一种基于小样本学习的跌倒检测系统及方法

1.本发明涉及信号处理、深度学习、物联网、无线感知等技术领域，特别是涉及一种基于小样本学习的跌倒检测方法。


背景技术：

2.随着人口老龄化的发展，老龄人口增加，针对老年人的医疗保健变得愈发重要。跌倒是威胁老年人生命健康的一个重大因素，老年人的跌倒容易造成严重伤害甚至危及生命，而跌倒后的反应和救援时间直接影响到跌倒者受到伤害程度、死亡风险和后期治疗效果，故对老年人跌倒的检测非常重要。
3.传统的跌倒检测方法可以分为三类，一类是使用射频雷达、超声波、激光传感器等专用设备收集由跌倒引起的信号变化来检测跌倒，这类方法数据精确度高，但由于需要在环境中部署专用设备，部署成本高。第二类是利用计算机视觉的方法，使用摄像头采集图像，通过分析处理图像数据进行跌倒检测，这类方法受环境光影响比较严重且存在隐私问题。第三类是使用可穿戴设备，或者在受测者身体上布设传感器，收集人体数据检测跌倒，这类方法需长时间佩戴传感器，对受测者生活造成不便。由于传统方法的种种不足之处，一种非侵入性的、低成本的、易部署的跌倒检测方案成为需求。而wifi信号具有非接触、易获取、部署方便的特点，能够满足跌倒检测的需求，使用wifi信号来进行跌倒检测成为一种具有很大优势的新方法。
4.早先的wifi跌倒检测方法使用传统机器学习算法，在布置设备收集由人体活动引起变化的wifi信号后，对信号进行滤波、主成分分析、傅里叶变换等处理，从信号样本中选取特征，使用机器学习算法进行监督学习训练后对待测样本进行分类，从而实现跌倒检测。随着机器学习算法的发展，人们发现深度学习能够提取出更加抽象也更加能够反映活动本质的特征，相比较传统的机器学习算法，深度学习算法的特征提取更加灵活方便，提取的抽象特征适应性也更好，深度学习开始应用到基于wifi信号的跌倒检测中。但是，深度学习的使用带来更便捷的特征提取、更高的检测精度的同时也存在训练集数据量需求大的问题。一定程度上，拥有越深结构的神经网络能够提取出越抽象、越能反映本质的特征，某种程度上也意味着越好的检测效果和越强的抗干扰能力，但网络也需要越大规模的数据进行训练。一方面，由于跌倒引起的wifi信号变化数据需要通过受测者在真实条件下跌倒来收集，数据收集工作工程量大、难度高，并且容易对受测者造成伤害。另一方面，使用深度学习的方法在检测环境发生变化时，模型的调整需要大量数据参与训练，这造成了模型不够灵活、环境适应性较差。本发明使用元学习思想，针对传统深度学习方法存在的问题提出了一种基于小样本学习的wifi跌倒检测方法，在保证精度的情况下减少检测过程中所需要的跌倒数据量。


技术实现要素：

5.本发明旨在设计一种基于小样本学习的跌倒检测方法，结合深度学习算法与物联
网技术，基于所采集的环境中人类活动数据而引起变化的csi信号，通过构建检测模型实现了人类跌倒行为的识别。
6.本发明利用以下技术方案实现：
7.一种基于小样本学习的跌倒检测系统，该系统包括数据收集模块、数据处理模块和检测模型构建模块，其中：
8.所述数据收集模块，收集环境中人类活动数据而引起变化的csi信号，每一份收集的csi信号样本覆盖了完成一个动作时间内的持续信号变化；
9.所述数据处理模块，将收集到的csi信号进行预处理，进行hampel滤波处理和离散小波变换滤波处理，以去除噪声和异常值；
10.所述检测模型构建模块，使用小样本学习方法训练两个网络，其中：特征提取网络用于从处理好的csi信号中提取特征，映射到特征空间；相似度计算网络用于计算提取出的特征之间的相似度，以此来对特征数据进行检测分类，识别跌倒行为。
11.一种基于小样本学习的跌倒检测方法，该方法具体包括以下步骤：
12.步骤1：进行数据收集，得到环境中人类活动数据而引起变化的csi信号矩阵，每一份收集的csi信号样本覆盖了完成一个动作时间内的持续信号变化；
13.步骤2：对数据进行裁剪和插值处理，其中：进行裁剪处理以保证csi矩阵尺寸固定为3
×
30
×
200，使用线性插值方法进行插值处理，具体地，插值点处函数值由连接其最邻近的两侧点的线性函数预测，以此补充丢包数据；
14.线性插值处理公式如下：
[0015][0016]
其中，为丢包位置的补充数据值，x0、y0为最邻近补包位置前一个点的横/纵坐标，x1、y1为最邻近补充位置后一个点的横/纵坐标，x为补包位置横坐标；
[0017]
步骤3：进行数据处理，基于hampel滤波去除因为环境干扰因素造成的收集的csi信号出现的异常值；hampel滤波处理的具体过程为，对于输入向量的每个样本函数，得到样本及其周围k个样本组成的窗口的中值，利用中位数绝对值估计出各样本对中值的标准差，如果样本与中值相差超过n个标准差，则用中值替换该样本；
[0018]
hampel滤波处理公式下：
[0019][0020]
其中，xi为窗口中间样本，mi为窗口的中值，σi为窗口样本标准差，n为设定阈值；
[0021]
步骤4：继续进行数据处理，基于离散小波变换进行带内噪声滤波，对经过步骤3处理后的csi信号通过emd分解，通过将信号变换到小波域，得到csi信号的高频imf分量和低频imf分量，将保留的高频imf分量分解为小波域下的高频系数和低频系数，实现阈值量化即在小波变换中对噪声和该电平的阈值进行估计，将阈值适应于较低的小波电平，然后在所有小波电平上去除噪声，实现了小波阈值降噪处理，此处理对信号分量没有明显的失真；进行小波重构，将小波域的信号变换回时域信号；进行信号重构，还原到csi信号，得到去除高频噪声的csi信号；
[0022]
步骤5：构建特征提取模型和检测模型，完成特征提取和相似度计算，实现待测数据的检测分类，以识别跌倒行为，具体过程如下：
[0023]
步骤5.1：构建特征提取模型，即利用特征提取网络从经过处理的csi信号中提取特征，构成特征数据，将特征数据映射到特征空间，特征提取网络采用多层卷积神经网络的结构，从特征数据中提取较为抽象的特征；
[0024]
步骤5.2：构建检测模型，作为检测模型的相似度计算网络由多层全连接网络构成，采用交叉熵损失进行训练，网络初始参数矩阵为由各支持集样本通过特征提取网络提取出的特征组成，利用相似度计算网络来计算由特征提取网络提取出的特征之间的相似度，在检测时根据相似度对特征数据样本进行分为训练集和支持集，其中，所述训练集包含不同种类已采集的人类活动csi信号数据，用于训练特征提取网络和相似度计算网络，所述支持集包含少量跌倒数据和活动数据，经过特征提取后与待测数据特征进行比对，对待测数据进行检测分类，识别跌倒行为。
[0025]
与现有技术相比，本发明能够达成以下有益技术效果：
[0026]
能够减少跌倒检测所需要采集数据的数量，降低数据采集难度和工作量，以及减少因检测环境改变所需要模型调整的开销。
附图说明
[0027]
图1为本发明的一种基于小样本学习的跌倒检测系统模块图；
[0028]
图2为数据处理模块具体操作流程图；
[0029]
图3为本发明的一种基于小样本学习的跌倒检测方法整体流程图；
[0030]
图4为为离散小波变换去除环境噪声的具体过程示意图；
[0031]
图5为特征提取网络训练及损失函数计算过程示例图；
[0032]
图6为模型训练与识别过程示例图。
具体实施方式
[0033]
下面将结合附图，对本发明技术方案进行详细地描述。
[0034]
以下结合附图，对依据本发明设计的框架的结构、功能及作用详细说明如下详细说明如下。
[0035]
如图1所示，为本发明的一种基于小样本学习的wifi跌倒检测系统模块图。该系统包括数据收集模块100、数据处理模块200和检测模型构建模块300。
[0036]
其中，所述数据收集模块100，通过在环境中部署布置信号发射器和信号接收器(例如intel wifi link 5300网卡)，使用linux 802.11n csi tool工具收集环境中人类活动数据而引起变化的信道状态信息(csi)信号。每一份收集的csi信号样本覆盖了完成一个动作时间内的持续信号变化。
[0037]
所述数据处理模块200，将收集到的信道状态信息(csi)数据进行预处理，去除噪声和干扰，将数据处理成为便于进行分析的形式，以便后续的分析处理操作。如图2所所示，为数据处理模块处理流程图。其中，数据处理操作包括裁剪和插值处理，用于规整数据尺寸以及补全丢包数据。然后依次进行hampel滤波处理和离散小波变换滤波处理，用于去除数据异常值和噪声。处理后的数据输入后续模型中，用于模型的训练与构建。
[0038]
所述检测模型构建模块300，使用小样本学习方法训练两个网络，一个特征提取网络用于从处理好的信道状态信息(csi)信号中提取特征，将信号数据映射到特征空间；一个相似度计算网络用于计算提取出的特征之间的相似度，以此来对数据进行分类从而实现无线感知行为识别。数据分为训练集和支持集，训练集包含大量不同种类已采集的csi信号的活动数据，用于训练特征提取网络和相似度计算网络。支持集包含少量跌到数据和其他活动数据，经过特征提取后与待测数据特征进行比对，对待测数据进行检测分类，识别跌倒行为。在使用训练集训练结束后，收集少量支持集中所包含种类的数据作为补充训练集，对网络进行fine-tune微调操作，以提高检测精度。
[0039]
如图3所示，为本发明的一种基于小样本学习的跌倒检测方法整体流程图。模型训练和跌倒识别检测流程。
[0040]
步骤1：进行数据收集，使用搭载有intel wifi link 5300网卡的两台计算机作为信号发射器与信号接收器，使用linux 802.11n csi tool工具收集csi信号，其中信号发射器发包频率设置为每秒20个数据包，每个动作数据长度为10秒(即为200个数据包)，信号接收器使用csi tool工具接收信号；每个动作数据样本生成一个dat文件，使用matlab对应工具，从文件中提取csi振幅信号的数据矩阵，因为数据来自三根天线的30个子载波，故所提取出的csi信号的矩阵尺寸应为3
×
30
×
200；
[0041]
步骤2：对数据进行裁剪和插值处理，以保证csi矩阵尺寸固定为3
×
30
×
200，使用线性插值方法进行插值处理，具体地，插值点处函数值由连接其最邻近的两侧点的线性函数预测，以此补充丢包数据；
[0042]
线性插值处理公式如下：
[0043][0044]
其中，为丢包位置的补充数据值，x0、y0为最邻近补包位置前一个点的横/纵坐标，x1、y1为最邻近补充位置后一个点的横/纵坐标，x为补包位置横坐标；
[0045]
步骤3：进行数据处理，基于hampel滤波去除因为环境干扰因素造成的收集的csi信号出现的异常值；hampel滤波处理的具体过程为，对于输入向量的每个样本函数，得到样本及其周围k个样本组成的窗口的中值，利用中位数绝对值估计出各样本对中值的标准差，如果样本与中值相差超过n个标准差，则用中值替换该样本；
[0046]
hampel滤波处理公式下：
[0047][0048]
其中，xi为窗口中间样本，mi为窗口的中值，σi为窗口样本标准差，n为设定阈值；
[0049]
hampel滤波能够去除数据中的异常值，可以有效减少环境扰动造成的数据异常；
[0050]
步骤4：继续进行数据处理，基于离散小波变换进行带内噪声滤波，如图4所示，为离散小波变换去除环境噪声的具体过程示意图。对经过步骤3处理后的csi信号通过emd分解，通过将信号变换到小波域，得到csi信号的高频imf分量和低频imf分量，将保留的高频imf分量分解为小波域下的高频系数(细节信号)和低频系数(近似信息)，实现阈值量化即在小波变换中对噪声和该电平的阈值进行估计，将阈值适应于较低的小波电平，然后在所
有小波电平上去除噪声，实现了小波阈值降噪处理，此处理对信号分量没有明显的失真；进行小波重构，也就是将小波域的信号变换回时域信号；进行信号重构，也就是还原到csi信号，得到去除高频噪声的csi信号。
[0051]
离散小波变换滤波对于无线感知行为识别中去除环境噪声有着积极的作用。
[0052]
步骤5：构建特征提取模型和检测模型，完成特征提取和相似度计算，实现待测数据的检测分类，以识别跌倒行为；具体过程如下：
[0053]
步骤5.1：构建训练模型，即利用特征提取网络从经过处理的csi信号中提取特征，构成特征数据，将特征数据映射到特征空间，特征提取网络采用多层卷积神经网络(cnn)的结构，从特征数据中提取较为抽象的特征，特征提取网络的训练计划采用triplet loss进行训练，每次训练过程选取三个样本，分别为锚点样本、与锚点样本同一类型的正向样本、与锚点样本不同类型的反向样本；训练时计算锚点样本与正向、反向样本的特征距离，通过最小化正向特征距离同时最大化反向特征距离来进行训练；训练目标是使特征提取网络提取的数据特征中，相同类型样本的特征在特征空间中分布靠近，不同类型分布较远。如图5所示，为特征提取网络训练及损失函数计算过程示例图。
[0054]
模型损失函数如公式(3)所示。
[0055][0056]
其中，f为特征提取网络，x
+
为正向样本，xa为锚点样本，x-为反向样本，α为代表模型分类边界值的超参数，为正样本x
+
与锚点样本xa经过特征提取后的特征之间的距离，为锚点样本xa与负样本x
+
经过特征提取后的特征之间的距离；
[0057]
步骤5.2：构建检测模型，即利用一个相似度计算网络来计算由特征提取网络提取出的特征之间的相似度，在检测时根据相似度对样本进行分类。相似度计算网络由多层全连接网络构成，采用交叉熵损失进行训练，网络初始参数矩阵为由各支持集样本通过特征提取网络提取出的特征组成，以此提高网络训练速度和检测精度。训练完成后使用少量支持集中种类动作的数据，冻结网络低层，对网络高层训练，进行fine-tune微调。如图6所示，为模型训练与识别过程示例图。
[0058]
本发明将小样本学习方法和元学习思想应用到无线感知跌倒检测问题，大幅度降低模型训练所需要采集的跌倒数据，降低了数据采集难度和工程量；在小样本学习方法中使用fine-tune微调方法，进一步提高了检测精度；当检测环境发生改变后，可通过收集少量新环境数据对模型进行调整，使模型可以无须重新训练快速适应新环境中的检测。