一种基于WiFi的老人智能监护方法技术

本发明专利技术公开了一种基于WiFi的老人智能监护方法，步骤如下：通过WiFi设备收集监测区域的CSI数据；对CSI数据进行预处理，判断属于静态环境还是动态环境；判断为静态环境时，将预处理CSI数据通过GA

【技术实现步骤摘要】
一种基于WiFi的老人智能监护方法


[0001]本专利技术涉及智能监护
，具体涉及一种基于WiFi的老人智能监护方法。

技术介绍

[0002]随着老龄化进程加剧，家中老人的监护问题逐渐成为社会热议话题。目前市场上较为流行的监护手段分为Device
‑
based和Device
‑
free两大类，Device
‑
based是基于可穿戴设备的，其最常见的就是基于传感器的方法，Device
‑
based通过附着在人身上的传感器来收集相关数据，具有装饰性、成本低等优点。但是可穿戴传感器存在续航时间短、携带不便等问题，老年人容易出现忘记穿戴、不会使用等情况，这些问题会导致可穿戴传感器难以实现全天候的监护。非侵入式的监护方法市场通用计算机视觉技术作为监测手段，但该技术的实现载体——监控摄像头，对于普通家庭而言，成本较高，并且在黑暗环境下检测精度较低，方位布局复杂，不支持非视距监护。此外，视频监护，可能会侵犯到老年人的隐私。
[0003]为了解决老人的监护问题，同时为了解决传统监控设备，网络摄像头存在隐私保护以及机器视觉算法对危险情况识别的实现需要复杂的软件和处理需求的问题；以及克服传统侵入式监护设备易遗忘、续航低的不足。
[0004]现阶段市面上已经存在老人监护的专利有一种基于物联网技术的智能化养老护理服务系统(专利号：CN113180947A)，以及一种基于WiFi的老人智能监护方法、系统及介质(专利号：CN108614989B)。前者是通过在医疗护理床上植入各种特定功能的传感器模块，利用多种免触式传感器来监测用户的呼吸频率、心率和动脉搏动等，采用智能化控制的方式帮助监护者对老人进行更好的监护管理；后者是通过对CSI幅度值的JS散度和随机森林后的CSI相位进行赋权运算，对计算结果与模型数据进行比较，达到危险识别的目的。与本系统相比，市面上的系统往往功能较为单一，缺少通过机器学习、智能算法的角度分析的思想较少。

技术实现思路

[0005]本专利技术的目的是为了解决现有技术中的上述缺陷，提供一种基于WiFi的老人智能监护方法。
[0006]本专利技术的目的可以通过采取如下技术方案达到：
[0007]一种基于WiFi的老人智能监护方法，所述老人智能监护方法包括以下步骤：
[0008]S1、通过WiFi设备收集被监测家庭区域的CSI数据；
[0009]进一步地，所述步骤S1中收集CSI数据的过程如下：在被监测家庭区域中安装好WiFi信号发射器和接收器，并搭载好CSI数据实时收集和处理工具，WiFi的工作频率选用5GHz。
[0010]S2、对收集的CSI数据进行预处理，获取预处理CSI数据；
[0011]S3、根据预处CSI理数据判断属于静态环境还是动态环境；
[0012]S4、在判断为静态环境时，将所述预处理CSI数据输入至静态数据处理器，静态数
据处理器获取经过机器学习后的第一预训练目标模型，并通过第一预训练目标模型对预处理CSI信息对“发呆、睡眠、无人”三种情况进行识别，计算睡眠时间下心率、呼吸情况；
[0013]S5、在判断为动态环境时，将所述预处理CSI数据输入至动态数据处理器，动态数据处理器获取经过机器学习后的第二预训练目标模型，并通过第二预训练目标模型对预处理CSI信息进行危险行为识别。
[0014]进一步地，所述步骤S2过程如下：
[0015]S2.1、将收集的CSI原始数据分离获取幅值数据和相位数据；
[0016]S2.2、对所述幅值数据和相位数据进行线性插值补全，根据数据序列中需要插值的点的左右临近两个数据的均值作为估值，使用该估值方法，相较于高阶插值，运算复杂度低，速度快；
[0017]S2.3、通过对不同子载波的相位数据求取差值，获取相位差数据，并且需要限制相位差的值在[
‑
π,π]之间；
[0018]S2.4、通过hampel滤波和主成分分析的方式对幅值数据和相位差数据进行除杂，滤波所选窗口大小为50，通过对所取窗口区间定位每个与区间中值μ相差超过三个标准差σ的样本数据作为离群点进行剔除，以此消除离群点对结果的影响，提高了结果的准确性；
[0019]S2.5、计算幅值数据和相位差数据的方差，选取方差最大的幅值数据和相位差数据作为最优子载波幅值数据和最优相位差数据，选取出的最优子载波幅值数据和相位差数据一般包含最多的信息，将两组数据作为后续运算的对象，可以在保证结果准确性的同时，大大减少运算量，提高运算速度。
[0020]进一步地，所述步骤S3过程如下：
[0021]S3.1、通过滑动窗口截取每2秒时间下的幅值数据和相位数据，并计算数据均值，为了保证灵敏度，截取的窗口不宜过长，过长可能导致单次运算量大，过短可能导致幅值数据和相位数据所含信息量过少，出现误判，2秒大小的窗口比较适宜；
[0022]S3.2、根据计算结果与存储器中的静态数据以及动态数据进行比较，判断当前数据采集时段是处于静态状态还是处于动态状态，所述比较步骤不涉及模型训练，运算较为简单，可以快速对数据进行快速分类。
[0023]进一步地，所述步骤S4中过程如下：
[0024]S4.1、初始化预训练之前的第一目标模型；
[0025]S4.2、通过在没有任何运动物体的实验场景收集CSI数据，并重复收集不同场景下静态环境的CSI数据作为训练数据，将训练数据经过预处理后对第一预训练目标模型进行生成，并保存至存储器中；
[0026]S4.3、将最优幅值数据进行带通滤波，使用巴特沃斯滤波器，通带区间选取0.1～0.5Hz，通过滤除呼吸以外的频率分量，以此去除其他频率的干扰，再求取呼吸范围内的频谱数据，最后通过快速傅里叶变换计算出呼吸速率；
[0027]S4.4、将最优相位数据进行DWT细节系数提取，通过带通滤波获取心率范围内的频谱数据，使用巴特沃斯滤波器，通带区间选取1～1.67Hz，滤除心率以外的频率分量，最后通过快速傅里叶变换计算出心率。
[0028]进一步地，所述步骤S4.2中静态环境的训练数据收集需要的场景包括：“环境中有人在发呆”、“环境中有人睡眠”和“环境中无人”三种场景，“环境中有人睡眠”的场景下，睡
眠的位置应当是人经常睡眠的位置，通过更替不同的人、“发呆”位置，收集多组数据，以实现优良训练数据的收集，保证训练数据的丰富度，使模型鲁棒性更高。
[0029]进一步地，所述步骤S5中过程如下：
[0030]S5.1、初始化预训练之前的第二目标模型；
[0031]S5.2、通过在实验环境中，模拟摔倒、室内入侵行为，对于摔倒，需要在实验环境的不同位置、采取不同姿势、不同实验人员收集不同情况的数据；对于室内入侵，需要不同的人进行实验以收集更多情况的数据。重复收集多组数据作为训练数据，通过训练数据对第二预训练目标模型进行生成，并保存至存储器中。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于WiFi的老人智能监护方法，其特征在于，所述老人智能监护方法包括以下步骤：S1、通过WiFi设备收集被监测家庭区域的CSI数据；S2、对收集的CSI数据进行预处理，获取预处理CSI数据，得到幅值数据和相位差数据；S3、根据预处理CSI数据判断属于静态环境还是动态环境；S4、在判断为静态环境时，将所述预处理CSI数据输入至静态数据处理器，静态数据处理器获取经过机器学习后的第一预训练目标模型，并通过第一预训练目标模型对预处理CSI信息对“发呆”、“睡眠”、“无人”三种情况进行识别，计算睡眠时间下心率、呼吸情况；S5、在判断为动态环境时，将所述预处理CSI数据输入至动态数据处理器，动态数据处理器获取经过机器学习后的第二预训练目标模型，并通过第二预训练目标模型对预处理CSI信息进行危险行为识别。2.根据权利要求1所述的一种基于WiFi的老人智能监护方法，其特征在于，所述步骤S2过程如下：S2.1、将收集的CSI原始数据分离获取幅值数据和相位数据；S2.2、对所述幅值数据和相位数据进行插值补全；S2.3、对插值补全后的相位数据求取相位差；S2.4、通过hampel滤波和主成分分析的方式对幅值数据和相位差数据进行除杂；S2.5、对幅值数据和相位差数据选取最优的子载波幅值数据和最优相位差数据。3.根据权利要求1所述的一种基于WiFi的老人智能监护方法，其特征在于，所述步骤S3过程如下：S3.1、通过滑动窗口截取每个指定长度时段的幅值数据和相位数据，并计算数据均值；S3.2、根据计算结果与存储器中的静态数据以及动态数据进行比较，判断当前数据采集时段是处于静态状态还是处于动态数据状态。4.根据权利要求1所述的一种基于WiFi的老人智能监护方法，其特征在于，所述步骤S4中过程如下：S4.1、初始化预...

【专利技术属性】
技术研发人员：陈炳赞，蔡洽凯，林若轩，王璐瑶，王泉森，郑浩龙，李瑾，杨光华，杨宗林，
申请(专利权)人：暨南大学，
类型：发明
国别省市：