本發(fā)明涉及安全保障，特別涉及一種基于wi-fi信號和多種傳感的防跳樓系統(tǒng)。

背景技術：

1、近年來，學校、醫(yī)院等敏感場所的高空跳樓事件頻繁發(fā)生，造成了無數(shù)家庭和社會的悲劇和損失。目前除了進行安全培訓和制定嚴格的安全標準等意識上的防范措施，現(xiàn)有的高處防范措施大多設置欄桿、電網等物理障礙物，但此舉不僅會阻礙用戶視野，產生緊張氣氛和不自由的感覺；且電網存在電擊風險，可能對用戶造成傷害。因此，實時檢測用戶行為可以避免設置物理障礙物帶來的傷害。基于計算機視覺來監(jiān)測高處危險跳樓行為，這種方法可以實時捕捉用戶在高處的行為。然而在一些特殊場景下，如醫(yī)院病房、養(yǎng)老院、校園等，設置攝像頭，用戶可能會感覺不自在，隱私需求更為敏感和重要，這種圖像方法隱私性較弱?；谠O備的傳感方法利用加速度傳感器、陀螺儀等可穿戴傳感器進行人類活動識別，然而這種可穿戴傳感器要求用戶必須佩戴傳感器，行動及其不便，長期使用缺乏舒適性，不適應大部分人的生活習慣。

技術實現(xiàn)思路

1、本發(fā)明的目的在于，提供一種基于wi-fi信號和多種傳感的防跳樓系統(tǒng)。本發(fā)明可以檢測可能會導致跳樓的危險行為動作，并進行相應保護措施的啟動，能夠實現(xiàn)早預防、早反應，同時具有準確性高，反應靈敏的優(yōu)點。

2、本發(fā)明的技術方案：基于wi-fi信號和多種傳感的防跳樓系統(tǒng)，包括數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊、數(shù)據(jù)識別模塊和多模態(tài)數(shù)據(jù)決策融合模塊和保護措施模塊；

3、所述數(shù)據(jù)采集模塊用于獲取csi數(shù)據(jù)和物理傳感數(shù)據(jù)；

4、所述數(shù)據(jù)處理模塊用于對csi數(shù)據(jù)和物理傳感數(shù)據(jù)進行預處理；

5、所述數(shù)據(jù)識別模塊分別對預處理后的csi數(shù)據(jù)和物理傳感數(shù)據(jù)進行分類識別，以獲取分類識別結果；

6、所述多模態(tài)數(shù)據(jù)決策融合模塊根據(jù)分類識別結果使用邏輯與運算進行決策級融合，得到決策結果；

7、所述保護措施模塊根據(jù)所述決策結果進行不同級別的保護措施啟動。

8、上述的基于wi-fi信號和多種傳感的防跳樓系統(tǒng)，所述數(shù)據(jù)采集模塊中，物理傳感數(shù)據(jù)是由紅外測距傳感器、超聲波傳感器和壓力傳感器進行獲??；所述紅外測距傳感器用于快速檢測人體是否靠近危險位置；所述超聲波傳感器用于確定人體與危險位置的實際距離；所述壓力傳感器設置在危險位置處，用于檢測人體是否在危險位置處施加壓力。

9、前述的基于wi-fi信號和多種傳感的防跳樓系統(tǒng)，所述數(shù)據(jù)處理模塊中，物理傳感數(shù)據(jù)的預處理是根據(jù)csi信號的時間戳自動分割，獲取相同持續(xù)時間的數(shù)據(jù)樣本，最后對數(shù)據(jù)進行標準化處理。

10、前述的所述的基于wi-fi信號和多種傳感的防跳樓系統(tǒng)，所述數(shù)據(jù)識別模塊中，利用支持向量機對預處理后的物理傳感數(shù)據(jù)信號進行距離是否危險以及人體是否在危險位置施加壓力的二分類。

11、前述的所述的基于wi-fi信號和多種傳感的防跳樓系統(tǒng)，所述數(shù)據(jù)采集模塊中，csi數(shù)據(jù)是由發(fā)射器和接收器組成的wifi數(shù)據(jù)收集系統(tǒng)進行獲??；其中發(fā)射器的天線數(shù)為1，接收器的天線數(shù)為3，子載波數(shù)為30，數(shù)據(jù)采樣率設置為1000hz，采集2s，每個csi數(shù)據(jù)由90×2000的矩陣構成。

12、前述的所述的基于wi-fi信號和多種傳感的防跳樓系統(tǒng)，所述數(shù)據(jù)處理模塊中，csi數(shù)據(jù)的預處理是首先對csi數(shù)據(jù)的幅值進行歸一化處理：

13、

14、其中，xnormalization為歸一化后的數(shù)據(jù)；μ為所有樣本數(shù)據(jù)的均值，σ為所有樣本數(shù)據(jù)方差。

15、然后對歸一化后的數(shù)據(jù)進行降采樣，將原本的2000個時間步降采樣為500個時間步，重新調整為一個三維數(shù)組(3,30,500)。

16、前述的所述的基于wi-fi信號和多種傳感的防跳樓系統(tǒng)，所述數(shù)據(jù)識別模塊中，利用神經網絡對預處理后的csi數(shù)據(jù)進行動作識別與分類。

17、前述的所述的基于wi-fi信號和多種傳感的防跳樓系統(tǒng)，所述神經網絡包括依次順序鏈接的第一卷積層、第一池化層、第二卷積層、第二池化層和全連接層；其中第一卷積層的使用尺寸為3×30×500的csi數(shù)據(jù)，接受3個輸入通道，輸出16個通道，使用5x5的卷積核，使用relu激活函數(shù)，該層的輸出尺寸為16×26×496；第一池化層和第二池化層均采用最大池化層，對特征圖進行下采樣，將尺寸減半，第一池化層的輸出尺寸為16×13×248；第二個卷積層接受16個輸入通道，輸出32個通道，使用5x5的卷積核，第二個卷積層的輸出尺寸為32×9×244，經過relu激活函數(shù)和第二池化層后的輸出尺寸為32×4×122；最后的全連接層包含兩個線性層，實現(xiàn)從卷積層到輸出類別的映射；在第一個線性層后使用relu激活函數(shù)，最后一個線性層輸出大小為num_classes，表示模型最終分類的類別數(shù)目。

18、前述的所述的基于wi-fi信號和多種傳感的防跳樓系統(tǒng)，所述神經網絡中還設有用于進行危險動作判斷的函數(shù)，用于將模型動作分類的預測值進行是否危險的判斷；其中，函數(shù)根據(jù)設定的邊界值boundary將預測值小于邊界值的部分判定為危險，大于等于邊界值的部分判定為安全。

19、前述的所述的基于wi-fi信號和多種傳感的防跳樓系統(tǒng)，所述多模態(tài)數(shù)據(jù)決策融合模塊根據(jù)分類識別結果使用邏輯與運算進行決策級融合，得到決策結果，具體是：

20、將csi數(shù)據(jù)的分類結果表示為predict_csi、距離數(shù)據(jù)的分類結果表示為predict_d，壓力傳感器數(shù)據(jù)的預測為predict_p，使用邏輯與運算進行決策級融合：

21、用戶行為危險等級為三級代表有跳樓的傾向，有以下兩種情況：predict_d分類為1，predict_csi分類為1，predict_p分類為0，即用戶距離窗戶過近，所作動作危險，但具體行為并未在窗戶上施加壓力；predict_d分類為1，predict_csi分類為0，predict_p分類為1，即用戶距離窗戶過近，所作動作安全，但在窗戶上施加壓力；

22、行為危險等級為二級代表用戶正在跳樓，有以下一種情況：predict_d、predict_csi和predict_p都為1，即用戶在窗戶前做危險動作；

23、如果用戶觸發(fā)第二級別，且所述保護措施模塊沒能保護到，定義該行為危險等級為一級；

24、以下行為則定義為安全：只要predict_d為0的所有情況，即用戶在距離窗戶遠的位置，沒有跳樓的風險；predict_d分類為1，predict_csi分類為0，predict_p分類為0，即用戶只是距離窗戶過近，但未做跳樓的動作，即行為是安全的。

25、前述的所述的基于wi-fi信號和多種傳感的防跳樓系統(tǒng)，所述保護措施模塊根據(jù)所述決策結果進行不同級別的保護措施啟動，具體是：

26、對于第三級別的危險行為，所述保護措施模塊對通過語音提示、語音警告或視覺方式進行提醒，讓用戶意識到潛在的危險情況；

27、對于第二級別的危險行為，所述保護措施模塊通過部署物理保護措施，以確保用戶的安全；

28、對于第一級別的危險行為，所述保護措施模塊自動觸發(fā)警報機制。

29、與現(xiàn)有技術相比，本發(fā)明具有以下有益效果：

30、1、本發(fā)明采用基于wi-fi的方法進行人體動作識別，避免了計算機視覺方法的隱私侵犯等問題，從而避免用戶因隱私泄露的顧慮，適用于需要隱私保護的環(huán)境和場景下的危險動作識別需求。本發(fā)明無需用戶佩戴傳感器，避免了可穿戴傳感器不舒適的缺點，極大地提高了用戶的舒適性，真正意義上實現(xiàn)了非侵入式的無感識別。本發(fā)明基于多模態(tài)數(shù)據(jù)的危險動作識別結合了多種優(yōu)勢，具有很高的應用潛力，可以在高空墜落等危險場景中發(fā)揮重要作用，提升安全性并避免悲劇事件的發(fā)生。

31、2、本發(fā)明的物理傳感數(shù)據(jù)是由紅外測距傳感器、超聲波傳感器和壓力傳感器進行獲取，紅外測距傳感器可以快速檢測人體是否靠近危險位置，而超聲波傳感器可以提供更精確的測量距離，從而確定人體與危險位置的實際距離。由于紅外測距傳感器對于靠近物體的檢測非常敏感，但極易受熱源、光源影響，超聲波傳感器則不敏感，但超聲波發(fā)射頭產生的波形會因其他障礙物的干擾，產生測量誤差，因此本發(fā)明結合這兩種傳感器可以彌補彼此的不足，確保在整個距離范圍內都能有效地檢測到人體位置和距離。本發(fā)明壓力傳感器設置在危險位置處，可以檢測人體是否在危險位置處施加壓力，進而更加方便后續(xù)的決策。

32、3、目前由于基于距離和csi信號的訓練數(shù)據(jù)集非常有限，尤其缺少在室內高處的危險環(huán)境下的人體動作數(shù)據(jù)集，因此本發(fā)明為豐富危險環(huán)境下人體運動的數(shù)據(jù)集，在數(shù)據(jù)收集時構建了采用多種傳感器的距離數(shù)據(jù)采集機制，進而可以實現(xiàn)模型訓練的數(shù)據(jù)獲取。