中文引用格式： 李偉，李丹丹，丁奇寧，等. 基于毫米波雷達三維點云的室內跌倒檢測[J]. 電子技術應用，2024，50(9)：59-66.
英文引用格式： Li Wei，Li Dandan，Ding Qining，et al. Indoor fall detection based on millimeter-wave radar three-dimensional point cloud[J]. Application of Electronic Technique，2024，50(9)：59-66.
引言
據世界衛生組織報道，世界各國老年人的數量和占比都出現上升趨勢，而老年人因跌倒而出現重傷和死亡的風險最大[1]。跌倒不僅對老年人造成身體傷害，也會引起消極恐懼的情緒，能夠及時檢測到跌倒并作出提醒尤為重要。因此，本文使用毫米波雷達三維點云進行人體跌倒檢測，通過對人體姿態的分類準確地檢測出人體跌倒的行為，增強獨居老年人的安全保障。
實現跌倒檢測的方法有基于可接觸式和非接觸式設備。常見的人體跌倒檢測的可接觸式設備是基于加速度傳感器[2]和重力傳感器[3]等，但需隨身攜帶，影響日常生活，還會因未及時充電產生誤報現象。非接觸式設備主要有紅外、Wi-Fi、攝像機和雷達等，基于攝像機的方法容易侵犯個人隱私，易受環境、信號的影響，激光雷達和超寬帶雷達易受極端天氣的影響，且價格比較昂貴，而毫米波雷達測量精度高、可全天時全天候工作，性價比高。因此本文使用毫米波雷達進行人體跌倒檢測。
目前基于深度學習的毫米波雷達跌倒檢測方法大多是使用深度卷積神經網絡(CNN)對二維圖像進行空間特征提取[4]。相比雷達的二維圖像，三維點云圖更直觀形象，包含更豐富的有用信息。基于單幀點云的識別中，Pointnet網絡[5]可通過排列不變的最大池化實現全局特征提取，而Pointnet++[6]在前者的基礎上利用分層分組實現局部特征的提取，不斷迭代實現全局特征提取。Pantomime網絡[7]中結合Pointnet++和LSTM網絡，提取所有幀的全局特征實現對手勢的分類。FlickerNet模型[8]修改了分組操作，從相鄰幀中提取運動和結構特征，但缺乏捕獲長期關系的能力。PointLSTM模型[9]在此基礎上，提出一種關于無序點云的新型LSTM單元，用于捕獲點級別的長期關系。
受到以上方法的啟發，本文提出一種基于外部注意力機制的PointLSTM網絡結構實現點云在時空中的特征提取和分類識別，網絡改進了PointLSTM幀間點信息的流失問題，并在信息提取中對所有數據實現特征聯系，外部注意力機制通過獨立的可學習參數優化了網絡復雜度和識別精確率。
本文詳細內容請下載：
http://www.tom3567.com/resource/share/2000006143
作者信息：
李偉1，李丹丹1，丁奇寧1，馬裕燚2，耿永福1
（1.北方工業大學 信息學院，北京 100043；
2.北方工業大學 電氣與控制工程學院，北京 100043）
