一种跌倒检测模型训练方法、跌倒检测方法、装置及设备

本发明涉及模型训练和动作检测领域，尤其是一种跌倒检测模型训练方法、跌倒检测方法、装置及设备。

背景技术：

1、现有技术通过csi(信道状态信息，channel state information，简称csi)信号获取跌倒动作特征，并进行感知检测，但是现有技术采用直接的手工划分信号特征，通过传统的机器学习进行分类，例如支持向量机(svm)和随机森林，也有一些是采用复杂的深度学习模型，自动学习数据的特征进行分类。

2、现有的机器学习方法严重依赖于手动划分的特征来实现其分类性能，而采用复杂的深度学习模型来自动学习数据特征，在训练成本和内存资源有限的现实环境中部署分类模型时可能会带来困难。

技术实现思路

1、有鉴于此，本发明提供一种跌倒检测模型训练方法、跌倒检测方法、装置及设备，以提高跌倒检测模型的训练效率，并提高跌倒检测的性能和减少计算资源。

2、本发明的一方面提供了一种跌倒检测模型训练方法，包括：

3、获取包括跌倒动作的训练csi信号，并对所述训练csi信号进行数据预处理；

4、根据经过数据预处理的所述训练csi信号获取多个训练特征矩阵和多个训练频谱图；

5、将标注有训练标签的多个所述训练特征矩阵作为第一训练数据，将标注有训练标签的多个所述训练频谱图作为第二训练数据，以所述第一训练数据、所述第二训练数据和交叉熵损失函数训练预设的深度学习模型，得到初始深度学习模型；

6、将所述初始深度学习模型中的卷积层和全连接层的参数类型从浮点型变更为整数型，再以所述第一训练数据、所述第二训练数据和交叉熵损失函数训练所述初始深度学习模型，得到目标深度学习模型。

7、可选地，所述对所述训练csi信号进行数据预处理，包括：

8、对所述训练csi信号进行滤波，以过滤不符合预设条件的异常值；

9、对经过滤波的所述训练csi信号进行归一化处理，以加快梯度下降，得到经过数据预处理的所述训练csi信号。

10、可选地，所述根据经过数据预处理的所述训练csi信号获取多个训练特征矩阵和多个训练频谱图，包括：

11、将经过数据预处理的所述训练csi信号中所有子载波的平均幅度作为特征，从经过数据预处理的所述训练csi信号中获取所述特征对应的多个初始特征矩阵；

12、对经过数据预处理的所述训练csi信号进行傅里叶变换，得到多个初始频谱图；

13、根据多个所述初始特征矩阵获取多个所述训练特征矩阵，根据多个所述初始频谱图获取多个所述训练频谱图。

14、可选地，所述根据多个所述初始特征矩阵获取多个所述训练特征矩阵，根据多个所述初始频谱图获取多个所述训练频谱图，包括：

15、根据主成分分析法获取每个所述初始特征矩阵对应的第一特征值，并根据各个所述第一特征值计算第一方差贡献率，将所述第一方差贡献率达到预设阈值对应的各个所述初始特征矩阵作为所述训练特征矩阵；

16、根据主成分分析法获取每个所述初始频谱图的第二特征值和特征向量，并根据各个所述第二特征值计算第二方差贡献率，将所述第二方差贡献率达到预设阈值对应的各个所述特征向量进行加权平均，根据加权平均后的所述特征向量获取所述训练频谱图。

17、可选地，所述训练方法还包括：

18、将卷积块注意力模块集成到所述预设的深度学习模型中；

19、所述以所述第一训练数据、所述第二训练数据和交叉熵损失函数训练预设的深度学习模型，包括：

20、以所述第一训练数据、所述第二训练数据和交叉熵损失函数训练集成有卷积块注意力模块的所述预设的深度学习模型。

21、可选地，所述第一训练数据和所述第二训练数据中的跌倒标签均多于非跌倒标签；

22、所述预设的深度学习模型采用lenet、alexnet、resnet34或lstm-cnn中的其中之一；或，所述预设的深度学习模型采用resnet18；

23、其中，所述resnet18包括四个目标残差块，每个所述目标残差块由两个卷积层组成。

24、本发明的另一方面还提供了一种跌倒检测方法，包括：

25、获取目标csi信号；

26、将所述目标csi信号输入到目标深度学习模型，以根据所述目标csi信号进行跌倒检测，所述目标深度学习模型采用上述的一种跌倒检测模型训练方法训练得到的目标深度学习模型。

27、本发明的另一方面还提供了一种跌倒检测模型训练装置，包括：

28、第一单元，用于获取包括跌倒动作的训练csi信号，并对所述训练csi信号进行数据预处理；

29、第二单元，用于根据经过数据预处理的所述训练csi信号获取多个训练特征矩阵和多个训练频谱图；

30、第三单元，用于将标注有训练标签的多个所述训练特征矩阵作为第一训练数据，将标注有训练标签的多个所述训练频谱图作为第二训练数据，以所述第一训练数据、所述第二训练数据和交叉熵损失函数训练预设的深度学习模型，得到初始深度学习模型；

31、第四单元，用于将所述初始深度学习模型中的卷积层和全连接层的参数类型从浮点型变更为整数型，再以所述第一训练数据、所述第二训练数据和交叉熵损失函数训练所述初始深度学习模型，得到目标深度学习模型。

32、本发明的另一方面还提供了一种电子设备，包括处理器以及存储器；

33、所述存储器用于存储程序；

34、所述处理器执行所述程序实现所述的方法。

35、本发明的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现所述的方法。

36、本发明还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该电子设备执行上述的方法。

37、本发明可以获取csi信号对应的训练特征矩阵和训练频谱图，并结合交叉熵损失函数训练预设的深度学习模型，节省了计算资源，简化了训练过程；然后本发明将训练得到的初始深度学习模型中卷积层和全连接层的参数类型从浮点型变更为整数型模型参数类型，并再次训练初始深度学习模型得到目标深度学习模型，优化了内存利用率，因此本发明的目标深度学习模型可以更容易部署在硬件上，进而利用目标深度学习模型进行跌倒检测可以占用更少的计算资源，提高了检测性能。

技术特征：

1.一种跌倒检测模型训练方法，其特征在于，包括：

2.根据权利要求1所述的一种跌倒检测模型训练方法，其特征在于，所述对所述训练csi信号进行数据预处理，包括：

3.根据权利要求1所述的一种跌倒检测模型训练方法，其特征在于，所述根据经过数据预处理的所述训练csi信号获取多个训练特征矩阵和多个训练频谱图，包括：

4.根据权利要求3所述的一种跌倒检测模型训练方法，其特征在于，所述根据多个所述初始特征矩阵获取多个所述训练特征矩阵，根据多个所述初始频谱图获取多个所述训练频谱图，包括：

5.根据权利要求1所述的一种跌倒检测模型训练方法，其特征在于，所述训练方法还包括：

6.根据权利要求1至5任一项所述的一种跌倒检测模型训练方法，其特征在于，所述第一训练数据和所述第二训练数据中的跌倒标签均多于非跌倒标签；

7.一种跌倒检测方法，其特征在于，包括：

8.一种跌倒检测模型训练装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括处理器以及存储器；

10.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至7中任一项所述的方法。

技术总结
本发明公开了一种跌倒检测模型训练方法、跌倒检测方法、装置及设备，训练方法包括：获取训练CSI信号，对训练CSI信号进行数据预处理；再根据训练CSI信号获取训练特征矩阵和训练频谱图；将标注有标签的训练特征矩阵和训练频谱图分别作为第一训练数据和第二训练数据，以第一、第二训练数据和交叉熵损失函数训练预设的深度学习模型，得到初始深度学习模型；将初始深度学习模型中的卷积层和全连接层的参数类型从浮点型变更为整数型，再以第一、第二训练数据和交叉熵损失函数训练初始深度学习模型，得到目标深度学习模型。本发明可以提高跌倒检测模型的训练效率，并提高跌倒检测的性能和减少计算资源，可广泛应用于模型训练和动作检测领域。

技术研发人员：赵毓斌,陈卓龙
受保护的技术使用者：中山大学
技术研发日：
技术公布日：2024/1/16