[发明专利]基于Wi-Fi设备的跌倒检测方法及系统

说明书

本发明实施例提供一种基于Wi‑Fi设备的跌倒检测方法，所述基于Wi‑Fi设备的跌倒检测方法包括：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；将人体速度特征输入到跌倒检测模型，获得跌倒检测模型输出的人体跌倒识别结果；跌倒检测模型为基于跌倒/非跌倒样本数据集训练得到；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，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。本发明实施例提供的基于Wi‑Fi设备的跌倒检测方法，便于大规模推广，能提升对跌倒检测模型训练的效果，使得对目标区域内人员跌倒情况的检测更加准确高效。

技术领域

本发明涉及无线感知技术领域，尤其涉及一种基于Wi-Fi设备的跌倒检测方法及系统。

背景技术

据统计，跌倒已经成为老人因伤致死的首要原因，尤其是对于独居老人，如何及时察觉其跌倒情况十分重要。在过去的十年之中，伴随着物联网技术的发展，涌现出基于摄像头，可穿戴传感器以及雷达设备的人员跌倒检测技术。

目前，基于摄像头的跌倒检测方法主要通过在环境中部署摄像头采集图像信息，然后分析摄像头捕捉到的人员运动画面来判断是否有跌倒行为发生。但是由于摄像头的视野范围很有限，墙体及物体的遮挡都会使得系统失效，并且在弱光线场景下系统性能也会产生明显的下降。此外，在家居场景部署摄像头会难以避免地影响到用户的隐私，限制了该技术的商业推广。

基于可穿戴传感器的跌倒检测方法主要利用加速度传感器、陀螺仪等传感器检测用户的运动模式来检测跌倒。但是使用传感器会对人员的活动产生不便，设备需要及时充电、持续穿戴等要求也会对老年人的生活带来困扰。

基于雷达设备的跌倒检测方法主要利用雷达发射的电磁波信号感知人员的运动。但是由于雷达设备成本高昂，且雷达设备布置起来很复杂，很难实现大规模商用。

发明内容

本发明实施例提供一种基于Wi-Fi设备的跌倒检测方法及系统，用以解决现有技术中跌倒检测限制过多，难以大规模推广和日常运用的缺陷，实现便于大规模推广，适用的场景更广泛，且提升对跌倒检测模型训练的效果，使得对目标区域内人员跌倒情况的检测更加准确高效。

本发明实施例提供一种基于Wi-Fi设备的一种基于Wi-Fi设备的跌倒检测方法，所述基于Wi-Fi设备的一种基于Wi-Fi设备的跌倒检测方法包括：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。

根据本发明一个实施例的基于Wi-Fi设备的跌倒检测方法，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。

根据本发明一个实施例的基于Wi-Fi设备的跌倒检测方法，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。

根据本发明一个实施例的基于Wi-Fi设备的跌倒检测方法，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。