对象跌倒检测模型的训练方法及跌倒检测方法

本发明涉及智能感知领域，尤其涉及一种对象跌倒检测模型的训练方法及跌倒检测方法。

背景技术：

1、由于无线信号在对象跌倒检测中具备的非接触、隐私规避等优势，采用无线信号的对象跌倒检测愈发流行，在基于无线信号的对象跌倒检测中，通常利用深度学习模型强大的非线性拟合能力，从复杂的无线信号中提取到与对象相关的信息并实现对象跌倒的监测。

2、在实际应用场景中，无线信号易受硬件和环境噪声的影响，使得无线信号不能清晰地甚至完全不能反映对象状态信息，最终表现为信号质量差。且信号质量差的无线信号将对于对象跌倒检测存在较大影响，对于信号质量差的无线信号进行的对象跌倒检测常导致深度学习模型产生不正确或者误导的检测结果。

技术实现思路

1、鉴于上述问题，本发明提供了一种对象跌倒检测模型的训练方法、跌倒检测方法以及上述方法的装置、设备、存储介质。

2、根据本发明的一个方面，提供了一种对象跌倒检测模型的训练方法，对象跌倒检测模型包括：信号质量特征提取子模型和检测子模型，上述方法包括：对用于对象跌倒检测的样本信号集进行第一层级信号质量特征提取，得到多个第一层级信号质量特征，其中，样本信号集表征在预设时间段收集的多个样本信号；

3、将多个第一层级信号质量特征输入至信号质量特征提取子模型中，得到信号质量分数；将样本信号集输入至检测子模型中得到初始跌倒检测结果；

4、基于初始跌倒检测结果、信号质量分数和与样本信号集对应的标签数据，得到目标损失函数值；

5、基于目标损失函数值分别对信号质量特征提取子模型和检测子模型进行优化，得到经训练的对象跌倒检测模型。

6、根据本发明的实施例，对用于对象跌倒检测的样本信号集进行第一层级信号质量特征提取，得到多个第一层级信号质量特征，包括：对样本信号集进行第一层级信号质量特征提取，得到样本信号集在多个维度各自的初始信号质量特征；对样本信号集在多个维度各自的初始信号质量特征分别进行掩码处理，得到多个第一层级信号质量特征。

7、根据本发明的实施例，初始信号质量特征包括：样本信号集的频域特征、多普勒域特征以及空域特征；其中，对样本信号集进行第一层级信号质量特征提取，得到样本信号集在多个维度各自的初始信号质量特征，包括：对样本信号集在快时间维度进行傅里叶变换，得到样本信号集的频域特征；对频域特征在慢时间维度进行傅里叶变换，得到样本信号集的多普勒域特征；对多普勒域特征在天线维度进行傅里叶变换，得到样本信号集的空域特征。

8、根据本发明的实施例，信号质量特征提取子模型包括：深度特征提取层和全连接层；第一层级信号质量特征包括：掩码处理后的频域特征、掩码处理后的多普勒域特征以及掩码处理后的空域特征，将多个第一层级信号质量特征输入至信号质量特征提取子模型中，得到信号质量分数，包括：将掩码处理后的频域特征、掩码处理后的多普勒域特征以及掩码处理后的空域特征分别输入至各自对应的深度特征提取层中，得到多个第二层级信号质量特征；将多个第二层级信号质量特征输入至全连接层，得到信号质量分数。

9、根据本发明的实施例，将多个第二层级信号质量特征输入至全连接层，得到信号质量分数，通过以下公式（1）得到：

10、；（1）

11、其中， x f， x d， x s分别为与掩码处理后的频域特征对应的第二层级信号质量特征，与掩码处理后的多普勒域特征对应的第二层级信号质量特征以及与掩码处理后的空域特征对应的第二层级信号质量特征， e f， e d， e s分别为与掩码处理后的频域特征、掩码处理后的多普勒域特征和掩码处理后的空域特征对应的深度特征提取层， fc表示全连接层， q为样本信号集的信号质量分数。

12、根据本发明的实施例，基于初始跌倒检测结果、信号质量分数和与样本信号集对应的标签数据，得到目标损失函数值，包括：基于初始跌倒检测结果、信号质量分数和与样本信号集对应的标签数据，得到目标跌倒检测结果；基于目标跌倒检测结果和信号质量分数，得到目标损失函数值。

13、根据本发明的实施例，基于初始跌倒检测结果、信号质量分数和标签数据，得到目标跌倒检测结果，通过以下公式（2）得到：

14、；（2）

15、其中， y为标签数据， p为初始跌倒检测结果，为目标跌倒检测结果。

16、根据本发明的实施例，基于目标跌倒检测结果和信号质量分数，得到目标损失函数值，包括：基于目标跌倒检测结果和标签数据，得到第一中间损失函数；基于信号质量分数，得到第二中间损失函数；基于第一中间损失函数和第二中间损失函数，得到目标损失函数值。

17、根据本发明的实施例，基于目标损失函数值分别对信号质量特征提取子模型和检测子模型进行优化，得到经训练的对象跌倒检测模型，包括：基于目标损失函数值对检测子模型进行参数调整，得到经训练的检测子模型；基于目标损失函数值对信号质量特征提取子模型进行参数调整，得到经训练的信号质量特征提取子模型；基于经训练的检测子模型和经训练的信号质量特征提取子模型，得到经训练的对象跌倒检测模型。

18、本发明的另一个方面提供了一种对象跌倒检测方法，包括：

19、接收从目标对象反射的预设时间段的多个毫米波，得到毫米波雷达回波信号集；

20、对毫米波雷达回波信号集进行第一层级信号质量特征提取，得到毫米波雷达回波信号集的多个第一层级信号质量特征；

21、将毫米波雷达回波信号集的多个第一层级信号质量特征输入至经对象跌倒检测模型的训练方法训练得到的信号质量特征提取子模型中，得到毫米波雷达回波信号集的信号质量分数；

22、将毫米波雷达回波信号集的信号质量分数与质量分数阈值进行比对，得到比对结果；

23、在比对结果表征毫米波雷达回波信号集的信号质量分数大于质量分数阈值的情况下，将毫米波雷达回波信号集输入至经对象跌倒检测模型的训练方法训练得到的检测子模型中输出针对毫米波雷达回波信号集的跌倒检测结果。

24、本发明的另一个方面提供了一种对象跌倒检测模型的训练装置，对象跌倒检测模型包括：信号质量特征提取子模型和检测子模型，上述装置包括：

25、特征确定模块，用于对用于对象跌倒检测的样本信号集进行第一层级信号质量特征提取，得到多个第一层级信号质量特征，其中，样本信号集表征在预设时间段收集的多个样本信号；

26、信号质量分数确定模块，用于将多个第一层级信号质量特征输入至信号质量特征提取子模型中，得到信号质量分数；

27、初始检测结果确定模块，用于将样本信号集输入至检测子模型中得到初始跌倒检测结果；

28、损失函数值确定模块，用于基于初始跌倒检测结果、信号质量分数和与样本信号集对应的标签数据，得到目标损失函数值；

29、模型优化模块，用于基于目标损失函数值分别对信号质量特征提取子模型和检测子模型进行优化，得到经训练的对象跌倒检测模型。

30、本发明的另一个方面提供了一种对象跌倒检测装置，包括：

31、信息集获取模块，用于接收从目标对象反射的预设时间段的多个毫米波，得到毫米波雷达回波信号集；

32、特征提取模块，用于对毫米波雷达回波信号集进行第一层级信号质量特征提取，得到毫米波雷达回波信号集的多个第一层级信号质量特征；

33、信号集输入模块，用于将毫米波雷达回波信号集的多个第一层级信号质量特征输入至经对象跌倒检测模型的训练方法训练得到的信号质量特征提取子模型中，得到毫米波雷达回波信号集的信号质量分数；

34、比对模块，用于将毫米波雷达回波信号集的信号质量分数与质量分数阈值进行比对，得到比对结果；

35、检测结果确定模块，用于在比对结果表征毫米波雷达回波信号集的信号质量分数大于质量分数阈值的情况下，将毫米波雷达回波信号集输入至经对象跌倒检测模型的训练方法训练得到的检测子模型中输出针对毫米波雷达回波信号集的跌倒检测结果。

36、本发明的另一个方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述方法。

37、本发明的另一个方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述方法。

38、本发明的另一个方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述方法。

39、根据本发明提供的对象跌倒检测模型的训练方法，通过对样本信号集进行第一层级信号质量特征提取，得到多个第一层级信号质量特征，并将多个第一层级信号质量特征分别输入至各自对应的信号特征提取子模型中，得到信号质量分数，以及将样本信号集输入至检测子模型中得到初始跌倒检测结果，再利用初始跌倒检测结果、信号质量分数和样本数据对应的标签数据，得到目标损失函数值，利用目标损失函数值对对象跌倒检测模型包括的信号质量特征提取子模型和检测子模型信号分别进行优化，以实现对象跌倒检测模型的优化。由于通过第一层级信号质量特征提取以及信号特征提取子模型得到信号质量分数，以实现对样本信号集的信号质量评估，并利用信号质量分数对目标损失函数值进行影响，使得经过目标损失函数值优化的对象跌倒检测模型，可以减小低质量样本对检测结果的影响，因此，至少部分的解决了相关技术中信号质量差的信号对跌倒检测结果影响较大的问题，实现了提高对象跌倒检测准确率以及对象跌倒检测模型鲁棒性的技术效果。