本发明专利技术公开了一种基于毫米波雷达的居家老人行为监测方法及系统，由用户自定义设置背景信息；毫米波雷达模块采集人员心跳信息、呼吸频率、位置信息和姿态信息，并发送至网关；网关将接收的信息与预设阈值进行对比，判定出现波动异常时，开启定位和姿态探测功能；毫米波雷达模块再次进行人员定位，并采集人员姿态信息；利用背景信息、定位信息、心跳信息、呼吸频率、姿态信息生成图像信息；基于人员姿态信息选择机器学习模型参数；将图像信息导入选择的机器学习模型参数，提取特征信息进行判别分类。本发明专利技术针对居家老人健康状态监测需求，可个性化定制、非接触式监测，及时性、可靠性、准确性和有效性高。确性和有效性高。确性和有效性高。
【技术实现步骤摘要】
一种基于毫米波雷达的居家老人行为监测方法及系统
[0001]本专利技术涉及一种基于毫米波雷达的居家老人行为监测方法及系统，属于物联网行为监测领域。
技术介绍
[0002]老龄化已经成为社会无法避免的趋势，独自在家的老年人数量逐渐增多，另一方面，养老机构中，老人数量也明显多于护理人员数量，护理人员难以即时关注到老人的状态，老年人突发疾病时如果不能及时干预处置极易导致严重的后果。虽然通过先进的可穿戴设备或视频监控设备可以关注到老人的实时状态，但也面临难以克服的问题，包括接触式设备昂贵且佩戴不方便，老人容易抵触，视频监控设备产生的隐私问题，导致此类方案难以落地实施。另外，不同老人面临的健康问题也不同，不同健康状态的判断对探测信息的处理也有所不同，基于单一模型进行分类判断也导致传统非接触类探测方案的应用场景单一。
[0003]综上，亟需设计一种非接触的、不易导致隐私问题、且可根据需要进行服务定制的监测系统，实时追踪老年人健康状况，方便护理人员或其他人员根据需要远程监测到老年人的基本身体状况。
技术实现思路
[0004]专利技术目的：本专利技术目的在于针对居家老人健康状态监测需求，提供一种基于毫米波雷达，对居家老人的行为实现可个性化定制、非接触式的监测服务的方法及系统。
[0005]技术方案：本专利技术的基于毫米波雷达的居家老人行为监测方法，包括以下步骤：
[0006](1)用户自定义设置背景信息；
[0007](2)毫米波雷达模块采集人员心跳信息、呼吸频率、位置信息和姿态信息，并发送至网关；
[0008](3)网关将接收的信息与预设阈值进行对比，判定出现波动异常时，开启定位和姿态探测功能；
[0009](4)毫米波雷达模块再次进行人员定位，并采集人员姿态信息；
[0010](5)利用背景信息、定位信息、心跳信息、呼吸频率、姿态信息生成图像信息；
[0011](6)基于人员姿态信息选择机器学习模型参数；
[0012](7)将图像信息导入选择的机器学习模型参数，提取特征信息进行判别分类。
[0013]步骤1中，背景信息为基础图像框架。
[0014]步骤2中位置信息为图像框架中像素点的位置，信条信息和呼吸频率表现为区域像素点的灰度值，姿态信息为想赌点区域的范围。
[0015]步骤5中，生成图像信息包括以下步骤：
[0016](51)基于背景信息参数生成基础框架图，即房间布局图；
[0017](52)基于采集的定位信息在基础框架图上标注像素中心点位置；
[0018](53)基于采集的姿态信息，以像素中心点为中心确认像素区域；
[0019](54)将心跳或呼吸频率转换成像素区域的灰度值；
[0020](55)确认生成图像。
[0021]将心跳信息和呼吸频率转换为区域像素点的灰度值时通过以下公式完成：
[0022]S＝α*X+β*H
[0023]其中，S为最后生成图像的像素值，X为心跳值，H为呼吸频率，α和β为权重值，权重值的选择取决于基础类型。
[0024]步骤6中，提取的特征信息通过网关发送至服务器，由服务器基于历史信息对行为状态判别分类。
[0025]步骤6中，机器学习模型包括正常、隐患和异常三个等级，隐患用于可能发生异常的预告，提供预测信息，提醒用户早期关注并即时介入干预；异常为已发生隐患预测的紧急情况，提供即时告警信息。
[0026]步骤3中，阈值基于基础类型的不同选用不同的参考值，基础类型包括心脏疾病、心脑血管疾病、呼吸道疾病和普通监测4类。
[0027]一种基于毫米波雷达的居家老人行为监测系统，包括毫米波雷达、网关和服务器，所述毫米波雷达采集人员心跳信息、呼吸频率、室内位置和姿态信息；所述网关根据将采集到的信息进行特征数据提取并将特征数据传输至服务器中；所述服务器结合预设时间段内连续特征数据进行状态判别。
[0028]进一步的，基于毫米波雷达的居家老人行为监测系统还包括告警模块，根据监测结果，当出现隐患或异常时，通过告警模块向用户发送预警提醒或告警提醒。
[0029]有益效果：与现有技术相比，本专利技术具有如下显著优点：基于毫米波雷达、边缘计算技术，系统架构更加可靠、高效；可个性化定制，实时采集上传信息数据，保证采集数据的及时有效性；针对状态图像数据结合预设时间段内连续特征数据进行状态判别，避免了判别过程中的误判可能，提升了系统的工程应用价值。
附图说明
[0030]图1为本专利技术方法流程图；
[0031]图2为本专利技术输入图像生成流程图。
具体实施方式
[0032]下面结合附图对本专利技术的技术方案作进一步说明。
[0033]如图1所示，本专利技术的基于毫米波雷达的居家老人行为监测方法，包括以下步骤：
[0034](1)用户自定义设置背景信息；
[0035](2)毫米波雷达模块采集人员心跳信息、呼吸频率、位置信息和姿态信息，并发送至网关；
[0036](3)网关将接收的信息与预设阈值进行对比，判定出现波动异常时，开启定位和姿态探测功能；
[0037](4)毫米波雷达模块再次进行人员定位，并采集人员姿态信息；
[0038](5)利用背景信息、定位信息、心跳信息、呼吸频率、姿态信息生成图像信息；
[0039](6)基于人员姿态信息选择机器学习模型参数；
[0040](7)将图像信息导入选择的机器学习模型参数，提取特征信息进行判别分类。
[0041]步骤1中，背景信息为基础图像框架。
[0042]步骤2中位置信息为图像框架中像素点的位置，信条信息和呼吸频率表现为区域像素点的灰度值，姿态信息为想赌点区域的范围。
[0043]结合图2，步骤5中，生成图像信息包括以下步骤：
[0044](51)基于背景信息参数生成基础框架图，即房间布局图；
[0045](52)基于采集的定位信息在基础框架图上标注像素中心点位置；
[0046](53)基于采集的姿态信息，以像素中心点为中心确认像素区域；
[0047](54)将心跳或呼吸频率转换成像素区域的灰度值；
[0048](55)确认生成图像。
[0049]将心跳信息和呼吸频率转换为区域像素点的灰度值时通过以下公式完成：
[0050]S＝α*X+β*H
[0051]其中，S为最后生成图像的像素值，X为心跳值，H为呼吸频率，α和β为权重值，权重值的选择取决于基础类型。
[0052]步骤6中，提取的特征信息通过网关发送至服务器，由服务器基于历史信息对行为状态判别分类。
[0053]步骤6中，机器学习模型包括正常、隐患和异常三个等级，隐患用于可能发生异常的预告，提供预测信息，提醒用户早期关注并即时介入干预；异常为已发生隐患预测的紧急情况，提供即时告警信息。
[0054]步骤3中，阈值基于基础类型的不同选用不同的参考值，基础类型包括心本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于毫米波雷达的居家老人行为监测方法，其特征在于，包括以下步骤：(1)用户自定义设置背景信息；(2)毫米波雷达模块采集人员心跳信息、呼吸频率、位置信息和姿态信息，并发送至网关；(3)网关将接收的信息与预设阈值进行对比，判定出现波动异常时，开启定位和姿态探测功能；(4)毫米波雷达模块再次进行人员定位，并采集人员姿态信息；(5)利用背景信息、定位信息、心跳信息、呼吸频率、姿态信息生成图像信息；(6)基于人员姿态信息选择机器学习模型参数；(7)将图像信息导入选择的机器学习模型参数，提取特征信息进行判别分类。2.根据权利要求1所述的基于毫米波雷达的居家老人行为监测方法，其特征在于，所述步骤1中，背景信息为基础图像框架。3.根据权利要求1所述的基于毫米波雷达的居家老人行为监测方法，其特征在于，所述步骤2中位置信息为图像框架中像素点的位置，信条信息和呼吸频率表现为区域像素点的灰度值，姿态信息为想赌点区域的范围。4.根据权利要求1所述的基于毫米波雷达的居家老人行为监测方法，其特征在于，所述步骤5中，生成图像信息包括以下步骤：(51)基于背景信息参数生成基础框架图，即房间布局图；(52)基于采集的定位信息在基础框架图上标注像素中心点位置；(53)基于采集的姿态信息，以像素中心点为中心确认像素区域；(54)将心跳或呼吸频率转换成像素区域的灰度值；(55)确认生成图像。5.根据权利要求4所述的基于毫米波雷达的居家老人行为监...
【专利技术属性】
技术研发人员：张波，吴伟，赵冉，王文锋，孙叶，潘宇枫，孟庆博，奚航，
申请(专利权)人：南京信息职业技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。