1.一种基于改进Transformer的毫米波雷达跌倒检测方法，其特征在于，包括以下步骤：

1)设置用于采集实验人员动作姿态数据的毫米波雷达参数；

2)通过毫米波雷达采集实验人员做出的跌倒、行走、坐下和静止四种动作姿态的N组数据，并将N组数据均保存为bin文件，构成原始人体姿态数据集；所述N组数据均为毫米波雷达发射信号和接收信号进行混频处理后的数据中频信号；

3)对原始人体姿态数据集中的bin文件进行预处理，得到人体姿态距离‑‑多普勒频谱，并保存为npy文件，将其构建成人体姿态数据库；所述人体姿态数据库包括训练集和测试集；

4)基于Tensorflow框架使用Python编程搭建人体姿态深度学习网络模型；所述人体姿态深度学习网络模型包括人体姿态特征预提取模型、人体姿态特征提取模型和人体姿态分类输出模型；

5)将步骤3)构建的人体姿态数据库中的训练集和测试集分别输入搭建的人体姿态深度学习网络模型中，对深度学习网络模型进行训练和测试。

6)完成训练和测试的人体姿态深度学习网络模型接收毫米波雷达采集的待检测人员的人体姿态数据，并根据训练过程中学习到的参数计算输入数据中跌倒、行走、坐下和静止各个类别的概率，输出概率值最大的为各个类别的预测结果，根据预测结果判定是否跌倒，实现跌倒检测。

2.根据权利要求1所述的一种基于改进Transformer的毫米波雷达跌倒检测方法，其特征在于：所述步骤1)中，毫米波雷达采用单发单收天线，并将其起始频率设为77GHz；扫频斜率设为25MHz/us；每个Chirp的持续时间设为50us；采集每帧数据的周期设为50us。

3.根据权利要求1所述的一种基于改进Transformer的毫米波雷达跌倒检测方法，其特征在于：所述步骤2)中，N组数据的总数量为2000组，其中，1‑500组为跌倒数据、501‑1000组为行走数据、1001‑1500组为坐下、1501‑2000组为静止数据。

4.根据权利要求3所述的一种基于改进Transformer的毫米波雷达跌倒检测方法，其特征在于：所述步骤3)具体包括以下步骤：

31)将bin文件做一维FFT处理得到数据中频信号的距离频谱，并通过平均相消法滤除距离‑‑多普勒频谱范围内的静态目标，生成动态目标的距离频谱；

32)对动态目标的距离频谱做二维FFT处理，得到人体姿态距离‑‑多普勒频谱；所述人体姿态距离‑‑多普勒频谱的帧数为60，距离维度为60，速度维度为126；

33)将人体姿态距离‑‑多普勒频谱均保存为npy文件，并将npy文件分别以fall、walk、sit和motionless的文件名标注，并将标注为fall、walk、sit和motionless的人体姿态距离‑‑多普勒频谱分别以4：1的比例随机划分为训练集和测试集，并将训练集和测试集构建为人体姿态数据库；其中，fall代表跌倒数据，walk代表行走数据，sit代表坐下数据，motionless代表静止数据。

5.根据权利要求4所述的一种基于改进Transformer的毫米波雷达跌倒检测方法，其特征在于：所述步骤33)中，所述训练集内的npy文件，文件名标注为fall、walk、sit和motionless的人体姿态距离‑‑多普勒频谱的数量均为400组，总计1600组；所述测试集内的npy文件，文件名标注为fall、walk、sit和motionless的人体姿态距离‑‑多普勒频谱的数量均为100组，总计400组。

6.根据权利要求4所述的一种基于改进Transformer的毫米波雷达跌倒检测方法，其特征在于：所述步骤41)中，人体姿态特征预提取模型的搭建，首先对输入的人体姿态距离‑‑多普勒频谱的数据做池化操作，缩小其尺寸，然后将其包含的每帧数据作为一个Patch通过全连接层映射输出，并将映射输出的每帧数据加上位置信息，得到特征图。

7.根据权利要求4所述的一种基于改进Transformer的毫米波雷达跌倒检测方法，其特征在于：所述步骤41)中，人体姿态特征提取模型为四个不同尺寸Radar Transformer Block模块组成的金字塔结构，其搭建时，将输入的特征图依次经过四个不同尺寸的Radar Transformer Block模块进行处理，并在每个Radar Transformer Block模块的末端均加入一个平均池化层，将每次输出的特征图的维度依次进行改变；

其中，每个Radar Transformer Block模块内部均包括通道注意力机制和Transformer中的Encoder结构；输入的特征图在每个Radar Transformer Block模块内先经过通道注意力机制计算每个通道的权重，强调包含重要信息的特征图，忽略部分无关紧要的特征图；再经过Encoder结构进行归一化处理，并输入到多头注意力机制(Multi‑head Attention,MHA)进行处理。

8.根据权利要求4所述的一种基于改进Transformer的毫米波雷达跌倒检测方法，其特征在于：所述步骤41)中，人体姿态分类输出模型是由全连接层和Softmax层搭建而成的神经网络MLP；所述全连接层为三层，Softmax层为一层；三层所述全连接层的节点书依次为

128、64和4；

所述全连接层的前两层采用高斯误差线性单元(Gaussian Error Linear Units,GELU)激活函数，其表达式为：第三层采用Softmax激活函数，将全连接层的输出向量标准化，使其各元素和为1，用于表征网络最终对跌倒、行走、坐下和静止四种动作的预测概率；

所述Softmax激活函数的表达式为： 其中，zi为第i个节点

的输出值，C为节点的输出个数，即分类类别数。

9.根据权利要求5所述的一种基于改进Transformer的毫米波雷达跌倒检测方法，其特征在于：所述步骤5)中，深度学习网络模型的训练，将训练集中的1600组数据输入深度学习网络模型进行迭代训练，对输出的预测结果同真实类别标注送入损失函数记录损失值，利用随机梯度下降(SGD)优化算法进行优化，更新网络参数，保存一组最佳网络模型参数。

10.根据权利要求5所述的一种基于改进Transformer的毫米波雷达跌倒检测方法，其特征在于：所述步骤5)中，深度学习网络模型的测试，将测试集中的400组数据输入深度学习网络模型进行跌倒检测测试，记录损失值及测试准确率，并输出模型混淆矩阵观察其预测结果。