本发明涉及雷达信号处理，尤其涉及基于卷积神经网络的毫米波雷达跌倒检测方法及系统。
背景技术：
1、毫米波雷达技术可以适用于人体行为监测，尤其适用于卫生间、浴室等隐私敏感区域的非接触式跌倒检测；通过发射调频连续波并接收目标反射信号，可生成表征人体空间位置的三维点云数据，现有技术利用卷积神经网络对点云序列进行姿态识别，实现跌倒事件判断，该方式避免了摄像头隐私泄露风险，且不受光照、水雾环境影响，在智慧养老监护场景中逐步替代穿戴式设备。
2、然而，当监测区域内存在多个动态目标时（如护理人员介入施救场景），现有方法面临根本性局限：不同目标的微动信号（如跌倒者突发运动与施救者呼吸起伏）在时频域产生耦合，导致点云空间特征粘连，毫米波雷达因物理分辨率限制，无法将亚米级近距离共存的多个目标点云有效分离，卷积神经网络对粘连点云进行特征提取时，难以区分跌倒动作与干扰微动，造成行为误判，在需多目标协同监护的实际场景中显著降低系统可靠性。
技术实现思路
1、本发明针对现有技术中存在的技术问题，提供基于卷积神经网络的毫米波雷达跌倒检测方法及系统。
2、本发明解决上述技术问题的技术方案如下：
3、本发明提供如下技术方案：
4、基于卷积神经网络的毫米波雷达跌倒检测方法，包括：
5、s1、获取毫米波雷达的原始回波信号，通过调频连续波解调生成三维点云序列；
6、s2、对三维点云序列进行多目标聚类分割分离出独立目标点云簇，并提取每个目标点云簇的微动时频特征；
7、s3、针对空间距离小于设定阈值的相邻目标点云簇，同步计算其微动时频特征的互相关性和多普勒相位信号的随机游走扩散系数；
8、s4、若互相关性低于分离阈值且随机游走扩散系数差异超过生理差异阈值，则判定为不同生物体目标；
9、s5、通过分析各独立生物体目标在跌倒判定时间窗内的点云空间密度分布，生成点云空间密度熵值变化率；
10、s6、当点云空间密度熵值变化率超过临界值时，对当前独立生物体目标的点云数据进行降权处理，并将降权后的点云时空特征输入卷积神经网络进行跌倒动作识别。
11、进一步地，获取毫米波雷达的原始回波信号，通过调频连续波解调生成三维点云序列，包括：
12、对毫米波雷达的原始回波信号进行混频处理生成中频信号；
13、对中频信号进行距离维快速傅里叶变换生成距离谱；
14、在距离谱上通过恒虚警率检测提取目标距离单元；
15、对目标距离单元内的信号进行多普勒维快速傅里叶变换生成距离-多普勒矩阵；
16、基于距离-多普勒矩阵的幅度峰值提取目标散射点；
17、将目标散射点的距离值、多普勒速度值及方位角测量值转换为三维空间坐标，形成三维点云序列。
18、进一步地，对三维点云序列进行多目标聚类分割分离出独立目标点云簇，并提取每个目标点云簇的微动时频特征，包括：
19、基于三维点云序列中点的空间位置计算点间欧氏距离；
20、根据点间欧氏距离对三维点云序列进行密度聚类生成初始点云簇集合；
21、通过连续帧间目标质心位移关联初始点云簇集合形成独立目标点云簇；
22、对每个独立目标点云簇的时序信号进行带通滤波分离微动信号；
23、对微动信号进行时频变换生成包含呼吸起伏频率分量和肢体加速度频带分量的微动时频特征。
24、进一步地，针对空间距离小于设定阈值的相邻目标点云簇，同步计算其微动时频特征的互相关性和多普勒相位信号的随机游走扩散系数，包括：
25、计算相邻目标点云簇质心间的欧氏距离作为空间距离，筛选出空间距离小于设定阈值的相邻目标点云簇；
26、获取筛选后的相邻目标点云簇对应的原始回波信号中的同相分量和正交分量；
27、基于同相分量和正交分量计算相邻目标点云簇各自的多普勒相位信号；
28、对多普勒相位信号进行时间差分生成相位差分序列；
29、计算相位差分序列的方差值作为随机游走扩散系数；
30、提取相邻目标点云簇的微动时频特征中呼吸起伏频率分量和肢体加速度频带分量的时域波形；
31、计算呼吸起伏频率分量时域波形与肢体加速度频带分量时域波形的互相关系数作为互相关性。
32、进一步地，计算呼吸起伏频率分量时域波形与肢体加速度频带分量时域波形的互相关系数作为互相关性通过以下步骤实现：
33、提取呼吸起伏频率分量时域波形和肢体加速度频带分量时域波形的离散采样点序列；
34、计算呼吸起伏频率分量时域波形离散采样点序列与肢体加速度频带分量时域波形离散采样点序列的协方差值；
35、计算呼吸起伏频率分量时域波形离散采样点序列的标准差值和肢体加速度频带分量时域波形离散采样点序列的标准差值；
36、将协方差值除以呼吸起伏频率分量时域波形离散采样点序列的标准差值与肢体加速度频带分量时域波形离散采样点序列的标准差值的乘积，生成互相关系数作为互相关性。
37、进一步地，若互相关性低于分离阈值且随机游走扩散系数差异超过生理差异阈值，则判定为不同生物体目标，包括：
38、计算相邻目标点云簇的互相关性与分离阈值的差值；
39、计算相邻目标点云簇的随机游走扩散系数的绝对差值；
40、当互相关性与分离阈值的差值小于零且随机游走扩散系数的绝对差值大于生理差异阈值时，生成不同生物体目标的判定结果；
41、将判定结果关联至对应的相邻目标点云簇。
42、进一步地，通过分析各独立生物体目标在跌倒判定时间窗内的点云空间密度分布，生成点云空间密度熵值变化率，包括：
43、获取跌倒判定时间窗并将跌倒判定时间窗划分为多个连续的时间子区间；
44、对每个时间子区间内的独立生物体目标的点云数据，计算三维空间中的点云密度分布直方图；
45、基于点云密度分布直方图计算每个空间单元的点云数量占点云总数的比例值；
46、根据比例值通过香农熵公式计算当前时间子区间的点云空间密度熵值；
47、计算相邻时间子区间的点云空间密度熵值的差分值；
48、将差分值的平均值除以时间子区间长度生成点云空间密度熵值变化率。
49、进一步地，当点云空间密度熵值变化率超过临界值时，对当前独立生物体目标的点云数据进行降权处理，并将降权后的点云时空特征输入卷积神经网络进行跌倒动作识别，包括：
50、比较点云空间密度熵值变化率与临界值的大小关系；
51、当点云空间密度熵值变化率超过临界值时，对当前独立生物体目标的点云数据中每个空间单元的点云数量乘以降权系数；
52、基于降权后的点云数据生成包含三维空间坐标和时间戳的点云时空特征；
53、将点云时空特征输入卷积神经网络进行跌倒动作识别。
54、进一步地，将点云时空特征输入卷积神经网络进行跌倒动作识别通过以下步骤实现：
55、将点云时空特征中的三维空间坐标映射到二维平面网格生成空间分布矩阵；
56、将空间分布矩阵与时间戳序列叠加形成三维时空张量；
57、通过卷积神经网络的卷积层提取时空张量的局部运动模式特征；
58、通过卷积神经网络的池化层对局部运动模式特征进行下采样；
59、通过卷积神经网络的全连接层输出跌倒动作分类概率。
60、另一方面，本发明提供基于卷积神经网络的毫米波雷达跌倒检测系统，包括：
61、点云生成模块，用于获取毫米波雷达的原始回波信号，通过调频连续波解调生成三维点云序列；
62、特征提取模块，用于对三维点云序列进行多目标聚类分割分离出独立目标点云簇，并提取每个目标点云簇的微动时频特征；
63、时频分析模块，用于针对空间距离小于设定阈值的相邻目标点云簇，同步计算其微动时频特征的互相关性和多普勒相位信号的随机游走扩散系数；
64、目标判别模块，用于若互相关性低于分离阈值且随机游走扩散系数差异超过生理差异阈值，则判定为不同生物体目标；
65、熵值分析模块，用于通过分析各独立生物体目标在跌倒判定时间窗内的点云空间密度分布，生成点云空间密度熵值变化率；
66、跌倒识别模块，用于当点云空间密度熵值变化率超过临界值时，对当前独立生物体目标的点云数据进行降权处理，并将降权后的点云时空特征输入卷积神经网络进行跌倒动作识别。
67、本发明的有益效果是：
68、1.通过多目标生理特征解耦，显著提升多人共存场景下的跌倒检测可靠性；针对毫米波雷达物理分辨率不足导致的点云粘连问题，利用生物体微动信号的本征差异：通过同步计算相邻目标点云簇的微动时频特征互相关性及多普勒相位随机游走扩散系数，精准捕捉不同生物体呼吸节律独立性和肢体抖动特异性。当互相关性低于分离阈值且扩散系数差异超出生理差异阈值时，有效区分亚米级近距离共存的独立目标，突破传统方法因信号耦合导致的误判瓶颈，使多目标协同监护场景下的系统抗干扰能力获得本质提升。
69、2.通过点云空间密度熵变分析强化跌倒动作的时空特征表征能力，基于独立生物体目标在跌倒判定时间窗内的点云分布特性，通过空间密度熵值变化率量化人体失稳过程的姿态无序化速率，克服传统卷积神经网络对粘连点云特征的学习偏差，当熵值变化率超临界值时实施点云降权处理，抑制突发干扰运动对特征提取的影响，使卷积神经网络专注识别跌倒特有的失稳轨迹，将雷达点云的时空动力学特征与深度学习模型深度融合，在强干扰环境下仍保持跌倒识别准确率，为隐私敏感区域提供高可靠的非接触式监护。