[发明专利]跌倒检测方法、装置、电子设备及存储介质

权利要求书

1.一种跌倒检测方法，其特征在于，包括：

根据雷达反射信号生成人体的距离-速度图；

根据所述雷达反射信号生成人体的距离-垂直角度图和人体的距离-水平角度图；

将所述距离-速度图输入第一网络模型得到第一特征；

将所述距离-垂直角度图输入第二网络模型得到第二特征；

将所述距离-水平角度图输入第三网络模型得到第三特征；

将所述第一特征、第二特征和所述第三特征输入机器学习分类器得到检测结果。

2.根据权利要求1所述的跌倒检测方法，其中，根据雷达反射信号生成人体的距离-速度图之后还包括：

根据所述距离-速度图判断是否发生运动事件；

若否，则放弃执行后续步骤。

3.根据权利要求2所述的跌倒检测方法，其中，根据所述距离-速度图判断是否发生运动事件包括：

获取当前帧以及与当前帧最近N帧的距离-速度图作为参考距离-速度图；

对任意相邻两帧的参考距离-速度图中，像素差值大于设定阈值的像素点进行计数，得到N-1个计数值；

计算所述计数值的信息熵；

判断所述信息熵是否大于设定值，若是，则发生运动事件。

4.根据权利要求1所述的跌倒检测方法，其中，所述第一网络模型的训练方法包括如下步骤：

获取样本信号，所述样本信号的类别包括走路、坐下、站起、微小动作、大动作和摔倒；

根据所述样本信号生成样本距离-速度图、样本距离-垂直角度图和样本距离-水平角度图；

建立第一原始网络模型；

将所述样本距离-速度图、样本距离-垂直角度图和样本距离-水平角度图作为输入，将走路、坐下、站起、微小动作、大动作和摔倒作为标签，对所述第一原始网络模型进行训练，得到第一网络模型。

5.根据权利要求4所述的跌倒检测方法，其中，对所述第一原始网络模型进行训练包括：

建立损失函数，所述损失函数包括交叉熵损失项、跌倒查准率损失项和跌倒查出率损失项；

将所述第一网络模型的输出值代入所述损失函数得到损失值；

根据所述损失值调整所述原始跌倒检测网络模型。

6.根据权利要求5所述的跌倒检测方法，其中，损失函数如下：

L＝L_{cross-entropy}+C1*L_recall+C2*L_precision

其中，sum(P_fall-fall)为输出为跌倒且标签为跌倒的样本的数量，num(fall)表示标签为跌倒的样本的数量，以及sum(P_all-fall)表示输出为跌倒的样本的数量，L_recall为跌倒查出率损失项，L_precision为跌倒查准率损失项，L为损失值，L_{cross-entropy}为交叉熵损失项，C1为跌倒查出率的权重，C2为跌倒查准率的权重。

7.根据权利要求6所述的跌倒检测方法，其中，C1为0.3，C2为0.7。

8.根据权利要求4所述的跌倒检测方法，其中，根据所述样本信号生成样本距离-速度图、样本距离-垂直角度图和样本距离-水平角度图包括：

根据所述样本信号生成初始样本距离-速度图、初始样本距离-垂直角度图和初始样本距离-水平角度图；

根据所述距离-水平角度图确定人体坐标；

对所述初始样本距离-速度图进行裁剪，保留距离人体距离坐标±20点以内的区域得到样本距离-速度图；

对所述初始样本距离-垂直角度图进行裁剪，保留距离人体距离坐标±20点以内的区域得到样本距离-垂直角度图；

对所述初始样本距离-水平角度图进行裁剪，保留距离人体距离坐标±20点和水平角度坐标周围的±25点的区域得到样本距离-水平角度图。