楊志勇，王俊杰，金 磊

（南昌航空大學(xué) 軟件學(xué)院，南昌 330063）

0 概述

近年來，60 歲以上的老年人在人口中所占的比例越來越高，且還在迅速增長。老年人尤其是獨(dú)居老人的醫(yī)療保健是全社會面臨的重大問題，而摔倒和治療延誤造成的事故嚴(yán)重威脅著老年人的生命，摔倒檢測已成為當(dāng)前熱門的研究領(lǐng)域。

目前，摔倒檢測方案可以分為基于可穿戴傳感器的方法、基于環(huán)境傳感器的方法、基于計算機(jī)視覺的方法和基于無線信號的方法［1］這4 大類。

基于可穿戴傳感器的方法是使用可穿戴傳感器設(shè)備如加速度計［2-3］、陀螺儀［4-5］、相機(jī)等來檢測人體摔倒行為。文獻(xiàn)［6］利用老人佩戴加速度計進(jìn)行測試，從加速度計獲取日常步態(tài)特征來預(yù)測摔倒情況。AIHUA 等［7］利用三軸加速度計、三軸陀螺儀和三軸磁強(qiáng)計獲取加速度和歐拉角，并使用基于加速度和歐拉角的檢測算法檢測摔倒行為。文獻(xiàn)［8-10］結(jié)合基于視覺和基于可穿戴傳感器方法的優(yōu)點，提出一種基于可穿戴相機(jī)的摔倒檢測方法，通過分析相機(jī)拍攝圖像的變化來檢測摔倒行為。基于可穿戴傳感器的方法優(yōu)點是不受檢測空間的限制，不易受環(huán)境干擾，但該方法需要用戶佩戴可穿戴傳感器，舒適性較差。

基于環(huán)境傳感器的方法是將傳感器放置在檢測區(qū)域中來檢測人體摔倒行為，常用的傳感器包括壓力傳感器［11］、紅外傳感器［12］、聲音傳感器［13］等。ALWAN 等［14］使用一種特殊的壓電傳感器，通過捕捉地板的振動確定摔倒事件。GUAN 等［15］通過部署紅外傳感器，參考結(jié)構(gòu)層析成像和基于立體視圖的紅外輻射變化傳感機(jī)制來檢測人體摔倒行為。文獻(xiàn)［16］以地板和聲傳播為基礎(chǔ)，利用加速度計和聲音傳感器（麥克風(fēng)）來檢測摔倒事件?；诃h(huán)境傳感器的方法優(yōu)點是不需佩戴任何設(shè)備，舒適性較好。但該方法容易受到周圍環(huán)境的偶然性和不確定性影響，摔倒識別的精度有待提高。

基于計算機(jī)視覺的方法是采用紅外攝像機(jī)監(jiān)測用戶行為，利用計算機(jī)視覺技術(shù)來檢測人體摔倒行為。文獻(xiàn)［17-19］通過建立圖像背景模型，使用圖像減法對個體進(jìn)行分割，然后提取圖像個體特征來檢測摔倒。如果房間的照明情況發(fā)生變化，這種基于圖像的效果就會不理想。而基于深度學(xué)習(xí)的方法不依賴光照［20］，如深度相機(jī)［21］能夠提高深度識別人體摔倒的精確度。SASE 等［22］通過提取視頻、濾波、二值化、關(guān)聯(lián)成分分析等預(yù)處理和設(shè)置閾值來檢測人體摔倒動作。文獻(xiàn)［23］結(jié)合不同視頻摔倒識別系統(tǒng)的置信度，比較了4 種基于ROC 曲線下面積的聚集方法來識別人體摔倒事件。但基于計算機(jī)視覺的方法會產(chǎn)生視頻記錄，涉及用戶隱私問題，在實用性方面也有很多局限，對人員的活動范圍有一定限制。

基于無線信號的方法是利用人體活動對無線信號的影響，找到無線信號的變化與人體不同活動之間的對應(yīng)關(guān)系來檢測人體摔倒行為。常用的無線信號獲取設(shè)備有雷達(dá)［23-25］和商用WiFi 設(shè)備［26-28］。文獻(xiàn)［29］利用雷達(dá)獲取時間序列信號，利用深度卷積神經(jīng)網(wǎng)絡(luò)自動提取特征進(jìn)行人體摔倒檢測。文獻(xiàn)［30］利用離散小波變換對商用WiFi 采集的人體摔倒信號進(jìn)行去噪處理，并通過循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）對人體摔倒行為進(jìn)行分類?；跓o線信號的方法優(yōu)點是無干擾感知和隱私保護(hù)，但該方法對環(huán)境要求較高，抗干擾性不強(qiáng)。

針對現(xiàn)有的人體摔倒識別存在適應(yīng)性差、高入侵性、易誤判、成本昂貴等問題，本文提出一種基于射頻信號強(qiáng)度的人體摔倒檢測方法，利用XGBoost 模型對時域特征分量和小波域特征分量進(jìn)行處理，并使用排列組合法從中篩選較優(yōu)的多域特征。通過深度學(xué)習(xí)網(wǎng)絡(luò)得到數(shù)據(jù)潛在規(guī)律的特點，將CNN 網(wǎng)絡(luò)結(jié)構(gòu)作為主干網(wǎng)絡(luò)，并在相鄰網(wǎng)絡(luò)層之間嵌入通道注意力（Squeeze and Excitation，SE）模塊以識別不同人體摔倒動作。

1 本文人體摔倒檢測框架

本文提出的人體摔倒檢測框架如圖1 所示。該框架由RSS 數(shù)據(jù)采集與聯(lián)合特征構(gòu)建、摔倒檢測模型建立2 個部分組成。對于第1 個部分，在數(shù)據(jù)采集時，目標(biāo)人員只需在由多個物聯(lián)網(wǎng)節(jié)點組建的無線傳感器網(wǎng)絡(luò)中模擬摔倒行為，即可通過PC 端收集對鏈路產(chǎn)生遮蔽效果的數(shù)據(jù)。在聯(lián)合特征構(gòu)建時，對數(shù)據(jù)進(jìn)行預(yù)處理后提取時域和小波域特征，再利用XGBoost 分類器分別對不同組合的特征進(jìn)行實驗對比，選出最具有區(qū)分能力的時域小波域聯(lián)合特征。第2 個部分是建立摔倒檢測模型，為了得到RSS 測量值更深層次的特征信息，將獲得的時域小波域聯(lián)合特征和源RSS 測量值一起作為卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，并結(jié)合目標(biāo)人員的不同動作作為標(biāo)簽進(jìn)行訓(xùn)練，對目標(biāo)人員的活動作出判斷，從而實現(xiàn)對人體摔倒檢測。

圖1 人體摔倒檢測框架Fig.1 Human fall detection framework

2 時域和小波域的聯(lián)合特征分量

2.1 射頻信號強(qiáng)度值

在通常情況下，1 個無線傳感射頻網(wǎng)絡(luò)由M個節(jié)點組成，兩兩節(jié)點之間可以無線通信，可得到L=M(M-1)條無線鏈路。節(jié)點之間的通信機(jī)制是輪詢機(jī)制，因此可以將整個無線射頻網(wǎng)絡(luò)的射頻信號強(qiáng)度值（RSS）表示為R0，1，…，L={R0，R1，…，RL}，其中R0==1，2，…，M}表示無線射頻網(wǎng)絡(luò)內(nèi)沒有人員情況下的RSS 測量值。RL==1，2，…，M；i=1，2，…，I｝表示某種動作對應(yīng)的RSS 值。由于實際實驗環(huán)境存在無效鏈路，如有K條無效鏈路，那么無線射頻網(wǎng)絡(luò)RSS 測量值就可以表示為R0，1…，L-K={R0，R1，…，RL-K}，通過對有效的RSS 提取出不同的活動特征實現(xiàn)摔倒識別。

2.2 時域特征

假設(shè)節(jié)點的RSS 測量值長度為L，記為[R1，R2，…，RL]，則時域均值特征計算式如式（1）所示：

時域方差特征計算式如式（2）所示：

時域峰峰值特征計算公式如式（3）所示：

時域特征提取完畢后，可以得到一個3×1 維的特征向量，時域特征可以表示為式（4）所示：

2.3 小波域特征

本文采集的信號是RSS，為非穩(wěn)定信號，利用小波變換來提取小波特征。小波變換的公式如式（5）所示：

其中：a為尺度參數(shù)，對應(yīng)頻率，控制函數(shù)的伸縮；τ為平移參數(shù)，對應(yīng)時間，控制函數(shù)的平移。

本文對剔除了無效鏈路的信號進(jìn)行小波變換，選用的小波函數(shù)為Daubechies 函數(shù)，該函數(shù)的正則性隨著N的增加而增加，同時具有正交性。RSS 測量值經(jīng)過一系列的低通和高通濾波器后，得到對應(yīng)的近似系數(shù)（cA）和細(xì)節(jié)系數(shù)（cD），同時頻譜減少為原來的1/2。假設(shè)RSS 測量值長度為L，使用小波變換的單層分解，得到近似系數(shù)cA1 和細(xì)節(jié)系數(shù)cD1，并且近似系數(shù)cA1和細(xì)節(jié)系數(shù)cD1的長度為原來L/2。如果對RSS 測量值進(jìn)行多層分解，那么近似系數(shù)cA1 可以繼續(xù)小波變換得到cA2 和cD2，以此類推，直到分解級數(shù)達(dá)到N。多層分解還會得到一個長度為L的向量，表達(dá)式如式（6）所示：

其中：C是小波分解后的小波系數(shù)，包含cA 和cD；X表示分析信號；N為分解級數(shù)；wname 是小波基函數(shù)，即本實驗的Daubechies 函數(shù)。圖2 所示為小波多層分解的示意圖。

圖2 小波分解示意圖Fig.2 Schematic diagram of wavelet decomposition

通常，小波分解的頻率范圍與采樣頻率有關(guān)。假設(shè)Fs是采樣頻率，如果進(jìn)行N層分解，則N階細(xì)節(jié)系數(shù)的頻帶范圍為Fs/2（N+1）～Fs/2NHz，近似系數(shù)的頻帶范圍為0～Fs/2（N+1）Hz。本文的RSS 數(shù)據(jù)采樣頻率為5 Hz。從理論上來看，經(jīng)過5 級小波分解后，五階細(xì)節(jié)系數(shù)的頻率范圍為0.07～0.15 Hz，五階細(xì)節(jié)系數(shù)的頻率<0.07 Hz，這僅包括人體摔倒頻率的正常范圍，正常成年人的摔倒頻率為0.05～0.12 Hz。因此，本文選擇的分解層數(shù)為5。

小波變換的結(jié)果會因小波變換選擇的小波基不同而不同。在實際應(yīng)用中，小波基的選擇需要考慮各種因素，例如支撐長度、規(guī)則性、對稱性、相似性和消失力矩。在此實驗中對過濾沒有特殊要求，一般來說，Daubechies 小波基通常用于一維信號降噪。

一旦選擇了小波基函數(shù)，還需要選擇合適的支撐長度。小波的支持范圍是2N-1。在實際應(yīng)用中，支撐長度越長，計算時間也越長。根據(jù)以往的研究結(jié)果，在信號處理中，小波基的支持長度通常在5～10 之間選擇，因為如果支持長度過長，不僅會出現(xiàn)計算復(fù)雜性的問題，而且還會引起邊界問題。如果太短，則不利于信號能量的集中。因此，本文選擇支撐長度為10。圖3 是部分原RSS 測量值的波形圖，圖4是向前摔倒的部分原RSS 測量值5 層分解之后得到的近似系數(shù)分量和細(xì)節(jié)系數(shù)分量，圖5 是第1 層～第4 層的細(xì)節(jié)系數(shù)分量。

圖3 部分RSS 的波形圖Fig.3 Part of the RSS waveforms

圖4 近似系數(shù)分量和細(xì)節(jié)系數(shù)分量Fig.4 Approximate coefficient component and detail coefficient component

圖5 第1 層～第4 層的細(xì)節(jié)系數(shù)分量Fig.5 Detail coefficient components of the first to fourth layers

由圖3～圖5可知，原RSS信號經(jīng)過5層小波變換后得到的cA5 和cD5 可以在低頻和高頻2 個頻帶較為清晰地表示出原射頻信號強(qiáng)度值。由此選取cA5 和cD5小波系數(shù)來提取過零點數(shù)、方差、能量等小波域特征。其中過零點數(shù)表示動作進(jìn)行的快慢程度，方差表示實驗人員動作的幅度大小，能量則表示信號的匯聚程度。

假設(shè)小波系數(shù)向量長度為F，記為[C1，C2，…，CF]，

則小波域過零點數(shù)特征計算公式如式（7）所示：

小波域方差特征計算式如式（9）所示：

小波域能量特征計算公式如式（10）所示：

小波域的近似系數(shù)分量和細(xì)節(jié)系數(shù)分量在提取特征后得到一個6×1 的特征向量，如式（11）所示：

2.4 時域小波域聯(lián)合特征

為驗證時域特征和小波域特征對人員動作分類識別的有效性，本文分別在RSS 測量值的時域和小波域提取出時域特征和小波域特征后，使用2 種方法進(jìn)行驗證，第1 種方法是使用XGBoost 分別對RSS測量值的時域和小波域特征進(jìn)行分類識別驗證，獲得各自特征的區(qū)分能力；第2 種方法則是使用XGBoost 分類器對時域和小波域特征進(jìn)行排列組合交叉驗證，選取出最終最具有區(qū)分能力的聯(lián)合特征。

3 SE-CNN 模型

3.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的一種改進(jìn)的網(wǎng)絡(luò)，其網(wǎng)絡(luò)層之間加入了卷積操作，具有表征學(xué)習(xí)能力，使用局部操作對表征進(jìn)行分層抽象。由于CNN 具有局部感受野、權(quán)值共享、下采樣等特點，因此可以增強(qiáng)特征并有效降噪。

本文采用經(jīng)典的LeNet-5 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括輸入層、2 層卷積層、2 層池化層、2 層全連接層和輸出層，共8 層，其網(wǎng)絡(luò)結(jié)構(gòu)如圖6 所示。

圖6 LeNet-5 網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 Structure of LeNet-5 network

3.2 通道注意力網(wǎng)絡(luò)

SE 模塊是Momenta 胡杰團(tuán)隊提出的一種新的端到端網(wǎng)絡(luò)模塊，采取了“特征重標(biāo)定”的思想來進(jìn)行特征通道間的融合，在未增加額外特征空間的條件下，以深度學(xué)習(xí)的方式來自動獲取每個特征通道的重要程度，并賦予有效的特征更高的權(quán)重，減小無效或效果不明顯的特征權(quán)重，以此來使訓(xùn)練模型達(dá)到更好的效果。SE 模塊不是1 個完整的網(wǎng)絡(luò)結(jié)構(gòu)，而是一個端到端的子結(jié)構(gòu)，可以嵌到其他分類或檢測模型中。SE 模塊的網(wǎng)絡(luò)結(jié)構(gòu)如圖7 所示。

圖7 SE 模塊的網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 Network structure of SE module

3.3 SE-CNN 模型

本文在經(jīng)典LeNet-5 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中插入2 層SE 模塊層，得到SE-CNN 網(wǎng)絡(luò)結(jié)構(gòu)，包括輸入層、2 層卷積層、2 層池化層、2 層SE 模塊層、2 層全連接層和最后一層輸出層，共10 層網(wǎng)絡(luò)。SE-CNN 網(wǎng)絡(luò)模型結(jié)構(gòu)如圖8 所示。

圖8 SE-CNN 網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.8 SE-CNN network model structure

4 實驗與結(jié)果分析

4.1 實驗環(huán)境搭建

本文通過設(shè)計一個無線射頻網(wǎng)絡(luò)來進(jìn)行人體摔倒檢測，該網(wǎng)絡(luò)由36 個CC2530 節(jié)點構(gòu)成，這36 個節(jié)點分布在6 根等高的PVC 管上，每根PVC 管上按序地從上向下地安置著6 個節(jié)點，構(gòu)成1 個足夠讓實驗人員進(jìn)行摔倒實驗的三維空間環(huán)境。圖9 為實驗環(huán)境圖（彩色效果見《計算機(jī)工程》官網(wǎng)HTML 版本）。

圖9 實驗環(huán)境Fig.9 Experimental environment

4.2 數(shù)據(jù)采集與預(yù)處理

在數(shù)據(jù)采集過程中，挑選不同的人在空間里進(jìn)行正常站立、向前摔倒、向后摔倒、蹲下、坐在地上這5 個動作，同時采集一組空環(huán)境的實驗數(shù)據(jù)以供比較。采集數(shù)據(jù)的過程中，36 個節(jié)點以“輪詢”的機(jī)制周期性地向Base 節(jié)點發(fā)送數(shù)據(jù)，Base 節(jié)點與PC 端連接，偵聽和接收來自這36 個感知節(jié)點數(shù)據(jù)包中無線鏈路的RSS 值并使用串口助手將RSS 數(shù)據(jù)保存為TXT 文本存儲在PC 端。從收集到的數(shù)據(jù)可以看出，無線鏈路的RSS 值均以十六進(jìn)制表示，36 個感知節(jié)點組成1 個輪詢廣播的RSS 信號采集網(wǎng)絡(luò)，按照節(jié)點編號依次發(fā)送數(shù)據(jù)，組成一個36×36 的矩陣。每一個數(shù)值表示該行和該列對應(yīng)的2 個節(jié)點的鏈路RSS 值。由于節(jié)點無法向自身發(fā)送RSS 數(shù)據(jù)，因此數(shù)據(jù)包內(nèi)對應(yīng)自身節(jié)點位置的RSS 值為0。

數(shù)據(jù)預(yù)處理流程如下：

1）數(shù)據(jù)缺失值處理。實驗接收的TXT 文本數(shù)據(jù)頭部和尾部不是完整周期，需要刪除不完整的周期，同時采用平均值填充的方法對在數(shù)據(jù)傳輸過程和接收過程中丟失的無線鏈路進(jìn)行補(bǔ)充。

2）進(jìn)制轉(zhuǎn)換。由于接收數(shù)據(jù)為十六進(jìn)制，則需要將十六進(jìn)制轉(zhuǎn)換為十進(jìn)制，方便后期的處理。

3）RSS 物理值提取。將從CC2530 節(jié)點寄存器讀出的接收信號強(qiáng)度指示（Received Signal Strength Indicator，RSSI）的原始數(shù)值，轉(zhuǎn)換為物理接收信號強(qiáng)度。

4）有效鏈路提取。由于某些無線鏈路不會受到人體動作的影響，所以剔除。如圖9 中的PVC 管1、2、3 上的節(jié)點形成的鏈路不會受到人體動作的影響，需要剔除。根據(jù)實驗，1～18 號節(jié)點與25～36 號節(jié)點，19～24 號節(jié)點與1～12 號節(jié)點處在視距路勁上形成有效鏈路，則有效鏈路共有18×12+6×12=288 條。

4.3 實驗性能分析

4.3.1 不同特征性能分析

本文提出時域小波域聯(lián)合特征作為分類識別的特征，在分類識別的過程中，將時域特征和小波域的3 個特征進(jìn)行組合，總有11 種組合方式。例如，時域特征和小波域能量作為一組特征，分別對這11 種特征進(jìn)行分類識別。由于XGBoost 在工業(yè)界應(yīng)用廣泛且效果優(yōu)良，因此采用XGBoost 對這11 種特征進(jìn)行分類識別，選出具有區(qū)分能力的特征作為之后的SE-CNN 的輸入。

1）時域特征性能

將時域的3 個特征用交叉驗證的方式進(jìn)行分類識別。時域的均值特征用M 表示，時域的方差特征用V 表示，時域的峰峰值特征用P 表示，均值和方差的組合用“MV”表示。不同組合對應(yīng)的分類識別準(zhǔn)確率如圖10 和表1 所示。

表1 時域不同特征的平均準(zhǔn)確率Table 1 Average accuracy of different features in the time domain %

圖10 不同組合對應(yīng)的分類識別準(zhǔn)確率Fig.10 Classification and recognition accuracy corresponding to different combinations

由圖10 和表1 的對比結(jié)果可知，隨著特征數(shù)量的增加，分類識別的準(zhǔn)確率也越高，說明特征數(shù)量越多，攜帶的信息可能就越豐富，表征能力就越強(qiáng)，區(qū)分能力也就強(qiáng)。

2）小波域特征性能

將小波域的3 個特征用交叉驗證的方式進(jìn)行分類識別。Z 表示小波域的過零點數(shù)，V 表示小波域的方差，E 表示小波域的能量，小波域的過零點數(shù)和方差組合為“ZV”。不同組合對應(yīng)的分類識別準(zhǔn)確率如圖11 和表2 所示。

圖11 小波域不同特征的準(zhǔn)確率Fig.11 Accuracy of different features in the wavelet domain

表2 小波域不同特征的平均準(zhǔn)確率Table 2 Average accuracy of different features in the wavelet domain %

由圖11 和表2 可知，小波域特征在單個特征和組合特征的形式下整體的平均準(zhǔn)確率均高于時域特征，說明小波域的特征具有良好的區(qū)分性。

3）時域特征性能

為驗證時域小波域聯(lián)合特征的有效性，將最常用的時域特征和小波域特征進(jìn)行組合，時域特征用字母縮寫“T”表示，聯(lián)合特征不同組合對應(yīng)的分類識別準(zhǔn)確率如圖12 所示。

圖12 不同聯(lián)合特征的準(zhǔn)確率Fig.12 Accuracy of different joint features

由圖11 和圖12 可知，時域特征與小波域單個聯(lián)合特征的準(zhǔn)確率均高于時域聯(lián)合特征，表明小波域特征比時域特征具有更高的識別率。同時，還可以得知時域聯(lián)合特征準(zhǔn)確率為63.7%，小波域聯(lián)合特征的準(zhǔn)確率為75.6%，而時域小波域聯(lián)合特征的準(zhǔn)確率達(dá)86.7%，高于單獨(dú)聯(lián)合時域特征和單獨(dú)聯(lián)合小波域特征的準(zhǔn)確率。通過對比可知，時域和小波域聯(lián)合特征的準(zhǔn)確率最高，可以有效識別人體摔倒動作，具有很強(qiáng)的區(qū)分能力。

4.3.2 SE-CNN 性能分析

SE-CNN 性能分析的步驟如下：

1）將網(wǎng)絡(luò)層嵌入SE 模塊的模型和未嵌入SE 模塊的模型進(jìn)行性能比較。實驗采用綜合評價指標(biāo)ROC/AUC，在進(jìn)行1 000 次iteration 之后，得到對比結(jié)果如圖13 所示。

圖13 CNN 與SE-CNN 的對比實驗結(jié)果Fig.13 Comparison of CNN and SE-CNN experimental results

由圖13 可知，加入SE 模塊的模型，其AUC 值大于未加入SE 模塊的模型AUC 值，SE-CNN 模型優(yōu)于CNN 模型，反映了SE-CNN 可以在進(jìn)行卷積操作輸出特征圖后，獲取特征通道的重要程度，并按照重要程度提升有用的特征，對作用不大的特征進(jìn)行抑制，從而有效進(jìn)行人體動作識別。

2）對比使用了聯(lián)合特征和未使用聯(lián)合特征的SE-CNN 模型的性能，對比結(jié)果如圖14 所示。

圖14 聯(lián)合特征的對比實驗結(jié)果Fig.14 Comparison experiment results of joint features

由圖14 可知，增加了時域和小波域聯(lián)合特征模型的AUC 值大于未加入模型的AUC。由此可看出聯(lián)合特征可以提高RSS 數(shù)據(jù)的可區(qū)分性，同時SECNN 模型對人體摔倒識別有較高的識別率，保證了該實驗的有效性和可行性。

4.3.3 基于深度學(xué)習(xí)的人體摔倒檢測性能分析

為了評估基于SE-CNN 的人體摔倒檢測的性能，將本文方法與其他文獻(xiàn)所提方法進(jìn)行比較。文獻(xiàn)［31］使用體域網(wǎng)和室內(nèi)傳感器網(wǎng)絡(luò)實現(xiàn)老年人行為檢測，其利用MicaZ 節(jié)點基于集中式檢測方法的準(zhǔn)確率為90%。文獻(xiàn)［32］通過Kinect 傳感器獲得人體跌倒識別的人體骨骼信息后，采用Back Propagation 算法進(jìn)行分類，準(zhǔn)確率為90%。文獻(xiàn)［33］介紹了一種基于HMM 的跌倒檢測系統(tǒng)，該系統(tǒng)基于微波多普勒傳感器來檢測人體摔倒，準(zhǔn)確率達(dá)95%。文獻(xiàn)［34］通過WiFall 來獲取CSI 信息，利用支持向量機(jī)和隨機(jī)森林算法實現(xiàn)人類跌倒的識別，準(zhǔn)確率分別為90%和94%。表3 為不同人體摔倒識別方法的準(zhǔn)確率，從表中可知本文方法與其他方法相比具有較高的準(zhǔn)確率，明顯優(yōu)于其他方法。

表3 不同方法的人體摔倒識別準(zhǔn)確率Table 3 Accuracy of human fall recognition by different methods %

5 結(jié)束語

本文提出一種基于SE-CNN 模型的人體摔倒動作識別方法，利用人體活動對無線信號鏈路的影響提取無線射頻信號的時域特征，并通過小波變換提取小波域特征，運(yùn)用XGBoost 對時域和小波域以排列組合的形式進(jìn)行結(jié)合，構(gòu)建具有顯著區(qū)分能力的聯(lián)合特征。此外，引入卷積神經(jīng)網(wǎng)絡(luò)和SE 模塊對無線射頻信號及聯(lián)合特征進(jìn)行分類學(xué)習(xí)，以提高摔倒動作的分類識別準(zhǔn)確率。實驗結(jié)果表明，聯(lián)合特征的加入能夠提高RSS 數(shù)據(jù)的可區(qū)分性，且SE-CNN模型識別準(zhǔn)確率高于CNN 模型，可以實現(xiàn)高準(zhǔn)確率的人體摔倒檢測。但本文方法目前只考慮了檢測環(huán)境中單人的場景，沒有考慮多人場景，下一步將嘗試在多人場景下進(jìn)行檢測，從中提取出摔倒特征，并獲取日常實際的樣本數(shù)據(jù)訓(xùn)練模型，以提高本文方法的魯棒性。