基于無線信道狀態信息的跌倒無源監測方法

黃濛濛 劉軍 張逸凡 谷雨 任福繼

摘 要：針對傳統基于視頻或傳感器的跌倒檢測方法中環境依賴、空間受限等問題，提出了一種基于無線信道狀態信息的跌倒無源檢測方法Fallsense。該方法利用普適、低成本的商用WiFi設備，首先采集無線信道狀態數據并對數據進行預處理，然后設計動作—信號分析模型，建立輕量級動態模板匹配算法以從時序信道數據中實時檢測出承載真實跌倒事件的相關片段。大量實際環境下的實驗表明， Fallsense可以實現較高的準確率以及較低的誤報率，準確率達到95%，誤報率為2.44%。與經典WiFall系統相比，Fallsense將時間復雜度從WiFall的O（mN log N）降低到O（N）（N是樣本數， m是特征數），且準確率提高了2.69%，誤報率下降了4.66%。實驗結果表明，所提方法是一種快速高效的無源跌倒檢測方法。

關鍵詞：跌倒檢測;信道狀態信息;模板匹配;無源監測

中圖分類號：TP391.4

文獻標志碼：A

Abstract：? Traditional visionbased or sensorbased falling detection systems possess certain inherent shortcomings such as hardware dependence and coverage limitation， hence Fallsense， a passive falling detection method based on wireless Channel State Information （CSI） was proposed. The method was based on lowcost， pervasive and commercial WiFi devices. Firstly， the wireless CSI data was collected and preprocessed. Then a model of motionsignal analysis was built， where a lightweight dynamic template matching algorithm was designed to detect relevant fragments of real falling events from the timeseries channel data in real time. Experiments in a large number of actual environments show that Fallsense can achieve high accuracy and low false positive rate， with an accuracy of 95% and a false positive rate of 2.44%. Compared with the classic WiFall system， Fallsense reduces the time complexity from O（mN log N） to O（N） （N is the sample number， m is the feature number）， and increases the accuracy by 2.69%， decreases the false positive rate by 4.66%. The experimental results confirm that this passive falling detection method is fast and efficient.

英文關鍵詞Key words： falling detection; channel state information; template matching; passive detection

0 引言

據世界衛生組織（World Health Organization，WHO）2018年發布的報告指出，跌倒是全球意外死亡的第二大原因，每年造成約646000人死亡[1]。這個現象引起了學術界和工業界的高度重視，吸引了全球研究人員的極大關注，并成為學術界的研究熱點[2]。當前的主流跌倒檢測解決方案根據感知設備可以粗略地分為兩類，即基于視覺和基于可穿戴傳感器： 一般來說，前者如文獻[3-5]中探索由攝像機捕獲的圖像或視頻片段直接監測跌倒事件， 沈秉乾等[5]提出了一種基于視頻人體運動狀態判決的跌倒檢測方法，該方法由運動目標檢測、目標運動跟蹤和目標運動行為識別三部分組成，采用兩級支持向量機（Support Vector Machine， SVM）決策的方法實現目標運動行為的識別; 而后者如文獻[6-8]主要依賴可穿戴或環境傳感器，通過感知環境突變，如地板振動[6]等特定特征來識別跌倒。Mostarac等[7]使用三軸加速度計和ZigBee收發器檢測患者跌倒的患者監測和跌倒檢測系統。 該系統由數據采集、跌倒檢測和數據庫組成， 三軸加速度計用于人體位置跟蹤和跌倒檢測。 該系統能夠實時監測患者。

此外，隨著現代社會中智能手機越來越普及，一部分研究人員把目光轉向于文獻[9-10]中那些集成了各種傳感器且隨身攜帶的智能設備作為跌倒檢測的裝置。王忠民等[10]提出了一種基于時間序列分析異常數據的跌倒監測方法，該方法對手機加速度信號進行時間序列分析，通過計算相鄰時間窗口之間的相關系數來檢測異常數據，利用分類器算法對疑似跌倒行為與真實跌倒行為的異常數據樣本進行分類。關于基于視覺和基于傳感器的跌倒檢測的研究取得了一定的實質性進展。 然而，最近的研究揭示了文獻[11-16]中的一些固有局限性，例如可擴展性（專用或昂貴的硬件）、覆蓋范圍（照明/視線約束）和隱私問題（過度監控）， 因此，研究人員正在努力對傳統方法進行改進。

在本文中，提出了一個問題， 是否可以構建一個如下的跌倒監測系統：1）在沒有特殊硬件的要求下自動準確地監控人的狀態并識別跌倒;2）對用戶來說是非侵入性和非接觸式的;3）可以在各種環境中穩定地工作，包括場景、照明條件等。為此，本文設計了一種利用商用WiFi設備的無線信道數據驅動跌倒監測系統。 與傳統的跌倒監測解決方案相比，這種方法具有幾個顯著優勢：首先，它是一個建立在現有的WiFi設備上低成本的系統; 其次，它對用戶是透明的，不會引起隱私或安全問題，特別適合兒童和老人;? 最后，它提供了更高的覆蓋率，同時對環境條件依賴很少。

本文利用普適、低成本的商用WiFi設備，采集無線信道狀態數據（Channel State Information， CSI），設計動作—信號分析模型，建立輕量級動態模板匹配算法以從時序信道數據中實時檢測出承載真實跌倒事件的相關片段。而當前主流經典算法如WiFall[14]、RTFall[16]大都依賴于大容量訓練樣本和復雜的分類器如隱馬爾可夫模型（Hidden Markov Model， HMM）和SVM，導致兩個主要問題：對靜態優化訓練集的依賴，以及隨之而來的高計算復雜度，因此，本文利用普適、低成本的商用WiFi設備，采集無線信道狀態數據，構建動作—信號分析模型，設計在線更新的小型簡單訓練集動態模板匹配（Dynamic Template Matching， DTM）算法，便可從時序信道數據中實時檢測出承載真實跌倒事件的相關片段。通過這種方式，不僅可以優化其性能，還可以顯著降低整體復雜性。

本文方法將時間復雜度從經典系統WiFall的O（mN log N）降低到O（N）（N是樣本數， m是特征數），且通過與其在實際場景下的對比實驗發現，準確率提高了2.69%，誤報率下降了4.66%。實驗結果表明，本文方法是一種快速、高效的無源跌倒檢測方法。

1.2 數據預處理

由于收集到的原始信道數據可能包含由背景噪聲或硬件故障造成的異常樣本，因此首先要對原始數據進行過濾。在數據預處理模塊里面，選擇巴特沃斯（Butterworth）濾波器。當以Fs=1000 sample/s的速率采樣CSI數據時，將巴特沃斯濾波器的截止頻率ωc設為（2π·f）/Fs=0.0942rad/s。

之所以選擇巴特沃斯濾波器是因為發現，由人體動作造成的頻域變化是在光譜的低頻率段，而噪聲的頻域段是在光譜的高頻率段。為了消除噪聲，巴特沃斯低通濾波器是一個很好的選擇，它不會劇烈影響信號中的相位信息，因此不會對運動信號產生很大的失真，使得由人體運動產生的變化數據詳細地保留下來。

1.3 跌倒檢測

1.3.1 模板提取模塊

預處理之后的數據，被送入模板提取模塊，通過該模塊訓練數據提取出不同動作的標準模板庫。雖然不同動作的CSI信號指紋有著較大的可區分差異，問題在于不同的人執行同一動作存在著一定差異，因為體型和個人習慣的不同會導致身體表達的多樣性。顯然，最好的方法是給每個人的每個動作維護一個單獨的模板，但是算法復雜度也會因此增加。為此本文設置了一個參數Cthr，以實現算法復雜性與性能之間的權衡。

假設有K個參試者，則第K個參試者執行某個動作i（i∈[1，M]）的次數為ni。將這ni個某動作的數據平均得到一個模板，這樣就擁有了每個動作的K個模板。如果將這K個模板都作為單獨的模板加入模板庫，那算法的性能應該是最好的，但是相應的算法復雜性也是最高的。因此進一步對這K個模板進行簡化分組。將每個組的模板平均為一個核心模板，然后計算第k個模板與核心模板的歐氏距離，如下所示：

1.3.2 動作識別模塊

這個模塊用于動作識別。計算測試集CSItest與模板庫的歐氏距離，找到最接近的標準模板，然后輸出對應的動作類型。如果這個測試集數據流比它在標準語料庫中的某個數據流更好，將用這個測試集數據流替換最壞的模板來更新標準語料庫，由此建立了動態的模板庫。比如說，拿到一個動作的數據，首先計算這個動作跟搭建好的模板庫中標準模板的歐氏距離，比較幾個歐氏距離，把這個動作歸類到歐氏距離最小的動作類型，此處假設為跌倒。如果該動作與標準模板的歐氏距離比跌倒標準模板庫中某個跌倒數據與標準模板的歐氏距離還要小，那就用該跌倒動作的數據替換之，并平均跌倒標準模板庫得到新的跌倒標準模板。

1.3.3 復雜度分析

對算法復雜性進行分析。由于識別過程決定了整個系統的復雜性，得出以下結論：本文算法的計算復雜度為訓練的O（N）和測試的O（t·N），其中N和t分別代表訓練集和標準模板庫的大小。

證明 模板提取模塊中直接對N個樣本進行處理，因此，它的復雜性是O（N）。動作識別模塊將N個樣本與t個標準模板進行比較，因此計算復雜度為O（t·N）。總體復雜度為O（t·N）。

2 實驗結果分析與評估

2.1 評估設置

原型系統、實驗環境、實驗設置均1.2節中保持一致。

參試人員 招募了8名參與者（其中有2名女性），年齡從21～26歲不等。

動作 與WiFall[14]相同，本文選擇了4種類似跌倒的動作，即坐下、站起、躺下和下蹲。

評估標準 與WiFall相同，采用準確率（P）和誤報率（即假陰性率（False Negative Rate， FNR））來描述系統的性能，計算公式如下：

P=#真陽性#真陽性+#假陽性 （5）

FNR=#假陰性#真陰性+#假陰性（6）

進一步定義了P5和P2，分別表示識別5種動作和2種動作的監測精度：P5即正確預測坐下、站起、躺下、下蹲以及跌倒這五個動作的總和除以整個測試集;而P2是正確預測跌倒以及其他非跌倒動作的總和除以整個測試集。

P5=#五種動作正確預測數#測試集 （7）

P2=#正確預測跌倒數或非跌倒數#測試集 （8）

數據集 要求每個參與者進行非跌倒動作10次，跌倒動作20次，因此，該數據集由8×4×108×20=480個數據組成。每個數據是一個3 （流：接收天線數）×30（子載波數）×3000（數據包，3s×1000Hz）的矩陣。

2.2 參數對性能的影響

研究不同的系統參數對性能的影響。當為每個動作設置一個模板時，采用靜態模板庫的準確率為60%，采用動態更新模板庫的準確率為60.42%。當為每個動作設置八個模板時，采用靜態模板庫的準確率為94.17%，采用動態模板庫的準確率為94.58%。

靜態模板庫&模板數為1 該設置為不更新模板庫，只為每個動作保留一個模板。表2顯示了相應的混淆矩陣。正如前面提到的，對于不同參與者執行的相同動作，信道數據存在一定的差異。因此，本實驗的P5只有60%，P2為73.75%。

動態模板庫&模板數為1 該設置為不斷更新動作模板庫，但每個動作只保留一個模板。表2顯示了相應的混淆矩陣。P5為60.42%，P2為76.67%。由于模板庫的更新，與第一種設置相比有著一定的改進。但是這種改進很微小，因為受限于每個動作只有一個模板。這一結果證實，對所有參與者僅使用一個模板是不夠的。 換言之，由于體型和習慣，不同的人執行相同的動作對信道數據的影響是有差異的。

靜態模板庫&模板數為8 該設置為不更新動作模板庫，而為每個動作保留8個模板（8個參與者）。表2顯示了相應的混淆矩陣。P5達到94.17%，P2為97.5%。與前兩種設置相比，系統性能有了明顯的提高。這一結果表明，動作模板庫越大，性能就越好。

動態模板庫&模板庫為8 該設置為不斷更新動作模板庫，并為每個動作保留8個模板（8個參與者）。表2顯示了相應的混淆矩陣。P5達到94.58%，P2為97.5%。與以前的設置相比，存在一定的性能改進。與本文先前的分析一樣，從系統性能角度看，這是系統的最佳設置。

2.3 性能對比

為了進一步驗證本研究的監測系統，本文實現了利用SVM分類的WiFall2013[13]和利用隨機森林的WiFall2017[14]（改進版），并在相同的實驗設定下與本文算法進行了比較，本文算法明顯優于WiFall， 雖然2017版本的WiFall的準確率相比較于其2014版本有所提高，但是它的誤報率也急劇上升了。本文算法相比較于最新的WiFall2017，在WiFall的基礎上準確率有所提高的情況下，將誤報率也控制在一個較低的水平。

3 結語

本文提出了一種基于WiFi的跌倒監測系統，與其在計算機視覺和可穿戴傳感器方面的競爭對手相比，本文算法有著三個顯著的優點： 第一，它是建立在現成的WiFi基礎設施之上的低成本系統;第二，它對用戶是透明的，不引起隱私或安全問題;最后，它提供了更好的覆蓋，而很少依賴于環境條件。實驗結果表明，本文算法的性能優于WiFall， 在檢測精度、誤報率和復雜度方面都有很大的優勢。

本文算法有幾處需要進一步關注的點。比如：現有的基于模板的跌倒監測算法是粗粒度的，因為它將跌倒看作一個單一的運動而不是一個復合的運動; 另外，系統評估需要對系統參數和評估場景進行擴展。

參考文獻 （References）

[1] WHO. Falls [EB/OL]. [2018-01-16]. https：//www.who.int/newsroom/factsheets/detail/falls.

[2] ZHANG Z， CONLY C， ATHITSOS V. A survey on visionbased fall detection[C]// Proceedings of the 8th ACM International Conference on PErvasive Technologies Related to Assistive Environments. New York： ACM， 2015： Article No. 46.

[3] RITA C， ANDREA P， ROBERTO V. A multicamera vision system for fall detection and alarm generation[J]. Expert Systems， 2010， 24（5）： 334-345.

[4] NUNEZMARCOS A， AZKUNE G， ARGANDACARRERAS I. Visionbased fall detection with convolutional neural networks[J]. Wireless Communications & Mobile Computing， 2017， 2017： Article ID 9474806.

[5] 沈秉乾， 武志勇， 賀前華，等. 人體姿勢狀態判決的跌倒檢測方法[J]. 計算機應用， 2014， 34（S1）：223-227. （SHEN B Q， WU Z Y， HE Q H， et al. Fall detection method for human posture state judgment[J]. Journal of Computer Applications， 2014， 34（S1）：223-227.）

[6] 李雷， 張帆， 施化吉，等. 穿戴式跌倒檢測中特征向量的提取和降維研究[J]. 計算機應用研究， 2019，36（1）：103-105. （LI L， ZHANG F， SHI H J， et al. Extraction and dimensionality reduction of feature vectors in wearable fall detection[J]. Application Research of Computers， 2019， 36（1）：103-105.）

[7] MOSTARAC P， MALARIC R， JURCEVIC M， et al. System for monitoring and fall detection of patients using mobile 3axis accelerometers sensors[C]// Proceedings of the 2011 IEEE International Symposium on Medical Measurements and Applications. Piscataway， NJ： IEEE， 2011：456-459.

[8] ZIGEL Y， LITVAK D， GANNOT I. A method for automatic fall detection of elderly people using floor vibrations and soundproof of concept on human mimicking doll falls[J]. IEEE Transactions on Biomedical Engineering， 2009， 56（12）：2858-2867.

[9] 沈瑩， 黎海濤. 基于移動終端的老年人跌倒檢測系統設計[J]. 中國新通信， 2016， 18（7）：13-15. （SHEN Y， LI H T. Design of elderly fall detection system based on mobile terminal [J]. China New Telecommunication， 2016， 18（7）：13-15.）

[10] 王忠民， 張新平， 梁琛. 一種基于時序分析異常數據的跌倒行為監測方法[J]. 計算機應用研究， 2018，35（3）： 839-843. （WANG Z M， ZHANG X P， LIANG C. A fall behavior monitoring method based on time series analysis abnormal data [J]. Application Research of Computers， 2018， 35（3）： 839-843.）

[11] KIANOUSH S， SAVAZZI S， VICENTINI F， et al. Leveraging RF signals for human sensing： fall detection and localization in humanmachine shared workspaces[C]// Proceedings of the 2015 IEEE 13th International Conference on Industrial Informatics. Piscataway， NJ： IEEE， 2015： 1456-1462.

[12] KIANOUSH S， SAVAZZI S， VICENTINI F， et al. Devicefree RF human body fall detection and localization in industrial workplaces[J]. IEEE Internet of Things Journal， 2017，4（2）： 351-362.

[13] HAN C， WU K， WANG Y， et al. Wifall： devicefree fall detection by wireless networks[C]// INFOCOM 2014： Proceedings of the 2014 IEEE Conference on Computer Communicationsns. Piscataway， NJ： IEEE， 2014：271-279.

[14] WANG Y， WU K， NI L M. WiFall： Devicefree fall detection by wireless networks[J]. IEEE Transactions on Mobile Computing， 2017， 16（2）： 581-594.

[15] ZHANG D， WANG H， WANG Y， et al. Antifall： a nonintrusive and realtime fall detector leveraging CSI from commodity WiFi devices[C]// ICOST 2015： Proceedings of the 2015 International Conference on Smart Homes and Health Telematics. Berlin： Springer， 2015： 181-193.

[16] WANG H， ZHANG D， WANG Y， et al. RTfall： a realtime and contactless fall detection system with commodity WiFi devices[J]. IEEE Transactions on Mobile Computing， 2017， 16（2）：511-526.

[17] GU Y， ZHAN J， JI Y， et al. MoSense： a RFbased motion detection system via offtheshelf WiFi devices[J]. IEEE Internet of Things Journal， 2017， 4（6）： 2326-2341.

[18] GU Y， LIU T， LI J， et al. EmoSense： datadriven emotion sensing via offtheshelf WiFi devices[C]// Proceedings of the 2018 IEEE International Conference on Communications. Piscataway， NJ： IEEE， 2018： 1-6.