基于双通道卷积神经网络的卫浴环境下人体跌倒检测方法

技术领域

本发明涉及毫米波雷达生物检测技术领域，具体为基于双通道卷积神经网络的卫浴环境下人体跌倒检测方法。

背景技术

在诸多家庭室内环境中，卫浴已成为最常见的意外发生地，卫浴环境状态下(如沐浴、洗衣物、如厕等)会发生昏厥、静脉血栓栓塞等意外，尤其近年来中国人口老龄化的问题随着社会经济的发展变得越来越严重，而且部分老人由于一些社会因素选择独居，当他们跌倒时，若不能及时发现并予以帮助会导致严重后果。通过智能传感器监控不同室内环境下的人体运动已成为一个非常重要的研究课题。

在卫浴出现昏厥、失稳等突发状况，人体无法保持自主平衡，会向身体重心位置倾斜进而引起较大的体态位置变化，故可通过体态状态的变化来判断是否发生危险。各国学者对检测坐姿开展了大量的研究，提出了许多跌倒监测技术。然而，基于压力传感器的接触式检测存在使用繁琐、舒适性差、遗忘使用等问题；基于视觉识别的非接触式检测，由于卫浴内涉及用户隐私，检测会引起用户不适，接受度低；基于点云识别的激光雷达价格高昂，不适合广泛应用。新兴的低功耗毫米波雷达技术，成本低、人体安全、体积小、精度高，具有非接触、隐私性、不受环境影响等多个优点，非常适合卫浴环境下的安全监护，同时还具有布设方便、不会引发不适和反感的特点，在人体运动检测得到广泛的关注。

基于毫米波雷达的运动检测主要通过分析目标的微多普勒特征，得到目标的整体运动速度。同时，通过分析目标各个运动部位所对应的多普勒分量随时间的变化，得到对应部位的运动速度、周期等信息。世界诸多学者已经对各类目标的微多普勒特征进行了详细系统的研究，并实现了基于微多普勒特征的目标识别。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了基于双通道卷积神经网络的卫浴环境下人体跌倒检测方法，解决了上述背景技术中所提出的问题。

(二)技术方案

本发明为了实现上述目的具体采用以下技术方案：

基于双通道卷积神经网络的卫浴环境下人体跌倒检测方法，包括以下步骤：

步骤1：在无射电的浴室环境下模拟缓慢跌倒、向前跌倒、向后跌倒等不同跌倒方式，使用77Ghz毫米波雷达，对不同跌倒状态进行检测，建立不同跌倒的浴室跌倒数据集；

步骤2：为了识别一个人的跌倒运动，需要了解雷达信号特征随时间的变化，为此，实验中从接收到的雷达信号中生成一个基于结合时间-距离图和距离-多普勒图两种特征维度，针对回波信号中的噪声特性，使用平均相消算法抑制信号中的直流分量和静态杂波，从中提取运动信息；

步骤3；使用双通道卷积神经网络框架，通过将生成的合时间-距离图和距离-多普勒图图作为输入，然后通过训练好的神经网络进行判断出浴室跌倒的情况，并发出警报。

进一步地，实验在浴室进行，5名受试者进行这项实验，每个人重复这五种跌倒20次这样就可以得到五种跌倒的500条记录，每条记录100条。

进一步地，所述步骤2中，抑制直流分量和静态杂波算法是指人体坐姿雷达回波信号数据集中的雷达回波信号使用MTI滤波器滤除静态杂波。

进一步地，所述步骤2中雷达信号中谱图是结合时间-距离图和距离-多普勒图两种特征维度，完成对于坐姿的检测，达到提高识别精度，减少误判的目的。

进一步地，所述步骤3中神经网络包括时间-距离图特征提取与距离-速度图特征提取两条通路，通过将生成的时间-距离与时间-速度参数图作为输入，然后通过训练好的神经网络进行分类。

(三)有益效果

与现有技术相比，本发明提供了基于双通道卷积神经网络的卫浴环境下人体跌倒检测方法，具备以下有益效果：

本发明，使用毫米波雷达卫浴环境下人体跌倒检测，成本低廉，检测方法简单，隐私性强，能够大规模应用在浴室等私密性强等场所，同时基于时间-距离图特征提取与距离-速度图特征提取两条通道的神经网络算法弥补坐姿与运动特征衰减带来的影响。

附图说明

图1是本发明提供实现流程图；

图2是本发明图提供的FMCW雷达调制系统。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

如图1-2所示，本发明一个实施例提出的基于双通道卷积神经网络的卫浴环境下人体跌倒检测方法，包括以下步骤，

步骤1：在浴室环境下，5名受试者进行这项实验，雷达被固定到三脚架上，其接收端距离地面1.2m，志愿者在距离雷达0.5m到1.5m的范围活动，每个人重复这缓慢跌倒、向前跌倒、向后跌倒、失控跌倒、正常行走五类动作进行采集20次这样就可以得到五类动作的500条记录，每条记录100条。

步骤2：FMCW雷达发射线性调制射频信号，并接收目标的反射信号。将发射信号与接收信号输入混频器混合后为：

式中，m(t)表示中频信号，T(t)表示发射信号，r

式中，

式中，R

先对人体坐姿雷达回波信号数据集中的雷达回波信号使用MTI滤波器滤除静态杂波，将数据排列成M＊N的矩阵，M表示慢时间维，N表示快时间维；然后对数据慢时间为进行FFT变换得出距离分布信息，距离分布信息随快时间积累成时间-距离频谱图，最后对时间-距离分布矩阵应用持续时间不同的窗函数，进行STFT变换并取平方模，得到距离-多普勒特征图，用下式来表示微多普勒特征图的计算过程

式中，ω(t)为窗函数，D

步骤3：搭建双通道卷积神经网络框架，主要包括时间-距离图特征提取与距离-速度图特征提取两条通路，通过将生成的时间-距离与时间-速度参数图作为输入，然后通过训练好的神经网络进行分类。

在进行两个网络融合时，本文选用的是堆叠融合的方式，通过特征融合增加特征数量可以增加检测准确度，最后通过具有128个隐藏单元的全连接层，并使用softmax分类器进行分类。网络中所使用的残差块结构可以避免梯度消失的问题。在网络训练过程当中，本文选用交叉熵作为损失函数，优化函数使用SGD，初始学习率设置为0.05，迭代次数设为50。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。