摘要
随着全球老龄化趋势的不断加剧，老年人口逐渐成为社会中一个日益庞大的群体，而老年人摔倒所导致的意外事故占据了其主要的健康威胁之一。在这一背景下，研究摔倒检测系统则显得尤为重要。传统的摔倒检测系统主要基于摄像头、加速度计等传感器，然而这些系统在一些特定场景和隐私性要求较高的环境中存在一定的局限性。 毫米波雷达凭借其毫米波雷达作为一种使用毫米波频段进行探测的无线通信技术，具有全天候、非接触和隐私保护等特点，可以满足在不同场景下对摔倒检测的高精度、隐私性强的需求，构建一种能够在复杂室内环境中精准监测老年人运动状态的系统，在摔倒检测领域显示出巨大的应用潜力。 本文详细设计了一个基于毫米波雷达的摔倒检测系统，通过机器学习的方式实现摔倒检测，包括构建毫米波雷达数据集、摔倒检测算法设计、实验评估以及模型迁移学习能力提升。首先，为弥补现有数据集在规模、多样性和公共访问方面存在限制的问题，构建了一个基于毫米波的雷达点云数据集mFall,并根据点云数据特性进行了预处理。其次，在算法设计方面，为了提升摔倒检测的准确度，针对点云数据特性设计并应用了适用于摔倒检测的七个模型，通过实验评估了模型在所开发的数据集上的检测效果。最后，测试了代表性模型的迁移学习的能力，对基于毫米波雷达点云数据集的模型进行参数微调效果，以提升摔倒检测模型的泛化能力。 本文中构建的基于毫米波的雷达数据集mFall,可以灵活地组合来自各类别的数据，为摔倒检测领域提供了新的基准数据集，从而支撑摔倒检测领域的模型准确度测试和迁移能力测试。通过在mFall上对7个有代表性的分类器进行了评估和设计，可以实现摔倒检测99％以上的正确率。通过对模型的微调，使得模型在不同场景下迁移学习的能力有显著提高。
NETL