本发明具体涉及一种人体跌倒检测方法。
背景技术：
随着经济技术的发展和人们生活水平的提高，智能家居技术也得到了长足的发展。家居环境下人体健康监测的需求日益迫切。尤其对独居老年人而言，跌倒是其室内活动中主要的健康威胁。因此，跌倒检测的研究越来越引起人们的关注。目前，针对人体跌倒的检测方式，主要依赖于硬件或视频的形式：一部分基于视频技术，需要对监测的区域部署视频监控设备等硬件设施，通过对视频或图像等的技术处理，判断人体是否跌倒；另一部分则是基于传感器技术，需要用户穿戴传感器，利用携带的传感器节点采集人体动作的信息，从而对跌倒进行检测，并及时发出报警信号。但是，上述跌倒检测的方法，要么成本高昂(比如需要大量摄像头等)，要么使用不便(需要人体穿戴传感器)等，往往给人们的日常的正常生活带来不便。因此，现有的跌倒检测方法，已经非常不适用于现有的环境。技术实现要素：本发明的目的在于提供一种成本低廉、检测效率高且实时性好的人体跌倒检测方法。本发明提供的这种人体跌倒检测方法，包括如下步骤：s1.在监测区域设置无线wifi信号发送装置和无线wifi信号接收装置，其中无线wifi信号发送装置用于发送无线wifi信号，无线wifi信号接收装置用于接收无线wifi信号并获取相应的信号参数；s2.在监测区域进行实验，通过获取监测区域wifi信号的信道状态信息，得到跌倒决策模型；s3.在对监测区域进行实时监测时，实时获取监测区域wifi信号的信道状态信息，采用步骤s2得到的跌倒决策模型对监测区域内的人体状态进行监测和判断。步骤s2所述的通过获取监测区域wifi信号的信道状态信息得到跌倒决策模型，具体为采用如下步骤得到跌倒决策模型：a.获取原始的wifi信号的信道状态信息，计算信道状态信息的功率并进行噪声滤除；b.分别获取监测区域在静止状态和监测区域有人活动状态下的信道状态信息数据流，计算两种状态下的信道状态信息数据流中的子载波的相关性，并得到相应的相关系数；c.对步骤b得到的信道状态信息数据流，将监测区域有人活动状态下的信道状态信息数据流减去监测区域静止状态下的信道状态信息数据流后得到差别数据流；d.计算步骤c得到的差别数据流下的各个子载波的相关性和相关系数，利用主成分分析法对相关性最强的前n个子载波进行处理，并得到第一个主成分；n为自然数；e.计算步骤d得到的第一个主成分的信号传播路径长度改变率；f.计算时间t1内步骤e得到的信号传播路径长度改变率的最大值和最小值的差值，并记录最大值对应的时刻和最小值对应的时刻；g.根据最大值对应的时刻和最小值对应的时刻判断步骤f得到的差值的有效性，并获取有效的差值的最大值；h.根据步骤g得到的有效的差值的最大值确定阈值tred作为跌倒判断阈值；i.根据步骤h得到的跌倒判断阈值确认跌倒状态的起始时刻，并采用起始时刻后t2秒内的信道状态信息数据流对初始化的跌倒决策模型进行训练，从而得到最终的跌倒决策模型。步骤a所述的计算信道状态信息的功率，具体为采用共轭乘法计算信道状态信息的功率。步骤a所述的噪声滤除，具体为采用巴特沃兹低通滤波器进行噪声滤除。步骤e所述的计算第一个主成分的信号传播路径长度改变率，具体为采用短时傅里叶变换将第一主成分信号转换到频域，计算得到信号的时频能量谱，然后采用希尔伯特变换从实际波形中得到解析信号的频率变化，最后将频率变化与无线电磁波的波长相乘得到信号传播路径长度改变率。步骤g所述的根据最大值对应的时刻和最小值对应的时刻判断差值的有效性，具体为采用如下规则进行判断：若最大值对应的时刻大于最小值对应的时刻，则判定该差值有效；若最大值对应的时刻小于或等于最小值对应的时刻，则判定该差值无效。步骤i所述的采用起始时刻后t2秒内的信道状态信息数据流对初始化的跌倒决策模型进行训练，具体为采用起始时刻后t2秒内信道状态信息数据流的标准偏差、绝对中位差、四分位差、信号熵和路径改变速度，对初始的随机森林分类模型进行训练，从而得到最终的跌倒决策模型。步骤s3所述的采用步骤s2得到的跌倒决策模型对监测区域内的人体状态进行监测和判断，具体包括如下步骤：a.获取原始的wifi信号的信道状态信息，计算信道状态信息的功率并进行噪声滤除；b.计算步骤a获取的信道状态信息数据流中的子载波的相关性，并得到相应的相关系数；c.对步骤a得到的信道状态信息数据流减去监测区域无人状态下的信道状态信息数据流后得到差别数据流；d.计算步骤c得到的差别数据流下的各个子载波的相关性和相关系数，利用主成分分析法对相关性最强的前n个子载波进行处理，并得到第一个主成分；n为自然数；e.计算步骤d得到的第一个主成分的信号传播路径长度改变率；f.计算时间t1内步骤e得到的信号传播路径长度改变率的最大值和最小值的差值，并记录最大值对应的时刻和最小值对应的时刻；g.根据最大值对应的时刻和最小值对应的时刻判断步骤f得到的差值的有效性，并获取有效的差值的最大值；h.根据步骤g得到的有效的差值的最大值与跌倒判断阈值的大小，判定跌倒动作的起始时刻；i.根据步骤h得到的得到的跌倒动作的起始时刻，获取起始时刻后t2秒内的信道状态信息数据流的参数，并采用步骤s2得到的跌倒决策模型判定监测区域内人体的状态。步骤a所述的计算信道状态信息的功率，具体为采用共轭乘法计算信道状态信息的功率。步骤a所述的噪声滤除，具体为采用巴特沃兹低通滤波器进行噪声滤除。步骤e所述的计算第一个主成分的信号传播路径长度改变率，具体为采用短时傅里叶变换将第一主成分信号转换到频域，计算得到信号的时频能量谱，然后采用希尔伯特变换从实际波形中得到解析信号的频率变化，最后将频率变化与无线电磁波的波长相乘得到信号传播路径长度改变率。步骤g所述的根据最大值对应的时刻和最小值对应的时刻判断差值的有效性，具体为采用如下规则进行判断：若最大值对应的时刻大于最小值对应的时刻，则判定该差值有效；若最大值对应的时刻小于或等于最小值对应的时刻，则判定该差值无效。步骤i所述的获取起始时刻后t2秒内的信道状态信息数据流的参数，具体包括起始时刻后t2秒内信道状态信息数据流的标准偏差、绝对中位差、四分位差、信号熵和路径改变速度。本发明提供的这种人体跌倒检测方法，普通wifi设备获得信道状态信息，节约成本的同时满足了用户的舒适度和便利性，摒弃了可穿戴传感器、视频等其他附加的设备，成本更加低廉；从人体运动引起传播路径长度改变的角度出发，利用信号传播路径改变速度差阈值首先筛选出跌倒和类似跌倒动作，降低运算时间的同时提高了跌倒检测的准确率和检测的效率。附图说明图1为本发明方法的无线wifi信号发送装置和无线wifi信号接收装置的布置示意图。图2为本发明方法的方法流程图。图3为本发明方法的具体实施例中不同动作对应的信号时频能量谱和传播路径长度改变率示意图。图4为本发明方法的具体实施例中选取不同阈值时的疑似跌倒的筛选率情况示意图。具体实施方式如图2所示为本发明方法的方法流程图：本发明提供的这种人体跌倒检测方法，包括如下步骤：s1.在监测区域设置无线wifi信号发送装置和无线wifi信号接收装置(布置时示意图如图1所示)，其中无线wifi信号发送装置用于发送无线wifi信号，无线wifi信号接收装置用于接收无线wifi信号并获取相应的通信参数；s2.对监测区域进行实验，通过获取监测区域wifi信号的信道状态信息，得到跌倒决策模型；具体为采用如下步骤得到跌倒决策模型：a.获取原始的wifi信号的信道状态信息(channelstateinformation,csi)，计算信道状态信息的功率(可以采用共轭乘法计算)并进行噪声滤除(可以采用巴特沃兹低通滤波器)；在具体实施时，可以设置巴特沃兹低通滤波器的频率范围为2～80hz；b.分别获取监测区域在静止状态下和监测区域有人活动状态下的信道状态信息数据流，计算两种状态下的信道状态信息数据流中的子载波的相关性，并得到相应的相关系数；在每一对收发天线之间都会形成一个csi数据流，每一个数据流包含30个子载波；首先取0.5秒的滑动重叠时间窗，计算信道状态信息数据流中的子载波的相关性，并得到相应的相关系数；c.对步骤b得到的信道状态信息数据流，将监测区域有人状态下的信道状态信息数据流减去监测区域无人状态下的信道状态信息数据流后得到差别数据流；d.计算步骤c得到的差别数据流下的各个子载波的相关性和相关系数，利用主成分分析法对相关性最强的前n个子载波进行处理，并得到第一个主成分；n为自然数，可以选取为20；e.计算步骤d得到的第一个主成分的信号传播路径长度改变率；具体为采用短时傅里叶变换将第一主成分信号转换到频域，计算得到信号的时频能量谱，然后采用希尔伯特变换从实际波形中得到解析信号的频率变化，最后将频率变化与无线电磁波的波长相乘得到信号传播路径长度改变率；f.计算时间t1(比如1秒)内步骤e得到的信号传播路径长度改变率的最大值和最小值的差值，并记录最大值对应的时刻和最小值对应的时刻；g.根据最大值对应的时刻和最小值对应的时刻判断步骤f得到的差值的有效性，并获取有效的差值的最大值；采用如下规则判断有效性：若最大值对应的时刻大于最小值对应的时刻，则判定该差值有效；若最大值对应的时刻小于或等于最小值对应的时刻，则判定该差值无效；h.根据步骤g得到的有效的差值的最大值确定阈值tred作为跌倒判断阈值；在确定阈值时，可以采用多次实地实验的方式确定阈值，比如进行多次跌倒实验，在实验时采取上述的数据并进行计算，从而确定阈值tred；i.根据步骤h得到的跌倒判断阈值确认跌倒状态的起始时刻，并采用起始时刻后t2秒内的信道状态信息数据流对初始化的跌倒决策模型进行训练，从而得到最终的跌倒决策模型；具体为采用起始时刻后t2秒内信道状态信息数据流的标准偏差、绝对中位差、四分位差、信号熵和路径改变速度，对初始的随机森林分类模型进行训练，从而得到最终的跌倒决策模型；s3.在对监测区域进行实时监测时，实时获取监测区域wifi信号的信道状态信息，采用步骤s2得到的跌倒决策模型对监测区域内的人体状态进行监测和判断；具体包括如下步骤：a.获取原始的wifi信号的信道状态信息，计算信道状态信息的功率(可以采用共轭乘法)并进行噪声滤除(可以采用巴特沃兹低通滤波器)；b.计算步骤a获取的信道状态信息数据流中的子载波的相关性，并得到相应的相关系数；c.对步骤a得到的信道状态信息数据流减去监测区域无人状态下的信道状态信息数据流后得到差别数据流；d.计算步骤c得到的差别数据流下的各个子载波的相关性和相关系数，利用主成分分析法对相关性最强的前n个子载波进行处理，并得到第一个主成分；n为自然数；e.计算步骤d得到的第一个主成分的信号传播路径长度改变率；具体为采用短时傅里叶变换将第一主成分信号转换到频域，计算得到信号的时频能量谱，然后采用希尔伯特变换从实际波形中得到解析信号的频率变化，最后将频率变化与无线电磁波的波长相乘得到信号传播路径长度改变率；f.计算时间t1内步骤e得到的信号传播路径长度改变率的最大值和最小值的差值，并记录最大值对应的时刻和最小值对应的时刻；g.根据最大值对应的时刻和最小值对应的时刻判断步骤f得到的差值的有效性，并获取有效的差值的最大值；采用如下规则进行有效性的判断：若最大值对应的时刻大于最小值对应的时刻，则判定该差值有效；若最大值对应的时刻小于或等于最小值对应的时刻，则判定该差值无效；h.根据步骤g得到的有效的差值的最大值与跌倒判断阈值的大小，判定跌倒动作的起始时刻；i.根据步骤h得到的得到的跌倒动作的起始时刻，获取起始时刻后t2秒内的信道状态信息数据流的参数，并采用步骤s2得到的跌倒决策模型判定监测区域内人体的状态；具体包括起始时刻后t2秒内信道状态信息数据流的标准偏差、绝对中位差、四分位差、信号熵和路径改变速度。以下结合一个具体实施例，对本发明的方法进行进一步说明：搭建实物硬件平台用于采集不同动作的无线信号信道状态信息；采集无线wifi的csi信号其主要包括发送端和接收端两部分：第一，wifi信号发射端，选择家用路由器发射wifi信号，该路由器配有两根发射天线；第二，信号接收端，选择配备有intel5300nics(三根接收天线)和开源工具包csi-tool的电脑用于接收信号。采集的csi信号是工作在5gh的wifi信号的每个子载波的幅度和相位信息，在每一对收发天线之间都会形成一个csi数据流，每一个数据流包含30个子载波。在实际家具环境中对提出的基于传播路径长度改变速率的阈值判别方法和跌倒检测方法的有效性进行评估。实验中选取了比较常见的8个动作：站-跌倒、走-跌倒、走-坐、走-站、走-捡东西、站-坐、站-打电话、坐-喝水。采用的发包率为1000pkts/s。实验环境区域大小约为5.5m×4.5m，共有6名测试者参与实验数据的采集，身高在1.55m和1.75m之间，其中4名男性、2名女性。测试者在该环境下分别做这8种动作，其中跌倒的动作在实际场景中包含了多种类型，例如瞬间滑倒，向前倾倒，向后仰倒以及侧面跌倒，实验过程中尽可能和真实场景接近，以确保实验数据集的完整性和可靠性，在设计好数据采集方案之后，利用csi工具在接收端获得实验所需的csi信息。测试者的动作数据集的描述如下：1站-向前跌倒测试者站立到向前跌倒共10秒；2站-向后跌倒测试者站立到向后跌倒共10秒；3站-侧面跌倒测试者站立到侧面跌倒共10秒；4走-向前跌倒测试者走到向前跌倒共10秒；5走-向后跌倒测试者走到向后跌倒共10秒；6走-侧面跌倒测试者走到侧面跌倒共10秒；7走-坐测试者走到坐下跌倒共10秒；8走-站测试者走到站立不动跌倒共10秒；9走-捡东西测试者走到捡东西共10秒；10站-坐测试者站立到坐下跌倒共10秒；12站-打电话测试者站立打电话共10秒；12坐-喝水测试者坐着喝水共10秒；不同动作对应的信号传播路径长度改变率分析：目标做不同的动作时，受动作幅度、速度等因素的影响，会造成信号的传播路径产生不同的改变模式，从而导致传播路径长度改变率的不同。图3分别给出了不同动作对应的信号时频能量分布和传播路径长度改变率情况。从图中我们可以观察到，像跌倒、捡东西、走-坐等动作相对应的信号能量谱产生了较大波动，同时更为清晰地反映在信号传播路径长度改变率上，即有一个较大幅度的瞬时增加；相反，对于像打电话、喝水这类动作，对应的时频能量谱变化和信号传播路径长度改变率相对平稳，不存在较大的波动。因此，利用信号的传播路径长度改变率这一特征可以作为疑似跌倒动作的判断依据。筛选疑似跌倒动作时的阈值选取分析：选择合适的阈值能够有效地将跌倒和类似跌倒动作筛选出来，如图4可以观察到，仅仅通过阈值，对跌倒和类似跌倒的筛选情况，当阈值为0.5m/s和0.6m/s时，跌倒和走-坐、走-站、走-捡东西等类似跌倒动作检测出来的比例基本上在100％左右，而站-打电话、坐-喝水等动作的比例均为零，基本上可以通过阈值进行排除，但随着阈值增加，达到0.7m/s和0.8m/s时，检测出跌倒和类似跌倒动作呈现下降的趋势，由之前的100％降到80％，直至50％，因此，需要结合实际的场景和数据，选择合适的阈值，从而实现更高的检测率。跌倒检测率和误报率结果：采用检测率和误报率作为跌倒检测系统的性能评价指标，表2、表3和表4给出了不同阈值下的跌倒检测率和误报率的情况，结合实际的场景和数据，选取阈值为0.5米/秒时，可取得最高的检测率和最低的误报率。表2检测率和误报率(单人作为训练集)速度差阈值m/s0.50.60.70.8检测率0.950.9250.8250.75误报率0.0670.0700.1050.077表3检测率和误报率(两人作为训练集)速度差阈值m/s0.50.60.70.8检测率0.9330.9330.850.75误报率0.0440.0480.0530.037表4检测率和误报率(三人作为训练集)速度差阈值m/s0.50.60.70.8检测率0.9250.9250.8380.713误报率0.0420.0450.0790.040当前第1页12