基于ResNet网络的雷达跌倒检测方法及设备

技术领域

本发明涉及一种基于雷达数据进行跌倒检测的方法及设备，属于检测技术领域。

背景技术

随着社会经济的高速发展，人口老龄化问题日益加重，如何保证老人的安全和健康显得尤为重要。在家庭和医疗健康监护中，如何及时准确地进行实时老人状态监测特别是跌倒检测已成为亟待解决的难题。

基于毫米波雷达的跌倒检测方法具有较强的穿透能力、非介入式传感、良好的隐私保护性，不易受环境因素(如天气、温度、光照等)影响等优点，具备与传统视频监控和穿戴式传感器竞争的能力，近年来已受到国内外学者的广泛关注。

跌倒检测的方案主要分为两种：穿戴式和非穿戴式。穿戴式方法针对固定对象进行跌倒检测，如利用惯性测量单元、加速度计和陀螺仪等传感器组成的穿戴式跌倒检测设备；吕艳等人提出一种基于卷积神经网络(Convolutional Neural Network，CNN)和手机传感器的跌倒检测系统，利用神经网络对智能手机内置的三轴传感器数据进行训练和分类，可以达到较好的检测效果。上述穿戴式方法主要存在体感上的不适和老人忘记主动佩戴等问题。上述的穿戴式检测方法存在穿戴麻烦，老人不愿意佩戴设备或者容易忘记穿戴的问题。

非穿戴式方法针对固定区域进行检测，主要有以下几种传感器：相机、WiFi、超宽带雷达、毫米波雷达。基于相机的跌倒检测方法不断是出现：Abobakr等人通过深度残差卷积长短时记忆网络(Long Short-Term Memory，LSTM)对RGB-D图像进行跌倒分类；Feng等人利用目标检测对复杂场景中进行人体检测，并利用LSTM网络对图像进行跌倒结果预测，得到较好的检测效果。基于图像检测的方式存在侵犯个人隐私风险，不适合用于洗手间、卧室等隐私场所，同时需要充足的光线，不适合夜晚场景的使用。基于WiFi的方法有着成本低的优势：Bao等人基于WiFi通道状态信息提出一种智能监控系统，根据通道状态信息的相位和幅度差值来建立跌倒检测模型；Hu等人提出DeFall的检测方法，首先建立跌倒的通道状态信息静态模板库，然后利用通道状态信息估计跌倒时的速度进行相似度匹配。基于WiFi的方式容易收到其他外来信号的干扰，泛化性较差。除了上述非接触的方法之外，使用毫米波雷达进行跌倒检测也是近年来一种非常受欢迎的方法。毫米波雷达具有良好的隐私保护性，具有探测精度高，成本低的特点，近年来使用毫米波雷达的检测方法与日俱增。Jin等人利用毫米波雷达采集多普勒信息，并利用CNN进行训练和识别病人动作，该方法计算效率较高，但特征提取有待改善，算法的准确率有待提高；Wang等人基于CNN提出一种线核卷积神经网络(line kernel convolutional neural network，LKCNN)用于提高跌倒检测算法的准确性，但存在检测动作单一的问题；Aman和Li等人利用双层LSTM结构来对调频连续波雷达信号进行学习，达到对人体动作进行分类的目的，这两种算法时延较大，需要进一步提高运行速度。上述基于毫米波雷达的方法仍存在网络结构单一，对于信号特征的提取和利用有限的问题。除了以上方式，近年来也有使用点云轨迹追踪进行跌倒姿态检测的方法。朱荟芝等人通过对人体进行点云轨迹追踪分析人体的姿态。这种方法通过获取目标数据的点云数据实时追踪目标高度来实现跌倒检测。但这种方法对雷达的要求极高(尤其是对雷达分辨率要求极高)，使得成本居高不下，同时检测所需数据量极大，计算复杂，对实时检测不利。

发明内容

本发明是为了解决现有基于图像的跌倒检测方法存在适用场所范围有限、容易暴露隐私的问题、基于WiFi的检测方式存在泛化性较差的问题、基于点云数据实时追踪目标高度成本高，运算复杂，多姿态识别能力差的缺点。

一种基于ResNet网络的雷达跌倒检测方法，包括以下步骤：

S1、利用雷达采集运动姿态数据；

S2、将采集到数据按照时间顺序将数据重构为N

基于所得到的三维数据，对每一次回波进行滤波处理；

然后需要对雷达进行RD频谱变换，首先对R维数据进行加窗处理，然后进行FFT变换；再将D维数据进行加窗处理，然后进行FFT变换；这样对T维的每一层数据都进行RD变换就得到了RD频谱；

S3、将T维度上得到的每一帧与前一帧相减得到去静态RD频谱；对所得的复数三维数据进行绝对值归一化变换得到最终的结果；

S4、进行STFT阈值滤波；

S5、将STFT阈值滤波后的特征图输入用于跌倒检测的ResNet网络进行跌倒检测。

进一步地，S2中采用海明窗进行加窗处理。

进一步地，S4中STFT阈值滤波的过程包括以下步骤：

对于T维度上的每一层RD频谱结果，将其R维上的数据对应的数据点以合并的方式进行变换将其融为1维，对该一维的数据进行阈值滤波处理，对与所有超过阈值范围的结果予以保留，对于低于阈值范围的数据进行滤除；最后将数据重构得到多普勒时间图像。

进一步地，进行阈值滤波处理时的阈值范围是归一化结果的0.01倍，归一化是指在将R维数据合并过程中的归一化。

进一步地，利用雷达采集运动姿态数据的过程中，雷达的采集频率为1帧/s；即每秒只采集一次数据，持续40ms；对采集到的数据进行RD频谱变换并将结果对比静止状态，如果识别结果为无人或静止状态，则雷达继续维持低功耗检测模式不变；当检测到有运动目标出现或者其它运动姿态时，则判断有人经过，雷达转入采集模式，采集频率为25帧/s；随后一直维持这种工作模式直到连续20s内检测到结果都是无人或者静止，则雷达再次转入低功率采集模式。

进一步地，雷达的采样频率为10Mbps，每个周期采样256数据点，225脉冲为一帧，125帧构成一次检测窗口。

进一步地，所述用于跌倒检测的ResNet网络为改进ResNet网络，改进ResNet网络的处理过程如下：

首先采用多分支同构结构对输入图像进行处理，然后利用最大池化和平均池化进行处理，将最大池化和平均池化提取的特征进行融合，之后再送入改进残差块网络处理，改进的残差块网络处理之后，通过连接层之后利用分类器输出跌倒检测结果；

所述多分支同构结构由多条独立路径的卷积处理同构结构并联而成，每条独立路径的卷积处理结构相同；

改进残差块网络由若干个改进残差块构成，每个改进残差块为多重残差结构，多重残差结构包括四个处理通路，分别记为第一至第四通路，其中，

第一通路不做处理；

第二通路：3×3卷积层+BN层；

第三通路：3×3卷积层+BN-RELU层+3×3卷积层+BN层；

第四通路：3×3卷积层+BN-RELU层+1×3卷积层+BN-RELU层+3×1卷积层+BN层；

第二通路至第四通路融合后经过CBAM模块处理后与第一通路融合。

进一步地，所述CBAM模块为改进CBAM模块；改进CBAM模块包括一个改进ECA模块和一个空间注意力模块，首先将输入特征送入改进ECA模块进行处理，之后送入空间注意力模块处理，得到处理后的特征；

其中，所述的改进ECA模块如下：

针对输入改进ECA模块的特征，同时送入全局平均池化和全局最大池化，通过全局平均池化获得的聚合特征，经过大小为k的快速1D卷积和Sigmoid函数生成通道注意力权重；通过全局最大池化获得的聚合特征，经过大小为k的快速1D卷积和Sigmoid函数生成通道注意力权重；将全局平均池化对应的权重与全局最大池化对应的权重进行加权融合，然后再与输入特征相乘得到通道注意力特征；

ECA模块使网络能更有效地选择有意义的特征通道，CBAM中的空间注意力模块则使网络能更多的关注有价值的区域信息；

将改进ECA模块与空间注意力模块结合，形成改进CBAM模块，该模块如图12所示，并将其加入多重残差结构中，对残差块完成进一步的改进。

一种存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现一种基于ResNet网络的雷达跌倒检测方法。

一种基于ResNet网络的雷达跌倒检测设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现一种基于ResNet网络的雷达跌倒检测方法。

有益效果：

本发明既可以适用所有场景和环境范围，并保护隐私；同时本发明基于毫米波雷达进行检测还具有成本低、运算简单的优点，更为重要的是，本发明具有非常好的多姿态识别能力，本发明有具有较高的检测准确率，本发明的跌倒检测方法识别准确率高于98％，不仅高于很多视频，红外传感器的识别方法，因此本发明很好的解决现有的基于图像的跌倒检测存在适用场所范围有限、容易暴露隐私的问题，以及基于WiFi的检测方式存在泛化性较差的问题。

附图说明

图1为具体实施方式的流程示意图；

图2为FMCW信号图，其中，图2(a)为FMCW信号的频域信号，图2(b)为FMCW信号在一个扫频周期内的时域信号；图2(c)为FMCW信号时频特性；

图3为雷达回波中频信号；

图4为多个目标回波中频信号；

图5为后向跌倒过程的多普勒时频图；

图6为前向跌倒过程的多普勒时频图；

图7为雷达采集测试图；

图8为静态滤除后RD的频谱图；

图9为改进RESNET网络结构示意图；

图10为改进残差块示意图；

图11为改进ECA模块示意图；

图12为改进CBAM模块示意图；

图13为实施例中六种姿态的多普勒时频图，其中图13(a)为前向跌倒，图13(b)为挥手，图13(c)为来回行走，图13(d)为坐下，图13(e)为静止不动，图13(f)为后向跌倒。

具体实施方式

本发明为一种基于ResNet网络的雷达跌倒检测方法，本发明在现有技术的基础上对理论进行进一步深入研究和分析，进而才通过研究和推导得到本发明。为了说明本发明的理论基础以及本发明在现有技术的基础上进行的进一步研究，在对本发明进行具体说明之前，首先对本发明的理论基础和在理论上进一步的改进和推导过程进行说明。

IWR6843雷达的FMCW调频连续波：

FMCW是频率调制连续波，FMCW信号如图2所示，

其中，图2(a)为FMCW信号的频域信号，图中T是扫频周期，B是调频带宽，f

从频率角度看，发射信号的频率在一个扫频周期内线性增长，发射天线可连续发射多个调频脉冲，调频脉冲信号也可称为chirp信号。对频率积分即可以得到相位，因此根据FMCW信号在频域的特点可以建立FMCW时域信号的数学模型。假设发射信号的一帧有M个扫频周期。定义时刻t的表达如公式(1)所示，其中t

t＝mT+t

本实施方式采用IWR6843雷达，雷达中心频率f

假设电磁波在空气中的传播速度是c，在距离雷达R处有一物体。发射天线发射的电磁波通过空气传播经过物体的反射后再由接收天线接收，由此导致了接收信号和发射信号会有τ的时延。在频域上，时延导致在同一时刻接收信号和发射信号之间的频率差。

时延τ为电磁波在空气中的传播时间，τ与物体和雷达之间的距离R以及物体相对雷达的运动速度v有关：

除此之外，接收信号的信号强度也会有一定的衰落。接收信号S

其中，α是信号的衰减因子，α的大小跟物体距雷达的远近和物体的反射表面有关。

此时对目标回波进行混频处理与滤波处理即可得到中频信号Sif

式中，k为调频斜率；

可以看到在一个较短的时间内(不考虑t的变化)，中频信号的频率是随时间线性变换的，对其进行傅里叶变换就可以得到有关距离的信息。

RD频谱与多普勒时频图：

当探测的目标为多个点目标时，多个点目标的回波会叠加在一起导致时域上无法区分，但在频域中，多个点目标的频率是分开的，因此可以通过一定处理加以区分。具体的做法通常是通过距离多普勒处理来得到目标距离速度等相关信息。距离多普勒处理是雷达信号处理中常用的一种方法，对于调频连续波雷达而言，其实质就是对多个周期的差拍信号做两次傅里叶变换，求出距离和速度：首先分别对每一周期的差拍信号做FFT，对于静态的目标，做完FFT后的峰值即对应目标的距离；对于动态目标，由于存在距离－速度耦合现象，峰值对应的并不是实际距离，还需要进一步处理。第二次FFT是对多个周期同一距离单元的点做FFT，此时求出的峰值即对应目标的多普勒频率，根据此频率可以求出目标径向速度。最后再通过解距离速度耦合处理，就可以求出动态目标的实际距离和速度，而对于一些对目标距离速度精度要求并不严格的应用，则无需进行距离速度解耦合，进一步降低处理的复杂度。

从公式(4)可以看出，发射信号和接收信号的频率差是由电磁波的传播时延τ决定的，传播时延τ和频率差的直接关系可以由相似三角形推导出，而τ和物体与雷达之间的距离的关系如公式(3)。因此如果可以测得发射信号和接收信号之间频率差则可以得到电磁波的传播时间，从而计算出物体和雷达之间的距离。由此，计算物体与雷达的距离这一问题转化为计算接收信号和发射信号的频率差。由公式(2)和公式(4)可知，我们可以利用三角函数中的积化和差公式来求得频率差，这一功能由雷达的混频器来完成。

雷达的混频器将发射信号与接收信号通过乘法合并到一起，生成中频信号(Intermediate frequency)。中频信号见公式(5)，中频信号的相位是发射信号和接收信号的相位差：

将τ的表达式代入公式(5)可得公式(8)：

由此可见中频信号与物体和雷达的距离以及物体的运动速度有关。

公式中由于含有平方项可以忽略不计，由此中频信号可以简化为公式(9)：

可以看到

由公式(9)可知，对于静止物体的反射信号和发射信号生成的中频信号是一个频率不变的正弦波，因为两者的频率差是固定的，如图3所示。

在同一个扫频周期内即固定m，频率差ΔF主要由

如果环境中存在多个反射物体，中频信号如图4所示。对中频信号做一维傅里叶变换会得到多个峰值即对应着不同f

距离的分辨率也就是区分开不同物体的能力由f

因此可以推导得到距离的分辨率：

因此，距离的分辨率由信号的调频带宽决定。

由于发射单个频率脉冲就可以得到距离，但速度信息只有在多个扫频周期内才能体现。因此需要连续发射多个频率脉冲才能估计速度。在一帧有M个扫频周期的情况下，对每个线性调频脉冲做一维傅里叶变换之后，将会在同一频率上得到峰值，但其相位是不同的。令

正反向跌倒多普勒时频图的异同：

人体跌倒的姿态是多种多样的，这就注定了跌倒检测的复杂性。总体来说，跌倒大体分为两类，前向跌倒和后向跌倒。两种跌倒方式由于方向不同造成其多普勒时频图存在巨大差异，因此需要对这两种跌倒姿态分别检测。

根据公式(14)可得多普勒公式为

其中f

人体跌倒的过程比较复杂，人身体的各个部分都会做出动作，但大体可以把把人体近似看成一个长柱体，把跌倒过程看成该长柱体绕一个定点(脚部)旋转。

当人体向后跌倒时，人体首先经过一个加速的过程，f

前向跌倒与后向跌倒物理过程相差不大，但前向跌倒的过程中存在一个奇点，即当人体旋转到与雷达同一直线的时候，此时的v

ResNet网络识别：

卷积神经网络是一种经典的神经网络结构，具有类似人眼的感受野，能够全面观测目标信息，在二维图像处理领域有着广泛运用。

对于多普勒时频信息图的特征提取，ResNet有以下几个优点：原始图像直接输入，可以避免大量的预处理；局部感受域获取特征，可以减小图像的平移、缩放和旋转带来的影响；参数共享机制可以减小网络结构的复杂度，提高计算效率；下采样充分利用局部相关性信息，既减小数据处理量的同时又可以保留结构信息。本发明利用ResNet的特征提取优势，通过非线性结构有效地将多普勒热图的抽象特征提取出来。

深度残差网络(deep residual networks，Res-Net)是一种基于卷积的、通过加深网络层次来提高精度的网络模型结构，通过采用几个小的卷积核替换一个大的卷积核的方法来减少ResNet模型参数，同时增加ResNet网络模型非线性激活函数的数量，这使得ResNet模型的计算量减少，进而提高计算效率。如果卷积层中输入与输出特征图的大小一致，那么滤波器数量是保持不变的；如果特征图大小变为原来一半时，滤波器的数量会加倍。

本发明根据雷达时频图像的特性，对ResNet进行相应改进：首先，构建多分支同构结构，替换原有卷积，增强网络的表达能力；其次，引入非对称卷积块构成多重残差结构，并与改进CBAM模块结合对残差块进行优化，从而增加网络多样性，提升网络的特征提取能力。

近年来，由于在图像和语音识别方面的良好表现，卷积神经网络逐渐成为研究热点。残差网络是一种表现优异的卷积神经网络，在图像识别方面有着广泛的应用。ResNet网络作为一种典型代表，其性能优异且模型参数较少，在保持较高准确率的同时仅占用较少的内存空间。ResNet网络在可见光图像识别上表现良好，但在信息噪点较多的多普勒图像识别中表现欠佳。本发明在ResNet网络结构的基础上，针对人体跌倒识别任务，并根据雷达多普勒图像自身的特性，提出一种改进ResNet网络结构。

下面结合具体实施方式对本发明做出详细说明。

具体实施方式一：

本实施方式所述的一种基于ResNet网络的雷达跌倒检测方法，包括以下步骤：

步骤1、利用雷达采集运动姿态数据：

采用IWR6843系列毫米波雷达采集姿态数据，它属于非穿戴式的设备，可以最大限度保护隐私，同时也避免了频繁穿戴的麻烦。IWR6843雷达参数设置如表1所示。

表1 IWR6843参数设置

将雷达布置在合适位置后使其开始工作，准备设定雷达的低功率检测模式。设置雷达参数与采集模式下相同，但设定其采集频率为1帧/s。即每秒只采集一次数据，持续40ms。对采集到的数据进行RD频谱变换并将结果对比静止状态，如果识别结果为无人或静止状态，则雷达继续维持低功耗检测模式不变。当检测到有运动目标出现或者其它运动姿态时，则判断有人经过，雷达转入采集模式，采集频率为25帧/s。随后一直维持这种工作模式直到连续20s内检测到结果都是无人或者静止，则雷达再次转入低功率采集模式。

雷达采集测试图如图7所示。

步骤2、RD频谱变换：

在步骤1中采集到数据后首先对数据进行重构。

由于采样频率为10Mbps，每个周期采样256数据点，225脉冲为一帧，125帧构成一次检测窗口。因此按照时间顺序将数据重构为256x225x125的RDT三维数据。

然后需要对采集到的数据进行多路径干扰滤波处理，将多路径回波中干扰滤除。基于所得到的三维数据，对每一次回波(即对三维数据中的R维)进行滤波处理。

然后需要对雷达进行RD频谱变换，首先对R维数据进行加窗处理(海明窗)，然后进行FFT变换；再将D维数据进行加窗处理(海明窗)，然后进行FFT变换。这样对T维的每一层数据都进行RD变换就得到了RD频谱，这里的频谱可用于步骤1中的动目标检测。

步骤3、静态滤波：

对所采集到的数据进行步骤2的变换后已经得到了R维，D维的变换结果，之后需要对数据进行静态滤波以滤除零频干扰。将T维度上得到的每一帧与前一帧相减得到去静态RD频谱。对所得的复数三维数据进行绝对值归一化变换得到最终的结果。静态滤除后RD的频谱图如图8所示。

步骤4、STFT阈值滤波：

对于T维度上的每一层RD频谱结果，将其R维上的数据256个数据点以合并的方式进行变换将其融为1维，对该一维的数据进行阈值处理。阈值范围是归一化结果的0.01(-20dB)，这里的归一化指在将R维数据合并过程中的归一化，阈值也是根据这一归一化结果设定的，实际操作为S＝S/max(abs(S))；

对与所有超过这一阈值的结果予以保留，对于低于这一阈值的数据进行滤除。最后将数据重构得到225*125的多普勒时间图像。

步骤5、搭建改进ResNet网络：

本发明根据雷达时频图像的特性，对其进行相应改进：首先，构建多分支同构结构，替换原有卷积，增强网络的表达能力；其次，引入非对称卷积块构成多重残差结构，并与改进CBAM模块结合对残差块进行优化，从而增加网络多样性，提升网络的特征提取能力。首先，构建多分支同构结构Convx，替换原有的卷积；然后，结合最大池化和平均池化，对池化层pool1、pool2进行改进；最后，引入非对称卷积块构成多重残差结构，并将改进ECA模块与CBAM的空间注意力模块结合，加入残差块Conv1_x、Conv2_x、Conv3_x和Conv4_x中。

改进的ResNet网络如图9所示，其中，

多分支同构结构

传统残差网络中第一层卷积为大卷积，目的是在不增加通道数的情况下，尽量保留原始图像的信息。然而雷达多普勒时频图像对比度低、图像模糊，单一卷积非线性表达能力不强，特征提取效果不佳，为了增强网络的表达能力，提升网络模型对雷达多普勒图像的分类性能，本发明设计了如图9所示的多分支同构结构。该结构由16组卷积构成，即16条独立路径的同构结构。每组第一层卷积的步长为2，填充为1，其余层卷积步长为1，无填充。

池化层改进

最大池化能够提取图像的主要特征，平均池化则能很好地保留图像的背景信息。传统残差网络使用单一的最大池化或平均池化，这样不可避免地丢失了部分有用信息。为了尽量避免有用信息的丢失，本发明设计了如图9中pool1和pool2所示的池化结构，将最大池化和平均池化提取的特征进行融合，这样得到的特征将更丰富多元，其表达能力也更强。

残差块改进

传统残差块由2个堆叠的3×3卷积及恒等映射连接构成，卷积结构单一，提取特征方式固定。为增加网络的多样性，使网络能够提取不同尺度图像特征，本发明设计了多重残差结构，其结构如图10所示，即多重残差结构，在原结构基础上增加两条并行的特征提取通路：一条通路由3×3卷积构成，另一条通路由3×3卷积和1×3卷积、3×1卷积构成的非对称卷积块堆叠而成。这种非对称卷积块抑制了模型的过拟合，增强了模型的非线性扩展性，不但能够提取更多空间特征，而且使提取的特征更加稳定与多元。

多重残差结构实际上包括四个处理通路，分别记为第一至第四通路，其中

第一通路不做处理；

第二通路：3×3卷积层+BN层(批归一化层)；

第三通路：3×3卷积层+BN-RELU层(即BN层之后经过激活函数RELU处理)+3×3卷积层+BN层；

第四通路：3×3卷积层+BN-RELU层+1×3卷积层+BN-RELU层+3×1卷积层+BN层；

第二通路至第四通路融合后经过改进CBAM模块处理后与第一通路融合；

改进的残差块网络处理之后，通过连接层之后利用分类器输出跌倒检测结果。

改进CBAM模块

在数据采集的过程中，不可避免会受到噪声的干扰，而且不同情况下，人体的个关节总会无意识的运动，造成多普勒图像中出现诸多噪点，这就要求识别方法能够更多地关注人体主要的形态特征信息，而忽略其他值的信息；注意力机制很好地解决了这个问题。

ECA模块：给定通过全局平均池化(GAP)获得的聚合特征，经过大小为k的快速1D卷积实现跨通道信息交互，接着使用Sigmoid函数生成通道注意力权重，再将该权重与输入特征相乘得到通道注意力特征。但是该模块忽略了目标特征的另一种重要表征形式——经过全局最大池化(GMP)获得的聚合特征。

因此，本发明同时使用GAP和GMP提取的特征对ECA模块进行改进，使网络能够更有效地增强有意义的特征通道。改进ECA模块如图11所示，输入的特征同时送入全局平均池化(GAP)和全局最大池化(GMP)，通过全局平均池化(GAP)获得的聚合特征，经过大小为k的快速1D卷积，1D卷积核大小k＝3，σ表示Sigmoid函数，Sigmoid函数生成通道注意力权重；通过全局最大池化(GMP)获得的聚合特征，经过大小为k的快速1D卷积，1D卷积核大小k＝3，σ表示Sigmoid函数，Sigmoid函数生成通道注意力权重；将全局平均池化对应的权重与全局最大池化对应的权重进行加权融合，然后再与输入特征相乘得到通道注意力特征。ECA模块使网络能更有效地选择有意义的特征通道，CBAM中的空间注意力模块则使网络能更多的关注有价值的区域信息。

将改进ECA模块与空间注意力模块结合，形成改进CBAM模块，该模块如图12所示，并将其加入多重残差结构中，对残差块完成进一步的改进。

步骤6、采用步骤1-4的方法获得的数据组成训练样本，将这些训练样本对步骤5中所提出的ResNet网络进行训练，得到训练后的网络。

步骤7、采用训练好的ResNet网络对待检测样本进行检测。

具体实施方式二：

本实施方式为一种存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的一种基于ResNet网络的雷达跌倒检测方法。

应当理解，包括本发明描述的任何方法对应的可以被提供为计算机程序产品、软件或计算机化方法，其可以包括其上存储有指令的非暂时性机器可读介质，所述指令可以用于编程计算机系统，或其他电子装置。存储介质可以包括但不限于磁存储介质，光存储介质；磁光存储介质包括：只读存储器ROM、随机存取存储器RAM、可擦除可编程存储器(例如，EPROM和EEPROM)以及闪存层；或者适合于存储电子指令的其他类型的介质。

具体实施方式三：

本实施方式为一种基于ResNet网络的雷达跌倒检测设备，所述设备包括处理器和存储器，应当理解，包括本发明描述的任何包括处理器和存储器的设备，设备还可以包括其他通过信号或指令进行显示、交互、处理、控制等以及其他功能的单元、模块；

所述存储器中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现所述的一种基于ResNet网络的雷达跌倒检测方法。

实施例

本实施例采用IWR6843毫米波雷达进行数据采集，所使用的雷达布置在1.8m的高度上以20°的角度斜向下布置，有效检测范围1-8m。雷达采用IQ两路正交信号调制，按照表1进行设置，本次数据采集雷达帧率为25f/s，采集5s，一共125帧，单帧进行225次脉冲积累，因此每次数据采集得到一张225*125的多普勒时频图。本实验一共设计了6种包含跌倒在内常见的人体姿态(行走，静止，挥手，坐下，前向跌倒，后向跌倒)。这六种姿态的多普勒时频图如图13所示，其中图13(a)为前向跌倒，图13(b)为挥手，图13(c)为来回行走，图13(d)为坐下，图13(e)为静止不动，图13(f)为后向跌倒。

为了保证数据的普适性，每个动作安排多名人员在不同角度，不同距离上非均匀采样400组，总共2400组数据，如表2所示

表2

ResNet训练与测试：

实验运行环境：Windows操作系统，Intelcorei5处理器，8G内存，NVIDIAGTX1050TiGPU。使用Pytorch深度学习框架搭建网络，网络的损失代价函数选择交叉熵损失函数；采用Adam优化方法，学习率设置为0.001。

表3实验结果混淆矩阵

从上表中可以看出，对于实测的人体姿态数据，改进的ResNet网络的识别准确率非常高，所有的测试数据都能正确分类，即便是被普遍认为容易误识别的坐下姿态和跌倒姿态都能实现非常高的准确率。整体识别准确率达到了98％。这表明本发明使用的识别网络对此的识别效果良好，验证了本发明的有效性和适用性。

在跌倒检测这一研究方向上，有多种检测方法，常见的有基于摄像头，红外相机，雷达等传感器的非接触式检测，和基于加速度计的接触式检测。下表是不同检测方法准确率的对比。

表4不同检测方法准确率对比

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。