[发明专利]基于ResNet网络的雷达跌倒检测方法及设备

说明书

基于ResNet网络的雷达跌倒检测方法及设备，属于检测技术领域。是为了解决为了解决现有基于图像的跌倒检测方法存在适用场所范围有限、容易暴露隐私的问题、基于WiFi的检测方式存在泛化性较差的问题、基于点云数据实时追踪目标高度成本高，运算复杂，多姿态识别能力差的缺点，本发明所述方法首先提取雷达数据多普勒信息，对多普勒数据的RDT信号进行阈值滤波得到时频信息图，然后利用ResNet网络进行识别，从而实现跌倒检测。本发明主要用于跌倒检测。

技术领域

本发明涉及一种基于雷达数据进行跌倒检测的方法及设备，属于检测技术领域。

背景技术

随着社会经济的高速发展，人口老龄化问题日益加重，如何保证老人的安全和健康显得尤为重要。在家庭和医疗健康监护中，如何及时准确地进行实时老人状态监测特别是跌倒检测已成为亟待解决的难题。

基于毫米波雷达的跌倒检测方法具有较强的穿透能力、非介入式传感、良好的隐私保护性，不易受环境因素(如天气、温度、光照等)影响等优点，具备与传统视频监控和穿戴式传感器竞争的能力，近年来已受到国内外学者的广泛关注。

跌倒检测的方案主要分为两种：穿戴式和非穿戴式。穿戴式方法针对固定对象进行跌倒检测，如利用惯性测量单元、加速度计和陀螺仪等传感器组成的穿戴式跌倒检测设备；吕艳等人提出一种基于卷积神经网络(Convolutional Neural Network，CNN)和手机传感器的跌倒检测系统，利用神经网络对智能手机内置的三轴传感器数据进行训练和分类，可以达到较好的检测效果。上述穿戴式方法主要存在体感上的不适和老人忘记主动佩戴等问题。上述的穿戴式检测方法存在穿戴麻烦，老人不愿意佩戴设备或者容易忘记穿戴的问题。

非穿戴式方法针对固定区域进行检测，主要有以下几种传感器：相机、WiFi、超宽带雷达、毫米波雷达。基于相机的跌倒检测方法不断是出现：Abobakr等人通过深度残差卷积长短时记忆网络(Long Short-Term Memory，LSTM)对RGB-D图像进行跌倒分类；Feng等人利用目标检测对复杂场景中进行人体检测，并利用LSTM网络对图像进行跌倒结果预测，得到较好的检测效果。基于图像检测的方式存在侵犯个人隐私风险，不适合用于洗手间、卧室等隐私场所，同时需要充足的光线，不适合夜晚场景的使用。基于WiFi的方法有着成本低的优势：Bao等人基于WiFi通道状态信息提出一种智能监控系统，根据通道状态信息的相位和幅度差值来建立跌倒检测模型；Hu等人提出DeFall的检测方法，首先建立跌倒的通道状态信息静态模板库，然后利用通道状态信息估计跌倒时的速度进行相似度匹配。基于WiFi的方式容易收到其他外来信号的干扰，泛化性较差。除了上述非接触的方法之外，使用毫米波雷达进行跌倒检测也是近年来一种非常受欢迎的方法。毫米波雷达具有良好的隐私保护性，具有探测精度高，成本低的特点，近年来使用毫米波雷达的检测方法与日俱增。Jin等人利用毫米波雷达采集多普勒信息，并利用CNN进行训练和识别病人动作，该方法计算效率较高，但特征提取有待改善，算法的准确率有待提高；Wang等人基于CNN提出一种线核卷积神经网络(line kernel convolutional neural network，LKCNN)用于提高跌倒检测算法的准确性，但存在检测动作单一的问题；Aman和Li等人利用双层LSTM结构来对调频连续波雷达信号进行学习，达到对人体动作进行分类的目的，这两种算法时延较大，需要进一步提高运行速度。上述基于毫米波雷达的方法仍存在网络结构单一，对于信号特征的提取和利用有限的问题。除了以上方式，近年来也有使用点云轨迹追踪进行跌倒姿态检测的方法。朱荟芝等人通过对人体进行点云轨迹追踪分析人体的姿态。这种方法通过获取目标数据的点云数据实时追踪目标高度来实现跌倒检测。但这种方法对雷达的要求极高(尤其是对雷达分辨率要求极高)，使得成本居高不下，同时检测所需数据量极大，计算复杂，对实时检测不利。

发明内容

本发明是为了解决现有基于图像的跌倒检测方法存在适用场所范围有限、容易暴露隐私的问题、基于WiFi的检测方式存在泛化性较差的问题、基于点云数据实时追踪目标高度成本高，运算复杂，多姿态识别能力差的缺点。