[发明专利]一种基于深度学习的跌倒检测方法

说明书

本发明公开了一种基于深度学习的跌倒检测方法，用于检测目标对象在检测区域内是否跌倒。WiFi设备在检测区域内发射WiFi信号，接受WiFi信号的终端从中提取CSI数据作为对象，在进行预处理、信号分割和去噪后，将其转化为频谱图，并输入已训练的深度卷积神经网络进行跌倒识别，生成相应的警报信号，从而实现在检测区域内对目标对象实时的跌倒检测。本发明基于深度学习进行跌倒检测，提高了不同环境下的检测准确度。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于深度学习的跌倒检测方法。

背景技术

目前基于CSI实现跌倒检测的方法已有WiFall，RT-Fall和Sensing-Fi等系统。以RT-Fall为例，其同时使用CSI振幅和相位差作为特征，并以WiFall中提取的特征为基础来提高准确性。认为CSI相位差对跌倒动作的识别灵敏度高于振幅。RT-Fall通过基于规则的二分类能从9个其他活动中区分出跌倒，其真阳性率为91％，假阳性率为8％，分别比WiFall提高了14％和10％。但RT-Fall和WiFall均是基于单个老人独立生活的情况进行测试的，当检测区域中有两个人时，效果不佳。

包括RT-Fall在内，目前主流的跌倒检测是基于传统的机器学习实现的，使用到K最近邻(KNN, K Nearest Neighbor)、支持向量机(SVM, Support Vector Machine)和隐马尔可夫模型(HMM, Hidden Markov Model)等分类算法。它们的共性是在某一位置或某一房间经过训练后能够达到较高的精度，但是当换到另一房间时，精度会急剧下降，要想达到同样的精度，必须重新进行训练。例如，使用SVM的RT-Fall，在一个沙发移到视线范围内后，其真阳性率下降33%，而假阳性率上升32％。显然，基于传统机器学习的跌倒检测系统对环境变化的适应能力差。

这是因为室内环境复杂，WiFi信号受多径效应影响严重，导致从一个环境中训练提取的特征值与从另一环境中训练提取出的特征值有很大不同，这使得基于传统机器学习的跌倒检测系统在不同环境下，效果不佳。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于深度学习的跌倒检测方法，利用普通的商用WiFi设备，提取CSI数据作为对象，采用深度学习技术进行跌倒检测，实现在不同环境下的较高检测准确度。

为了解决上述技术问题，本发明是通过以下技术方案实现：

步骤1：采集WiFi信号，并从中提取CSI数据。

步骤2：对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（包括跌倒和类跌倒活动）。

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(DCNN, Deep Convolutional NeuralNetworks)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原始数据，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。

进一步的，步骤1中，所述原始CSI数据可以仅是振幅，也可以是振幅、相位和相位差的任意组合，WiFi信号中读取CSI数据的方法是现有技术，在此不再赘述。

进一步的，步骤2中，对CSI原始数据进行预处理，包括以下步骤：