一种跨场景鲁棒的室内摔倒无线检测方法及相关设备

技术特征：
1.一种跨场景鲁棒的室内摔倒无线检测方法，其特征在于，所述跨场景鲁棒的室内摔倒无线检测方法包括：在源域中采集不同测试对象的预设数量的动作数据，在所述动作数据中获取csi幅值和相位信息，并进行预处理；利用经过预处理后源域数据的csi幅值和相位信息分别训练轻量型的卷积神经网络作为目标域下样本的特征提取器；在目标域中采集各测试对象的预设样本数据，将预设样本数据进行预处理后，在预设样本数据中挑选预设个数的带标签样本输入到所述特征提取器，输出幅值特征和相位特征；将所述幅值特征和所述相位特征用于训练目标域下的机器学习模型，将训练好的机器学习模型作为轻量型分类器，并使用所述轻量型分类器对目标域下其他无标签样本进行分类，以识别测试对象的摔倒状态。2.根据权利要求1所述的跨场景鲁棒的室内摔倒无线检测方法，其特征在于，所述源域和所述目标域为不同的检测场景，两个检测场景在环境上具有明显的差异。3.根据权利要求1所述的跨场景鲁棒的室内摔倒无线检测方法，其特征在于，将csi幅值和相位信息进行预处理，包括：对所述csi幅值和所述相位信息进行去噪处理，再分别进行窗口分段处理。4.根据权利要求1所述的跨场景鲁棒的室内摔倒无线检测方法，其特征在于，所述利用经过预处理后源域数据的csi幅值和相位信息分别训练轻量型的卷积神经网络作为目标域下样本的特征提取器，具体包括：获取经过预处理的csi幅值和相位信息；将经过预处理后源域数据的csi幅值和相位信息进行多次迭代训练轻量型的卷积神经网络；当轻量型的卷积神经网络训练达到要求时保存网络模型并冻结网络参数，并将训练完成的轻量型的卷积神经网络作为目标域下样本的特征提取器。5.根据权利要求4所述的跨场景鲁棒的室内摔倒无线检测方法，其特征在于，所述轻量型的卷积神经网络包括4个卷积块和1个全连接层，其中，每个卷积块包含16个卷积核、1个批量标准化层、1个relu激活函数和1个池化层，其中，每个卷积核尺寸为2
×
2。6.根据权利要求1所述的跨场景鲁棒的室内摔倒无线检测方法，其特征在于，在源域中采集不同测试对象的预设数量的动作数据和在目标域中采集各测试对象的预设样本数据均包括多个测试对象的4类动作类型，分别为步行摔倒、坐着、步行和坐下。7.根据权利要求1所述的跨场景鲁棒的室内摔倒无线检测方法，其特征在于，所述机器学习模型为逻辑回归模型或支持向量机模型或神经网络模型。8.一种跨场景鲁棒的室内摔倒无线检测系统，其特征在于，所述跨场景鲁棒的室内摔倒无线检测系统包括：源域数据采集与处理模块，用于在源域中采集不同测试对象的预设数量的动作数据，在所述动作数据中获取csi幅值和相位信息，并进行预处理；训练特征提取器模块，用于利用经过预处理后源域数据的csi幅值和相位信息分别训练轻量型的卷积神经网络作为目标域下样本的特征提取器；
特征提取模块，用于在目标域中采集各测试对象的预设样本数据，将预设样本数据进行预处理后，在预设样本数据中挑选预设个数的带标签样本输入到所述特征提取器，输出幅值特征和相位特征；摔倒状态检测模块，用于将所述幅值特征和所述相位特征用于训练目标域下的机器学习模型，将训练好的机器学习模型作为轻量型分类器，并使用所述轻量型分类器对目标域下其他无标签样本进行分类，以识别测试对象的摔倒状态。9.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的跨场景鲁棒的室内摔倒无线检测程序，所述跨场景鲁棒的室内摔倒无线检测程序被所述处理器执行时实现如权利要求1-7任一项所述的跨场景鲁棒的室内摔倒无线检测方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有跨场景鲁棒的室内摔倒无线检测程序，所述跨场景鲁棒的室内摔倒无线检测程序被处理器执行时实现如权利要求1-7任一项所述的跨场景鲁棒的室内摔倒无线检测方法的步骤。

技术总结
本发明公开了一种跨场景鲁棒的室内摔倒无线检测方法及相关设备，所述方法包括：在源域中采集不同测试对象的预设数量的动作数据，获取CSI幅值和相位信息；利用预处理后源域数据的CSI幅值和相位信息分别训练轻量型的卷积神经网络作为目标域下样本的特征提取器；在目标域中采集各测试对象的预设样本数据，预处理后在预设样本数据中挑选预设个数的带标签样本输入到所述特征提取器，输出幅值特征和相位特征；将所述幅值特征和所述相位特征用于训练目标域下的机器学习模型，将训练好的机器学习模型作为轻量型分类器，并使用所述轻量型分类器对目标域下其他无标签样本进行分类，以识别测试对象的摔倒状态。本发明实现了对目标域人员摔倒状态的准确检测。员摔倒状态的准确检测。员摔倒状态的准确检测。


技术研发人员：毕宿志 曾钰婷 全智 林晓辉 郑莉莉
受保护的技术使用者：深圳大学
技术研发日：2022.06.16
技术公布日：2022/7/22