一种浴室场景下Wi-Fi感知人体摔倒检测方法和系统与流程

一种浴室场景下wi
‑
fi感知人体摔倒检测方法和系统
技术领域
1.本发明涉及行为识别领域，尤其涉及一种浴室场景下wi
‑
fi感知人体摔倒检测方法和系统。


背景技术：

2.近年来，老年人在沐浴时经常由于地面湿滑而摔倒，而独居老人在摔倒后无法及时求助，从而造成更大程度的伤害。
3.目前人体跌倒检测方法很多，从信号采集的角度可将人体跌倒检测分为3种：基于视觉的跌倒检测，基于声学的跌倒检测和基于穿戴式传感器的跌倒检测。基于视觉的跌倒检测是通过摄像头来获得人体运动的画面，通过图像处理算法提取跌倒的图像特征判断是否发生跌倒，准确性高，但这种方法容易暴露个人隐私，且成本较高。基于声学的跌倒检测，通过检测人跌倒时产生的音频信号作为跌倒的判据，由于浴室内水声及其他声音的干扰导致误判率高。基于穿戴式传感器的跌倒检测是通过微型传感器和控制器做成的微型设备来进行跌倒检测，通过算法处理进行检测报警，这种产品在室外易于携带但是在浴室内是不方便携带的，并且易受到环境因素干扰，检测精度低。
4.wi
‑
fi感知凭借其非接触式、易部署、不受光线影响、感知范围更广等优势，成为人体摔倒检测识别研究的新兴方向。目前，虽然基于wi
‑
fi感知的摔倒检测识别研究已取得了一些成果，但也存在一些缺陷。
5.方案1：利用循环神经网络进行wi
‑
fi感知的人体摔倒检测识别的方法
6.循环神经网络(recurrent neural network,rnn)是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。目前，在wi
‑
fi感知的人体摔倒检测识别领域，利用循环神经网络学习的研究已经取得了积极的进展。具有代表有rrs
‑
rnn方法等。为了进一步提升检测性能，提出一种基于随机重置策略(random reset strategy
‑
rrs)的rnn跌倒检测方法(简记为rrs
‑
rnn)，以降低rnn模型中错误历史信息对当前行为判断的影响。实验结果表明，rnn模型能有效地实现跌倒检测，识别准确率达到88.38％；基于rrs
‑
rnn方法进一步提高了识别性能，识别准确率达到88.92％。
7.缺陷：目前基于循环神经网络的wi
‑
fi感知人体摔倒检测识别研究中，大多数成果模型设计过于复杂，参数计算量庞大，正确率不高，并且没有明确提出一种适用场景。
8.方案2：利用卷积神经网络进行wi
‑
fi感知人体摔倒检测识别的方法
9.卷积神经网络是近年兴起的一种深度学习方法，凭借其对多维数据强大的特征提取能力和基于反向传播的自动调参特性，成为众多领域广泛使用的一种分类方法。近年来，wi
‑
fi感知人体摔倒检测的行为识别研究领域也出现了一些基于卷积神经网络算法的研究方法，具体有blstm、cbmr方法等。blstm方法对采集到的csi信息以时序流的形式进行处理，然后采用基于注意力机制的双向lstm(longshort
‑
term memory，长短记忆)方法，对学习到的不同特征赋予不同的权重，进而完成基于wi
‑
fi感知的动作识别，取得了较好的识别效
果。通过使用卷积神经网络，这种方法在数据预处理和步态特征提取方面都取得了较好的效果。
10.缺陷：目前基于卷积神经网络的wi
‑
fi感知人体摔倒检测识别研究中，大多数成果模型均由经典卷积神经网络或循环神经网络改造而来，其参数量巨大，训练需要消耗较大算力，并且没有明确提出可以适用于浴室这种特别的场景。


技术实现要素：

11.为了解决上述问题，有必要提供一种应用于浴室场景的轻量级wi
‑
fi感知人体摔倒检测方法和系统。
12.本发明第一方面提出一种浴室场景下wi
‑
fi感知人体摔倒检测方法，包括以下步骤：
13.采集单发射器
‑
单接收器的wi
‑
fi装置监测的浴室环境下的原始信道状态信息数据h(f
k
)，表示为公式(1)；
[0014][0015]
其中，h(f
k
)表示wi
‑
fi装置的每个天线对的第k个子载波的csi，||h(f
k
)||和∠h(f
k
)分别表示振幅和相位；
[0016]
提取原始信号的振幅信息之后，将原始信号的csi序列用公式(2)所示的一维数据表示；
[0017][0018]
其中，h
k
表示n时间段内的振幅序列数值，表示的是第k个子载波在n时刻的振幅；
[0019]
将n时段内的一维振幅序列重构为公式(3)所示的二维csi振幅数据矩阵；
[0020][0021]
其中，h
nk
是第k个子载波在n时刻的csi振幅数值；
[0022]
对所获得的二维csi振幅数据矩阵进行滤波，其中，将csi振幅数据的采样频率f
s
设置为1000hz，csi时间序列变化的频率f设置为40hz，构造巴特沃斯滤波器：
[0023]
由公式(4)计算截止频率w
c
；
[0024][0025]
调用matlab中的butter函数计算butterworth滤波器的系数向量b与a，如公式(5)所示，其中，n是滤波器的阶数，low表示为低通滤波；
[0026]
[b,a]＝butter(n,wc,
′
low
′
)；
ꢀꢀꢀ
(5)
[0027]
使用matlab中的filtfilt函数构造butterworth滤波器，如公式(6)所示；
[0028]
signal_filter＝filtfilt(b,a,signal)；
ꢀꢀꢀ
(6)
[0029]
其中，b、a分别表示为butterworth滤波器系统函数分子和分母多项式的系数向量，signal表示的是所获得的二维csi振幅数据；
[0030]
将滤波处理后的结果输出到深度神经网络模型中，将卷积后的结果进行全局平均池化，再输入到全连接层使用softmax进行分类，即得到跌倒检测的结果。
[0031]
基于上述，所述深度神经网络模型包括两个用于初级特征提取的convbn子模块与两个用于特征融合的carconvbnmax模块；
[0032]
所述convbn子模块包括三个卷积层conv2d与三个批标准化层batch normalization，所述卷积层conv2d与批标准化层batch normalization交替出现；
[0033]
所述carconvbnmax模块包括特征融合层concatenate、卷积层conv2d、批标准化层batch normalization、最大池化层max pooling；
[0034]
两个convbn子模块与一个卷积层conv2d并行连接到输入层；
[0035]
每个convbn子模块分别与该卷积层conv2d连接后与一个carconvbnmax模块连接；
[0036]
两个carconvbnmax模块并行连接后作为该深度神经网络模型的输出。
[0037]
基于上述，全连接层的softmax函数表达公式如下：
[0038][0039]
在公式中，r为y的分类数，z
y
表示的是全局平均池化后的结果，p(y|x)表示的是由模型输入x预测属于y类别的后验概率；
[0040]
得到后验概率后，使用adam优化器对损失函数进行最小化训练；
[0041]
损失函数计算如公式(8)所示：
[0042][0043]
本发明第二方面提出一种浴室场景下wi
‑
fi感知人体摔倒检测系统，包括：数据处理模块和跌倒检测模块，所述数据处理模块包括顺次连接的数据采集模块、数据重构模块和数据滤波模块；
[0044]
所述数据采集模块，用于采集单发射器
‑
单接收器的wi
‑
fi装置监测的浴室环境下的原始信道状态信息数据h(f
k
)，表示为公式(1)；
[0045][0046]
其中，h(f
k
)表示wi
‑
fi装置的每个天线对的第k个子载波的csi，||h(f
k
)||和∠h(f
k
)分别表示振幅和相位；
[0047]
还用于在提取原始信号的振幅信息之后，将原始信号的csi序列用公式(2)所示的一维数据表示；
[0048][0049]
其中，h
k
表示n时间段内的振幅序列数值，表示的是第k个子载波在n时刻的振幅；
[0050]
所述数据重构模块，用于将n时段内的一维振幅序列重构为公式(3)所示的二维csi振幅数据矩阵；
[0051][0052]
其中，h
nk
是第k个子载波在n时刻的csi振幅数值；
[0053]
所述数据滤波模块，用于对所获得的二维csi振幅数据矩阵进行滤波，其中，将csi振幅数据的采样频率f
s
设置为1000hz，csi时间序列变化的频率f设置为40hz，构造巴特沃斯滤波器：
[0054]
由公式(4)计算截止频率w
c
；
[0055][0056]
调用matlab中的butter函数计算butterworth滤波器的系数向量b与a，如公式(5)所示，其中，n是滤波器的阶数，low表示为低通滤波；
[0057]
[b,a]＝butter(n,wc,
′
low
′
)；
ꢀꢀꢀ
(5)
[0058]
使用matlab中的filtfilt函数构造butterworth滤波器，如公式(6)所示；
[0059]
signal_filter＝filtfilt(b,a,signal)；
ꢀꢀꢀ
(6)
[0060]
其中，b、a分别表示为butterworth滤波器系统函数分子和分母多项式的系数向量，signal表示的是所获得的二维csi振幅数据；
[0061]
跌倒检测模块，用于将滤波处理后的结果输出到深度神经网络模型中，将卷积后的结果进行全局平均池化，再输入到全连接层使用softmax进行分类，即得到跌倒检测的结果。
[0062]
本发明第三方面提出一种终端，包括存储器、处理器、以及存储在所述存储器上并可以在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的浴室场景下wi
‑
fi感知人体摔倒检测的步骤，得到跌倒检测的结果。
[0063]
本发明第四方面提出一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现所述的浴室场景下wi
‑
fi感知人体摔倒检测的步骤。
[0064]
本发明相对现有技术具有突出的实质性特点和显著进步，具体的说：
[0065]
(1)本发明将一维时序数据重构为二维多载波数据后再进行butterworth滤波，使得数据特征容纳能力增强并有效去除了环境噪声。
[0066]
(2)本发明的深度神经网络模型能显著提升wi
‑
fi场景下人体跌倒行为的识别准确率与泛化能力的基础上，也能显著减少现有行为识别模型的参数规模。
[0067]
(3)本发明通过在卷积神经网络中使用批标准化层(batch normalization layer)、连接层(concatenate layer)、最大池化层(max pooling layer)进行丰富细致的特征提取，同时也减了少模型参数数量与浮点运算次数。
[0068]
本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
附图说明
[0069]
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0070]
图1为本发明方法的整体流程图。
[0071]
图2为本发明方法滤波前后二维频率能量对比图。
[0072]
图3为本发明方法中的深度神经网络模型结构图。
具体实施方式
[0073]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
[0074]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
[0075]
实施例1
[0076]
如图1
‑
3所示，本实施例提供了一种浴室场景下wi
‑
fi感知人体摔倒检测系统(wisfall)，包括：数据处理模块和跌倒检测模块，所述数据处理模块包括顺次连接的数据采集模块、数据重构模块和数据滤波模块；
[0077]
该系统进行浴室场景下wi
‑
fi感知人体摔倒检测方法包括以下步骤：
[0078]
首先，商用wi
‑
fi装置通常采用mimo(multiple input multipleoutput)技术，每个天线对的csi数据中包含了多个子载波信息。由数据处理模块采集单发射器
‑
单接收器的wi
‑
fi装置监测的浴室环境下的原始信道状态信息数据h(f
k
)，表示为公式(1)；
[0079][0080]
其中，h(f
k
)表示第k个子载波的csi，||h(f
k
)||和∠h(f
k
)分别表示振幅和相位，由于相位信息易受干扰，本方法仅使用其中的振幅信息。
[0081]
其次，在提取到原始信号的振幅信息之后，将原始信号的csi序列用公式(2)所示的一维数据表示；
[0082][0083]
其中，h
k
表示n时间段内的振幅序列数值，表示的是第k个子载波在n时刻的振幅；
[0084]
为同时提取子载波内和子载波间的特征信息，由数据重构模块将n时段内的一维时序数据重构为公式(3)所示的二维矩阵形式；
[0085][0086]
其中，h
nk
是第k个子载波在n时刻的csi振幅数值。根据公式(3)所示的数据重构方式，经过适当的着色设计后即可生成相应的频率能量图。使用频率能量图的特征重构策略，不仅可以直观显示出wi
‑
fi信号能量衰减情况，还可以容纳更多的csi数据特征信息。
[0087]
再次，由于多径效应，采集到的感知数据中可能包含环境噪声，不有效处理会影响模型的识别性能。因此，由数据滤波模块构建巴特沃斯滤波器对所获得的二维csi振幅数据矩阵进行数据滤波。由于浴室场景的动态噪声源主要是淋浴喷水，而巴特沃斯滤波器通频带的频率响应曲线平滑，能对浴室噪声进行有效过滤。具体的，将csi振幅数据的采样频率f
s
设置为1000hz，csi时间序列变化的频率f设置为40hz，构造巴特沃斯滤波器：
[0088]
由公式(4)计算截止频率w
c
；
[0089][0090]
调用matlab中的butter函数计算butterworth滤波器的系数向量b与a，如公式(5)所示，其中，n是滤波器的阶数，low表示为低通滤波；
[0091]
[b,a]＝butter(n,wc,
′
low
′
)；
ꢀꢀꢀ
(5)
[0092]
使用matlab中的filtfilt函数构造butterworth滤波器，如公式(6)所示；
[0093]
signal_filter＝filtfilt(b,a,signal)；
ꢀꢀꢀ
(6)
[0094]
其中，b、a分别表示为butterworth滤波器系统函数分子和分母多项式的系数向量，signal表示的是经过重构的数据，即所获得的二维csi振幅数据。
[0095]
随后，在跌倒检测模块中，将滤波处理后的结果输出到深度神经网络模型中，将卷积后的结果进行全局平均池化，再输入到全连接层使用softmax进行分类，即得到跌倒检测的结果。
[0096]
具体的，全连接层的softmax函数表达公式如下：
[0097][0098]
在公式中，r为y的分类数，z
y
表示的是全局平均池化后的结果，p(y|x)表示的是由模型输入x预测属于y类别的后验概率；
[0099]
得到后验概率后，使用adam优化器对损失函数进行最小化训练；
[0100]
损失函数计算如公式(8)所示：
[0101][0102]
实施例2
processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0118]
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分或全部还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
[0119]
上述存储器存储有计算机程序，上述计算机程序可在上述处理器上运行。上述处理器执行上述计算机程序时实现上述wi
‑
fi感知人体摔倒检测方法和系统实施例中的步骤。或者，上述处理器执行上述计算机程序时实现上述wi
‑
fi感知人体摔倒检测方法和系统实施例中各单元的功能。
[0120]
实施例4
[0121]
本实施例提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现上述所述应用于浴室场景的轻量级wi
‑
fi感知人体摔倒检测方法和系统。
[0122]
本实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现实施例1和实施例2所述的浴室场景下wi
‑
fi感知人体摔倒检测方法的步骤。
[0123]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0124]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0125]
在本技术所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，上述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0126]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0127]
上述集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以
为源代码形式、对象代码形式、可执行文件或某些中间形式等。
[0128]
上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read
‑
only memory，rom)、随机存取存储器(randomaccess memory，ram)、电载波信号、电信信号以及软件分发介质等。
[0129]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。