檢視基于深度学习的毫米波雷达人体摔倒检测系统的原始碼

{| class="wikitable" align="right"
|-
|<center><img src=https://p5.itc.cn/q_70/images01/20220226/8d3b3a56a2814b42a0bf99259ed1997b.jpeg width="300"></center>
<small>[https://www.sohu.com/a/525648983_121143275/ 来自 搜狐网 的图片]</small>
|}

'''基于深度学习的毫米波雷达人体摔倒检测系统'''意外摔倒一直是威胁人们[[生命]]安全的重大隐患，近年来如何对摔倒动作进行及时准确地检测成为人们关注的焦点。本作品利用毫米波[[雷达]]采集人体摔倒的回波信号，利用MATLAB处理数据得到时频图，然后将时频图放入神经网络中，进而学习得到时频图中动作信息，最后分类得出检测结果。本作品利用毫米波雷达采集摔倒、弯腰、下蹲三种人体动作，构建三分类的时频图数据集，能够大幅度减少误测情况的发生。

关键词：毫米波雷达<ref>[https://www.sohu.com/a/578000633_121124366?_trans_=000019_wzwza 干货！毫米波雷达超强解读]，搜狐，2022-08-19 </ref> 摔倒检测 卷积神经网络 深度[[学习]]。

==应用背景==

摔倒是全球常见的[[公共卫生]]问题，全球近一半的摔倒事件会导致就医、功能下降、社交或体育活动受损甚至死亡。世界卫生组织报告指出，全球每年约有高达30余万人死于摔倒，意外摔倒一直是威胁人们生命安全的重大隐患。大量的调查研究发现就医时间与摔倒致死率之间存在着正相关的关系。如果能在摔倒之后较短的时间内及时就医，就能大幅度减少摔倒给人们带来的危害。因此，在家庭和[[医疗]]健康监护中，怎样及时准确地进行摔倒检测成为一个亟待解决的问题。

现有的跌倒检测算法主要分为穿戴式和非穿戴式两种。穿戴式检测[[系统]]虽然能够实现相对可靠的检测，但也存在着一些问题：一是容易将弯腰、下蹲、躺下等动作误判为摔倒；二是具有较强的局限性和依赖性，必须时刻穿戴相关检测设备，并且舒适度较低。

而传统的非穿戴式跌倒系统基于智能[[视频]]分析，从视频中提取动作特征与预先存储的模板进行匹配，对监控区域内的人摔倒进行识别。基于视频的摔倒检测方式成本低且实时性较好，但其检测的空间区域受障碍物限制，严重依赖光照条件，且需要对监控区域进行录像，具有泄露隐私的风险。

==技术方案==

本系统主要包括雷达数据获取、训练[[数据]]生成、检测识别和终端应用四部分。

雷达数据获取部分，该系统采用毫米波雷达1642作为传感器<ref>[https://www.sohu.com/a/404514914_120665387 传感器大全，收藏！]，搜狐，2020-06-28</ref>，在雷达的检测区域内采集摔倒、弯腰、下蹲等动作的数据，构建原始数据集。该部分采集弯腰、下蹲等多种动作数据，还采集了前摔、后摔、侧摔等不同姿势的摔倒数据，以及一人摔倒一人行走、两人同时摔倒等多目标复杂场景的数据，不仅能使各种摔倒姿势都能被[[准确]]检测出来，还能减少误测情况的发生。

训练数据生成部分，雷达的发射天线发射线性调频脉冲信号，雷达的接收天线获取反射的动作信号。当接收[[天线]]采集到反射波后，混频器负责将收发天线的信号合并到一起，得到中频信号，经过ADC采样后进行短时傅里叶变换，得到时频图，生成深度学习网络的数据集。

检测识别部分，该系统构建了Res Net101网络对摔倒、弯腰、下蹲等动作数据集进行多分类，进而实现动作检测。考虑到可能会有其他的动作与预想的动作不一致，该系统在识别的过程中设置了一个阈值判断。若一个动作的检测精度低于50%，那么将这种动作另外保存起来，当其达到一定数量后，系统将这种动作作为新数据集放入网络中重新训练；若一个动作的检测精度高于50%，那么检测的[[结果]]和精度将显示在Tkinter界面上。

终端应用部分，当[[检测]]出摔倒动作时，该系统会自动通过QQ向预先设置好的远程手机接收端发送报警信息，提醒监护人作出下一步的反应。

==参考文献==
[[Category: 社會組織類]]