基于Zigbee与深度学习的人体活动连续识别（站立、行走、跌倒）.docxVIP

PAGE2

基于Zigbee与深度学习的人体活动连续识别（站立、行走、跌倒）

摘要

随着人口老龄化加剧，老年人居家监护已成为社会关注焦点。传统视频监控方案存在隐私泄露风险，可穿戴设备又存在佩戴不便、忘记充电等问题。本文设计并实现了一种基于Zigbee无线信号RSSI与深度学习的人体活动连续识别系统，可无感识别站立、行走及跌倒三种活动，为老人远程监护提供低成本、高隐私保护的解决方案。

本课题围绕“信号采集—数据预处理—活动建模—实时识别—报警推送”的工程链路展开。首先通过Zigbee节点采集人体活动引起的RSSI序列变化，利用滑动窗口提取时序特征；然后构建双层LSTM网络对三种活动进行分类，并针对跌倒事件触发即时报警。系统采用终端节点-协调器-上位机的三层架构，协调器汇总RSSI数据并通过串口上传至PC，上位机软件完成实时识别与可视化展示。

全文共分八章。第一章分析老人监护的现实痛点与现有方案局限；第二章论证Zigbee与LSTM的技术适用性；第三章细化功能与非功能需求；第四章给出系统总体架构与模块划分；第五章深入设计数据预处理、模型训练与推理等核心模块；第六章展示关键实现与运行效果；第七章通过功能与精度测试验证系统有效性；第八章总结成果并展望未来改进方向。本设计的核心创新在于将Zigbee低成本通信与深度学习时序建模相结合，实现纯被动式、非视距的连续活动识别，准确率可达92%