基于WiFi信道状态信息的跌倒检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115601834A(43)申请公布日2023.01.13(21)申请号202211279009.1G06V10/774(2022.01)(22)申请日2022.10.19G06V10/82(2022.01)G06V10/44(2022.01)(71)申请人中原工学院G06N3/04(2006.01)地址450000河南省郑州市新郑双湖开发G06N3/08(2006.01)区淮河路1号H04B17/309(2015.01)(72)发明人王鹏张龙刘济宗牛利月A61B5/11(2006.01)曲晓东郑秋生夏冰李向东庞朝峰赵中杰刘星张瑞萌(74)专利代理机构郑州大通专利商标代理有限公司41111专利代理师刘莹莹(51)Int.Cl.G06V40/20(2022.01)G06V20/40(2022.01)G06V10/764(2022.01)权利要求书1页说明书4页附图1页(54)发明名称基于WiFi信道状态信息的跌倒检测方法(57)摘要本发明提供一种基于WiFi信道状态信息的跌倒检测方法。该方法包括：训练阶段和检测阶段；训练阶段包括：获取同一时间段内的WiFi的CSI数据和视频数据；提取所述视频数据中的人体掩码，然后根据时间戳将相同时刻下的CSI数据与人体掩码匹配为一个训练数据对，进而构建得到训练数据集；使用训练数据集迭代更新GAN网络；利用CNN‑AE模型对正常人体轮廓图片进行特征提取，然后利用提取的CNN‑AE特征对单分类支持向量机OCSVM模型进行训练；检测阶段包括：实时获取CSI数据；利用训练好的生成器根据实时获取的CSI数据生成场景图片；利用CNN‑AE模型对场景图片进行特征提取，将提取到的特征输入至训练好的OCSVM模型以检测是否发生跌倒行为。CN115601834ACN115601834A权利要求书1/1页1.基于WiFi信道状态信息的跌倒检测方法，其特征在于，包括：训练阶段和检测阶段；训练阶段包括：获取同一时间段内的WiFi的CSI数据和视频数据；提取所述视频数据中的人体掩码，然后根据时间戳将相同时刻下的CSI数据与人体掩码匹配为一个训练数据对，进而构建得到训练数据集；使用训练数据集迭代更新GAN网络；其中，每次迭代更新过程包括：利用生成器根据CSI数据生成假图片，将CSI数据对应的人体掩码和假图片作为对抗器的输入进行对抗训练；利用CNN‑AE模型对正常人体轮廓图片进行特征提取，然后利用提取的CNN‑AE特征对单分类支持向量机OCSVM模型进行训练；检测阶段包括：实时获取CSI数据；利用训练好的生成器根据实时获取的CSI数据生成场景图片；利用CNN‑AE模型对场景图片进行特征提取，将提取到的特征输入至训练好的OCSVM模型以检测是否发生跌倒行为。2.根据权利要求1所述的基于WiFi信道状态信息的跌倒检测方法，其特征在于，利用MaskR‑CNN框架提取视频数据中的人体掩码。3.根据权利要求1所述的基于WiFi信道状态信息的跌倒检测方法，其特征在于，在训练阶段和检测阶段中，利用CNN‑AE模型对图片进行特征提取之前，先对图片进行背景减除。4.根据权利要求3所述的基于WiFi信道状态信息的跌倒检测方法，其特征在于，所述的利用CNN‑AE模型对场景图片进行特征提取，将提取到的特征输入至训练好的OCSVM模型以检测是否发生跌倒行为，具体包括：给定一段视频序列，采用逐帧处理的方式，对当前帧场景图片进行背景减除以从中提取人体轮廓图；再利用CNN‑AE模型从人体轮廓图中提取出轮廓特征x，将轮廓特征x输入至OCSVM模型中，若OCSVM模型输出的概率值超过设定的阈值时，认为是正常帧，否则是异常帧，并将该异常帧标记为跌倒行为；最后统计异常帧的帧数是否超过设定的阈值，若是，则视为发生跌倒。2CN115601834A说明书1/4页基于WiFi信道状态信息的跌倒检测方法技术领域[0001]本发明涉及行为识别技术领域，尤其涉及一种基于WiFi信道状态信息的跌倒检测方法。背景技术[0002]传统的跌倒检测方法主要分为接触式感知检测和非接触式感知检测。接触式感知检测通过人员穿戴各种定制的加速度传感器、陀螺仪等获取用户的肢体行为和运动方式等信息，由于该检测方式需要用户实时携带特定的设备，这耗费了大量的成本且难以长期稳定运行，故该检测方式不符合智能化感知的发展需求。非接触式感知检测(主要指基于计算机视觉的跌倒检测)主要依托摄像头和各类的传感器展开。该检测方式通过采集视频图像信号、物理数据参数和用户计算信息实现数据收集，之后进行人体前景目标提取、特征提取、再运用机器学习的算法模拟跌倒决策过程，达到跌倒检测的效果。但是，该检测方式需要光线充足的环境条件(在大雾等光线条件不好的环境下无法进行精准