[发明专利]一种基于深度学习的跌倒检测方法

权利要求书

1.一种基于深度学习的跌倒检测方法，其特征是：包括以下步骤：

步骤1：采集WiFi信号，从中提取CSI数据；

步骤2：对采集到的CSI数据进行预处理，得到待分割的CSI数据；

步骤3：采用信号分割方案，从CSI数据中分割出跌倒事件；

步骤4：对分割后的CSI数据进行去噪；

步骤5：将去噪后的CSI数据转换为频谱图；

步骤6：将步骤5得到的待识别的频谱图分为两部分，其中一部分作为训练集，另一部分作为测试集；

步骤7：将训练集导入到深度卷积神经网络进行特征提取训练，采用测试集对训练好的DCNN进行跌倒识别测试；

步骤8：实时采集检测区域内WiFi信号的CSI数据，并依次完成步骤2、步骤3、步骤4和步骤5，再将待识别的频谱图导入到步骤7中训练完成后的DCNN进行处理，确定目标对象在检测区域内是否跌倒，并生成相应的警报信号。

2.根据权利要求1所述的一种基于深度学习的跌倒检测方法，其特征是：步骤2中，对CSI数据进行预处理，包括以下步骤：

步骤21，对CSI数据进行一维线性插值，得到时域上采样间隔均匀的CSI数据；

步骤22，利用Hampel滤波器去除CSI数据中的离群值；

步骤23，通过线性回归平滑CSI数据的趋势；

步骤24，对CSI数据进行零填充；

步骤25，逐渐收窄CSI数据波形以防止边缘失真。

3.根据权利要求1所述的一种基于深度学习的跌倒检测方法，其特征是：步骤3中所述跌倒事件包括跌倒和类跌倒活动，信号分割方案是基于一种自适应窗口分割方法实现的。

4.根据权利要求3所述的一种基于深度学习的跌倒检测方法，其特征是：跌倒活动定义为坐立跌倒、站立跌倒、步行跌倒和慢跑跌倒；类跌倒活动定义为站立坐下、步行坐下、站立躺下和步行躺下。

5.根据权利要求1所述的一种基于深度学习的跌倒检测方法，其特征是：步骤4中，采用奇异谱分析或离散小波变换方法对CSI数据去噪。

6.根据权利要求1所述的一种基于深度学习的跌倒检测方法，其特征是：步骤5中，采用希尔伯特-黄变换、短时傅立叶变换或连续小波变换方法将去噪后的CSI数据转换为频谱图。

7.根据权利要求1所述的一种基于深度学习的跌倒检测方法，其特征是：步骤7中，所述DCNN由三个卷积层、非线性激活函数、三个最大池化层和四个全连接层组成；第一、第二和第三卷积层分别由64、128和256个特征映射组成，卷积核大小为3×3，步长为2；非线性激活函数选用线性整流函数；三个最大池化层的池化窗口大小为2×2，步长为2；全连接层中的每个隐藏层都包含128个神经元。