申请/专利权人：清华大学

申请日：2020-10-23

公开（公告）日：2024-06-28

公开（公告）号：CN112346050B

主分类号：G01S13/88

分类号：G01S13/88;A61B5/11;G06N3/0455;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2021.03.02#实质审查的生效;2021.02.09#公开

摘要：本发明实施例提供一种基于Wi‑Fi设备的跌倒检测方法，所述基于Wi‑Fi设备的跌倒检测方法包括：基于在目标区域获取到的无线信号的信道状态信息，确定人体速度特征；将人体速度特征输入到跌倒检测模型，获得跌倒检测模型输出的人体跌倒识别结果；跌倒检测模型为基于跌倒非跌倒样本数据集训练得到；跌倒非跌倒样本数据集中的非跌倒样本来自于真实采集的人员日常活动的样本，跌倒非跌倒样本数据集中的跌倒样本为基于数据扩容模型对输入的真实跌倒样本进行预处理得到。本发明实施例提供的基于Wi‑Fi设备的跌倒检测方法，便于大规模推广，能提升对跌倒检测模型训练的效果，使得对目标区域内人员跌倒情况的检测更加准确高效。

主权项：1.一种基于Wi-Fi设备的跌倒检测方法，其特征在于，包括：基于在目标区域获取到的无线信号的信道状态信息，确定人体速度特征；将所述人体速度特征输入到跌倒检测模型，获得所述跌倒检测模型输出的人体跌倒识别结果；其中，所述跌倒检测模型为基于跌倒非跌倒样本数据集训练得到；所述跌倒非跌倒样本数据集中的非跌倒样本来自于真实采集的人员日常活动的样本，所述跌倒非跌倒样本数据集中的跌倒样本为基于数据扩容模型对输入的真实跌倒样本进行预处理得到；其中，在训练阶段融合身份识别层进行联合训练，在应用和部署阶段将所述身份识别层删除，只使用特征提取层和跌倒检测层；在生成跌倒非跌倒样本数据集的过程中，既模拟跌倒过程中四肢的多样运动，也服从躯干的大致运动趋势；其中，将所述人体速度特征输入到跌倒检测模型，获得所述跌倒检测模型输出的人体跌倒识别结果，包括：将所述人体速度特征输入至所述跌倒检测模型的特征提取层，去除所述人体速度特征中的噪声分量及用户的身份信息，保留跌倒的活动模式信息作为高阶特征；将所述高阶特征输入至所述跌倒检测模型的跌倒检测层，得到所述人体跌倒识别结果；其中，高阶特征去除了人体速度特征中的噪声分量和身份信息，保留了人员跌倒过程中的速度变化特征，包括加速阶段和减速阶段的趋势特征以及速度变化过程中的极大极小值；基于在目标区域获取到的无线信号的信道状态信息，确定人体速度特征，包括：基于预设的时间阈值，将所述信道状态信息分割为多个信道状态子片段；获取多个所述信道状态子片段的自相关函数；获取任一所述自相关函数的第一个极值点的位置，所述人体速度特征基于公式： ；确定，其中，表示任一所述自相关函数的第一个极值点的位置；表示函数的第一个极值点的位置；表示所述无线信号的波长。

全文数据：

权利要求：

百度查询： 清华大学 基于Wi-Fi设备的跌倒检测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD