申请/专利权人：南京邮电大学

申请日：2022-03-23

公开（公告）日：2024-07-05

公开（公告）号：CN114692683B

主分类号：G06F18/10

分类号：G06F18/10;G06F18/2131;G06F18/214;G06F18/24;G06N3/0464;G06N3/084;G06N3/094

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2022.07.19#实质审查的生效;2022.07.01#公开

摘要：本发明公开了一种基于信道状态信息CSI的跌倒检测方法、装置及存储介质，方法包括：获取待测的信道状态信息CSI数据；预处理、信号分段、提取特征，得到特征数据；将提取得到的特征数据输入预训练的检测模型，得到输出的跌倒检测结果；其中所述检测模型的训练数据集中包括跌倒、缓慢坐下、行走、站立、快速下坐、物品掉落、弯腰捡物品、坐到地上行为组成的数据集，增添对类跌倒行为数据的采集，用于后续的机器学习分类，降低漏报率和误报率；采用对抗机器学习方法对卷积神经网络模型进行训练优化，提高模型泛化性，防止学习过程中出现过拟合现象，而造成识别精确度下降。

主权项：1.一种跌倒检测方法，其特征在于，包括：获取待测的信道状态信息CSI数据；对获取的CSI数据进行预处理，对预处理后的CSI数据进行信号分段；对分段后的数据在时域和频域提取得到统计量特征，得到特征数据；将提取得到的特征数据输入预训练的检测模型，得到输出的跌倒检测结果；其中所述检测模型的训练方法包括：获取带有标签的信道状态信息CSI数据，其中所述CSI数据包括跌倒、缓慢坐下、行走、站立、快速下坐、物品掉落、弯腰捡物品、坐到地上行为组成的数据集；对获取的CSI数据进行预处理；对预处理后的CSI数据进行信号分段；对分段后的数据在时域和频域提取得到统计量特征，形成特征信息数据集；将所述特征信息数据集中至少一部分作为训练样本，采用对抗机器学习方法对卷积神经网络模型进行训练优化，得到训练好的检测模型；其中所述预处理包括离群点去除、滤波、插值；采用巴特沃斯低通滤波器对数据进行滤波；对于行走、站立和物品掉落数据集，利用截止频率为80Hz的五阶巴特沃斯低通滤波器选取有效数据；对于跌倒、缓慢坐下、快速下坐、弯腰捡物品、坐到地上数据集，利用截止频率为300Hz的五阶巴特沃斯低通滤波器选取有效数据；对预处理后的CSI数据进行信号分段，包括：利用OFDM子载波之间信号的相关性进行信号分段：先计算出各子载波之间的相关矩阵，然后再求解相关矩阵的特征向量和特征值，得到各子载波之间的相关系数，若相关系数大于设定的阈值，则将该CSI片段分离出来作为有效动作片段；对分段后的数据在时域和频域提取得到统计量特征，包括：在时域部分统计平均值、方差，在频域对信号进行傅里叶变换得到统计信号能量、频谱熵。

全文数据：

权利要求：

百度查询： 南京邮电大学 一种基于CSI的跌倒检测方法、装置及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD