技术特征：
1.一种人体摔倒智能检测方法，其特征在于，所述人体摔倒智能检测方法包括以下步骤：步骤一，利用wifi设备获取原始csi数据；步骤二，提取与人体运动相关的动态路径，对人体运动产生的多普勒频移dfs、天线阵列到达角aoa以及信号飞行时间tof信息进行联合估计，计算出人体运动轨迹与运动速度；步骤三，依据当前人体运动速度和预设的摔倒速度阈值，判断并提取出摔倒动作的时间窗口；步骤四，利用联合估计得到的dfs和人体运动速度，结合csi幅度与相位差作为摔倒动作判决的统计量，从中提取共11个摔倒动作特征；步骤五，通过一个两层的分类模型，对特征进行动态筛选，舍去权重较低的变量；使用剩余特征进行摔倒动作识别，得到结果。2.如权利要求1所述的人体摔倒智能检测方法，其特征在于，步骤一中，所述利用wifi设备获取原始csi数据，包括：利用wifi设备建立发射端与接收端之间的通信；发射端的天线数目为1，接收端的天线数目为s，每对收发天线之间传输一个数据包可以得到f个子载波的信道状态信息，故每个信道状态信息csi数据包表示为一个s
×
f的复数矩阵，在第i个csi数据包中，发送天线和接收天线j＝1,2,
…
,s之间，采集的csi数据h
i,j
表示为：h
i,j
＝[h(i,j,1),h(i,j,2),
…
,h(i,j,k),
…
,h(i,j,f)],k＝1,2,
…
,f；其中，k表示子载波的编号，第k个子载波的csi表示为：其中，|h(i,j,k)|和分别是在时刻i时，天线j，子载波k上的csi的幅度和相位信息；对接收天线j的csi数据在时间方向上连续采集，如果采集的数据包总数为t，则发射天线与接收天线j之间第k个子载波所采集的连续t个人体运动csi数据表示为：其中，t、s、f分别表示发送的数据包数量，接收天线个数和子载波个数；用h(i,j,k)表示矩阵中的每一个元素，人体运动的csi数据是一个t
·
s
·
f的三维复矩阵。3.如权利要求1所述的人体摔倒智能检测方法，其特征在于，步骤二中，所述提取与人体运动相关的动态路径，包括：通过天线间的共轭相乘，滤除无关噪声，从多径信号中分离出动态传播路径分量；选择一根接收天线作为参考天线，选择参考天线步骤如下：求出每根接收天线每个子载波csi幅度的均值u(j,k)：求出每根接收天线每个子载波csi幅度的标准差σ(j,k)：
求出每根接收天线每个子载波csi幅度的均值标准差比r(j,k)：求出每根接收天线子载波csi幅度均值标准差比的均值u
r
(j)：选择接收天线子载波csi幅度均值标准差比的均值最大的一根接收天线作为参考天线j0：j0＝argmax
j
u(j),j＝1,2,
…
,s；将其余接收天线的csi分别与参考天线的csi共轭相乘：c(i,j,k)＝h(i,j,k)
·
h
*
(i,j0,k)；其中，j0是参考天线的编号；c(i,j,k)表示共轭相乘后的csi信号矩阵c中的每个元素，矩阵c是一个t
·
s
·
f的复矩阵；将矩阵c中每根天线上每个子载波连续的csi信号分别通过带通滤波器滤除静态路径成分：其中，j＝1,2,
…
,s表示不同的接收天线，k＝1,2,
…
,f表示接收天线上不同的子载波，*表示卷积运算，h(i)表示带通滤波器，上下截至频率分别设置为10hz和90hz，表示滤波后每根天线上每个子载波连续的动态路径csi信号；由滤波后的组成csi动态路径信号h
d
，其中每个元素为h
d
(i,j,k)，h
d
为t
·
s
·
f的三维复矩阵。4.如权利要求1所述的人体摔倒智能检测方法，其特征在于，步骤二中，所述对人体运动产生的多普勒频移dfs、天线阵列到达角aoa以及信号飞行时间tof信息进行联合估计，包括：由于室内多径效应的影响，h
d
(i,j,k)表示为：其中，l是多条路径的总数，a
l
(i,j,k)和τ
l
(i,j,k)分别是第l条路径的复衰减因子和传播延迟；以h(0,0,0)作为参考，第l条路径，第k个子载波的csi的相位信息表示为：其中，f
c
是信道的载波频率，δt
i
、δs
j
和δf
k
分别是h(i,j,k)与h(0,0,0)之间的时间、天线距离和子载波频率的差值，τ
l
、φ
l
和f
l
分别是第l条路径h(0,0,0)时的tof、aoa和dfs信息；在短时间窗、窄带宽和小孔径的情况下，信号衰减因子是一个常数；同时，f
c
τ
l
保持不变，将它与复衰减因子a
l
合并，则第l条路径的信号参数表示为：θ
l
＝(α
l
,τ
l
,φ
l
,f
l
)；
令：m＝(i,j,k)，i＝1,2,
…
,t,j＝1,2,
…
,s,k＝1,2,
…
,f；其中，t、s、f分别表示发送的数据包数量，接收天线个数和子载波个数；对于期望步骤，接收到的csi将被分解，动态路径csi信号h
d
(m)的每条路径h
l
(m)表示为：其中，是上一次迭代中估计的参数，为上一次迭代中估计的第l条路径，l表示估计的多径数量，β
l
是用于控制收敛速度的非负系数，默认为1；对于最大化步骤，通过迭代计算所得参数如下：其中，复衰减因子的最大似然估计值表示为和的函数：其中，t、s、f分别表示发送的数据包数量，接收天线个数和子载波个数，目标函数z为：所有参数的初始值如下：τ
l
＝φ
l
＝f
l
＝α
l
＝0,l＝1,2,
…
,l；重复上述期望和最大化步骤，直至参数估计值收敛：其中，表示当前迭代中估计的参数，表示上一次迭代中估计的参数；通过估计得到若干条动态路径的aoa、tof和dfs信息，选择功率最大的路径作为人体运动反射路径：该路径的aoa估计值记为φ，tof的估计值记为τ
p
，dfs的估计值记为f
d
。5.如权利要求1所述的人体摔倒智能检测方法，其特征在于，步骤二中，所述计算出人体运动轨迹与运动速度，包括：提出人体运动轨迹跟踪算法，假设发射端天线位置坐标为tx(0,0)，接收端天线位置坐标为rx(x
r
,y
r
)，运动的目标坐标为l(x,y)，ψ
r
是天线阵列角，φ
tx
是视距los路径的到达角，则天线阵列角ψ
r
可以通过φ
tx
和rx(x
r
,y
r
)计算得到：
如动态路径成分提取部分所述，aoa的估计值为φ，tof的估计值τ
p
是真实信号tof值τ
d
与视距信号tof值τ
s
之差；发射天线和接收天线的位置已知，直接测量出视距的距离，实际人体运动反射信号传播距离如下：range＝τ
p
·
c+dist(tx,rx)；其中，c为光速，dist(tx,rx)是收发端视距的距离；根据几何关系可以建立轨迹方程如下：通过求解方程得到人体实时位置坐标：其中，x是目标运动范围内的任意值；根据方程的解与信号参数的估计间隔计算出人体的运动速度：其中，(x
′
,y
′
)为估计时间间隔δt前的人体位置。6.如权利要求1所述的人体摔倒智能检测方法，其特征在于，步骤三中，所述依据当前人体运动速度和预设的摔倒速度阈值，判断并提取出摔倒动作的时间窗口，包括：根据人体在室内的行走速度设置阈值，提取与摔倒动作相关的csi信息同时去除其他动作和噪声的影响：v
threshold
＝μ(v
walk
)+γ
·
σ(v
walk
)；其中，μ(v
walk
)和σ(v
walk
)分别是室内人体行走速度的平均值和标准差，γ是一个用于调整阈值大小的常数；记录v≥v
threshold
的动作开始和结束时间，作为摔倒动作的时间窗口。7.如权利要求1所述的人体摔倒智能检测方法，其特征在于，步骤四中，所述利用联合估计得到的dfs和人体运动速度，结合csi幅度与相位差作为摔倒动作判决的统计量，从中提取共11个摔倒动作特征，包括：综合考虑csi的幅度、csi的相位差、dfs和人体运动速度，提取摔倒动作特征，用于提高识别精度和简化分类计算；选取的csi幅度为第一根天线第十个子载波的幅度，即a＝|h(i,1,10)|,i＝1,2,
…
,t，选取的csi相位差为第一根天线与第二根天线第十条子载波的相位差，即ph＝φ
i,1,10
‑
φ
i,2,10
,i＝1,2,
…
,t；提取的特征如下：(1)动作持续时间td＝t
start
‑
t
end
；
其中，t
start
表示步骤三中时间窗口的动作开始时间，t
end
表示动作结束时间；(2)csi幅度归一化标准差std
a
其中，表示csi幅度的均值；(3)csi相位差归一化标准差std
ph
其中，表示csi相位差的均值；(4)csi幅度样本熵se
a
对于n个csi幅度样本数据组成的时间序列{a(n)}＝{a(1),a(2),
…
,a(n)}，定义序列a
m
(i)＝{a(i),a(i+1),
…
,a(i+m
‑
1)}，定义序列a
m
(i)与a
m
(j)之间的距离d[a
m
(i),a
m
(j)]为两者元素中最大差值的绝对值，即：d[a
m
(i),a
m
(j)]＝max
k＝0,1,
…
,m
‑1(|a(i+k)
‑
a(j+k)|)；对于序列a
m
(i)，统计a
m
(i)与a
m
(j)(1≤j≤n
‑
m,j≠i)之间的距离小于等于阈值r时j的数目，记作b
i
；对于1≤i≤n
‑
m，定义：定义：增加维数到m+1，计算a
m+1
(i)与a
m+1
(j)(1≤j≤n
‑
m,j≠i)距离小于等于r的个数，记为d
i
；定义为：定义：其中，表示两个序列在相似容限r下匹配m个点的概率，d
m
(r)是两个序列匹配m+1个点的概率；样本熵计算公式为：计算csi幅度样本熵时，取m＝2，r＝0.15
·
std
a
；(5)csi相位差样本熵se
ph
计算方式与csi幅度样本熵同理，将样本数据替换为csi相位差数据{ph(n)}＝{ph(1),ph(2),
…
,ph(n)}，计算公式为：
计算csi相位差样本熵时，取m＝2，r＝0.15
·
std
ph
；(6)csi幅度绝对中位差mad
a
mad
a
＝median(|a
‑
median(a)|)；其中，median表示计算数据的中位数；(7)csi相位绝对中位差mad
ph
mad
ph
＝median(|ph
‑
median(ph)|)；(8)csi幅度四分位距ir
a
q3(a)
‑
q1(a)；其中，q3表示计算该样本中所有数值由小到大排列后第75％的数字，q1表示计算该样本中所有数值由小到大排列后第25％的数字；(9)csi相位差四分位距ir
ph
q3(ph)
‑
q1(ph)；(10)dfs绝对值的最大值f
max
f
max
＝max|f
d
|；(11)人体运动速度最大值v
max
v
max
＝maxv；增加dfs和速度来更好地体现人体摔倒动作，共提取11个特征，组成特征向量w进行最终分类：w＝[td,std
a
,std
ph
,se
a
,se
ph
,mad
a
,mad
ph
,ir
a
,ir
ph
,f
max
,v
max
]。8.如权利要求1所述的人体摔倒智能检测方法，其特征在于，步骤五中，所述通过一个两层的分类模型，对特征进行动态筛选，舍去权重较低的变量；使用剩余特征进行摔倒动作识别，得到结果，包括：利用wifi设备分别多次人体运动的信道状态信息csi数据，计算得到多组特征向量；将获得的特征向量作为输入数据，将输入数据按比例划分训练数据集和测试数据集；在第一层分类器中，利用训练数据集，采用随机森林rf进行初步的学习和分类，计算每个特征的变量权重；每个特征在随机森林中每个决策树的贡献通过基尼系数计算来评估，通过vim表示变量的重要性，用g来表示基尼系数；其中，所述基尼系数的计算方式如下：其中，r表示类别总数，本模型中包括摔倒和非摔倒两类，s
pr
表示在节点p中类别r所占的比例；根据步骤四中提取的特征向量w，共有11个特征a1,a2,
…
,a
11
，按照公式计算出每个特征a
i
,i＝1,2,
…
,11的基尼系数，记作vim
i
；基尼系数的变化，即特征在决策树节点p中的重要性的计算如下：vim
jp
＝g
p
‑
g
l
‑
g
r
；其中，g
l
和g
r
分别代表两个新节点的基尼系数；
若特征a
i
出现的节点记为集合p，则决策树j中特征a
i
的重要性表示为：假设随机森林中决策树的总数为k
tree
，则特征a
i
的重要性表示为：对得到的特征重要性进行归一化即可得到变量权重：按照变量权重大小对特征进行筛选，滤除变量权重vim
j
＜0.04的特征；滤除部分特征后的特征向量用w0表示，根据w0更新训练数据集和测试数据集；在第二层分类器中，利用更新后的测试集数据，采用支持向量机svm进行模型训练，类别包括摔倒动作和非摔倒动作；模型训练完成后，将更新后测试数据集的数据放入模型进行分类，对于每一组数据，输出一种类别；将测试集数据原类别与模型分类结果比对得到分类模型准确率。9.一种实施权利要求1～8任意一项所述的人体摔倒智能检测方法的人体摔倒智能检测系统，其特征在于，所述人体摔倒智能检测系统包括：原始csi数据获取模块，用于利用wifi设备获取原始csi数据；动态路径提取模块，用于提取与人体运动相关的动态路径；联合估计模块，用于对人体运动产生的多普勒频移dfs、天线阵列到达角aoa以及信号飞行时间tof信息进行联合估计，计算人体运动轨迹与运动速度；时间窗口提取模块，用于依据当前人体运动速度和预设的摔倒速度阈值，判断并提取出摔倒动作的时间窗口；摔倒动作特征提取模块，用于利用联合估计得到的dfs和人体运动速度，结合csi幅度与相位差作为摔倒动作判决的统计量，提取共11个摔倒动作特征；摔倒动作识别模块，用于通过一个两层的分类模型，对特征进行动态筛选，舍去权重较低的变量；使用剩余特征进行摔倒动作识别，得到结果。10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求9所述的人体摔倒智能检测系统。
技术总结
本发明属于无线通信技术领域，公开了一种人体摔倒智能检测方法、系统、信息数据处理终端，所述人体摔倒智能检测方法包括：利用WIFI设备获取原始CSI数据；提取与人体运动相关的动态路径，并对动态路径信息进行联合估计，计算出人体运动轨迹与运动速度；依据当前人体运动速度和预设的摔倒速度阈值，判断并提取出摔倒动作的时间窗口；利用联合估计得到的DFS和人体运动速度，结合CSI幅度与相位差作为摔倒动作判决的统计量，提取摔倒动作特征；通过分类模型对特征进行动态筛选，使用剩余特征进行摔倒动作识别，得到结果。本发明克服现有技术中检测精度低且检测结果易受到环境变化影响的问题，保护用户的隐私，节省计算资源，提升摔倒动作的检测精度。倒动作的检测精度。倒动作的检测精度。
技术研发人员：王勇 高尚
受保护的技术使用者：西安电子科技大学
技术研发日：2021.06.06
技术公布日：2021/9/28