具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种一种透射式智能超表面辅助的跌倒检测方法与系统，无需通过佩戴智能传感器、无需额外的内部信号源即可在空间内实现跌倒检测。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供的一种透射式智能超表面辅助的跌倒检测方法，包括：

步骤101：对透射式智能超表面进行周期性切换配置。

步骤102：获取当前切换周期透射式智能超表面的配置下的多天线接收机的接收天线信号。

步骤103：根据所述接收天线信号提取特征向量。

步骤104：将所述特征向量输入编码-译码器神经网络，得到重构特征向量。

步骤105：根据所述特征向量和所述重构特征向量确定跌倒指数。

步骤106：判断所述跌倒指数是否大于设定跌倒阈值，得到第一判断结果。若所述第一判断结果表示所述跌倒指数大于设定跌倒阈值，则执行步骤107；若所述第一判断结果表示所述跌倒指数小于或者等于设定跌倒阈值，则执行步骤108。其中，所述设定跌倒阈值为设定倍数的训练数据集中的平均跌倒指数。

步骤107：确定人员发生跌倒。

步骤108：确定人员处于正常状态。

在实际应用中，所述步骤108，之后还包括：

判断所述最优配置下的接收天线信号的方差在设定周期内是否小于设定阈值，得到第三判断结果。

若所述第三判断结果表示所述最优配置下的接收天线信号的方差在设定周期内小于设定阈值，则获取人员处于正常状态时对应的特征向量。

根据所述人员处于正常状态时对应的特征向量对所述编码-译码器神经网络的权重和平均跌倒指数进行更新。

在实际应用中，所述步骤101之前，还包括：

确定所述透射式智能超表面的最优配置。其中，所述确定所述透射式智能超表面的最优配置，具体包括：对所述透射式智能超表面进行初始配置。获取透射式智能超表面初始配置下的多天线接收机的接收天线信号。根据所述透射式智能超表面初始配置下的多天线接收机的接收天线信号进行优化配置，确定透射式智能超表面的最优配置。

根据所述最优配置下的接收天线信号进行人员检测。

其中，所述根据所述最优配置下的接收天线信号进行人员检测，具体包括：

对所述透射式智能超表面进行最优配置；获取最优配置下的接收天线信号；判断所述最优配置下的接收天线信号的方差在设定周期内是否大于设定阈值，得到第二判断结果；若所述第二判断结果表示所述最优配置下的接收天线信号的方差在设定周期内大于设定阈值，则确定人员进入；若所述第二判断结果表示所述最优配置下的接收天线信号的方差在设定周期内小于或者等于设定阈值，则确定当前待测空间内无人员进入并返回步骤“获取最优配置下的接收天线信号”。

在实际应用中，所述编码-译码器神经网络的预训练过程具体包括：

以所述特征向量为所述编码-译码器神经网络的输入，以重构特征向量为输出，以重构特征向量和输入的特征向量之间的平均误差为损失函数，对神经网络进行优化训练，确定所述编码-译码器神经网络的权重及平均跌倒指数。其中，平均误差具体为差的绝对值平方的平均值。

在实际场景中，如图2所示，本发明提供的透射式智能超表面辅助的跌倒检测方法包括以下三个阶段。

透射式智能超表面初始配置优化过程

透射式智能超表面配置选择过程中，随机选取K个配置，每一个配置c由随机的0-1组成。多天线接收机记录在透射式智能超表面处于不同配置的时候，N_Rx根接收天线收到的信号，记为向量y_k～(k∈[1，K])。为了保证配置之间产生的波束具有明显差异，计算机将优化K个配置，最小化y₁，...，y_k个向量之间两两互相关的值，即求解如下透射式智能超表面配置最优化问题：

其中，c₁，...，c_K代表了透射式超平面的K个配置，代表y_k的共轭转置，k′和k都是[1，K]之间的序数，且k′≠k。y_k、y_k′分别表示第k和k′号配置下，N_Rx根接收天线到的信号组成的接收信号向量。

经过透射式智能超表面初始配置选择过程透射式智能超表面确定的K个配置记为在空间中无人员的情况下，记多天线接收机N_Rx根接收天线收到的信号为向量

预训练过程

在预训练过程中，多名不同的测试人员依次单独进入房间内，进行正常的动作，包括站立，走动，跑步，蹲起等。在过程中，超表面周期性的依次切换其配置为每一个配置均持续δ秒，因此，每一个周期持续Kδ秒，记其为一个配置切换周期。

在第t个配置切换周期中的第k个配置持续的δ秒内，多天线接收机N_Rx根接收天线记录收集到的基带信号会传递给计算机，计算机会记录采样信号的平均值，以及若干统计特征量，包括最大-最小值、方差、变化速率。

记第t个配置切换周期中K个配置下，N_Rx根天线接收信号的平均值以及统计特征组成的向量为第t个配置切换周期的特征向量f^(t)。

总计收集T个配置切换周期的数据，则收集到一个规模为T的数据集每一个数据包含有特征向量f^(t)。

计算机通过使用机器学习算法，可以对一种参数算法(如神经网络算法和支持向量机算法)，得到可以通过实时收集到的数据判断人员是否跌倒的算法。

考虑到数据集一般只能包含正常活动的数据(人员发生跌倒的情况随机性强难以预先收集)，收集到的数据集是单一类别的数据集，需要使用非监督学习算法，进行异常检测。

对此，本发明采用适用于单类异常检测，并且适用于海量数据的编码器-译码器神经网络算法(Encoder-Decoder Network)，并且在其中加入了LSTM(Long-short termmemory)核使其具有能提取特征向量时间相关性的能力，使得神经网络可以根据接收信号特征在多个切换周期内表现出来的趋势判断人员的跌倒与否，增强跌倒检测的精度。

如图2所示，编码-译码器神经网络算法中，网络输入层和输出层的维度都是特征向量的维度，记为N_F。中间包含了两层节点数递减的全连接层作为编码器，一层拥有S长度记忆步数的LSTM(Long-short term memory)层用于提取特征向量之间的时序相关性，两层节点数递增的全连接层作为译码器。

编码-译码器神经网络算法的输入是特征向量f^(t)，经过中间层的压缩、抽象、结合时域信息、以及还原，在输出层输出一个经过重建的特征向量，记为记编码-译码器神经网络算法中所有的参数为向量w，则在预训练阶段，计算机通过优化器优化w，使得在收集到的数据集内，还原的特征向量和输入的特征向量之间的平均差异最小化。即

其中，求解得到的最优参数向量记为w^*。预训练过程完成。表示通过编码器-译码器重建得到的特征向量。

此外，编码-译码器神经网络使用w^*参数时，记

其中，为训练后平均跌倒指数，反映了经过优化后，平均的特征向量重建的差异。

状态监测过程

经过预训练，开始正常运行状态监测过程。系统首先会判断室内是否有人员进入，当人员进入后，开始持续监测阶段直到人员离开。

具体而言，分为如下4个阶段：

1初始空置阶段

在初始空置阶段下，透射式智能超表面保持c＝0，多天线接收机持续接收空间中的信号，传输给计算机，计算每一根δ时间内接收信号的方差。

当计算机计算某一根或多根接收天线上信号方差持续N_In个周期大于σ时，判断人员进入，系统进入跌倒监测阶段。

2跌倒监测阶段

在本阶段中，透射式智能超表面周期性的依次切换其配置为每一个配置均持续δ秒。

在第t个配置切换周期中，多天线接收机的多路接收基带信号传输给计算机，提取得到特征向量f^(t)。

编码-译码器神经网络使用优化后的参数w^*，输入f^(t)，得到计算机计算跌倒指数如果则判定人员在t周期内发生了一次跌倒；否则，认为人员处于正常状态。其中β＞1是一个倍数，体现了当当前的跌倒指数大于多少倍的训练后平均跌倒指数时，系统认为跌倒发生。

当计算机发现跌倒事件后，进入跌倒事件处理阶段。否则，进入下一个切换周期。

当持续N_out个切换周期内，计算机计算某所有接收天线上信号方差均小于σ时，判定人员离开，计算机控制系统进入在线训练阶段。

3跌倒事件处理阶段

当计算机判断出现跌倒后，会在显示器上提示人员检测发现跌倒，要求人员反馈是否跌倒。

如果人员反馈发生跌倒，或者超过L的时间内没有反馈，则计算机通过网络报告外部监护人员内部疑似人员跌倒需要帮助，跌倒事件处理完毕，进入结束状态。

当人员提示没有检测到跌倒的时候，系统会返回跌倒监测阶段。

4在线训练阶段

在在线训练阶段，系统会根据在持续监测状态内接收到的新的非跌倒数据，对编码-译码器神经网络进行在线训练(adaptive online training)，对权重w，以及训练后平均跌倒指数进行更新。由此，计算机利用最新的数据，进一步提升系统识别的准确度。

在线训练阶段完成后，系统会进入初始空置阶段。

如图3所示，本发明提供的一种透射式智能超表面辅助的跌倒检测系统，所述透射式智能超表面辅助的跌倒检测系统应用如上述所述的透射式智能超表面辅助的跌倒检测方法，所述透射式智能超表面辅助的跌倒检测系统包括：透射式智能超表面、多天线接收机5和计算机3。

所述透射式智能超表面设置在房间中靠近环境信号源1的一侧墙壁上；所述透射式智能超表面包括透射式超表面2和超表面智能控制电路4；所述透射式超表面2包括多个透射超材料单元；多个所述透射超材料单元铺设在所述一侧墙壁上；所述超表面智能控制电路4用于控制所述透射式超表面2的配置；所述透射式智能超表面用于对所述环境信号源1进行波束赋形；所述多天线接收机5用于将经过所述波束赋形后的射频信号转换为接收天线信号；所述计算机3用于接收所述接收天线信号并根据所述接收天线信号判断人员是否发生跌倒。其中，环境信号源1为外部环境信号源。

其中，所述透射超材料单元包括镜像对称设置的两个表面层；所述表面层包括二极管、铜制印刷电路和与所述铜制印刷电路连接的介质板；所述二极管连接两个所述表面层的所述铜制印刷电路；所述二极管还与所述超表面智能控制电路4连接。

在实际场景中，考虑一般化的两个相邻的室内房间(如传统住宅中的客厅和卫生间，或者医院内的走廊和卫生间、更衣室等)，其中一个房间A为公共区域，而另一个房间B较为隐私。在这样的环境中部署有智能超表面辅助的跌倒检测方法与系统，该系统在无需视频、无需佩戴任何设备的情况下，可以监测进入B房间的人员(尤其是老人、病人等需要额外看护的对象)是否发生跌倒的状况，并在人员发生跌倒时进行警报和提示，从而既保护人员安全，又保护人员隐私。

该系统包括透射式智能超表面、多天线接收机5和计算机3。

其中，透射式智能超表面含有两个部分，一是透射式超表面2，其二是超表面智能控制电路4。透射式超表面2是由透射式超材料单元进行二维密铺组成的，记总共有N个透射超材料单元。透射式超材料单元均含有镜像对称设置两层表面层，并在每个表面层的有铜制印刷电路、介质板以及二极管，二极管连接了分离的两部分铜制印刷电路，并可以通过外加的电压的大小控制二极管的通断状态，从而影响该透射式超材料单元对于透射电磁波的透射系数。

透射式超表面2具有透射射频信号的能力，并且可以通过改变其各单元上加的电压。对透射的射频信号进行控制，从而控制透射后的射频信号的信号波束形状的目的。

图3中，外部环境信号源1发射的电磁信号经过透射式超表面2，被控制赋形为信号波束。记加在N个透射超材料单元的状态为向量c，该向量决定了透射超表面对于透射信号的波束赋形，该向量为超表面的配置。向量c中的每一个元素都是一个0-1序数，分别代表了二极管的断状态和通状态。

超表面智能控制电路4由FPGA和稳压电源组成。超表面智能控制电路4连接到透射式超表面2中每一个单元的二极管的电极，通过控制变容二极管的两侧电压的方式，控制透射式超表面2的配置。此外，为了简化透射式超表面2的控制复杂度，电路连接时，使临近的S个单元上的控制电压相同，并称其为一个宏单元。因此，透射式超表面2的配置c可以由N_mac＝N/S个宏单元的配置决定。其中，N_mac为透射超平面宏单元个数。

多天线接收机5由多根全向天线和一台无线信号收发机组成，接收经过透射式智能超表面进行波束赋形后，在空间中和人员进行相互作用并因此得到带有人员状态信息的射频信号。多天线接收机5可以同时接收多天线上的射频信号，将其变换为基带信号。基带信号将通过有线的方式传输到计算机3中进行后续处理。

计算机3收到多天线接收机5的基带信号，对基带信号进行信号处理，利用机器学习的算法提取人员的状态信息，判断人员是否跌倒。如果判断为跌倒，计算机3将首先通过显示器提示内部人员，让其在一定时间内反馈是否跌倒，如果设定时间内未能反馈，或者人员反馈跌倒，计算机3将通知救助人员施救。

此外，计算机3利用在线学习的算法，根据人员在房内正常/跌倒时候收集到的数据，对其机器学习算法进行在线训练，从而实现实时更新算法的效果，优化跌倒检测算法的准确度。

透射式智能超表面是一种可以允许电磁波从一侧穿透超表面到达另一侧，并在同时对透过超表面的信号实现波束赋形的设备，现有的透射式超表面2是由透射式超材料单元进行二维密铺组成的，记总共有N个透射超材料单元。这里透射式超材料单元均含有镜像对称设置两层表面层，并在每个表面层的有铜制印刷电路、介质板以及二极管，二极管连接了分离的两部分铜电路，并可以通过外加的电压的大小控制二极管的通断状态，从而影响该透射式超材料单元对于透射电磁波的透射系数。

本发明使用透射式超表面2，可以灵活重构无线信号的传播环境。通过在不同时间采取不同的配置，直观上，可以使探测不同空间位置的信号在接收端时域上可以分开，从而增大了接收信号中含有的空间信息的维度，从而使系统的姿势识别具有更高的精度。

本发明无需人员佩戴设备、保护隐私、不受障碍物影响、不需跌倒时具备更高准确率、具有实时更新能力的特点，具体为：

1)该跌倒检测系统不需目标人员佩戴任何可穿戴设备即可实现监测。

2)该系统使用射频(3GHz附近电磁信号)进行感知，相比于传统的基于摄像头的射频跌倒检测，具有保护隐私，不受障碍物遮挡的优势。

3)通过透射超表面对于空间中信号的波束赋形，并通过算法优化控制透射超表面的波束结果，可以让探测空间中目标人员的信号互相更加独立，从而获取更多的空间信息，相比传统环境不可控的射频姿势识别系统，具有更高的准确率。

4)相比已有的基于反射式超表面的姿势识别系统，本发明不需要额外的信号发射源，可以利用环境中已有的信号源，可以和环境中其它同频工作的设备共存。此外，系统中采用独特设计的非监督学习的算法，不需要依赖收集目标人员跌倒情况下的数据，即可实现跌倒检测，降低了数据集收集的难度；利用了每一个配置下接收信号的统计特征，以及采用LSTM层提取信号特征向量序列的时域联系，给予神经网络算法更丰富的信息来判断人员姿势，提升判断的准确度。更进一步，本发明具备在线学习的能力，支持在设备持续运行的过程中，计算机利用最新的数据实时更新算法，进一步提升系统识别实时准确度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。