[发明专利]一种基于小样本学习的跌倒检测系统及方法

权利要求书

1.一种基于小样本学习的跌倒检测系统，其特征在于，该系统包括数据收集模块、数据处理模块和检测模型构建模块，其中：

所述数据收集模块，收集环境中人类活动数据而引起变化的CSI信号，每一份收集的CSI信号样本覆盖了完成一个动作时间内的持续信号变化；

所述数据处理模块，将收集到的CSI信号进行预处理，进行Hampel滤波处理和离散小波变换滤波处理，以去除噪声和异常值；

所述检测模型构建模块，使用小样本学习方法训练两个网络，其中：特征提取网络用于从处理好的CSI信号中提取特征，映射到特征空间；相似度计算网络用于计算提取出的特征之间的相似度，以此来对特征数据进行检测分类，识别跌倒行为。

2.如权利要求1所述的一种基于小样本学习的跌倒检测系统，其特征在于，中：

所述特征数据分为训练集和支持集，其中，所述训练集包含不同种类已采集的人类活动CSI信号数据，用于训练特征提取网络和相似度计算网络，所述支持集包含少量跌倒数据和活动数据，经过特征提取后与待测数据特征进行比对，对待测数据进行检测分类，识别跌倒行为。

3.一种基于小样本学习的跌倒检测方法，其特征在于，该方法具体包括以下步骤：

步骤1：进行数据收集，得到环境中人类活动数据而引起变化的CSI信号矩阵，每一份收集的CSI信号样本覆盖了完成一个动作时间内的持续信号变化；

步骤2：对数据进行裁剪和插值处理，其中：进行裁剪处理以保证CSI矩阵尺寸固定为3×30×200，使用线性插值方法进行插值处理，具体地，插值点处函数值由连接其最邻近的两侧点的线性函数预测，以此补充丢包数据；

线性插值处理公式如下：

其中，为丢包位置的补充数据值，x₀、y₀为最邻近补包位置前一个点的横/纵坐标，x₁、y₁为最邻近补充位置后一个点的横/纵坐标，x为补包位置横坐标；

步骤3：进行数据处理，基于Hampel滤波去除因为环境干扰因素造成的收集的CSI信号出现的异常值；Hampel滤波处理的具体过程为，对于输入向量的每个样本函数，得到样本及其周围k个样本组成的窗口的中值，利用中位数绝对值估计出各样本对中值的标准差，如果样本与中值相差超过n个标准差，则用中值替换该样本；

Hampel滤波处理公式下：

其中，X_i为窗口中间样本，m_i为窗口的中值，σ_i为窗口样本标准差，n为设定阈值；

步骤4：继续进行数据处理，基于离散小波变换进行带内噪声滤波，对经过步骤3处理后的CSI信号通过EMD分解，通过将信号变换到小波域，得到CSI信号的高频IMF分量和低频IMF分量，将保留的高频IMF分量分解为小波域下的高频系数和低频系数，实现阈值量化即在小波变换中对噪声和该电平的阈值进行估计，将阈值适应于较低的小波电平，然后在所有小波电平上去除噪声，实现了小波阈值降噪处理，此处理对信号分量没有明显的失真；进行小波重构，将小波域的信号变换回时域信号；进行信号重构，还原到CSI信号，得到去除高频噪声的CSI信号；

步骤5：构建特征提取模型和检测模型，完成特征提取和相似度计算，实现待测数据的检测分类，以识别跌倒行为，具体过程如下：

步骤5.1：构建特征提取模型，即利用特征提取网络从经过处理的CSI信号中提取特征，构成特征数据，将特征数据映射到特征空间，特征提取网络采用多层卷积神经网络的结构，从特征数据中提取较为抽象的特征；

步骤5.2：构建检测模型，即对相似度计算网络进行训练，初始参数矩阵为由各支持集样本通过特征提取网络提取出的特征组成，利用相似度计算网络计算得到由特征提取网络提取出的特征之间的相似度，在检测时根据相似度对特征数据样本分为训练集和支持集，其中，所述训练集包含不同种类已采集的人类活动CSI信号数据，用于训练特征提取网络和相似度计算网络，所述支持集包含少量跌倒数据和活动数据，经过特征提取后与待测数据特征进行比对，对待测数据进行检测分类，识别跌倒行为。