t_start表示步骤三中时间窗口的动作开始时间，t_end表示动作结束时间；

(2)CSI幅度归一化标准差STD_A

其中，表示CSI幅度的均值；

(3)CSI相位差归一化标准差STD_Ph

其中，表示CSI相位差的均值；

(4)CSI幅度样本熵SE_A

对于N个CSI幅度样本数据组成的时间序列{A(n)}＝{A(1),A(2),…,A(N)}，定义序列A_m(i)＝{A(i),A(i+1),…,A(i+m-1)}，定义序列A_m(i)与A_m(j)之间的距离d[A_m(i),A_m(j)]为两者元素中最大差值的绝对值，即：

d[A_m(i),A_m(j)]＝max_{k＝0,1,…,m-1}(|A(i+k)-A(j+k)|)；

对于序列A_m(i)，统计A_m(i)与A_m(j)之间的距离小于等于阈值r时j的数目，1≤j≤N-m,j≠i，记作B_i；对于1≤i≤N-m，定义：

定义：

增加维数到m+1，计算A_m+1(i)与A_m+1(j)距离小于等于r的个数，1≤j≤N-m,j≠i，记为D_i；定义为：

定义：

其中，表示两个序列在相似容限r下匹配m个点的概率，D^m(r)是两个序列匹配m+1个点的概率；样本熵计算公式为：

计算CSI幅度样本熵时，取m＝2，r＝0.15·STD_A；

(5)CSI相位差样本熵SE_Ph

计算方式与CSI幅度样本熵同理，将样本数据替换为CSI相位差数据{Ph(n)}＝{Ph(1),Ph(2),…,Ph(N)}，计算公式为：

计算CSI相位差样本熵时，取m＝2，r＝0.15·STD_Ph；

(6)CSI幅度绝对中位差MAD_A

MAD_A＝median(|A-median(A)|)；

其中，median表示计算数据的中位数；

(7)CSI相位绝对中位差MAD_Ph

MAD_Ph＝median(|Ph-median(Ph)|)；

(8)CSI幅度四分位距IR_A

Q₃(A)-Q₁(A)；

其中，Q₃表示计算该样本中所有数值由小到大排列后第75％的数字，Q₁表示计算该样本中所有数值由小到大排列后第25％的数字；

(9)CSI相位差四分位距IR_Ph

Q₃(Ph)-Q₁(Ph)；

(10)DFS绝对值的最大值f_max

f_max＝max|f_d|；

(11)人体运动速度最大值v_max

v_max＝maxv；

增加DFS和速度来更好地体现人体摔倒动作，共提取11个特征，组成特征向量W进行最终分类：

W＝[TD,STD_A,STD_Ph,SE_A,SE_Ph,MAD_A,MAD_Ph,IR_A,IR_Ph,f_max,v_max]；

步骤五中，所述通过一个两层的分类模型，对特征进行动态筛选，舍去权重较低的变量；使用剩余特征进行摔倒动作识别，得到结果，包括：

利用WIFI设备分别多次人体运动的信道状态信息CSI数据，计算得到多组特征向量；将获得的特征向量作为输入数据，将输入数据按比例划分训练数据集和测试数据集；

在第一层分类器中，利用训练数据集，采用随机森林RF进行初步的学习和分类，计算每个特征的变量权重；每个特征在随机森林中每个决策树的贡献通过基尼系数计算来评估，通过VIM表示变量的重要性，用G来表示基尼系数；其中，所述基尼系数的计算方式如下：

其中，R表示类别总数，本模型中包括摔倒和非摔倒两类，s_pr表示在节点p中类别r所占的比例；

根据步骤四中提取的特征向量W，共有11个特征a₁,a₂,…,a₁₁，按照公式计算出每个特征a_i,i＝1,2,…,11的基尼系数，记作VIM_i；基尼系数的变化，即特征在决策树节点p中的重要性的计算如下：

VIM_jp＝G_p-G_l-G_r；

其中，G_l和G_r分别代表两个新节点的基尼系数；

若特征a_i出现的节点记为集合P，则决策树j中特征a_i的重要性表示为：

假设随机森林中决策树的总数为k_tree，则特征a_i的重要性表示为：

对得到的特征重要性进行归一化即可得到变量权重：

按照变量权重大小对特征进行筛选，滤除变量权重VIM_j＜0.04的特征；滤除部分特征后的特征向量用W₀表示，根据W₀更新训练数据集和测试数据集；

在第二层分类器中，利用更新后的测试集数据，采用支持向量机SVM进行模型训练，类别包括摔倒动作和非摔倒动作；模型训练完成后，将更新后测试数据集的数据放入模型进行分类，对于每一组数据，输出一种类别；将测试集数据原类别与模型分类结果比对得到分类模型准确率。