一种基于机器学习的毫米波跌倒判断方法

技术领域

本发明涉及一种基于机器学习的毫米波跌倒判断方法，具体而言，涉及毫米波检测技术领域。

背景技术

跌倒是老年人最常发生的意外之一，容易导致老年人受伤，甚至出现死亡的情况，因此，对于发现和预防老年人跌倒以及其他受伤事件的问题，已经成为备受关注的社会焦点。

目前人体跌倒行为识别方式主要通过接触式传感器和非接触式传感器，接触式传感器需要老年人进行佩戴才能起到识别效果，会对老年人日常生活造成一定的影响，而且老年人有时候会忘记佩戴，不能达到实时监测的效果，非接触式传感器包括计算机视觉识别和雷达识别等，但是计算机视觉识别存在隐私泄露的风险，且容易受环境变化影响，雷达识别则具有较好的抗干扰能力，且成本更加低廉。

毫米波雷达作为一种非接触式传感器，能够收发电磁波并通过对收发信号解调获取人体的位置、速度、行为等目标信息，通过准确的点云数据提供非接触人员的行为识别，进而实现跌倒报警。但常规的毫米波雷达识别对于与跌倒高度变化相似的坐下和蹲下行为的识别会出现误判的结果，导致出现错误警报的情况，影响用户的使用体验。基于这种情况，提供一种基于机器学习的毫米波跌倒判断方法，更加精准地识别人体跌倒行为，避免误判的情况出现。

发明内容

本发明目的在于针对上述现有技术的不足，提供一种基于机器学习的毫米波跌倒判断方法，通过回波信号建立点云集并进行聚类处理，以解决上述背景技术中提出的至少一个技术问题。

本发明解决其技术问题所采取的技术方案是：提供一种基于机器学习的毫米波跌倒判断方法，包括：

不断采集回波信号，基于回波信号建立点云集；

通过基于密度的DBSCAN聚类算法对点云集进行聚类，基于密度的DBSCAN聚类算法通过选择点云集中的一个点云为核心点，并按照给定的半径向周围寻找点云进行聚类，成为聚类的点会继续按照给定的半径向周围寻找点云进行聚类，直至找不到新的点云为止，将聚类的点云记为点云簇P

通过点云p

将人体行为距离L-时间T散点图和人体行为速度V-时间T散点图经过特征融合处理后输入到训练好的人体跌倒行为识别卷积神经网络模型中，人体跌倒行为识别卷积神经网络模型对人体行为距离L-时间T散点图和人体行为速度V-时间T散点图进行识别，在识别到人体行为为跌倒行为后，输出人体行为为跌倒行为，触发警报器发出警报；否则，无操作。

更进一步地，建立点云集的步骤具体如下：

T1：采集的回波信号经混频后，对混频后的回波信号进行AD采样转换为数字信号；

T2：通过距离处理算法对数字信号进行处理，得到目标点云的距离l和空间坐标c=(x，y，z)，再通过doppler处理算法对目标点云的距离l和空间坐标c=(x，y，z)进行处理，得到目标点云的速度v；

T3：遍历所有目标点云的速度v，将速度v小于第一速度阈值v

更进一步地，绘制人体行为距离L-时间T散点图和人体行为速度V-时间T散点图的步骤具体如下：通过binscatter函数以x和y两个变量建立坐标轴，将x数组值和y数组值的分布区间各均分为N份，形成N*N的网格区域，将x设为点云的距离L数组或速度V数组，y设为点云的帧序号数组，得到人体行为距离L-时间T散点图和人体行为速度V-时间T散点图。

更进一步地，使用的人体跌倒行为识别卷积神经网络模型的训练步骤具体如下：获取不同人体行为的人体行为距离L-时间T散点图和人体行为速度V-时间T散点图，将同一人体行为的人体行为距离L-时间T散点图和人体行为速度V-时间T散点图经过特征融合处理后生成特征融合图，对卷积神经网络进行初始化，通过卷积层和下采样层计算特征融合图，再经过全连接层完成人体行为的分类并得到相应的输出值，计算输出值与目标值的误差，若误差在期望值范围内，输出训练好的人体跌倒识别卷积神经网络模型；否则，将误差传回卷积神经网络，并依次计算全连接层、下采样层和卷积层的误差，对误差进行权值更新，继续对特征融合图迭代处理。

更进一步地，步骤S4中特征融合处理的步骤具体如下：将同一人体行为的人体行为距离L-时间T散点图和人体行为速度V-时间T散点图输入到对应卷积层中提取特征，再通过对应的下采样层进行降维，对两个下采样层输出的人体行为距离L-时间T散点图和人体行为速度V-时间T散点图进行融合，生成特征融合图。

更进一步地，在输出人体行为为跌倒后，对点云簇P

本发明具有以下优点：

本发明基于毫米波雷达接收的回波信号建立点云集，并对点云集聚类处理，得到不同个体的点云簇，根据点云簇内的点云绘制相应的L-T散点图和V-T散点图，将L-T散点图和V-T散点图经过特征融合处理后输入到人体跌倒行为识别卷积神经网络模型中，对人体行为进行识别，在识别到跌倒行为时发出警报，让周围人员能及时发现，并在之后检测到人体速度长期低于阈值时通过LoT平台控制手机拨打急救电话，通过散点图反应人体距离和速度与时间的变化信息，并通过特征融合的方式提高毫米波雷达识别人体跌倒行为的精准度，在识别到跌倒行为后通过警报和拨打急救电话的方式保障老年人在跌倒后能够得到及时的救助。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明的一种基于机器学习的毫米波跌倒判断方法流程示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请部分实施例进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。然而，本领域的普通技术人员可以理解，在本申请的各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。

参阅图1所示的一种基于机器学习的毫米波跌倒判断方法，包括：

将毫米波雷达安装在天花板上，毫米波雷达前端发射天线向外发射电磁波，电磁波遇到障碍物会反射回波信号，同时，不断采集回波信号，基于回波信号建立点云集。

值得说明的是，建立点云集的步骤具体如下：

T1：采集的回波信号经混频后，对混频后的回波信号进行AD采样转换为数字信号；

T2：通过距离处理算法对数字信号进行处理，得到目标点云的距离l和空间坐标c=(x，y，z)，其中，空间坐标c=(x，y，z)中的x、y和z是通过距离l计算出的三轴分量，再通过doppler处理算法对目标点云的距离l和空间坐标c=(x，y，z)进行处理，得到目标点云的速度v，速度v是通过相邻两帧之间的距离l的差值除以两帧相隔时间计算得到的；

T3：遍历所有目标点云的速度v，将速度v小于第一速度阈值v

通过基于密度的DBSCAN聚类算法对点云集进行聚类，基于密度的DBSCAN聚类算法通过选择点云集中的一个点云为核心点，并按照给定的半径向周围寻找点云进行聚类，成为聚类的点会继续按照给定的半径向周围寻找点云进行聚类，直至找不到新的点云为止，将聚类的点云记为点云簇P

通过点云p

值得说明的是，绘制人体行为距离L-时间T散点图和人体行为速度V-时间T散点图的步骤具体如下：通过MATLAB中的binscatter函数以x和y两个变量建立坐标轴，将x数组值和y数组值的分布区间各均分为N份，形成N*N的网格区域，将x设为点云的距离L数组或速度V数组，y设为点云的帧序号数组，得到人体行为距离L-时间T散点图和人体行为速度V-时间T散点图。

将人体行为距离L-时间T散点图和人体行为速度V-时间T散点图经过特征融合处理后输入到训练好的人体跌倒行为识别卷积神经网络模型中，人体跌倒行为识别卷积神经网络模型对人体行为距离L-时间T散点图和人体行为速度V-时间T散点图进行识别，在识别到人体行为为跌倒行为后，输出人体行为为跌倒行为，触发警报器发出警报，并对点云簇P

值得说明的是，人体跌倒行为识别卷积神经网络模型的训练步骤具体如下：获取不同人体行为的人体行为距离L-时间T散点图和人体行为速度V-时间T散点图，人体行为包括行走、坐下、蹲下和跌倒，其中，还需要获取人体在进行其他人体行为而突发的跌倒行为的人体行为距离L-时间T散点图和人体行为速度V-时间T散点图，将同一人体行为的人体行为距离L-时间T散点图和人体行为速度V-时间T散点图经过特征融合处理后生成特征融合图，对卷积神经网络进行初始化，通过卷积层和下采样层计算特征融合图，再经过全连接层完成人体行为的分类并得到相应的输出值，计算输出值与目标值的误差，若误差在期望值范围内，输出训练好的人体跌倒识别卷积神经网络模型；否则，将误差传回卷积神经网络，并依次计算全连接层、下采样层和卷积层的误差，对误差进行权值更新，继续对特征融合图迭代处理。

值得说明的是，特征融合处理的步骤具体如下：将同一人体行为的人体行为距离L-时间T散点图和人体行为速度V-时间T散点图输入到对应卷积层中提取特征，再通过对应的下采样层进行降维，对两个下采样层输出的人体行为距离L-时间T散点图和人体行为速度V-时间T散点图进行融合，生成具备人体行为距离L-时间T散点图和人体行为速度V-时间T散点图二者特征的特征融合图。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。