[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

说明书

本发明属于无线通信技术领域，公开了一种人体摔倒智能检测方法、系统、信息数据处理终端，所述人体摔倒智能检测方法包括：利用WIFI设备获取原始CSI数据；提取与人体运动相关的动态路径，并对动态路径信息进行联合估计，计算出人体运动轨迹与运动速度；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；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，提取摔倒动作特征；通过分类模型对特征进行动态筛选，使用剩余特征进行摔倒动作识别，得到结果。本发明克服现有技术中检测精度低且检测结果易受到环境变化影响的问题，保护用户的隐私，节省计算资源，提升摔倒动作的检测精度。

技术领域

本发明属于无线通信技术领域，尤其涉及一种人体摔倒智能检测方法、系统、信息数据处理终端。

背景技术

目前，随着第五代移动通信技术(5G)的飞速发展，人类已经步入了万物互联的物联网时代，以机器为中心的计算模式正朝着为以人为中心的计算模式转变。人体行为识别作为物联网关键技术之一，一直以来都是重要的科学研究课题。根据世界健康组织调查显示，每年约有30％的老年人因摔倒而受伤。摔倒是一个十分危险的动作，特别是对于老年人而言，可能会导致躯体的直接损伤或内脏的间接损伤。如果能及时的检测出人体的摔倒动作，并通知看护或医疗人员，就可以避免错过最佳治疗时间。随着人们对老人生命健康问题的关注度的提高，室内人体摔倒检测已成为研究热点。传统的摔倒检测技术主要包括基于传感器、计算器视觉和接收信号强度指示(RSSI)的摔倒检测，这些技术虽然可以获得一定程度的动作识别准确率，但这些方法都需要专用的传感器，安装成本高昂，用户隐私难以得到保护。此外，由于RSSI仅包含幅度信息，同时可用数据流数量较少，是一种粗粒度的信息，所以此类方法的检测精度一般较低。

基于CSI的摔倒检测与传统的方法相比，具有部署难度低，安装成本低，检测精度高，保护用户隐私的优点，近年已成为国内外研究的热点内容。WiFall方法作为首个基于CSI的摔倒检测系统，采用了局部异常因子来检测人体运动。该方法利用信道状态信息幅度的时变性来刻画人体的动作，并利用幅度的方差来提取摔倒动作发生时间窗口。通过支持向量机对提取的7种特征分类达到了87％的平均摔倒检测精度。由于该方法较低的检测准确率和较高的平均虚警概率，许多方法在此基础上加以了改进。Anti-Fall就是一种改进后的摔倒检测方法，它除了使用CSI的幅度信息外还使用了两个接收天线的相位差作为特征来区分摔倒和类摔倒动作。该方法提出了摔倒结束时间的检测，通过提前设定的阈值来判断摔倒动作的结束时间。Anti-Fall以结束时间为基准，回溯一定的时间窗口，来获取完整的摔倒动作信息。该方法同样使用了支持向量机对多种特征进行分类，达到了89％的平均摔倒检测精度。RT-Fall对Anti-Fall方法进行了改进，除了原有的用于分类的特征外，RT-Fall还提出了功率下降率的特征。通过观察不同人体动作的频域特征，由于摔倒动作不受人控制，相比于其余人体动作功率下降率会更大，所以功率下降率可以一定程度上改善分类结果。最终RT-Fall的平均分类准确率为91％。FallDeFi继续对分类特征进行了拓展。以前的方法都是从时域中提取分类特征，而该方法通过短时傅里叶变换来提取频域特征。此外，FallDeFi使用功率突发曲线提取摔倒动作时间窗口。对于多样的特征，FallDeFi使用了序列前向选择算法，挑选出可以弹性应对环境变化的特征，同时保证了较高的分类准确率。FallDeFi的分类准确率达到了93％。随着深度学习技术的发展，也有不少方法将其应用到基于CSI的摔倒检测之中，且取得了较好的成果。WmFall对于难以区分的摔倒和坐下的动作，通过深度学习算法对它们进行区分。该方法实现了一个多级深度学习模型，包括感知层、初步判断层和最终判断层三个部分。WmFall在实验室中测试结果分类准确度为89％。FDS方法首先使用离散小波变换去除人体运动信号中的高频噪声，然后将去噪后的数据使用循环神经网络进行分类。在实验室中达到了90％的分类准确度。近年来，一些新的摔倒检测方法层出不穷，虽然取得了一定的成果，但都难以在继续提升分类准确度上做出突破。

通过上述分析，现有技术存在的问题及缺陷为：