[发明专利]一种基于卷积神经网络的人体跌倒辨识方法

摘要

本发明公开了一种基于卷积神经网络的人体跌倒识别方法，该方法涉及雷达探测、人机交互和图像识别领域，特别是涉及到使用卷积神经网络对雷达探测到的人体跌倒多普勒时频图识别方法。通过端点检测可以不用限制人体运动的持续时间；通过自适应选择阈值可以在较大的范围内走动、跌倒；同时使用卷积神经网络模型对信号时频图进行识别，改进后的网络在复杂环境中能以较高的识别率识别走动、跌倒动作。

主权项

1.一种基于卷积神经网络的人体跌倒识别方法，该方法包括：步骤1：端点检测提取有效跌倒信号区域；预先采集时长为H无人体运动的噪声环境雷达时域信号，然后进行傅里叶变换得到频域信号，最后统计在P频段内的信号能量大小记为E1，P频段为根据实际情况确定的低频段；之后系统一直以时长H为时间窗统计能量大小，当某个时间窗的能量大于设定的阈值Q时认为是跌倒开始时刻，即起点T1，某时间窗后能量持续小于设定的阈值Q则判定为跌倒结束时刻，即终点T2，最后从T1到T2内提取出跌倒信号，阈值Q根据实际情况确定；在信号实时获取过程中，端点更新规则为：端点更新规则，若是检测到端点，包括只有起点、只有终点、既有起点又有终点三种情况，判断是否为首次检测到的起点，若是，则把之前所有端点信息保存；若不是，说明最近一次已经检测到了起点，则更新终点信息，不更新起点信息；根据当前最近一次起点到终点的信息截取该段信号，若最近一次起点到终点的时间长度大于设定的最长截取时间长度，则分段截取，步骤2：短时傅里叶变换；将步骤1得到的跌倒信号通过短时傅里叶变换得到复频率，之后对复频率取绝对值，最后得到频率随时间分布的时频图；短时傅里叶变换如下：其中x(m)表示跌倒信号，w(n‑m)表示窗函数序列；n代表离散时间，w是角频率；由短时傅里叶变换得到的时频矩阵是一个M×N的二维矩阵，M体现了信号的频率信息，N表示信号的时间周期，每一个元素的值是信号幅度的大小；步骤3：构建卷积神经网络模型；卷积神经网络包括依次级联的三部分：第一部分是由卷积层、池化层；第二部分与第一部分完全相同；第三部分为三个全连接层和softmax层；步骤4：采用步骤1和步骤2的方法获得训练样本，采用训练样本对卷积神经网络进行训练；步骤5：采用训练好的卷积神经网络对待检测样本进行检测。