[发明专利]基于毫米波雷达的人体跌倒行为实时监测系统及监测方法

权利要求书

1.基于毫米波雷达的人体跌倒行为实时监测系统，其特征在于，包括设置在保护外壳(5)内部的毫米波雷达模组(1)，计算板卡(2)，声光模组(3)，电源模组(4)；所述毫米波雷达模组(1)与电源模组(4)分别通过USB与计算板卡(2)连接，所述声光模组(3)通过GPIO接口与计算板卡(2)连接，所述电源模组(4)为监测系统提供电力，所述计算板卡(2)通过WIFI模块与远程终端相连。

2.根据权利要求1所述的基于毫米波雷达的人体跌倒行为实时监测系统，其特征在于，所述毫米波雷达模组(1)包括毫米波传感器和数字信号处理芯片，所述毫米波传感器用于获取基于毫米波信号的人体空间位置信息，所述数字信号处理芯片用于完成毫米波信号的调制、解调、坐标转换计算，获取基于点云信息的人体空间位置数据。

3.基于毫米波雷达的人体跌倒行为实时监测方法，其特征在于，具体操作步骤如下：

步骤1：毫米波雷达向检测空间发射电磁波信号，反射回波经一维加窗和一维快速傅里叶变换，得到检测空间内人体回波点信息，包括距离、方位角、仰角、径向速度和信噪比信息5个通道的数据；

步骤2：将得到的包含距离、方位角、仰角、径向速度和信噪比信息的目标点云进行预处理，并使用K-Means算法对人体点云进行聚类；

步骤3：将步骤2预处理后的包含距离、方位角、仰角、径向速度和信噪比信息的人体点云数据传输到计算板卡，计算卡板进一步使用滑动窗对数据进行ID标识，得到标识后数据；

步骤4：将步骤3标识后数据使用Tsfresh算法进行特征提取，从而得到多种不同的数字特征；

步骤5：将步骤4得到的数字特征输入跌倒检测模型进行检测分类，当时别到异常跌倒行为时，声光模组报警提示。

4.根据权利要求3所述的基于毫米波雷达的人体跌倒行为实时监测方法，其特征在于，步骤5所述跌倒检测模型实现方法具体如下：

步骤5.1：采用毫米波雷达检测被测人跌倒时体征数据发送到电脑；采集不同姿态跌倒时数据，包括前跌、后跌、左跌、右跌、垂直跌落，毫米波雷达采集数据集记为A，记录真实跌倒状态，跌倒记为1，未跌倒记为0，将跌倒检测问题作为二分类问题处理；

步骤5.2：重复步骤5.1，采集实验数据作为训练、验证和测试数据集；

步骤5.3：将步骤5.1的数据分为训练集、验证集和测试集，并执行步骤2-4；

步骤5.4：采用LightGBM算法模型作为分类模型，首先直方图算法将训练数据集由连续的浮点特征值离散化成k个整数，根据直方图的离散值，遍历寻找最优的分割点，进一步使用leaf-wise算法并行化运算同一层的叶子节点，找出增益最大的叶子节点，进行分裂，进一步LightGBM算法模型输出一个概率列表，输出结果B取值范围在[0,1]上，得到训练后模型；

步骤5.5：将步骤5.4训练后模型移植到计算板卡，作为跌倒检测模型。

5.根据权利要求3所述的基于毫米波雷达的人体跌倒行为实时监测方法，其特征在于，步骤2所述预处理为：将雷达获取数据进一步通过基于高斯算法的追踪滤波器对原始位置数据进行滤波，消除硬件环境带来的噪声；使用卡尔曼滤波器对多径反射生成的重影进行滤除。

6.根据权利要求3所述的基于毫米波雷达的人体跌倒行为实时监测方法，其特征在于，步骤4所述特征提取具体如下：

使用tsfresh自带的extract_relevant_features()方法过滤数值为零的数字特征，保留非零部分，对提取特征进行筛选，保留下与分类标签具有高关联度的特征。

7.根据权利要求3所述的基于毫米波雷达的人体跌倒行为实时监测方法，其特征在于，步骤3所述滑动窗的参数包括滑动窗长LW和滑动步长LI，对预处理后数据连续进行ID标识，同一滑动窗内的数据标识为相同行ID，滑动窗移动一定步长后看作另一滑动窗，标识为新的ID，本发明选择滑动窗长LW＝20，滑动步长LI＝5。

8.根据权利要求3所述的基于毫米波雷达的人体跌倒行为实时监测方法，其特征在于，步骤1具体如下：

电磁信号作用人体后，接收天线接收带有人体运动信息的回波信号，反射回波经一维快速傅里叶变换，得到目标距离维度信息，进一步使用Capon波束形成算法得到回波点方位角、仰角信息，进一步在雷达波形数据中提取多普勒频谱，在多普勒频谱中进行最大峰值搜索以测量检测点的径向速度。