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

1.本发明属于工业传感器技术以及人工智能技术领域，具体涉及基于毫米波雷达的人体跌倒行为实时监测系统；还涉及基于毫米波雷达的人体跌倒行为实时监测方法。


背景技术：

2.据世界卫生组织的统计，每年在65岁及以上的老人中大约有28-35％的人会跌倒至少一次，跌倒已经成为导致老人死亡和意外伤害的主要因素之一。作为一个公共健康问题，跌倒已成为老年人独立生活的常见障碍，因此在居家养老场景下，及时有效的医疗健康监护变得至关重要，能够及时发现老人跌倒情况，就能做出积极主动地救助；如果未能及时发现跌倒，耽误治疗，后果不堪设想。因此，可靠准确的老人跌倒检测系统十分重要，对于老人居家养老安全监护具有重大意义。
3.当前可以应用在跌倒检测上的技术方案主要有加速度传感器，基于摄像头的视觉技术和毫米波雷达三种，加速度传感器通常集成在智能手表或手环中，优点是成本低，对一般的跌倒识别率高，缺点是对缓慢跌倒的识别率低，舒适性差，充电麻烦，需要用户佩戴才能实现检测；摄像头进行跌倒检测需要光线足够，同时摄像头和被检测人之间必须没有物体遮挡，且用户对摄像头可能存在的隐私泄露风险比较担心。毫米波技术作为新兴感知手段，广泛应用在车流识别、车速检测、障碍物感知等场景中。在居家环境中可通过毫米波技术对人体生成点云信息，从而描述人体的相关行为特征。但通过毫米波雷达生成的人体空间位置信息随着环境变化具有较大噪声，对居家场景中人体的跌倒检测行为有较大的误检率。其次，基于高度阈值法的跌倒检测方法由于受到特定环境的限制不适用在复杂环境下使用，从而降低了对跌倒行为的识别精度。
4.因此，在居家养老人体跌倒场景中，可通过人工智能领域的大数据分析算法降低毫米波雷达因自身属性导致的噪声过大问题，其次采用机器学习算法代替高度阈值法，提升毫米波雷达对人体跌倒行为检测的鲁棒性。


技术实现要素：

5.本发明的目的在于解决了现今居家养老老人跌倒时亲人无法迅速知晓的问题，从而提供一种基于毫米波雷达的人体跌倒行为实时监测系统，在保护隐私的前提下准确检测跌倒行为。
6.本发明的还提供一种基于毫米波雷达的人体跌倒行为实时监测方法，实现人体回波信息的多角度采集，使用机器学习算法代替高度阈值法，实现对人体跌倒行为的精确识别。
7.本发明所采用的第一种技术方案是，基于毫米波雷达的人体跌倒行为实时监测系统，包括设置在保护外壳内部的毫米波雷达模组，计算板卡，声光模组，电源模组；毫米波雷达模组与电源模组分别通过usb与计算板卡连接，声光模组通过gpio接口与计算板卡连接，电源模组为监测系统提供电力，计算板卡通过wifi模块与远程终端相连。
8.毫米波雷达模组包括毫米波传感器和数字信号处理芯片，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，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。
9.毫米波雷达为多输入的多通道毫米波雷达，所述毫米波雷达在检测区域距地面高1.8-2.5米范围内放置。
10.计算板卡，实现点云信息预处理、特征提取、行为分类等算法进而识别人体跌倒行为。
11.声光模组用于将检测到的人体跌倒行为通过声音和灯光形式向外界进行报警。
12.保护外壳将毫米波雷达模组、计算板卡、声光模组和电源模组保护外壳内部。
13.电源模组为整套硬件系统提供电力。
14.本发明所采用的第二种技术方案是，基于毫米波雷达的人体跌倒行为实时监测方法，包括以下步骤：
15.步骤1：毫米波雷达在安置高度向监测空间发射电磁波，电磁波经人体反射后由雷达接收天线接收，毫米波雷达的数字信号处理芯片对回波信号进行预处理，经一维加窗和一维快速傅里叶变换等处理，得到人体回波点信息，包括距离、方位角、仰角、径向速度和信噪比等信息。
16.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；
17.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。
18.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。
19.基于滑动窗口进行数据集分段后，使用tsfresh算法进行特征提取，将输入数据的五个参数，包括距离、方位角、仰角、径向速度和信噪比信息进行特征提取，从而得到多种不同的数字特征。
20.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。
21.进一步使用tsfresh提供的extract_relevant_features()方法，专门用于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。
22.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；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。
23.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。
24.本发明的特点还在于，
25.步骤1具体如下：
26.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。
27.跌倒检测模型实现方法具体如下：
28.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；
29.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；
30.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；
31.步骤5.4：采用lightgbm算法模型作为分类模型，首先采用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；
[0032]
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。
[0033]
本发明的有益效果是：
[0034]
本发明的基于毫米波雷达的人体跌倒行为实时监测系统具有如下优点：
[0035]
1、本发明是一种基于毫米波雷达的人体跌倒行为实时监测系统，设备本体由毫米波雷达模组，计算板卡，声光模组，保护外壳，电源模组成。设备整体可进行小型化集成，便于在实际居家场景中进行安装部署。
[0036]
2、本发明是一种基于毫米波雷达的人体跌倒行为实时监测系统，首先通过毫米波雷达模组采集基于点云信息的人体空间位置数据，其次计算板卡采用追踪滤波器对人体位置数据进行滤波处理，降低了毫米波雷达产生的观测数据质量对人体空间位置信息的准确度影响。
[0037]
3、进一步，对比传统的高度阈值法，本发明采用tsfresh算法进行多维特征提取，基于机器学习算法搭建的行为分类器能够有效提高跌倒行为的检测精度，解决了采用毫米波雷达传统方法中对人体跌倒行为误识别概率高的问题。
附图说明
[0038]
图1是本发明基于毫米波雷达的人体跌倒行为实时监测系统的整体结构示意图；
[0039]
图2是本发明基于毫米波雷达的人体跌倒行为实时监测方法的流程图。
[0040]
图中，1.毫米波雷达模组，2.计算板卡，3.声光模组，4.电源模组，5.保护外壳。
具体实施方式
[0041]
下面基于毫米波雷达的人体跌倒行为实时监测系统结合附图和具体实施方式对本发明进行详细说明。
[0042]
本发明的基于毫米波雷达的人体跌倒行为实时监测系统，如图1所示，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；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，声光模组3通过gpio接口与计算板卡2连接，电源模组4为监测系统提供电力，计算板卡2通过wifi模块与远程终端相连。
[0043]
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，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，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。
[0044]
本发明的基于毫米波雷达的人体跌倒行为实时监测方法，如图2所示，具体操作步骤如下：
[0045]
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；
[0046]
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；
[0047]
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；
[0048]
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；
[0049]
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；
[0050]
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；
[0051]
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，具体如下：
[0052]
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
[0053]
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；
[0054]
跌倒检测模型实现方法具体如下：
[0055]
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；
[0056]
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；
[0057]
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；
[0058]
步骤5.4：采用lightgbm算法模型作为分类模型，首先采用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；
[0059]
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。
[0060]
本发明设计了一种基于毫米波雷达的人体跌倒行为实时监测系统，设备本体由毫米波雷达模组，jetsonnano计算板卡，声光模组，保护外壳，电源模组成。设备整体可进行小型化集成，便于在实际居家场景中进行安装部署。
[0061]
不同于毫米波雷达与其他图像传感器相结合，本发明仅使用毫米波雷达作为监测传感器，实现了在保护个人隐私的同时实现无感监测。
[0062]
不同于使用多个雷达的跌倒检测方案，本发明仅使用一个毫米波雷达，支持水平和垂直方向各120度的视角，可获得空间中人体回波丰富点云信息。
[0063]
算法部分通过人工智能领域的大数据分析算法，降低毫米波雷达因自身属性导致的噪声过大问题，特征提取选用tsfresh算法，从有限的数据参数里提取到足够丰富的与跌倒相关的特征参数，与传统特征提取方法相比,该算法效率高和范围广,且能自动地计算出大量的时间序列特征。其次采用lightgbm分类算法代替高度阈值法，提升毫米波雷达对人体跌倒行为检测的鲁棒性。
[0064]
实施例：
[0065]
高度阈值仅将毫米波数据集中目标的高程数据作为特征量，通过判断高程与设定阈值的关系识别跌倒行为，而lightgbm的特征量除了高程数据外，还包含有目标的速度和加速度信息，通过模式识别的方法对跌倒行为进行综合判断，因此能够提高跌倒的识别精度和鲁棒性。
[0066]
如下表1为传统阈值法与本技术采用的机器学习算法lightgbm相比跌倒识别的准确率，由此可以看出，本技术的跌倒检测方法其准确率全部在90％以上，准确率更高。
[0067]
表1
[0068] 阈值法(准确率)lightgbm(准确率)前跌82.35％95.05％后跌88.97％91.28％左跌87.15％93.51％右跌85.55％92.66％垂直跌落92.01％99.21％。