基于毫米波雷达的浴室跌倒检测方法、平台及存储介质

技术领域

本发明涉及跌倒检测技术，具体涉及一种基于毫米波雷达的浴室跌倒检测方法、平台及存储介质。

背景技术

基于毫米波雷达的目标检测功能在智能家居场景下的应用方兴未艾，具体以人体的心率呼吸，位置跟踪，行为姿态，跌倒检测等应用为主要研究内容。而跌倒检测在室内家居环境下，尤其是在独居老人及有特殊监护需求的对象存在的情况下，采用以毫米波为原理的目标检测装置具有体积小，功耗低，可靠性强且保护用户隐私等优点，具有极大的研究价值。尤其是在狭小且湿滑的浴室内，跌倒检测的必要性不言而喻。

在浴室环境下，基于成像系统的跌倒检测方案在淋浴间场景下受用户隐私限制而难以部署；可穿戴设备及传感器在多数情况下虽然能稳定发挥自身功能但存在成本高及穿戴行为不可控的问题，而基于毫米波雷达的跌倒检测方案在复杂水环境下易受干扰，浴室环境内的干扰源主要为水流，而毫米波雷达从原理上很难将这种干扰源通过信号处理的方法进行过滤。因此，在以毫米波为原理的跌倒检测方面，对于如何处理特殊环境下的干扰需要考虑单独的方法。

发明内容

针对现有技术中的上述不足，本发明提供的基于毫米波雷达的浴室跌倒检测方法、平台及存储介质解决了浴室中水干扰下导致毫米波雷达不能准确进行跌倒检测的问题。

为了达到上述发明目的，本发明采用的技术方案为：

第一方面，提供一种基于毫米波雷达的浴室跌倒检测方法，其包括步骤：

S1、获取浴室内的毫米波雷达信号，并提取信号中的雷达点云单帧数据，所述雷达点云单帧数据包括三维空间的位置坐标信息、多普勒速度及信噪比；

S2、将多张连续的雷达点云单帧数据形成雷达点云序列，对雷达点云序列进行特征提取，并基于多普勒速度及信噪比对特征进行重构得到模型输入；

S3、输入模型输入至已训练的残差神经网络模型进行识别，得到跌倒识别结果。

进一步地，所述步骤S2进一步包括：

S21、将连续N张雷达点云单帧数据形成点云序列

其中，(x,y,z)为单帧雷达点云在三维空间的位置坐标；v为多普勒速度；r为信噪比；M为单帧雷达点云中的点的总个数；m为单帧雷达点云中的任一点；

S22、将浴室喷头的安装高度H

其中，a

S23、在多普勒速度区间内，对第i个高度区间的单帧雷达点云p对应的数组进行归类，得到单帧雷达点云p的空间矩阵A＝[a

其中，j为速度区间；

S24、对所有形成空间矩阵A的点云，按照其索引i和j在信噪比维度寻找其对应的值形成权重矩阵W＝[w

其中，w

S25、根据单帧雷达点云p得到的空间矩阵A和权重矩阵W，将对应的元素相乘，在时域内将长度为L的结果进行堆叠得到模型输入X

其中，k为变量；

S26、对雷达点云序列重复执行步骤S21～步骤S24，直至得到雷达点云序列的所有模型输入。

进一步地，对残差神经网络进行训练的方法包括：

获取若干浴室内跌倒行为的雷达点云序列，并对其进行特征提取，之后对提取的特征进行重构得到模型输入，采用所有的模型输入构成训练集；

设置残差神经网络的优化器超参数及模型超参数，采用训练集对残差神经网络进行训练；

当训练精度达到预设精度时，保存模型参数，当精度未达到预设精度时，调整模型超参数并重复训练，直至训练精度达到预设精度。

进一步地，残差神经网络包括依次连接的输入层、批量归一化、卷积层、全局最大池化层和残差块，残差块的结果输出至全连接层经过激活函数后，通过输出层输出；

所述残差块包括两部分相加，其中一个部分将全局最大池化层的输出结果批量归一化后传入卷积层，经过激活函数后再次批量归一化后传入卷积层，另一个部分将全局最大池化层的输出结果传入恒等映射的1×1卷积层。

进一步地，批量归一化后的卷积层输出通道数为10，卷积核大小为7×7，步幅为1，残差块卷积层卷积核大小为3×3，步幅为1，激活函数为ReLu。

进一步地，雷达点云单帧数据中的位置坐标处于以毫米波雷达在地面上的投影为坐标原点建立的右手笛卡尔坐标系。

进一步地，所述毫米波雷达安装在浴室的侧面，其侧装俯仰角向下倾斜θ＝45°，且毫米波雷达安装高度H

第二方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现基于毫米波雷达的浴室跌倒检测方法的步骤。

第三方面，提供一种浴室人员跌倒检测平台，其包括一个或多个集成了处理器核心、内部存储器、输入输出接口和定时器的单芯片微控制器，一个或多个用于对毫米波雷达信号处理及数据解析的数字信号处理器，一个或多个用于存储数据的外部存储器，一个或多个计算机可读存储介质。

本发明的有益效果为：本方案利用淋浴水和人体的多普勒速度及信噪比在不同高度区间内的分布差异，基于人体稳定产生毫米波回波信号形成点云的特点，将特征提取后的点云数据进行重构，形成利于神经网络模型的模型输入从而排除浴室内水流存在所导致的干扰，以此提高浴室内人员跌倒检测的精度。

附图说明

图1为基于毫米波雷达的浴室跌倒检测方法的流程图。

图2为毫米波雷达安装及喷头位置图。

图3为模型输入的获取示意图。

图4为残差神经网络的原理框图。

图5为浴室人员跌倒检测平台的框架图。

图6为本方案提供的跌倒检测方法的测试结果图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图2所示，本方案跌倒检测方法中的毫米波雷达安装及喷头的安装示意可以参考图2，具体为毫米波雷达安装在浴室的侧面，其侧装俯仰角向下倾斜θ＝45°，且毫米波雷达安装高度H

参考图1，图1示出了基于毫米波雷达的浴室跌倒检测方法的流程图；如图1所示，该方法包括步骤S1～S3。

在步骤S1中，获取浴室内的毫米波雷达信号，并提取信号中的雷达点云单帧数据，所述雷达点云单帧数据包括三维空间的位置坐标信息、多普勒速度及信噪比；

其中，雷达点云单帧数据中的位置坐标处于以毫米波雷达在地面上的投影为坐标原点建立的右手笛卡尔坐标系；雷达点云帧率为10fps。

在步骤S2中、将多张连续的雷达点云单帧数据形成雷达点云序列，对雷达点云序列进行特征提取，并基于多普勒速度及信噪比对特征进行重构得到模型输入；

如图3所示，在本发明的一个实施例中，所述步骤S2进一步包括：

S21、将连续N张雷达点云单帧数据形成点云序列

其中，(x,y,z)为单帧雷达点云在三维空间的位置坐标；v为多普勒速度；r为信噪比；M为单帧雷达点云中的点的总个数；m为单帧雷达点云中的任一点；n为任一张雷达点云单帧数据；

S22、将浴室喷头的安装高度H

其中，a

实施时，本方案优选浴室内喷头最大高度为H

S23、在多普勒速度区间内，对第i个高度区间的单帧雷达点云p对应的数组进行归类，得到单帧雷达点云p的空间矩阵A＝[a

其中，j为速度区间；

S24、对所有形成空间矩阵A的点云，按照其索引i和j在信噪比维度寻找其对应的值形成权重矩阵W＝[w

其中，w

S25、根据单帧雷达点云p得到的空间矩阵A和权重矩阵W，将对应的元素相乘，在时域内将长度为L的结果进行堆叠得到模型输入X

其中，k为变量；

S26、对雷达点云序列重复执行步骤S21～步骤S24，直至得到雷达点云序列的所有模型输入。整个模型输入获取过程如图3所示，最终得到形状为h×h×L的模型输入X

在步骤S3中，输入模型输入至已训练的残差神经网络模型进行识别，得到跌倒识别结果。

实施时，本方案优选对残差神经网络进行训练的方法包括：

获取若干浴室内跌倒行为的雷达点云序列，并对其进行特征提取，之后对提取的特征进行重构得到模型输入，采用所有的模型输入构成训练集；

设置残差神经网络的优化器超参数及模型超参数，采用训练集对残差神经网络进行训练；

当训练精度达到预设精度时，保存模型参数，当精度未达到预设精度时，调整模型超参数并重复训练，直至训练精度达到预设精度。

在本方案中，模型训练选择的优化器为自适应矩估计器，优化器超参数中学习率设置为0.0005，数据集迭代次数设置为100，模型超参数中批大小设置为128，迭代次数为1000。模型训练过程中的精度由损失函数决定，本实施例中损失函数选择交叉熵函数。

如图4所示，残差神经网络包括依次连接的输入层、批量归一化、卷积层、全局最大池化层和残差块，残差块的结果输出至全连接层经过激活函数后，通过输出层输出；

所述残差块包括两部分相加，其中一个部分将全局最大池化层的输出结果批量归一化后传入卷积层，经过激活函数后再次批量归一化后传入卷积层，另一个部分将全局最大池化层的输出结果传入恒等映射的1×1卷积层。

批量归一化后的卷积层输出通道数为10，卷积核大小为7×7，步幅为1，残差块卷积层卷积核大小为3×3，步幅为1，激活函数为ReLu。

本方案还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现基于毫米波雷达的浴室跌倒检测方法的步骤。

如图5所示，本方案还提供一种浴室人员跌倒检测平台，其包括一个或多个集成了处理器核心、内部存储器、输入输出接口和定时器的ARM Cortex R4F单芯片微控制器，一个或多个用于对毫米波雷达信号处理及数据解析的C674x系列为平台数字信号处理器，一个或多个用于存储数据的基于串口总线的外部存储器，一个或多个计算机可读存储介质。

单芯片微控制器是检测平台的控制核心，利用各种接口和线路连接整个电子设备的各个部件，包括但不限于通用微处理器、指令集处理器和专用微处理器等，数字信号处理器不限于单片处理器和阵列处理器，外部存储器为非易失性存储器，包括只读存储器、电可编程只读存储器、电可擦除只读存储器或闪存等，便携式计算机设备包括任何一种电子设备，此电子设备用于运行计算机程序产品，使得该实施例中的数据存储，模型训练及部署过程能够正常运行。

以基于IWR6843毫米波传感器的评估模块测试平台作为硬件平台对所述算法进行了测试，其中一次测试结果如图6所示。在卫生间浴室内模拟了淋雨状态下的跌倒行为并采集了长度为1393帧的雷达点云序列，在此过程中，当模型输出的跌倒状态被置为高电平位时代表检测到了跌倒行为，图6中模型输出跌倒状态的位置与实际测试时跌倒行为发生时间相符，证明本方案基于毫米波雷达浴室内人员跌倒检测方法的有效性。

综上所述，本方案基于处理得到的多普勒速度及信噪比对特征提取后的点云数据进行重构，可以排除水流存在所导致的对人体毫米波回波信号的干扰，以此提高浴室内人员跌倒检测的精度。

上述公开的本发明实施例仅用于帮助阐述本发明，本发明的实施方式只是对本专利的示例性说明，并不限定其保护范围，并非对本发明作任何形式上的限制，凡在本发明的精神和原则之内，所做的任何修改均应包含在本发明的保护范围之内。