[发明专利]一种基于CSI的跌倒检测方法、装置及存储介质

说明书

本发明公开了一种基于信道状态信息CSI的跌倒检测方法、装置及存储介质，方法包括：获取待测的信道状态信息CSI数据；预处理、信号分段、提取特征，得到特征数据；将提取得到的特征数据输入预训练的检测模型，得到输出的跌倒检测结果；其中所述检测模型的训练数据集中包括跌倒、缓慢坐下、行走、站立、快速下坐、物品掉落、弯腰捡物品、坐到地上行为组成的数据集，增添对类跌倒行为数据的采集，用于后续的机器学习分类，降低漏报率和误报率；采用对抗机器学习方法对卷积神经网络模型进行训练优化，提高模型泛化性，防止学习过程中出现过拟合现象，而造成识别精确度下降。

技术领域

本发明属于目标跟踪技术领域，涉及一种基于信道状态信息CSI的跌倒检测方法、装置及存储介质。

背景技术

目前，国内外研究者就基于WiFi的跌倒检测提出了诸多方案，

文献“WiFall:Device-free fall detection by wireless networks”中给出的WiFall方案，实现了对于跌倒、坐下、行走和站立这四类行为的分类，采用普通的支持向量机(Support Vector Machine，SVM)和随机森林算法，达到了一定的精度，却无法实现对于类跌倒行为的区分。文献“Fall Detection Using Channel State Information fromWiFi Devices”中提及的Sensing-Fi方案，对于物体掉落在地上的情况会产生误报。另外，该论文中实现的创新方案FallDeFi，比较了四种分类算法——逻辑回归、朴素贝叶斯、SVM和随机森林算法，选择了其中表现最好的SVM作为最终方案。

现有技术虽然实现了相对较高的检测率，但仍存在一定的误报率和漏报率，存在难以区分类跌倒行为的问题，并且对环境有高依赖度。由此可见，已有跌倒检测方案在区分基本行为时精度较高，但难以区分如快速坐下、弯腰捡东西和坐在等下等类跌倒行为。由于类跌倒行为和跌倒行为在采集数据上表现出高相似度，使用普通机器学习算法的检测系统很容易产生误报和漏报现象。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种基于CSI的跌倒检测方法、装置及存储介质。

(1)解决误报率和漏报率高的问题

产生高漏报率和误报率的原因主要有两类。一是类跌倒行为考虑不周全。在数据采集和数据分析时，遗漏了快速坐下、弯腰捡物品、坐到地上等情形。因此本发明在数据采集环节，增添对类跌倒行为数据的采集，用于后续的机器学习分类，降低漏报率和误报率。二是机器学习模型区分二者的能力不理想，由于二者在提取的特征上相似度较高，在有限的样本数据内，机器学习产生的模型难以达到理想的精度。因此本发明将引入对抗机器学习网络。

(2)实现轻量化采集和检测

现存的基于CSI跌倒检测设备，价格较为昂贵并且体积庞大，前者不利于商业化广泛普及，后者不利于设备的重定位。为了解决该问题，本发明利用其他轻便小型的工具进行CSI数据的采集。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

第一方面，提供一种基于CSI的跌倒检测方法，包括：

获取待测的信道状态信息CSI数据；

对获取的CSI数据进行预处理，

对预处理后的CSI数据进行信号分段；

对分段后的数据在时域和频域提取得到统计量特征，得到特征数据；

将提取得到的特征数据输入预训练的检测模型，得到输出的跌倒检测结果；

其中所述检测模型的训练方法包括：