CN115089135A

CN115089135A - 一种基于毫米波雷达老人健康状态检测方法及系统

Info

Publication number: CN115089135A
Application number: CN202210443414.6A
Authority: CN
Inventors: 师改梅; 李东
Original assignee: Chengdu Maya Lightyear Technology Co ltd; Wuxi Boao Maya Medical Technology Co ltd
Current assignee: Chengdu Maya Lightyear Technology Co ltd; Wuxi Boao Maya Medical Technology Co ltd
Priority date: 2022-04-25
Filing date: 2022-04-25
Publication date: 2022-09-23

Abstract

本发明公开了一种基于毫米波雷达老人健康状态检测方法及系统，所述检测方法包括：步骤一，获取用户的三维点云数据，判断用户是否处于床榻区域，若是，则进入步骤二，否则进入步骤三；步骤二，获取用户的生理特征数据，判断是否异常，若异常，则进入步骤四，否则返回步骤一；步骤三，根据所述三维点云数据判断是否发生了跌倒行为，若是，则进入步骤四，否则返回步骤一；步骤四，当在床榻区域检测到生理特征异常或在非床榻区域检测到跌倒行为时触发报警。本申请采用身体倾角，可以明显发现局部点云的变化非常强烈，即使细微的呼吸活动也会导致数据的局部发生较大的变化。

Description

一种基于毫米波雷达老人健康状态检测方法及系统

技术领域

本发明涉及老人健康监测技术领域，特别涉及一种基于毫米波雷达老人室内健康状态检测方法及系统。

背景技术

随着人口老龄化问题的不断加重，老人的养老安全监测问题受到越来越多的社会关注。“跌倒”和“老年人睡眠呼吸暂停综合征”等是使老年人受到伤害的主要因素。

“跌倒”是指一个人因意外原因倒伏于地面或处于低位的动作，也是人类最常见的异常动作之一。根据世界卫生组织的统计，跌倒是全球第二大意外伤害和死亡原因，每年有3730多万人因跌倒而受伤，64.6万人因为跌倒直接或间接导致死亡。跌倒的频率随年龄的增加而增加，在65岁以上的老年人中，每年有28-35％的人会经历跌倒，而在80岁及其以上人群中，这一比例上升至45％左右。跌倒带来的健康风险随着年龄呈现出指数增长的趋势，对于老年人来说，跌倒可能会造成割伤、擦伤或者骨折等严重后果，跌倒所造成的心理伤害也不可忽视，很多老年人对跌倒产生了恐惧心理，并影响到了老年人的生活质量。然而跌倒的时间不确定性以及难以预防性给老年人跌倒后的施救工作带来实际困难。因此，及时发现老年人跌倒引起了很多研究人员的关注。此外，跌倒后的求救响应缓慢也是老年人预期寿命减少的重要原因。

跌倒已经成为一个世界范围内的重要经济问题和健康问题，其中，包括跌倒导致的住院治疗和长期护理，以及跌倒造成的身体、精神、金钱上的负担。从经济层面来看，任何医疗负担的增加都会给社会带来直接的经济成本，同时也导致生产力的损失。人口的老龄化推动着医疗保健提出更新型的服务，从传统的患者自行去医院进行治疗发展到家庭型护理服务，即病人通过新兴技术的支持，可以在家中进行一部分治疗。这种以家庭为中心的长期护理方法不仅提高了患者的生活质量，也间接节约了患者自身以及社会的医疗护理成本。无论是因为居家医疗护理，还是因为其他原因而独居生活，独居老人容易发生跌倒行为。为了保证老年人独立生活的安全，有必要及时法发现跌倒事件，以便在紧急情况下通知医护人员或家属。

老人健康状态检测，就是通过各种技术手段检测老年人的健康状态，一般在检测到健康状态异常后后，会用一些方式发出警告信息，或者采取干预或者保护行为。现有的健康状态检测方法主要有2种：

第一种是基于可穿戴设备。然而因为佩戴式装置要求使用者持续佩戴可穿戴设备并及时充电，但使用者可能会忘记佩戴或充电，影响用户的使用体验，大部分老年人并不习惯佩戴此类可穿戴设备，使得基于可穿戴设备的方案难以发挥作用。

第二种是使用非穿戴式方法针对固定区域进行检测。因此对于老年人跌倒的监测来说，基于非可穿戴设备的跌倒监测方法更为实际。主要有以下几种传感器：相机、WiFi、超宽带雷达、毫米波雷达。基于图像检测的方式是直接对图像视频信息进行处理得到老人的行为状态，一旦出现不正常的行为状态，向终端发送报警信息。但是这种方法因为涉及图像和视频等敏感信息，容易出现隐私泄露的危险性，不适合用于洗手间、卧室等隐私场所，同时需要充足的光线，不适合夜晚场景的使用。基于WiFi的方式容易收到其他外来信号的干扰，同时上述算法基于传统建模，泛化性较差。由于毫米波雷达在隐私保护、定位精度、探测范围和环境适应能力等方面具有独特的优势。只需要使用毫米波雷达这一非接触式监测技术，就可以实现对房间内人员的健康安全监测，及时对危险行为作出判断报警，该监测方法过程中不涉及任何声音、图像和视频信息，避免了用户的隐私可能出现泄露的问题，为注重隐私保护的用户提供了绝佳的选择。因此有大量学者深入研究基于毫米波雷达的跌倒检测方法。

在孙济舟等的基于毫米波雷达的跌倒方法实施检测方法研究中提到了一种基于毫米波雷达的跌倒检测方法，通过对毫米波雷达获取目标的位置信息，并对位置坐标序列进行均值滤波，然后通过分段线性拟合得到被监测对象的近似运动规律，综合考虑人体跌倒时在高度方向和水平方向的位置变化规律及两者之间的对应关系，基于多个阈值在检测到跌倒行为后对跌倒方式进行识别，若发现跌倒，则立即发出警报。但是文中所述方法是在空旷区域实现的，未涉及与环境中其他物体发生碰撞的情况，然而在真实的跌倒过程中人处于失控状态。

在公开号为CN112782664A，公开日为2021.05.11的中国发明专利中公开了一种基于毫米波雷达的卫生间跌倒检测方法，具体为利用布设的毫米波雷达采集用户数据；对用户数据进行坐标转换、确定其在实际场景中的三维点云数据；去掉静态物体，得到动态物体的点云图，并去除干扰噪声；最后根据用户的宽高比大于一定阈值、最高点小于一定阈值、下降速度大于一定阈值等三者的综合判断来进行跌倒检测。但是并不是所有的跌倒动作都是速率较快的运动，并且一些非跌倒动作的速率也较高。具体是因为在很多情况下，人们在跌倒时会抓住一件家具或者靠在墙上，这就会减缓跌倒的速度从而导致速率下降。并且老年人从座椅上或轮椅上摔下来也是很常见的，在这种场景下跌倒动作降低了本身的速度和高频能量值。同时按照上述方法检测三维点云数据，最终确定的三维点云只是记录这些反射信号对应点云的位置，使用这些信息无法准确地判断出某动作是否跌倒。

在公开号为CN111887861A，公开日为2020.11.06的中国发明专利一种基于毫米波雷达的室内人员安全一体化监测方法中，通过在床榻区域的生理特征监测毫米波雷达和全屋姿态监测毫米波雷达获取用户的扫描数据，对用户进行跌倒、坠床等检测。但是在姿态监测中仅用了高度信息来进行跌倒判断，但是当一个人移动时，身体反射回来的信号会发生变化，相邻两帧图像中身体反射的信号来源可能从第一帧的腰部转移到第二帧的胸部，因此仅根据高度信息的变化来判断跌倒会造成误报、漏报现象比较严重。

因此，如何将通过毫米波雷达收集到的各种数据信息完成合理地特征提取并进行准确的跌倒检测是值得研究的领域。亟需一种精度高的检测方法，可以实时监控老人的动态，进行跌倒报警、快速救援、减少伤害。

发明内容

针对上述现有技术中存在的问题，本发明的目的是提供一种基于毫米波雷达老人室内健康状态检测方法及系统，可以实时监控老人的动态，进行跌倒报警、快速救援、减少伤害。

本发明采用的技术方案为：

一种基于毫米波雷达老人健康状态检测系统，包括毫米波数据采集单元、数据转换单元、模型训练单元、预测单元、跌倒判断单元；其中，

所述毫米波数据采集单元包含姿态检测毫米波雷达和生理特征检测毫米波雷达，通过姿态检测毫米波雷达获取用户的三维点云数据，通过生理特征检测毫米波雷达获取用户的生理特征数据；

所述数据转换单元将所述三维点云数据转换为目标的人体姿态信息，从所述生理特征数据中提取心率以及呼吸频率；

所述模型训练单元包含两部分，一部分是基于LSTM建立生理特征预测模型，所述生理特征预测模型基于所述生理特征数据，得到用户生理状态的预测结果，第二部分支持向量机模型，所述向量机模型基于三维点云数据以及身体倾角数据，得到跌倒分类模型；

所述预测单元用于实时将所述数据转换单元检测到的数据输入到训练好的预测模型中，判断当前用户的状态；

所述报警单元当用户在床榻区域且生理特征检测判断为非健康状态时触发报警，提醒子女注意；当用户在非床榻区域且检测到跌倒行为时，触发报警，提醒子女注意。

本申请还提供一种基于毫米波雷达老人健康状态检测方法，所述检测方法包括：

步骤一，获取用户的三维点云数据，判断用户是否处于床榻区域，若是，则进入步骤二，否则进入步骤三；

步骤二，获取用户的生理特征数据，判断是否异常，若异常，则进入步骤四，否则返回步骤一；

步骤三，根据所述三维点云数据判断是否发生了跌倒行为，若是，则进入步骤四，否则返回步骤一；

步骤四，当在床榻区域检测到生理特征异常或在非床榻区域检测到跌倒行为时触发报警。

进一步的，所述步骤三具体为：

步骤3.1，将所述数据转换单元中生成的数据制作成的训练集用于训练支持向量机模型；

步骤3.2，将对象的三维点云数据输入到训练好的支持向量机模型中进行跌倒判断。

进一步的，所述步骤3.1具体为：

步骤3.1.1，采集训练样本数据，采集跌倒样本的三维点云数据，作为正样本，标记为1；采集非跌倒动作的三维点云数据特征，作为负样本，标记为0；

步骤3.1.2，对所述三维点云数据进行平滑处理；

步骤3.1.3，对所述三维点云数据进行特征提取，获取用户的绝对高度、高度均值、高度方差、高宽比数据；

步骤3.1.4，将所述三维点云数据中拥有最大反射强度对应的三维点云记为胸腔位置，根据所述胸腔位置以及所述用户的绝对高度、高度均值、高度方差、高宽比数据确定身体倾角；

步骤3.1.5，基于步骤3.1.3、步骤3.1.4中得到的数据，得到用于训练所述支持向量机模型的基础数据。

进一步的，所述步骤3.2具体为：

步骤3.2.1，检测人数，当检测到一个人时，开启跌倒检测判断，进入步骤3.2.2，否则进入步骤一；

步骤3.2.2，获取对象的三维点云数据；

步骤3.2.3，对所述三维点云数据进行特征提取；

步骤3.2.4，使用训练好的跌倒检测模型进行跌倒预测。

进一步的，所述步骤3.1.2具体为：

1)计算用户绝对高度

基于第i帧中用户的三维点云数据，获取其中的最高点z_max[i]作为第i帧用户的三维点云图中z轴方向的最高点，则用户在第i帧的绝对高度表示为height[i]＝z_max[i]；

2)用加权的方式计算高度均值；

其中，i表示第i帧，N表示将前面多少帧的数据用于计算加权均值，N＜100，mean[i]表示第i帧的高度均值，mean[0]＝height[0]，height[i]表示第i帧的绝对高度。

3)计算高度方差：

delta[i]＝mean[i]-meam[(i-10)％100]

4)计算宽高比：

计算第i帧中用户横向方向的宽高比为

其中，x_max[i]表示第i帧中的点云中x轴方向的最大值，x_min[i]表示第i帧中的点云中x轴方向的最小值；

第i帧中用户纵向方向的宽高比为

其中，y_max[i]表示第i帧中用户的点云中y轴方向的最大值，y_min[i]表示第i帧中用户的点云中y轴方向的最小值；

所述步骤3.1.3具体为：

将发射功率强度最大的点云视为胸腔部位的特征点，其速度(v_x，v_y，v_z)

则速度(v_x，v_y，v_z)可分别计算为：

其中，x_max[t1]为第t1帧x轴上最大反射强度点云对应的x轴坐标值，x_max[t2]为第t2帧x轴上最大反射强度点云对应的x轴坐标值，y_max[t1]为第t1帧y轴上最大反射强度点云对应的y轴坐标值，y_max[t2]为第t2帧y轴上最大反射强度点云对应的y轴坐标值，z_max[t1]为第t1帧z轴上最大反射强度点云对应的z轴坐标值z_max[t2]为第t2帧Z轴上最大反射强度点云对应的z轴坐标值；则身体倾角θ的计算方法为：

进一步的，所述步骤3.1.5具体为：

使用支持向量机将样本文本转换为预设格式：

<0>绝对高度：特征值，高度均值：特征值，高度方差：特征值，横向宽高比：特征值，纵向宽高比：特征值，身体倾角：特征值；

<1>绝对高度：特征值，高度均值：特征值，高度方差：特征值，横向宽高比：特征值，纵向宽高比：特征值，身体倾角：特征值；

特征值归一化，将特征值归一化，归一化到[0，1]范围。

进一步的，所述支持向量机模型为：

选取核函数并确定其参数，选取径向基核函数解决非线性数据在低维特征空间线性不可分的问题，核函数的公式为：

式中，K(x,z)为核函数；z为核函数中心；σ为宽度参数；x为指示量；

选取构建模型所需的惩罚参数C和核函数参数g，通过交叉验证与网络参数寻优相结合的方法，确定最终的参数对C和g；

根据已确定参数的核函数，将训练样本的所述基础数据输入支持向量机进行训练获取分类模型，并使用验证样本对分类模型进行优化获取最优分类模型。

有益结果：

本发明只需要使用毫米波雷达这一非接触式监测技术，就可以实现对房间内人员的健康安全监测，及时对危险行为作出判断报警，该监测方法过程中不涉及任何声音、图像和视频信息，避免了用户的隐私可能出现泄露的问题，为注重隐私保护的用户提供了绝佳的选择。同时有效解决无人监管的老年人的安全问题，增强社会的和谐稳定，有较大的经济效益和社会效益。

附图说明

图1为本申请基于毫米波雷达老人健康状态检测系统结构示意图；

图2为本申请基于毫米波雷达老人健康状态检测方法流程图。

具体实施方式

下面将结合附图对本发明的技术方案进行说明。所描述的实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

实施例1

本实施例公开一种基于毫米波雷达老人健康状态检测系统，该系统的结构框图如图1所示。包括毫米波数据采集单元、数据转换单元、模型训练单元、预测单元、跌倒判断单元。

具体包括：

一、数据采集单元：

将姿态检测毫米波雷达和生理特征检测毫米波雷达安装于所需监测的房间中，确保其监测范围覆盖整个房间，通过姿态检测毫米波雷达获取用户的三维点云数据，通过生理特征检测毫米波雷达获取用户的生理特征数据。

二、特征提取单元：

将通过姿态检测毫米波雷达获取用户的三维点云数据进行处理，通过平滑滤波算法去除噪声，获取目标的绝对高度、高度均值、高度方差、宽高比、人体倾角信息等，将生理特征毫米波雷达采集的信号进行过滤提取心率、呼吸频率。

三、训练单元

统计过去1个月每天每分钟用户的心率、呼吸频率、是否高血压、是否高血糖、身高、体重，当前温度等数据，基于LSTM建立生理特征预测模型。

搜集跌倒和非跌倒时用户的目标的绝对高度、高度均值、高度方差、宽高比、人体倾角信息等信息，通过支持向量机分类进行训练得到跌倒分类模型；

四、预测单元

根据历史数据和LSTM模型预测用户接下来各时间段的心率、呼吸频率等信息，当实际值与预测值有较大偏差时，进入生理特征异常检测单元。

五、判断单元

根据当前姿态检测毫米波雷达获取到的目标信息判断人体是否处于床榻区域，如是，则通过生理特征毫米波雷达检测心率、呼吸频率，当心率异常时判定为非健康状态；否则，根据姿态检测毫米波雷达获取到的目标的绝对高度、高度均值、高度方差、宽高比、人体倾角信息等信息，送入跌倒检测模型，当判定为跌倒时，表明发生了跌倒行为。

报警单元

当用户在床榻区域且生理特征检测判断为非健康状态时触发报警，提醒子女注意；当用户在非床榻区域且检测到跌倒行为时，触发报警，提醒子女注意。

实施例2

本发明还提供了一种基于毫米波雷达老人健康状态检测方法，该方法的流程图如图2所示。

毫米波是一种工作在30GHZ-300GHZ之间的电磁波，具有毫米级别的波长，为1mm-10mm。短波长的毫米波一个优点是有着很高的精度。在本发明实施例中，采集生理信号和测量距离所采用的毫米波雷达为TI公司的IWR6843芯片，可以发射调频连续波，不仅可以测量反射物距离，还可以测量运动中反射物的速度，因此可以用于监测用户的心率、呼吸频率、高度、速度等信息。

所述姿态监测毫米波雷达的安装方法为：在每个房间房顶的一个角落安装一个姿态监测毫米波雷达。在卧室安装体征检测毫米波雷达，所述体征检测毫米波雷达安装于卧室的天花板上或非金属结构的床榻内部，且所述天花板上安装的体征检测毫米波雷达的探测天线正对于床铺。

具体为：

一、通过姿态检测毫米波雷达获取用户的三维点云数据，判断用户是否处于床榻区域，若是，则进入步骤二，否则进入步骤三；

二、通过生理特征检测毫米波雷达获取用户的心率、呼吸频率等数据，判断是否异常，若异常，则进入步骤四，否则返回步骤一，具体为：

2.1，统计过去一个月每天在床榻上时每分钟的人体心率、呼吸频率、待预测天对应的月份、对应的当天的温度、用户的年龄、身高、体重、是否高血压、是否高血糖等数据；

2.2，异常值识别及处理

利用线性回归和剔除残差的方法识别异常值，并采用相邻两个周期内平均值的方法替换异常值。

2.3，选择主要数据集

将步骤1中关系生理特征健康状态因素的p种因素序列分别与用户心率序列进行灰色关联度分析，选出关联度大于给定值的q种因素作为影响目标的主要因素。

(1)灰色关联度分析选定影响目标的主要因素

在客观世界中，有许多因素之间的关系是灰色的，分不清哪些因素关系密切，哪些因素关系不密切，这样就难以找到主要矛盾，发现主要特征、主要关系。关联度分析是分析系统中各因素关联程度的方法，这需要先计算关联系数，而后再计算关联度。

设参考系列为：X₀＝{X₀(1),X₀(2),...,X₀(n)}

被比较序列为：X_i＝{X_i(1),X_i(2),...,X_i(n)},i＝1,2,...,k

1)初始化

对单位不一，初值不同的序列，在计算关联系数前，应先进行初始化，即将该序列所有数据分别除以第一数据。

2)求绝对差序列

Δ_i(t)＝|X₀(t)-X_i(t)|,t＝1,2,...,n

3)求关联系数

表示参考系列X₀与第i个被比较系列X_i在第t点处的绝对差，则关联系数定义为：

式中，ρ为分辨率，在0和1之间，一般取0.5。

4)关联度

被比较序列X_i与参考系列X₀的关联度定义为二者各点关联系数的平均值，即关联度：

2.4，数据的归一化处理

影响体征数据的各因素数据，也就是预测模型里的一个特征，发明中，特征就是指一个影响因素。

所有数据训练前做归一化处理，所有数据训练前，做打乱处理。将原数据通过下面的公式无损地映射到[0，1]之间。由于不同的影响因素的数据量级不同，如采用同一个归一化方法，则对于数据量级比较小的数据，归一化后数据变得很小，而对预测结果影响不大，因此，本文提到的归一化方法是对各个特征分别归一化为0到1之间。

本实施例中采用训练集、验证集、测试集按照8：1：1的比例来随机分配的方式获得对应数据。

2.5，预测未来的心率数据

使用LSTM预测模型，对该人接下来一小时的心率数据进行预测。

BP神经网络、支持向量机都是使用机器学习的方法寻找人健康状态影响因素与人健康状态之间的非线性映射关系，而忽略了人的生理体征之间的序列数据的相互关系。实际上，作为典型的时间序列，人体生理体征数据不但具有非线性，而且具有相关性，即对于给定区域，其人体生理体征数据的变化是一个连续的过程，今天的生理体征数据与昨天的生理体征数据之间并不是相互独立的，两者之间存在着很强的相关性。所以，每天的生理体征数据变化不仅依赖于当天输入特征，而且与过去的输入特征有关。因此，传统方法仅对单个样本的输入特征和输出建立非线性关系，丢失了连续序列样本间的强相关性，其预测精度有限。因此，本发明采用了一种基于长短期记忆人工神经网络(Long-Short TermMemory，LSTM)的生理体征数据预测方法。

LSTM是一种改进的时间循环神经网络。LSTM可以学习时间序列长短期依赖信息，由于神经网络中包含时间记忆单元，因此适用于处理和预测时间序列中的间隔和延迟事件。

LSTM使用Keras封装好的库实现，使用Python代码实现基于Keras的LSTM多变量药品销量预测。将原始数据集转换成适用于多变量时间序列预测的数据集，使用滚动预测的方法，滚动构建LSTM网络的训练集，输入搭建好的LSTM网络，LSTM通过学习数据的特征更新网络参数和权值，并输出未来一天的生理体征数据。

(1)网络设计

特征值(9个)：人体心率、呼吸频率、待预测天对应的月份、对应的当天的温度、用户的年龄、身高、体重、是否高血压、是否高血糖。

选取前面的30天的历史生理特征数据作为网络输入，送入LSTM进行训练与预测。

网络最大训练次数1000；

网络学习速率0.01；

隐含层数：2个

隐含层神经元个数：30*30

输入层和隐含层添加dropout，dropout＝0.1

训练阶段：

输入：30*8*60*9

输出：30*8*60

预测阶段：

输入：1*9*30

输出：1*1。

(2)滚动预测

我们将使用滚动预测的方式，以每次一个的形式预测待预测一天的煤矿井下供电设备健康状态数据，然后将该预测人体生理特征数据以及相关的其他信息加入输入值，预测下一天的生理特征数数据，依次类推，这样的坏处是越往后可能越不准。

(3)模型增量更新

为了保证模型的时效性，需要定期对模型进行更新，这个时间间隔通常是1个月，若每次采用全部数据去重新训练模型，则时间开销非常大，因此可以采用增量更新模型的方式对模型进行训练。

采用基本数据集训练完模型后，先序列化模型，然后重新导入模型并进行增量训练。

异常判断

当当前检测到的心率数据远高于或远低于预测到的心率数据时，说明此时心率异常。

三、获取用户的三维点云数据判断是否发生了跌倒行为，若是，则进入步骤四，否则返回步骤一，具体为：

3.1，训练跌倒检测模型

(1)采集训练样本数据

采集椅子上倾斜跌倒、垂直下坠、从椅子上向前跌倒、搬重物时失衡跌倒等跌倒样本的三维点云数据，作为正样本，标记为1；

采集坐立、身体微微前倾、身体微微后倾、蹲着系鞋带、随机走动、随机动作(太极、健身、舞蹈、伸展、爬行)等非跌倒动作的三维点云数据特征，作为负样本，标记为0；

在点云集中拥有最大反射强度对应的三维点云基本为胸腔位置。将反射强度信息作为识别人体躯干部分的一个维度，躯干部分的点云数量正常情况下多于四肢与头部的，因此，基于点云群组的点云数量与反射强度信息，人体躯干对应的点云群组可以被检测出来。

(2)数据预处理

由于三维点云获取的数据往往包含噪声，影响三维点云的特征提取，因此需要对三维点云数据进行平滑处理，方法有很多，例如，高斯滤波、双边滤波等；

在本发明实施例中，采用均值滤波方法，均值滤波是以相邻两帧点云数据的平均值代替该点云数据的值的方法。

(3)特征提取

1)计算用户绝对高度

基于用户的点云数据，获取当前帧用户点云数据的最高点z_max[i]作为第i帧用户的三维点云图中Z轴方向的最高点，则用户在第i帧的绝对高度表示为height[i]＝z_max[i]。

2)用加权的方式计算高度均值；

其中，i表示第几帧，N表示将前面多少帧的数据用于计算加权均值，N＜100，mean[i]表示第i帧的高度均值，mean[0]＝height[0]，height[i]表示第i帧的绝对高度，在本发明实施例中，N＝20。

3)计算高度方差：

delta[i]＝mean[i]-mean[(i-10)％100]

4)计算宽高比；

计算第i帧中用户横向方向的宽高比为

其中，x_max[i]表示第i帧中的点云中x轴方向的最大值，x_min[i]表示第i帧中的点云中x轴方向的最小值。

第i帧中用户纵向方向的宽高比为

其中，y_max[i]表示第i帧中用户的点云中y轴方向的最大值，y_min[i]表示第i帧中用户的点云中y轴方向的最小值。

5)计算身体倾角

身体倾角是指人体柱体与天顶方向的夹角。毫米波雷达收集数据时，可以明显发现局部点云的变化非常强烈，即使细微的呼吸活动也会导致数据的局部发生较大的变化。比如，头部反射的信号可能只有1个点，相邻两帧图像中头部反射的信号来源可能从第一帧的额头转移到第二帧的脸颊。针对毫米波雷达收集到的毫米波信号数据变化变大的特征，应该尽可能地利用整体信息的稳定性降低局部信息不稳定性的影响。

高度特征值只基于点云三维坐标中的高度信息，而倾角特征值利用了三维信息与反射强度信息，因而具有更高的稳定性。一方面人体倾角系列参数具有更高的稳定性，能够更准确地反应人体的姿态，另一方面，人体倾角信息相对高度信息能够更有效地区分系鞋带、坐下等常见的误判动作，从而有效提高跌倒判断的准确率。

在本发明实施例中，采用了基于速度的人体倾角计算方法，是基于胸腔部位的速度来计算身体情况，是通过测量得到的x、y、z坐标计算各方向对应的速度。

将发射功率强度最大的点云视为胸腔部位的特征点，其速度(v_x，v_y，v_z)，则速度(v_x，v_y，v_z)可分别计算为：

其中，x_max[t1]为第t1帧x轴上最大反射强度点云对应的x轴坐标值，x_max[t2]为第t2帧x轴上最大反射强度点云对应的x轴坐标值，y_max[t1]为第t1帧y轴上最大反射强度点云对应的y轴坐标值，y_max[t2]为第t2帧y轴上最大反射强度点云对应的y轴坐标值，z_max[t1]为第t1帧z轴上最大反射强度点云对应的z轴坐标值z_max[t2]为第t2帧z轴上最大反射强度点云对应的z轴坐标值；

则身体倾角θ的计算方法为：

(4)训练跌倒检测模型

1)样本标准化

对使用毫米波雷达采集的三维点云数据进行预处理，包含6项特征，2种类别，对于跌倒选择1000个样本，非跌倒选择1000个样本进行训练，其中各预留200个样本进行验证。

使用支持向量机将样本文本转换为预设格式：

“＜0＞绝对高度：特征值，高度均值：特征值，高度方差：特征值，横向宽高比：特征值，纵向宽高比：特征值，身体倾角：特征值”

＜1＞绝对高度：特征值，高度均值：特征值，高度方差：特征值，横向宽高比：特征值，纵向宽高比；特征值，身体倾角：特征值”；

2)特征值归一化

通常情况下，不同的数据类型往往有不同的量纲，数值之间的差距也可能很大，直接作为原始数据输入，在建模过程中所占据的相对较大的权重，会影响模型性能，为了有效利用数据，需要对其进行归一化处理；将特征值归一化，归一化到[0，1]范围。

3)选取核函数

选取核函数并确定其参数，选取径向基核函数解决非线性数据在低维特征空间线性不可分的问题。

核函数的公式为：

式中，K(x，z)为核函数；z为核函数中心；σ为宽度参数；x为指示量；

4)根据已确定参数的核函数，将训练样本的特征向量输入支持向量机进行训练获取分类模型，并使用验证样本对分类模型进行优化获取最优分类模型；

在本发明实施例中，由于libsvm程序小，运用灵活，输入参数较少，并且是开源的，易于扩展，目前已经成为国内应用最多的SVM库；因此，本发明选用libsvm库将转换好的训练样本输入到libsvm库中进行二分类训练。

3.2，做跌倒预测

(1)检测人数；

(2)当检测到一个人时，开启跌倒检测判断，进入步骤(3)，否则进入步骤(1)；

(3)获取三维点云数据

利用在点云集中拥有最大反射强度对应的三维点云作为被监测者的身体高度，这样检测出的身体高度一半为胸腔位置；

将反射强度信息作为识别人体躯干部分的一个维度，躯干部分的点云数量正常情况下多于四肢与头部的，因此，基于点云群组的点云数量与反射强度信息，人体躯干对应的点云群组可以被检测出来。

(4)根据此点云，根据3.1中步骤(4)、(5)相同的特征提取方法计算用户的绝对高度、高度均值、高度方差、高宽比、身体倾角等特征，并进行平滑滤波，标准化，归一化，选择和训练阶段相同的核函数。

(5)使用训练好的跌倒检测模型进行跌倒预测。

3.1和3.2中的训练模型和跌倒检测都要经过特征提取的过程。

(1)正负样本训练集经过特征提取得到绝对高度、高度均值、高度方差、高宽比、身体倾角等特征，送入支持向量机进行训练得到支持向量机模型；

(2)跌倒检测时使用获取到的三维点云数据经过特征提取得到绝对高度、高度均值、高度方差、高宽比、身体倾角后通过训练好的支持向量机模型判断是跌倒还是非跌倒；

四、触发报警

当在床榻区域检测到生理特征异常或在非床榻区域检测到跌倒行为时，触发报警，提醒子女注意。

本发明的技术方案不限于上述具体实施例的限制，凡是根据本发明的技术方案做出的技术变形，均落在本发明的保护范围之内。

Claims

1.一种基于毫米波雷达老人健康状态检测系统，其特征在于，包括毫米波数据采集单元、数据转换单元、模型训练单元、预测单元、跌倒判断单元；其中，

2.一种基于毫米波雷达老人健康状态检测方法，其特征在于，所述检测方法包括：

3.根据权利要求2所述的一种基于毫米波雷达老人健康状态检测方法，其特征在于，所述步骤三具体为：

4.根据权利要求3所述的一种基于毫米波雷达老人健康状态检测方法，其特征在于，所述步骤3.1具体为：

步骤3.1.1，对所述三维点云数据进行平滑处理；

步骤3.1.2，对所述三维点云数据进行特征提取，获取用户的绝对高度、高度均值、高度方差、高宽比数据；

步骤3.1.3，将所述三维点云数据中拥有最大反射强度对应的三维点云记为胸腔位置，根据所述胸腔位置以及所述用户的绝对高度、高度均值、高度方差、高宽比数据确定身体倾角；

步骤3.1.4，基于步骤3.1.2、步骤3.1.3中得到的数据，得到用于训练所述支持向量机模型的基础数据。

5.根据权利要求3所述的一种基于毫米波雷达老人健康状态检测方法，其特征在于，所述步骤3.2具体为：

步骤3.2.2，获取对象的三维点云数据；

步骤3.2.3，对所述三维点云数据进行特征提取；

步骤3.2.4，使用训练好的跌倒检测模型进行跌倒预测。

6.根据权利要求3所述的一种基于毫米波雷达老人健康状态检测方法，其特征在于，所述步骤3.1.2具体为：

1)计算用户绝对高度：

2)用加权的方式计算高度均值：

其中，i表示第i帧，N表示将前面多少帧的数据用于计算加权均值，N＜100，mean[i]表示第i帧的高度均值，mean[0]＝height[0]，height[i]表示第i帧的绝对高度；

3)计算高度方差：

delta[i]＝mean[i]-mean[(i-10)％100]

4)计算宽高比：

计算第i帧中用户横向方向的宽高比为

第i帧中用户纵向方向的宽高比为

所述步骤3.1.3具体为：

则速度(v_x，v_y，v_z)可分别计算为：

其中，x_max[t1]为第t1帧x轴上最大反射强度点云对应的x轴坐标值，x_max[t2]为第t2帧x轴上最大反射强度点云对应的x轴坐标值，y_max[t1]为第t1帧y轴上最大反射强度点云对应的y轴坐标值，y_max[t2]为第t2帧y轴上最大反射强度点云对应的y轴坐标值，z_max[t1]为第tl帧z轴上最大反射强度点云对应的z轴坐标值z_max[t2]为第t2帧z轴上最大反射强度点云对应的z轴坐标值；则身体倾角θ的计算方法为：

7.根据权利要求3所述的一种基于毫米波雷达老人健康状态检测方法，其特征在于，所述步骤3.1.5具体为：

使用支持向量机将样本文本转换为预设格式：

特征值归一化，将特征值归一化，归一化到[0，1]范围。

8.根据权利要求3至7任一项所述的一种基于毫米波雷达老人健康状态检测方法，其特征在于，所述支持向量机模型为：