[发明专利]基于毫米波雷达和FPGA的跌倒检测方法及装置

权利要求书

1.一种基于毫米波雷达和FPGA的跌倒检测方法，其特征在于，所述方法包括以下步骤：

步骤S1，采集预设区域内的人体姿态数据，标注跌倒数据和未跌倒数据；

步骤S2，对采集并标注的数据进行预处理获得特征图，形成数据集；

步骤S3，构建卷积神经网络模型，利用标注好的数据集进行网络训练，得到训练好的网络模型；

步骤S4，将训练好的网络模型加载到FPGA中，利用FPGA进行完整的跌倒检测；

步骤S5，当FPGA判定输入数据特征为跌倒时，利用蜂鸣器进行报警。

2.根据权利要求1所述的基于毫米波雷达和FPGA的跌倒检测方法，其特征在于，步骤S1中所述人体姿态数据是由毫米波雷达雷达和ADC采集板采集，其中跌倒数据包括正面扑倒、背面躺倒和侧面跌倒这几种姿态，未跌倒数据包括无目标、缓步和慢蹲这几种姿态。

3.根据权利要求1所述的基于毫米波雷达和FPGA的跌倒检测方法，其特征在于，步骤S2包括以下步骤：

步骤S21，下采样：针对标注好的人体姿态数据，每个线性调频脉冲chirp取一个采样点数据，得到下采样后的雷达数据；

步骤S22，对下采样后的雷达数据进行短时傅里叶变换，公式为：

式中，x(m)为下采样后的雷达数据，ω(n)是窗函数，X_n(e^jw)为加窗后的傅里叶变换数据；

步骤S23，对短时傅里叶变换处理后的数据取分贝值；

步骤S24，对取分贝值后的数据进行二值化处理，得到二值化后的跌倒和未跌倒的数据集。

4.根据权利要求3所述的基于毫米波雷达和FPGA的跌倒检测方法，其特征在于，步骤S23中取分贝值的公式为20log|x|，x为短时傅里叶变换后的数据。

5.根据权利要求1所述的基于毫米波雷达和FPGA的跌倒检测方法，其特征在于，步骤S3中卷积神经网络模型的结构具体为：第一层为卷积层，卷积核数量为4，大小为3*3；第二层为池化层，2*2最大池化；第三层为卷积层，卷积核数量为4，大小为3*3；第四层为池化层，2*2最大池化；第五层为卷积层，卷积核数量为4，大小为3*3；第六层为池化层，2*2最大池化；第七层为全连接层1；第八层为全连接层2。

6.根据权利要求1所述的基于毫米波雷达和FPGA的跌倒检测方法，其特征在于，步骤S4具体包括：

步骤S41，使用毫米波雷达采集人体姿态数据，通过以太网发送给FPGA；

步骤S42，FPGA对采集的信号进行步骤S2的下采样、短时傅里叶变换和二值化，得到特征数据；

步骤S43，通过部署在FPGA上的训练好的网络模型对特征数据进行特征提取，判定是否跌倒。

7.一种基于毫米波雷达和FPGA的跌倒检测装置，其特征在于，所述装置包括：

模型训练模块，用于将采集的跌倒和未跌倒的人体姿态数据组合成特征图片，并利用该特征图片训练卷积网经网络，训练获得的网络模型用于后续特征识别模块进行跌倒和未跌倒数据的识别；

数据采集模块，用于利用毫米波雷达板和ADC采集板采集空间内的人体活动数据；

数据接收模块，用于通过以太网接收雷达数据并进行下采样；

数据预处理模块，用于对采样的数据进行短时傅里叶变换获取频谱，再对其频谱数据取分贝值，最后进行二值化处理得到特征图；

特征识别模块，用于通过卷积神经网络挖掘特征图特征，检测跌倒状态；

报警模块，用于在特征识别模块输出判定为跌倒时，由蜂鸣器产生报警信号。

8.根据权利要求7所述的基于毫米波雷达和FPGA的跌倒检测装置，其特征在于，所述模型训练模块包括：

第一模块，用于对毫米波雷达采集的跌倒和未跌倒的人体姿态数据进行下采样、短时傅里叶变换，之后取分贝值并进行二值化得到跌倒和未跌倒数据的特征图；

第二模块，将跌倒和未跌倒的特征图分为两组，作为卷积神经网络模型训练的数据，得到训练好的卷积神经网络模型。