[发明专利]基于Wi-Fi设备的跌倒检测方法及系统

权利要求书

1.一种基于Wi-Fi设备的跌倒检测方法，其特征在于，包括：

基于在目标区域获取到的无线信号的信道状态信息，确定人体速度特征；

将所述人体速度特征输入到跌倒检测模型，获得所述跌倒检测模型输出的人体跌倒识别结果；

其中，所述跌倒检测模型为基于跌倒/非跌倒样本数据集训练得到；所述跌倒/非跌倒样本数据集中的非跌倒样本来自于真实采集的人员日常活动的样本，所述跌倒/非跌倒样本数据集中的跌倒样本为基于数据扩容模型对输入的真实跌倒样本进行预处理得到。

2.根据权利要求1所述的基于Wi-Fi设备的跌倒检测方法，其特征在于，所述数据扩容模型用于基于差分自动编码器原理对输入的真实跌倒样本进行仿真扩容，得到跌倒样本。

3.根据权利要求2所述的基于Wi-Fi设备的跌倒检测方法，其特征在于，所述基于差分自动编码器原理对输入的真实跌倒样本进行仿真扩容，得到跌倒样本，包括：

将所述真实跌倒样本映射为低维特征；

对所述低维特征进行随机采样，得到多个仿真跌倒样本，将所述真实跌倒样本和所述仿真跌倒样本作为所述跌倒样本。

4.根据权利要求3所述的基于Wi-Fi设备的跌倒检测方法，其特征在于，所述将所述真实跌倒样本映射为低维特征，包括：

对所述真实跌倒样本提取均值向量和标准差向量；

从服从正态分布的N(0,1)中随机抽取多个采样数据，将所述多个采样数据分别与所述均值向量相加，再分别与所述标准差向量相乘，得到所述低维特征。

5.根据权利要求1-4任一项所述的基于Wi-Fi设备的跌倒检测方法，其特征在于，所述将所述人体速度特征输入到跌倒检测模型，获得所述跌倒检测模型输出的人体跌倒识别结果，包括：

将所述人体速度特征输入至所述跌倒检测模型的特征提取层，去除所述人体速度特征中的噪声分量及用户的身份信息，保留跌倒特有的活动模式信息作为高阶特征；

将所述高阶特征输入至所述跌倒检测模型的跌倒检测层，得到所述人体跌倒识别结果。

6.根据权利要求5所述的基于Wi-Fi设备的跌倒检测方法，其特征在于，所述身份信息包括：身高、体重、体态以及跌倒习惯特征中的至少一个。

7.根据权利要求1-4任一项所述的基于Wi-Fi设备的跌倒检测方法，其特征在于，所述基于在目标区域获取到的无线信号的信道状态信息，确定人体速度特征，包括：

基于预设的时间阈值，将所述信道状态信息分割为多个信道状态子片段；

获取多个所述信道状态子片段的自相关函数；

获取任一所述自相关函数的第一个极值点的位置，所述人体速度特征基于公式

确定，其中，τ₀表示任一所述自相关函数的第一个极值点的位置；x₀表示sinc(x)函数的第一个极值点的位置；λ表示所述无线信号的波长。

8.一种基于Wi-Fi设备的跌倒检测方法，其特征在于，包括：

提取模块，用于基于在目标区域获取到的无线信号的信道状态信息，确定人体速度特征；

检测模块，用于将所述人体速度特征输入到跌倒检测模型，获得所述跌倒检测模型输出的人体跌倒识别结果；

其中，所述跌倒检测模型为基于跌倒/非跌倒样本数据集训练得到；所述跌倒/非跌倒样本数据集中的非跌倒样本来自于真实采集的人员日常活动的样本，所述跌倒/非跌倒样本数据集中的跌倒样本为基于数据扩容模型对输入的真实跌倒样本进行预处理得到。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于Wi-Fi设备的跌倒检测方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于Wi-Fi设备的跌倒检测方法的步骤。