基于Lora信号的穿墙摔倒检测预警系统及预警方法

基于lora信号的穿墙摔倒检测预警系统及预警方法
技术领域
1.本发明涉及一种预警方法，具体是一种基于lora信号的穿墙摔倒检测预警系统及预警方法，属于无线感知生命体征检测技术领域。


背景技术：

2.大多数老年人在跌倒后无法自己站起，研究表明，跌倒的医疗结果在很大程度上取决于反应和救援时间。在某些临床情况下，跌倒后延迟治疗会增加死亡的风险，经历过长时间躺在地板上(＞1小时)的患者中有一半在事件发生后6个月内死亡。对于独自独立生活的老年人来说，大约50％的跌倒发生在他们自己的家里。因此，及时和自动发现跌倒一直是辅助老人生活的研究目标。
3.目前，现有的跌倒检测技术，主要有以下几种：
4.1)基于可穿戴传感器，这些传感系统只能在用户佩戴传感器时才能工作，这种方法对于本身行动不便的老人检测结果准确率较低。
5.2)基于计算机视觉实现的检测装置，存在隐私入侵的问题，同时固有的密集的计算无法做到实时处理，导致检测装置延迟反应，有可能错过最佳反应和救援时间；
6.3)基于wifi感知，这种技术虽然方便部署，但是范围太小，极限只有六米的范围，只能监控一间房间的情况。
7.因此，亟需一种检测准确率高、感应灵敏、检测范围广、便于部署的老人摔倒预警系统及预警方法。


技术实现要素：

8.本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明在于提出一种基于lora信号的穿墙摔倒检测预警系统，能够对老人居家活动行为进行检测，从而实现老人摔倒及时预警，且被检测的老人无需穿戴任何设备，感知范围广、感知精度高。
9.本发明还提出一种基于lora信号的穿墙摔倒检测预警方法。
10.根据本发明第一方面的一种基于lora信号的穿墙摔倒检测预警系统，包括发射器、usrp装置、接收器和处理器，所述发射器为lora节点，用于通过发射天线发射lora信号；所述接收器安装有两根接收天线，用于接收所述发射器发射的lora信号，其中，两根所述接收天线紧密连接在一起，所述接收天线与所述发射天线之间具有设定间距，所述接收器与所述usrp装置相连，所述发射器和所述接收器放置于检测空间内隔墙环境下的同一侧；所述usrp装置用于接收所述接收器传送的lora信号；所述处理器用于接收usrp装置传送的lora信号，并通过其内部预先存储的摔倒检测预警方法对接收到的lora信号进行处理，当检测到老人摔倒信号时发出报警信号。
11.根据本发明第二方面的一种基于lora信号的穿墙摔倒检测预警方法，包括以下步骤：
12.s1增强隔墙信号：滤除lora信号中高频噪声，得到一个干扰较低的信号，并对该信
号进行时域混叠处理，以放大该信号，增加该信号的变化幅度，最后利用信号熵方法消除信号时钟不同步；
13.s2 lora信号特征提取：计算步骤s1处理后的lora信号的功率突变曲线，区分静态环境信号与活动信号，并在活动信号中选取活动信号区间，对每个活动信号区间进行视频分析，计算时频图，在时频图中提取lora信号特征：功率突变曲线、信息熵曲线以及信噪比；
14.s3老人摔倒检测：构建和训练时序检测模型fallnet，将lora信号特征输入至训练好的时序检测模型fallnet中，通过该模型对lora信号特征进行处理，并判断lora信号覆盖的检测空间内是否发生的摔倒活动，若发生摔倒活动，则发出预警信号。
15.与现有技术相比，本发明具有以下优点：
16.1)本发明采用lora信号来检测人的活动，lora信号抗干扰能力强，通过无线信号处理相关技术，可以对人进行摔倒检测，以对其摔倒行为进行预警。本发明具有很大的潜力，可在日常生活和工作场景中实现大规模部署，尤其适用于独居老人。
17.2)由于本发明使用了信号降采样叠加法放大了声波信号变化，因此，有效地解决了lora信号在多次反射及绕射后的衰减问题，致使感知精度较差的技术问题，且本发明采用的lora信号具有穿墙的特点，只需在一个房间里部署即可。
18.3)本发明使用了时序检测模型fallnet，该模型通过从不同房间采集的数据进行训练拟合参数，相较传统算法具有较强的场景适应能力，该模型基于多种混合特征进行训练和检测，通过学习不同特征之间的联系，对应极端样本仍然可以保持较高的准确度。
附图说明
19.图1是本发明一个实施例的流程示意图；
20.图2是本发明一个实施例的原lora信号；
21.图3是本发明一个实施例的放大后的lora信号
22.图4是本发明一个实施例的模糊标注方法；
23.图5是本发明一个实施例的模糊标注方法；
24.图6是本发明一个实施例的fallnet摔倒检测深度模型。
具体实施方式
25.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
26.下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的可应用性和/或其他材料的使用。
27.本实施例以检测老人摔倒为例，当然本发明摔倒检测预警系统及预警方法适用于所有走路不稳的人群。
28.参考图1所示，根据本发明实施例的一种基于lora信号的穿墙摔倒检测预警系统，包括发射器、接收器、usrp装置和处理器，其中，usrp装置是一种通用软件无线电外设，能够让普通的计算机能像高带宽的软件无线电设备一样工作，本实施例处理器为具有数据处理功能的显示器，报警信号可在显示器上显示出来；所述发射器为lora节点，用于通过一根发射天线发射lora信号；所述接收器安装有两根接收天线，用于接收所述发射器发射的lora信号，其中，两根所述接收天线紧密连接在一起，所述接收天线与所述发射天线之间具有20cm间距，所述接收器与所述usrp装置相连，所述发射器和所述接收器放置于检测空间内隔墙环境下的同一侧；所述usrp装置用于接收所述接收器传送的lora信号；所述处理器用于接收usrp装置传送的lora信号，并通过其内部预先存储的摔倒检测预警方法对接收到的lora信号进行处理，当检测到老人摔倒信号时发出报警信号，家属接到报警信号后，可及时到现场查看老人的情况，以避免老人长时间摔倒而无人发现。
29.参考图1所示，基于上述预警系统的摔倒检测预警方法包括以下步骤：
30.s1增强隔墙信号：采用低通滤波器滤除lora信号中高频噪声，得到一个干扰较低的信号，并对该信号进行时域混叠处理，以放大该信号，增加该信号的变化幅度，最后利用信号熵方法消除信号时钟不同步。
31.其中，时域混叠处理方法包括以下步骤：
32.s1.1将原时序序列按照每隔δt＝n
×
δt秒划分成若干个子采样序列，其中，n＝3为混叠窗口数量，δt＝0.01s为混叠窗口大小。
33.s1.2将每个子采样序列中每一个对应位置的混叠窗口所对应的时序序列抽取出来，形成一个时序序列q，产生的时序序列q的数量等于混叠窗口的数量；
34.s1.3把步骤s1.2中产生的所有时序序列q叠加在一起形成一个新的时序序列，即被放大的信号。
35.具体的，例如：每个子采样序列均包括混叠窗口1、混叠窗口2和混叠窗口3，将每个采样序列中的混叠窗口1所对应的时序序列抽取出来，形成一个时序序列q1,以此类推，抽取每个子采样序列中混叠窗口2、混叠窗口3所对应的时序序列，分别形成时序序列q2、q3。将时序序列q1、q2、q3叠加在一起形成一个新的时序序列，即被放大的信号。
36.新的时序序列虽然会降低原lora信号的采样率，但由于lora信号的频率高，对lora信号的降采样不会引起信号失真，此时，信号仍然可以反应人的活动信号，所以这种lora信号放大的方式不会对信号中所包含的人的活动信息产生破坏，参考图2和图3所示，为截取的lora信号的一个片段展示lora信号放大的效果，其中，图2为原lora信号，图3为放大后的lora信号，从图2和图3中可以看出信号振幅明显增大了。
37.本实施例发射器发射的lora信号是中心频率为915mhz、带宽为125khz的啁啾信号，usrp装置采用率为500khz，每一次chirp周期为10ms。chirp是指lora信号的频率随时间的一次周期变化，而带宽是lora信号在一次chirp中频率的变化区间宽度。为了保证两根接收天线接收同步接收lora信号，利用信号商方法实现接收信号时钟同步，具体方法如下：将两根接收天线的lora信号的比率合成一个新的时钟同步的lora信号，消除时钟不同步，公式如下：
38.39.其中，r1、r2分别表示usrp装置两根接收天线接收到的lora信号，sr表示消除时钟不同步后的重构信号。
40.s2 lora信号特征提取：计算步骤s1处理后的lora信号的功率突变曲线，区分静态环境信号与活动信号，并在活动信号中选取活动信号区间，对每个活动信号区间进行视频分析，计算时频图，在时频图中提取lora信号特征：功率突变曲线、信息熵曲线以及信噪比，具体步骤如下：
41.s2.1计算步骤s1处理后的lora信号的功率突变曲线，区分静态环境信号与活动信号，在活动信号中，每10秒钟的活动信号为一个活动信号区间，所述活动信号为老人的活动信号，具体包括以下步骤：
42.s2.1.1在信号传播的过程中，信号传播中的物体会引起信号的功率变化，因此，采用功率变化曲线来表示这一变化过程，计算步骤s1处理后的lora信号的功率突变曲线，当功率突变曲线的值小于2，则为静态环境信号，说明检测空间(房间)内没有活动目标，当功率突变曲线的值大于等于2，则为活动信号，说明检测空间(房间)内有活动目标。
43.s2.1.2在活动信号中，每10秒钟的活动信号为一个活动信号区间。
44.s2.2对每个活动信号区间进行视频分析，计算时频图，在时频图中提取lora信号特征：功率突变曲线、信息熵曲线以及信噪比，具体包括以下步骤：
45.s2.2.1在活动信号中将每个10秒视为一个窗口，得到10秒钟活动信号区间，每次计算10秒内的时频图，每次计算间隔为0.5秒，时频图通过短时快速傅里叶变换得到，计算公式如下：
[0046][0047]
其中，s(t,f)表示一个二维矩阵，表示信号时间与频率的变化关系，h(τ-t)表示窗函数，sr表示消除时钟不同步后的重构信号，本实施例中使用汉明窗；
[0048]
s2.2.2在得到的时频图中采用短时快速傅里叶变化的结果，通过公式(3)得到lora信号的功率突变曲线：
[0049][0050]
其中，pbc表示在s(t,f)的一段区间上进行计算；fu＝50hz，表示选取s(t,f)中频率区间的最大值，f
l
表示区间的最小值；
[0051]
s2.2.3通过公式(4)得到信息熵曲线：
[0052][0053]
其中，p(f,t)＝|s(t,f)|2表示时频图上时间t时，f为瞬时频率；
[0054]
s2.2.4通过公式(5)得到信噪比：
[0055][0056]
其中，a
signal
原信号振幅，a
noise
噪声信号振幅。
[0057]
s3老人摔倒检测：构建和训练时序检测模型fallnet，并将步骤s2提取出的lora信号特征输入至训练好的时序检测模型fallnet中，通过该模型对lora信号特征进行处理，并判断lora信号覆盖的检测空间内是否发生的摔倒活动，若发生摔倒活动，则发出预警信号，
具体包括以下步骤：
[0058]
s3.1构建时序检测模型fallnet构建：将整个时序检测模型fallnet分为上采样和下采样两个部分，输入的信号特征经过四个降采样阶段和四个上采样阶段，降采样通过一维卷积和步幅进行，将卷积核的长度设置为2个数据点，步幅步骤设置为2个数据点，通过反积法进行上采样，恢复上一阶段的输入长度，每个反卷积阶段直接将下采样过程中每个下采样阶段输出的特征层拼接到对应的上采样过程中对应的上采样阶段，并使用softmax函数来算出摔倒活动的概率。
[0059]
具体的，参考图6所示为时序检测模型fallnet的结构，输入是三个长度为1024的时序序列：功率突变曲线、信息熵曲线以及信噪比，输出是一个同样长度的时序序列，时序序列上的每一个值都是一个摔倒概率值。灰色的矩形代表了神经网络内部的层。在图6中的数字是每一层的尺寸，遵循“每个通道的通道数
×
长度”的格式。箭头是应用于图层之间的操作，其含义在图6右下角标出。输入的信号特征经过四个降采样阶段和四个上采样阶段。降采样是通过一维卷积和步幅进行的。将卷积核的长度设置为2个数据点，步幅步骤设置为2个数据点。通过反积法进行上采样，恢复了上一阶段的输入长度。每个反卷积阶段直接将下采样时输出的特征连接到右层，而不需要经过更深的层，提高了训练期间的收敛性。带有虚线边界的灰色矩形是由跳过连接直接复制的特征，使用softmax函数来算出摔倒活动的概率。
[0060]
s3.2训练时序检测模型fallnet：
[0061]
s3.2.1采集样本：在所述检测空间内采集lora信号，该lora信号包含摔倒、静止、行走和站立这四种信号，每个信号样本均包含10秒时长的lora信号样本，所述信号样本包括三个时序序列长度为1024的信息熵曲线、功率变化曲线和信噪比三个lora信号特征，并采用模糊标注的标签制作法对lora信号样本进行标注；
[0062]
在标注样本时，由于在采集样本过程中人的反应能力会造成标签误差，实验发现在确定摔倒时间时误差不会超过50毫秒，因此，本发明使用一种模糊标注的标签制作方法对样本进行标注，具体方法如下：采用一个100毫秒长的窗口，在标注摔倒概率数据时以观测到老人摔倒时的时刻为中心，窗口内的每一个点为摔倒是否发生的概率，以窗口的中心拟合一个高斯分布曲线，该曲线均值为0，标准差为10，最后将所有点的值乘25，使得窗口内的摔倒概率值由1到0从中间向两边减少，参考图4所示；对非摔倒的正常活动将整个标签上的概率值标注为0，参考图5所示。
[0063]
s3.2.2训练模型：采用交叉熵函数作为损失函数，使用随机梯度下降法来优化训练时序检测模型fallnet，采用300个lora信号样本进行时序检测模型fallnet训练，训练批数设置为200，每批训练输入4个lora信号样本，学习率设置为0.01；
[0064]
s3.2.3将步骤s3.2.1的lora信号样本即三个时序序列长度为1024的信息熵曲线、功率变化曲线和信噪比输入到步骤3.2.2)训练好的时序检测模型fallnet中，并输出一个同样长度的时序序列，输出的时序序列上的每一个值都是一个摔倒概率值，采用softmax函数来计算摔倒活动的概率。
[0065]
s3.3在训练好的时序检测模型fallnet中设置摔倒概率阈值0.5，将步骤s2提取的信号特征输入至训练好的时序检测模型fallnet中，通过该模型对lora信号特征进行处理，并判断lora信号覆盖的检测空间内是否发生摔倒活动，若该模型输出的预测摔倒概率序列
存在超过阈值的概率，则认为有老人发生了摔倒，发出预警信号。
[0066]
本实施例通过三种lora信号特征检测老人是否摔倒，三种信号特征分别为：信息熵曲线、功率变化曲线和信噪比，这些特征在正常活动与人摔倒时的变化具有形态上的区别，人的活动对lora信号的影响与信息熵曲线的形态相关。因此，本实施例通过深度学习分析信号特征的时序特征来预测摔倒活动的发生时刻，从而检测老人的摔倒行为。
[0067]
根据本发明实施例的基于lora信号的穿墙摔倒检测预警系统的其他构成例如发射器、usrp装置、发射天线和接收天线等以及操作对于本领域普通技术人员而言都是已知的，这里不再详细描述。
[0068]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0069]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0070]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接，还可以是通信；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0071]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0072]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0073]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

技术特征：
1.一种基于lora信号的穿墙摔倒检测预警系统，其特征在于，包括发射器，所述发射器为lora节点，用于通过发射天线发射lora信号；接收器，所述接收器安装有两根接收天线，用于接收所述发射器发射的lora信号，其中，两根所述接收天线紧密连接在一起，所述接收天线与所述发射天线之间具有设定间距，所述接收器与所述usrp装置相连，所述发射器和所述接收器放置于检测空间内隔墙环境下的同一侧；usrp装置，所述usrp装置用于接收所述接收器传送的lora信号；处理器，所述处理器用于接收usrp装置传送的lora信号，并通过其内部预先存储的摔倒检测预警方法对接收到的lora信号进行处理，当检测到老人摔倒信号时发出报警信号。2.一种基于lora信号的穿墙摔倒检测预警方法，其特征在于，包括以下步骤：s1增强隔墙信号：滤除lora信号中高频噪声，得到一个干扰较低的信号，并对该信号进行时域混叠处理，以放大该信号，增加该信号的变化幅度，最后利用信号熵方法消除信号时钟不同步；s2 lora信号特征提取：计算步骤s1处理后的lora信号的功率突变曲线，区分静态环境信号与活动信号，并在活动信号中选取活动信号区间，对每个活动信号区间进行视频分析，计算时频图，在时频图中提取lora信号特征：功率突变曲线、信息熵曲线以及信噪比；s3老人摔倒检测：构建和训练时序检测模型fallnet，将lora信号特征输入至训练好的时序检测模型fallnet中，通过该模型对lora信号特征进行处理，并判断lora信号覆盖的检测空间内是否发生的摔倒活动，若发生摔倒活动，则发出预警信号。3.根据权利要求2所述的一种基于lora信号的穿墙摔倒检测预警方法，其特征在于，所述步骤s1中时域混叠处理方法包括以下步骤：s1.1将原时序序列按照每隔δt＝n
×
δt秒划分成若干个子采样序列，其中，n为混叠窗口数量，δt为混叠窗口大小；s1.2将每个子采样序列中每一个对应位置的混叠窗口所对应的时序序列抽取出来，形成一个时序序列q，产生的时序序列q的数量等于混叠窗口的数量；s1.3把步骤s1.2中产生的所有时序序列q叠加在一起形成一个新的时序序列，即被放大的信号。4.根据权利要求2所述的一种基于lora信号的穿墙摔倒检测预警方法，其特征在于，所述步骤s1中利用信号商方法实现接收信号时钟同步，具体方法如下：将两根接收天线的lora信号的比率合成一个新的时钟同步的lora信号，消除时钟不同步，公式如下：其中，r1、r2分别表示usrp装置两根接收天线接收到的lora信号，sr表示消除时钟不同步后的重构信号。5.根据权利要求2所述的一种基于lora信号的穿墙摔倒检测预警方法，其特征在于，所述步骤s2的具体步骤如下：s2.1计算步骤s1处理后的lora信号的功率突变曲线，区分静态环境信号与活动信号，在活动信号中，每t秒钟的活动信号为一个活动信号区间，并对每个活动信号区间进行人摔
倒检测，所述活动信号为人的活动信号；s2.2对每个活动信号区间进行视频分析，计算时频图，在时频图中提取lora信号特征：功率突变曲线、信息熵曲线以及信噪比。6.根据权利要求5所述的一种基于lora信号的穿墙摔倒检测预警方法，其特征在于，通过以下方法区分静态环境信号与活动信号：s2.1.1计算步骤s1处理后的lora信号的功率突变曲线，当功率突变曲线的值小于2，则为静态环境信号，当功率突变曲线的值大于等于2，则为活动信号；s2.1.2在活动信号中，每t秒钟的活动信号为一个活动信号区间。7.根据权利要求5所述的一种基于lora信号的穿墙摔倒检测预警方法，其特征在于，步骤s2.2的具体方法如下：s2.2.1在活动信号中将每个t秒视为一个窗口，得到t秒钟活动信号区间，每次计算t秒内的时频图，每次计算间隔为t1秒，时频图通过短时快速傅里叶变换得到，计算公式如下：其中，s(t,f)表示一个二维矩阵，表示信号时间与频率的变化关系，h(τ-t)表示窗函数，sr表示消除时钟不同步后的重构信号；s2.2.2在得到的时频图中采用短时快速傅里叶变化的结果，通过公式(3)得到lora信号的功率突变曲线：其中，pbc表示在s(t,f)的一段区间上进行计算；f
u
＝50hz，表示选取s(t,f)中频率区间的最大值，f
l
表示区间的最小值；s2.2.3通过公式(4)得到信息熵曲线：其中，p(f,t)＝|s(t,f)|2表示时频图上时间t时，f为瞬时频率；s2.2.4通过公式(5)得到信噪比：其中，a
signal
原信号振幅，a
noise
噪声信号振幅。8.根据权利要求2所述的一种基于lora信号的穿墙摔倒检测预警方法，其特征在于，所述步骤s3具体包括以下步骤：s3.1构建时序检测模型fallnet构建：将整个时序检测模型fallnet分为上采样和下采样两个部分，输入的信号特征经过四个降采样阶段和四个上采样阶段，降采样通过一维卷积和步幅进行，将卷积核的长度设置为2个数据点，步幅步骤设置为2个数据点，通过反积法进行上采样，恢复上一阶段的输入长度，每个反卷积阶段直接将下采样过程中每个下采样阶段输出的特征层拼接到对应的上采样过程中对应的上采样阶段，并使用softmax函数来算出摔倒活动的概率；s3.2训练时序检测模型fallnet：s3.2.1采集样本：在所述检测空间内采集lora信号，该lora信号包含摔倒、静止、行走
和站立这四种信号，每个信号样本均包含t秒时长的lora信号样本，所述信号样本包括三个时序序列长度为1024的信息熵曲线、功率变化曲线和信噪比三个lora信号特征，并采用模糊标注的标签制作法对lora信号样本进行标注；s3.2.2训练模型：采用交叉熵函数作为损失函数，使用随机梯度下降法来优化训练时序检测模型fallnet，采用信号样本进行时序检测模型fallnet训练，并设置训练批数、每批训练输入lora信号样本的数量以及学习率；s3.2.3将步骤s3.2.1的lora信号样本即三个时序序列长度为1024的信息熵曲线、功率变化曲线和信噪比输入到步骤3.2.2)训练好的时序检测模型fallnet中，并输出一个同样长度的时序序列，输出的时序序列上的每一个值都是一个摔倒概率值，采用softmax函数来计算摔倒活动的概率；s3.3在训练好的时序检测模型fallnet中设置摔倒概率阈值，将步骤s2提取出的信号特征输入至训练好的时序检测模型fallnet中，通过该模型对lora信号特征进行处理，并判断lora信号覆盖的检测空间内是否发生摔倒活动，若该模型输出的预测摔倒概率序列存在超过阈值的概率，则认为有人发生了摔倒，发出预警信号。9.根据权利要求8所述的一种基于lora信号的穿墙摔倒检测预警方法，其特征在于，所述模糊标注的标签制作法具体如下：采用一个n毫秒长的窗口，其中，m＞50，在标注摔倒概率数据时，以观测到人摔倒时的时刻为中心，窗口内的每一个点为摔倒是否发生的概率，以窗口的中心拟合一个高斯分布曲线，该曲线均值为0，标准差为m/10，最后将所有点的值乘m/4，使得窗口内的摔倒概率值由1到0从中间向两边减少；对非摔倒的正常活动将整个标签上的概率值标注为0。

技术总结
本发明公开一种基于Lora信号的穿墙摔倒检测预警系统及预警方法，发射器和接收器放置于房间内隔墙环境下的同一侧，接收器安装有两根天线，可同时接收发射器在环境中经多条路径反射、绕射信号，利用信号相除运算消除相位偏移影响，使发射信号与接收信号时钟同步；为了应对Lora信号隔墙传播衰减而导致的信号微弱问题，使用时域混叠法放大信号，提取信号的时频图谱，计算信号熵信息、功率突变曲线和信噪比作为信号特征。基于模糊标注法标注数据训练深度模型，并通过该模型检测房间中人的摔倒行为,若发生摔倒行为，则发出报警信号。本发明能够区分人的正常活动与摔倒行为，感知范围广，感知精度高。感知精度高。感知精度高。


技术研发人员：尹雨晴 潘宇驰 杨旭 鲍衷旭 张雪涵 徐晓 林宇涵 陈朋朋 牛强
受保护的技术使用者：中国矿业大学
技术研发日：2023.04.04
技术公布日：2023/7/6