1.一种基于毫米波雷达的人体跌倒智能监测系统,其特征在于:包括毫米波信号收发模块(1)、人体动作数据收集模块(2)、动作识别智能计算模块(3)和无线通信模块(4),所述毫米波信号收发模块(1)与人体动作数据收集模块(2)电气连接,所述人体动作数据收集模块(2)与动作识别智能计算模块(3)电气连接,所述动作识别智能计算模块(3)与无线通信模块(4)电气连接;
所述毫米波信号收发模块(1)利用多发射通道和多接收通道的空间多样性,模拟虚拟阵列天线接收信号,用于发射和接收毫米波段射频信号;
所述人体动作数据收集模块(2)利用快速傅里叶变换和波束形成技术,获取目标的距离、方位和俯仰角度信息,并将获取的坐标数据转换生成笛卡儿坐标系的点云数据;
所述动作识别智能计算模块(3)利用图神经网络学习点云数据的人体动作模式信息,并根据得到各个动作类别标记对应的分数值,得到各动作类别的识别概率,进而判断用户是否处于跌倒状态;
所述无线通信模块(4)用于在系统判断用户为跌倒状态条件下,向跌倒防护装置发送启动防护装置信号,或者通过互联网向相关人员发送警报信息,实现对相关人员的远程告警功能,为跌倒用户提供及时的医疗救助响应。
2.根据权利要求1所述的一种基于毫米波雷达的人体跌倒智能监测系统,其特征在于:所述动作识别智能计算模块(3)采用中央处理器、图形处理器或基于可编程逻辑阵列处理器中的任意一种。
3.使用权利要求1或2所述的基于毫米波雷达的跌倒智能监测系统进行人体跌倒识别的方法,其特征在于:包括如下步骤:
1)采集人体反射信号:
将所述毫米波信号收发模块(1)安装在被监测空间的斜上方位置,毫米波雷达通过多个发射天线发射信号,经过人体反射后,反射信号通过毫米波雷达接收天线接收;
2)所述人体动作数据采集模块(2)根据人体反射信号生成并存储雷达点云数据:所述人体动作数据采集模块(2)采集用户不同时刻的雷达点云数据,利用快速傅里叶变换和波束形成技术,获取点目标的距离、高度、水平位移和信号强度信息;
3)所述动作识别智能计算模块(3)根据步骤2)所得的雷达点云数据,利用图神经网络学习点云数据的人体动作模式信息,并根据得到各个动作类别标记对应的分数值,得到各动作类别的识别概率,进而判断用户是否处于跌倒状态;
其中:利用图神经网络学习点云数据的人体动作模式信息包括如下步骤:
3.1)将N个三维点云数据初始化为集合P={p1,p2,…,pN};
其中,第i个元素pi=(xi,si)是一个三维坐标向量xi和状态值向量si表示的点,状态值表示反射信号的强度或者目标经过编码后的特征;
3.2)构造图数据G=(P,E);
其中:P表示图的顶点,E表示连接点到邻接点的连边,连边长度为r,则E={(pi,pj)|‖xi‑xj‖2
3.3)将点云图数据输入具有自动配准功能的图神经网络,得到配准后的图数据,具体步骤为:
利用相邻顶点的状态值向量sj,更新当前顶点的状态si,该状态在第t+1次迭代中表示为:
t
其中: 表示用于顶点配准的坐标偏移量,h(·)表示利用中心顶点状态值向量计算t t
坐标偏移量,f(·)表示计算两个顶点间的连边特征,ρ(·)表示取最大值函数,g (·)表示利用聚合的连边的特征更新顶点的特征;
3.4)将配准后的图数据输入LSTM网络,得到图数据的时域变化特征;
3.5)将图数据的时域变化特征数据经全连接网络,实现对具有时序性图数据的分类,得到各个动作类别标签对应的分数值,得到各动作类别的识别概率;
4)根据用户跌倒对应的分数值在全部动作对应的分数值排名,判断用户跌倒对应的分数值排名是否为第一名;
5)如果跌倒对应的分数值排名为第一名,则判断用户为跌倒状态,如果对应的分数值不是第一名,则判断用户为非跌倒状态,重新采集人体反射信号进行上述操作过程。
4.根据权利要求3所述的一种基于毫米波雷达的人体跌倒识别方法,其特征在于:所述步骤1)中毫米波雷达接收的信号频率为60~80GHz频段。
5.根据权利要求3所述的一种基于毫米波雷达的人体跌倒识别方法,其特征在于:所述步骤2)中的点云数据具有稀疏分布和多维时空结构特征。
6.根据权利要求3所述的一种基于毫米波雷达的人体跌倒识别方法,其特征在于:所述步骤3.2)中通过构造图数据,将点云数据的多维信息关联问题转化为固定半径近邻搜索问题。
7.根据权利要求3所述的一种基于毫米波雷达的人体跌倒识别方法,其特征在于:所述t t t
步骤3.3)中的f (·)、g (·)和h (·)模型为多层感知器模型或者具有多层神经网络结构t
的其他计算模型中的任意一种,并在g(·)中添加具有残差连接结构的神经网络模型。