技术摘要：
一种基于无线信号的跌倒检测方法，利用普通商用WiFi设备建立跌倒检测环境，当目标对象在WiFi覆盖的检测区域内进行活动时，会对无线信号产生影响，通过获取接收信号中的信道状态信息，利用深度学习网络对CSI数据进行处理，识别目标对象在检测区域内是否跌倒。本发明能够  全部
背景技术：
数据显示，我国自20世纪末进入老龄化社会以来，老年人口数量和占总人口的比 重持续增长，2000年至2018年，60岁及以上老年人口从1.26亿人增加到2.49亿人，老年人口 占总人口的比重从10.2％上升至17.9％。未来一段时间，老龄化程度将持续加深。据相关资 料分析，跌倒是导致老年人伤残甚至死亡的重要因素之一。及时的检测出老人跌倒，不仅能 减少医疗开支，更能使老人得到及时救助。 目前，国内外对于人体跌倒检测通常采用的方法是：通过可穿戴传感器设备或者 使用视频图像设备来实现判断目标对象是否跌倒。但是基于可穿戴传感器的方法需要目标 对象随身携带传感器，可能会造成老人日常生活的不便，并且该方法成本相对较高。而基于 视频图像的方法会受光照条件和物体遮挡等因素的影响，还可能泄露个人的隐私。
技术实现要素：
针对现有技术中存在的问题，本发明提供一种基于无线信号的跌倒检测方法，利 用普通的商用WiFi设备，通过分析信道状态信息的不同变化模式来检测人体是否跌倒，能 够在实现较高识别准确度，同时满足方便性与安全性。 为实现上述的目标，本发明采用的技术方案为： 一种基于无线信号的跌倒检测方法，包括以下步骤： 步骤1：采集无线信号中的信道状态信息，获取CSI原始数据； 步骤2：对所述CSI原始数据进行预处理，得到待识别的数据集； 步骤3：将待识别的CSI数据集分成两部分，其中一部分作为训练集，另一部分作为 测试集； 步骤4：将步骤3中的训练集导入到深度神经网络进行特征提取训练，采用测试集 对训练好的神经网络进行跌倒识别测试； 步骤5：实时采集检测区域内无线信号的CSI原始数据，并进行步骤2的预处理，将 待识别的数据集导入到步骤4中的神经网络进行处理，确定目标在检测区域内是否跌倒。 进一步，所述步骤1中，所述CSI原始数据包括CSI幅度数据。 所述步骤2中，对CSI原始数据进行预处理，得到待识别的数据集，包括采用奇异谱 分析SSA算法对所述CSI原始数据进行去噪，以及通过希尔伯特变换HHT将去噪后的CSI原始 数据转换为频谱图，从频谱图中提取跌倒或伪跌倒的CSI数据，作为待识别的数据集。 所述步骤4中，所述深度神经网络包括卷积神经网络CNN。 再进一步，所述深度神经网络的结构包括生成模块、特征学习模块和输出模块： 生成模块用于将CSI数据转换为具有空间编码模式的特征图； 特征学习模块用于将空间编码的模式映射到识别跌倒的特征； 4 CN 111597877 A 说　明　书 2/3 页 输出模块用于根据提取到的特征，输出相应的识别结果。 所述卷积神经网络CNN包括八个反卷积层、一个骨干网络、一个全连接层、激活函 数和损失函数； 所述骨干网络包括ResNet、Inception和VGG网络，激活函数包括SoftMax激活函 数，损失函数包括交叉熵函数。 更进一步，所述SoftMax激活函数为： 其中，i表示数据集中的第i个样本，K表示数据集的样本数，表示第i个样本的概率 值，这些概率值的和为1。 所述交叉熵损失函数为： 其中，N表示样本i的数量，表示样本i的标签(正类为1，负类为0)，表示样本i预测 为正类的概率。 本发明的有益效果是： 1.采用普通商用WiFi设备建立检测环境，根据目标对象不同动作对WiFi信号的变 化，获取无线信号的CSI值，并进行分析处理，从而检测出目标是否跌倒； 2.本发明能够在实现较高识别准确度的同时满足方便性、易用性与安全性，且不 需人体携带任何特殊设备、不需要购买其他传感器设备等，具有方便易部署，安全性高的特 点； 3.本发明将无线信号与深度学习技术结合起来应用于跌倒检测中，为医疗监控领 域提供了新的研究思路。 附图说明 图1是跌倒检测的总体框图； 图2是本发明中的深度学习网络框架图； 图3是检测环境示意图。