[发明专利]一种人体摔倒自动检测方法及系统

权利要求书

1.一种人体摔倒自动检测方法，基于无线网络信号传输技术，其步骤包括：

S1、无线接收端接收来自无线发射端的无线信号，并评估信道状态信息； 

S2、利用异常检测算法识别信道状态信息变化的异常；

S3、基于将目标动作类和其他动作类进行区分的一类支持向量机，以人体摔倒动作导致信道状态信息变化的异常模式为目标动作类，判断是否发生人体摔倒动作，若是，则发出摔倒警报信号。

2.根据权利要求1所述的人体摔倒自动检测方法，其特征在于：所述无线发射端的数目为一个或两个以上，所述无线接收端的数目为一个或两个以上。

3.根据权利要求2所述的人体摔倒自动检测方法，其特征在于，所述步骤S1评估信道状态信息包括：

S11、采集初始信道状态数据，基于多输入多输出技术，所述初始信道状态数据包括N个空间流中的M个子载波的CSI值，N和M均为大于1的自然数；

S12、对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于1小于M的自然数；

S13、利用数据过滤技术和滑动平均方法对信道状态信息进行平滑处理。

4.根据权利要求1所述的人体摔倒自动检测方法，其特征在于：所述步骤S2利用异常检测算法识别信道状态信息变化的异常是基于局部异常因子的时间序列异常检测算法。

5.根据权利要求4所述的人体摔倒自动检测方法，其特征在于，所述步骤S2包括：

S21、对信道状态信息的时间序列实施数据分割得到子序列，计算子序列的局部异常因子；

S22、当所述局部异常因子大于或等于预设阈值时，将子序列作为异常模式输出。

6.根据权利要求5所述的人体摔倒自动检测方法，其特征在于：所述步骤S3包括：

S31、基于统计学习理论，预先建立以设定空间内由于各项人体动作导致信道状态信息变化的异常模式作为训练样本的高维特征模型；

S32、将步骤S23输出的异常模式映射至一类支持向量机的高维特征模型中，分离出目标动作类；

S33、判断发生人体摔倒动作，发出摔倒警报信号。

7.根据权利要求1所述的人体摔倒自动检测方法，其特征在于，还包括：步骤S4，反馈针对摔倒警报信号的响应信息，调整一类支持向量机的高维特征模型。

8.一种人体摔倒自动检测系统，基于无线网络信号传输技术，其特征在于，包括：

CSI获取模块，用于无线接收端接收来自无线发射端的无线信号，并评估信道状态信息； 

异常检测模块，用于利用异常检测算法识别信道状态信息变化的异常；

动作判断模块，用于基于将目标动作类和其他动作类进行区分的一类支持向量机，以人体摔倒动作所导致的异常模式为目标动作类，判断是否发生人体摔倒动作；

警报模块，用于当判断发生人体摔倒动作时，发出摔倒警报信号。

9.根据权利要求8所述的人体摔倒自动检测系统，其特征在于，所述CSI获取模块包括：

感应单元，用于采集初始信道状态数据，基于多输入多输出技术，所述初始信道状态数据包括N个空间流中的M个子载波的CSI值，N和M均为大于1的自然数；

数据处理单元，用于对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于1小于M的自然数；

平滑单元，用于利用数据过滤技术和滑动平均方法对信道状态信息进行平滑处理。

10.根据权利要求8所述的人体摔倒自动检测系统，其特征在于：所述异常检测模块基于局部异常因子的时间序列异常检测算法，包括：

LOF计算单元，用于对信道状态信息的时间序列实施数据分割得到子序列，计算子序列的局部异常因子；

异常输出单元，用于当所述局部异常因子大于或等于预设阈值时，将子序列作为异常模式输出。

11.根据权利要求10所述的人体摔倒自动检测系统，其特征在于：所述动作判断模块包括：

建立模型单元，用于基于统计学习理论，预先建立以设定空间内由于各项人体动作导致信道状态信息变化的异常模式作为训练样本的高维特征模型；

动作识别单元，用于将异常输出单元所输出的异常模式映射至一类支持向量机的高维特征模型中，分离出目标动作类。

12.根据权利要求8所述的人体摔倒自动检测系统，其特征在于，还包括一反馈模块，用于反馈针对摔倒警报信号的响应信息，调整一类支持向量机的高维特征模型。