中文引用格式： 李伟，李丹丹，丁奇宁，等. 基于毫米波雷达三维点云的室内跌倒检测[J]. 电子技术应用，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
据世界卫生组织报道，世界各国老年人的数量和占比都出现上升趋势，而老年人因跌倒而出现重伤和死亡的风险最大[1]。跌倒不仅对老年人造成身体伤害，也会引起消极恐惧的情绪，能够及时检测到跌倒并作出提醒尤为重要。因此，本文使用毫米波雷达三维点云进行人体跌倒检测，通过对人体姿态的分类准确地检测出人体跌倒的行为，增强独居老年人的安全保障。
实现跌倒检测的方法有基于可接触式和非接触式设备。常见的人体跌倒检测的可接触式设备是基于加速度传感器[2]和重力传感器[3]等，但需随身携带，影响日常生活，还会因未及时充电产生误报现象。非接触式设备主要有红外、Wi-Fi、摄像机和雷达等，基于摄像机的方法容易侵犯个人隐私，易受环境、信号的影响，激光雷达和超宽带雷达易受极端天气的影响，且价格比较昂贵，而毫米波雷达测量精度高、可全天时全天候工作，性价比高。因此本文使用毫米波雷达进行人体跌倒检测。
目前基于深度学习的毫米波雷达跌倒检测方法大多是使用深度卷积神经网络(CNN)对二维图像进行空间特征提取[4]。相比雷达的二维图像，三维点云图更直观形象，包含更丰富的有用信息。基于单帧点云的识别中，Pointnet网络[5]可通过排列不变的最大池化实现全局特征提取，而Pointnet++[6]在前者的基础上利用分层分组实现局部特征的提取，不断迭代实现全局特征提取。Pantomime网络[7]中结合Pointnet++和LSTM网络，提取所有帧的全局特征实现对手势的分类。FlickerNet模型[8]修改了分组操作，从相邻帧中提取运动和结构特征，但缺乏捕获长期关系的能力。PointLSTM模型[9]在此基础上，提出一种关于无序点云的新型LSTM单元，用于捕获点级别的长期关系。
受到以上方法的启发，本文提出一种基于外部注意力机制的PointLSTM网络结构实现点云在时空中的特征提取和分类识别，网络改进了PointLSTM帧间点信息的流失问题，并在信息提取中对所有数据实现特征联系，外部注意力机制通过独立的可学习参数优化了网络复杂度和识别精确率。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006143
作者信息：
李伟1，李丹丹1，丁奇宁1，马裕燚2，耿永福1
（1.北方工业大学 信息学院，北京 100043；
2.北方工业大学 电气与控制工程学院，北京 100043）
