一种基于深度学习的跌倒检测方法

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：

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，从而增加采样点数，克服栅栏效应；

步骤25，通过双线性插值收窄CSI数据波形以防止边缘失真。

步骤1中，CSI数据可以是振幅、相位和相位差的任意组合。

进一步的，步骤3中，所述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。

进一步的，步骤3中，所述信号分割方案是基于一种自适应窗口分割方法实现的。

进一步的，步骤4中，所述CSI数据去噪方法，除了SSA( Singular SpectrumAnalysis)，还可以采用离散小波变换(DWT, Discrete Wavelet Transform)。所述SSA能处理不满足任何统计假设（线性/非线性，平稳/非平稳，高斯/非高斯）的信号，并且只有一个需要优化的参数——奇异值的数量。

进一步的，步骤5中，所述CSI数据转换为频谱图的方法除了希尔伯特-黄变换(HHT, Hilbert-Huang Transform)，还可以采用短时傅立叶变换(STFT, Short TimeFourier Transform)或连续小波变换(CWT, Continuous Wavelet Transform)。所述HHT能处理非线性与非平稳的信号，并且获得信号的瞬时频率。HHT主要分为两个阶段：经验模态分解(EMD, Empirical Mode Decomposition)和希尔伯特谱分析(HSA, Hilbert SpectrumAnalysis)。在第一阶段，采用自适应噪声完备集合经验模态分解(CEEMDAN, CompleteEnsemble Empirical Mode Decomposition with Adaptive Noise)，能极大程度地缓解模态混叠(mode mixing)问题，并且能几乎无误差地重构信号。

进一步的，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(featuremap)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(ReLU,Rectified Linear Unit)。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。

与现有技术相比，本发明的有益效果是：

(1) 本发明使用WiFi信号作为跌倒检测的新手段，它既不记录图像音频信息，也不需要被测者穿戴特殊的传感器，既保障了被测者的隐私，又增加了使用的灵活性。

(2) 本发明采用普通商用WiFi设备建立跌倒检测环境，不需要成本高昂的特殊硬件，不需要繁琐地部署，增加了实用性和易用性，并具备较好的推广能力和适应性。

(3) 本发明将深度学习技术应用于跌倒检测中，克服了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的问题，能够在不同环境下达到更高的检测准确度。

附图说明

图1为本实施例的跌倒检测方法的应用环境示意图；

图2为本实施例的跌倒检测方法流程图；

图3为自适应窗口分割方法流程图；

图4为深度卷积神经网络架构图；

图5为深度卷积神经网络流程图。

实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

如图1所示，本实施例提供的跌倒检测方法，由一具备接受WiFi信号能力的终端（台式电脑或笔记本电脑）执行。在检测区域内设置一个发射器（路由器或能发射WiFi信号的电脑）和该终端，发射器发射WiFi信号，该终端接收发射器在检测区域内发射的WIFI信号，并基于接收到的WiFi信号检测目标对象在检测区域内是否跌倒。其中，目标对象可以包括各年龄段的人体，检测区域可以包括卧室、客厅、浴室、厕所等室内环境。

如图2所示，本实施例提供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，包括以下步骤：

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：采用一种设计的信号分割方案，从CSI数据中分割出跌倒事件（包括跌倒和类跌倒活动）。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。

步骤4：采用奇异谱分析(SSA, Singular Spectrum Analysis)对分割后的CSI数据进行去噪。

步骤5：采用希尔伯特-黄变换(HHT, Hilbert-Huang Transform)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。

本实施例中，步骤1所述的原始CSI数据仅是振幅，因为结合其他特征，会增加DCNN的训练时间，降低深度学习的效率。

本实施例中，步骤2中对CSI原始数据进行的预处理，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。

在本实施例中，步骤3所述的信号分割方案是基于一种自适应窗口分割方法实现的。该方法将CSI数据的频率作为分割依据，如图3所示，其分割出跌倒事件的过程，包括以下步骤：定义3-10Hz为低频(fL)，10-25Hz为高频(fH)。定义窗口的长度为2s，当两个窗口重叠时，窗口间的重叠时间为1s。先把振幅低于0.2的任何频率内容去掉，然后取频率3-25Hz的CSI数据等待窗口分割。窗口将根据以下四种情况进行自适应调整：第一种情况，前一个窗口w1和后一个窗口w2都包含fL，则进入下一个窗口而不重叠；第二种情况，w1包含fL，w2包含fH，则进入下一个窗口；第三种情况，w1和w2都包含fL和fH，则设置不重叠的第三个窗口w3。若w3包含fL，则认为w2中发生了跌倒事件，并将w2和w3合并分割出来，长度为3s。若w3同时包含fL和fH，则认为w3中没有发生跌倒事件，进入下一个窗口且重叠；第四种情况，w1同时包含fL和fH，w2包含fL，则认为发生了跌倒事件，并将w1和w2合并分割出来，长度为3s。

在本实施例中，步骤4所述的SSA主要分为两个阶段：分解和重构。在第一阶段，先通过嵌入的方式将CSI数据排列在轨迹矩阵中，再通过奇异值分解(SVD, Singular ValueDecomposition)该矩阵获得奇异谱。在第二阶段，降低轨迹矩阵的秩，然后根据秩降低的轨迹矩阵重构去噪后的CSI数据。相对离散小波变换(DWT, Discrete Wavelet Transform)方法，SSA的优点是能处理不满足任何统计假设（线性/非线性，平稳/非平稳，高斯/非高斯）的信号，并且只有一个需要优化的参数——奇异值的数量，因此无需测量对比跌倒识别正确率，避免了DWT的启发式搜索，从而节省大量用于DCNN训练的时间。

在本实施例中，步骤5所述的HHT主要分为两个阶段：经验模态分解(EMD,Empirical Mode Decomposition)和希尔伯特谱分析(HSA, Hilbert SpectrumAnalysis)。在第一阶段，将CSI数据分解为固有模态函数(IMF, Intrinsic ModeFunction)。在第二阶段，将IMF做希尔伯特转换(HF, Hilbert Transform)，得到CSI数据的希尔伯特谱。相对短时傅立叶变换(STFT, Short Time Fourier Transform)和连续小波变换(CWT, Continuous Wavelet Transform)，HHT的优点是能处理非线性与非平稳的信号，并且获得信号的瞬时频率。

在本实施例中，步骤5所述的HHT在第一阶段，采用自适应噪声完备集合经验模态分解(CEEMDAN, Complete Ensemble Empirical Mode Decomposition with AdaptiveNoise)。相对EMD、集合经验模态分解(EEMD, Ensemble Empirical Mode Decomposition)和互补集合经验模态分解(CEEMD, Complementary Ensemble Empirical ModeDecomposition)，CEEMDAN的优点是能极大程度地缓解模态混叠(mode mixing)问题，并且能几乎无误差地重构信号。

在本实施例中，如图4所示，步骤7所述的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(feature map)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(ReLU, Rectified Linear Unit)。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。

在本实施例中，如图5所示，步骤7所述的DCNN为区分跌倒和类跌倒活动进行特征提取训练的过程，包括如下步骤：第一步，将像素值在0至255之间，尺寸为128×128的频谱图输入第一卷积层c1；第二步，c1输出的特征映射经过ReLU激活后，输入第一最大池化层p1；第三步，p1输出的特征映射输入第二卷积层c2；第四步，c2输出的特征映射经过ReLU激活后，输入第二最大池化层p2；第五步，p2输出的特征映射输入第三卷积层c3；第六步，c3输出的特征映射经过ReLU激活后，输入第三最大池化层p3；第七步，p3输出的特征映射的像素值输入全连接层。

本发明中涉及的未说明部分与现有技术相同或采用现有技术加以实现。

需要说明的是，虽然本发明的各种示例性实施方式揭露如上，然其并非用以限制本发明的专利范围。凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。