基於深度學習的毫米波雷達人體摔倒檢測系統檢視原始碼討論檢視歷史

來自 搜狐網 的圖片

基於深度學習的毫米波雷達人體摔倒檢測系統意外摔倒一直是威脅人們生命安全的重大隱患，近年來如何對摔倒動作進行及時準確地檢測成為人們關注的焦點。本作品利用毫米波雷達採集人體摔倒的回波信號，利用MATLAB處理數據得到時頻圖，然後將時頻圖放入神經網絡中，進而學習得到時頻圖中動作信息，最後分類得出檢測結果。本作品利用毫米波雷達採集摔倒、彎腰、下蹲三種人體動作，構建三分類的時頻圖數據集，能夠大幅度減少誤測情況的發生。

關鍵詞：毫米波雷達 摔倒檢測 卷積神經網絡 深度學習。

應用背景

摔倒是全球常見的公共衛生問題，全球近一半的摔倒事件會導致就醫、功能下降、社交或體育活動受損甚至死亡。世界衛生組織報告指出，全球每年約有高達30餘萬人死於摔倒，意外摔倒一直是威脅人們生命安全的重大隱患。大量的調查研究發現就醫時間與摔倒致死率之間存在着正相關的關係。如果能在摔倒之後較短的時間內及時就醫，就能大幅度減少摔倒給人們帶來的危害。因此，在家庭和醫療健康監護中，怎樣及時準確地進行摔倒檢測成為一個亟待解決的問題。

現有的跌倒檢測算法主要分為穿戴式和非穿戴式兩種。穿戴式檢測系統雖然能夠實現相對可靠的檢測，但也存在着一些問題：一是容易將彎腰、下蹲、躺下等動作誤判為摔倒；二是具有較強的局限性和依賴性，必須時刻穿戴相關檢測設備，並且舒適度較低。

而傳統的非穿戴式跌倒系統基於智能視頻分析，從視頻中提取動作特徵與預先存儲的模板進行匹配，對監控區域內的人摔倒進行識別。基於視頻的摔倒檢測方式成本低且實時性較好，但其檢測的空間區域受障礙物限制，嚴重依賴光照條件，且需要對監控區域進行錄像，具有泄露隱私的風險。

技術方案

本系統主要包括雷達數據獲取、訓練數據生成、檢測識別和終端應用四部分。

雷達數據獲取部分，該系統採用毫米波雷達1642作為傳感器，在雷達的檢測區域內採集摔倒、彎腰、下蹲等動作的數據，構建原始數據集。該部分採集彎腰、下蹲等多種動作數據，還採集了前摔、後摔、側摔等不同姿勢的摔倒數據，以及一人摔倒一人行走、兩人同時摔倒等多目標複雜場景的數據，不僅能使各種摔倒姿勢都能被準確檢測出來，還能減少誤測情況的發生。

訓練數據生成部分，雷達的發射天線發射線性調頻脈衝信號，雷達的接收天線獲取反射的動作信號。當接收天線採集到反射波後，混頻器負責將收發天線的信號合併到一起，得到中頻信號，經過ADC採樣後進行短時傅里葉變換，得到時頻圖，生成深度學習網絡的數據集。

檢測識別部分，該系統構建了Res Net101網絡對摔倒、彎腰、下蹲等動作數據集進行多分類，進而實現動作檢測。考慮到可能會有其他的動作與預想的動作不一致，該系統在識別的過程中設置了一個閾值判斷。若一個動作的檢測精度低於50%，那麼將這種動作另外保存起來，當其達到一定數量後，系統將這種動作作為新數據集放入網絡中重新訓練；若一個動作的檢測精度高於50%，那麼檢測的結果和精度將顯示在Tkinter界面上。

終端應用部分，當檢測出摔倒動作時，該系統會自動通過QQ向預先設置好的遠程手機接收端發送報警信息，提醒監護人作出下一步的反應。