基于CSI的摔倒檢測系統

于東輝，湯霖，王潮，3*

(1.上海大學 特種光纖與光接入網重點實驗室 特種光纖與先進通信國際合作聯合實驗室，上海 200444;2.密碼科學技術國家重點實驗室，北京 100878;3.鵬城實驗室量子計算中心，廣東 深圳 518000)

0 引言

目前中國社會進入快速老齡化階段，老年人的群體總數迅速增加。養老是我國關注的一個根本性問題，國家也一直在推動智慧養老的產業發展。在上述背景下，研究人員著力在居家養老、社區衛生站等場景下打造以養老為服務的各類個性化健康管理系統。調查顯示，大約90%的老人都會選擇居家生活，而他們的兒女大多數因為工作的原因不在身邊，這導致老人的健康安全得不到保障。獨居老年人面臨的一個巨大風險就是摔倒，老年人一旦摔倒就容易造成骨折、臥床和各種其他疾病的連鎖反應，甚至造成死亡。據世界衛生組織統計：在非故意傷害致老年人死亡的事故中，摔倒是第二位的，它比糖尿病、高血壓這些風險更大。

對于摔倒檢測現有的解決方案主要是基于可穿戴式設備，然而研究顯示它們的效果很低，因為老年人不佩戴它們。而隨著科技的發展，基于無線信號的人體識別系統成為研究熱點。這類系統通過無線信號檢測人類活動，人可以像往常一樣繼續生活，而無需佩戴任何設備。在這種背景下，我們提出了基于無線感知的摔倒系統。

1 無線感知系統相關工作

由于無線信號具有普遍性及對設備的低依賴度等優勢，無線感知系統的研究熱潮隨之而來。2013年至2020年，無線感知系統領域得到了迅猛發展，研究者們從不同的應用角度構建了多種概念性驗證模型，主要分為微小動作識別[1]、行為活動識別[2]、身份識別、生命體征檢測[3]、人體定位追蹤[4]、人體成像[5]和情緒識別[6]等。相較于基于視覺及硬件傳感器的人體行為識別系統，無線感知[7]提供了一種新的可行方案，并表現出良好的普適性能。其中代表團隊就是麻省理工Dina Katabi團隊，他們提出一系列基于無線信號的系統，例如新型家庭睡眠監測系統EZ-Sleep[8]、新型人體姿態估計系統RF-Pose[9]、新型摔倒檢測系統Aryokee[10]和自動收集人類行為信息的系統Marko[11]。國內的很多團隊也提出了很多基于無線感知的系統，例如清華大學劉云浩團隊提出基于WiFi信號的吸煙檢測系統Smokey[12]和第一個基于普通商用WiFi的人類定位和跟蹤系統Widar2.0[13]。

2 總體設計

本系統所采用的無線設備是普通商用路由器。WiFi信號基于使用IEEE 802.11n協議，采用基于OFDM調制的WiFi信號的CSI進行研究。系統總體分為5個階段：信號采集、預處理、異常檢測、特征提取和分類識別，如圖1所示。

圖1 系統框圖

在信號采集階段，路由器發射無線信號，筆記本電腦裝有相應網卡在同一區域內收集CSI，這樣我們就獲得了原始數據；在預處理階段，對收集到的信號進行濾波、主成份分析處理，從而達到降低噪聲的作用；在異常檢測階段，提取出摔倒片段，便于后續的特征提取和訓練響應模型；在特征提取階段，針對不同環境下的CSI值，我們可以提取不同的特征，以便于最后的分類識別；最后，分類識別階段，利用上一階段提取的特征使用分類器訓練出分類模型，系統采集環境信息進行相應的數據處理，然后使用學習階段生成的訓練模型對未知數據進行識別，從而得知當前環境狀態。

3 摔倒檢測具體實現方案

3.1 數據預處理

在感知階段獲取的原始信號中包含有大量的不相關噪聲，如圖2所示。

圖2 動態環境中的CSI原始數據幅度曲線

這些噪聲大多來源于發射器和接收器中無線網卡的內部狀態轉換[14]，比如傳輸功率變化、傳輸速率適配及內部電平變化等等，這些都會引起高頻噪聲。在數據預處理階段，我們的工作就是去除數據中的噪聲干擾，從原始CSI中提取出只保留與人體動作信息相關的數據。在有移動物體的動態環境下，無線信號的傳播路徑會時刻發生變化，我們知道波的疊加原理，無線信號疊加后的結果可能是同相位的幅值正相疊加，也可能是反相位的幅度相互抵消。因此在動態環境中，信道狀態信息數據曲線中會出現明顯的波形波動。另一方面，人各個身體部位的運動速度是不同的，因此產生信號狀態信息變化也是不同的，估算方法為式(1)。

(1)

其中,v為人體移動速度(m/s)；λ為無線波長(m)；f為信道狀態信息CSI幅度波形的頻率(Hz)。本論文中使用的無線信號頻率是2.4 GHz，計算出波長為0.125 m，而人體軀干的移動速度大概在1 m/s左右，通過公式可得CSI幅度波形變化的頻率為16 Hz左右。人的嘴部動作對應的頻率范圍在2—5 Hz，因此對于本系統來說，我們需要的數據是在低頻處，因此系統采用低通濾波器處理數據。

本系統采用的低通濾波器是Butterworth低通濾波器。經過Butterworth低通濾波器后的波形，如圖3所示。

圖3 動態環境中低通濾波后的CSI幅度曲線

WiFi信號是通過OFDM[15]調制的，具有30個子載波。30個子載波幅度值不同，但是各個子載波的變化曲線相似。也就是說人體對各個子載波造成的影響是有關系的，基于這類的實驗場景，系統采用PCA[16](Principal Component Analysis，主成分分析)算法來提取濾波后子載波信號中僅包含由人體行為引起的信道變化信息。

3.2 異常檢測

與靜止和連續正常行走這類規律性運動相比突然摔倒可以使CSI片段發生突變，因此可以使用異常檢測算法提取這些異常片段。異常檢測算法是為了檢測信號的異常變化，摔倒會導致CSI明顯波動。系統采用基于局部異常因子的異常檢測算法，提取相應的異常數據片段。

3.3 特征提取

異常檢測之后，將檢測到的摔倒行為作為異常片段。在不同環境下的信道狀態信息是不同的，在經過預處理后的信號中包含了有效的動作信息，我們能夠直觀地觀察出在不同環境下CSI的差異性。但是為了讓我們的系統更加有效地認識這種差異性，我們需要能表現最大信息的特征來表示相應的環境狀態。我們采用了一些常見的時域特征，包括中位數絕對偏差、四分位差、最大值、均值和方差這5類時域特征。

在統計學中，中位數絕對偏差(median absolute deviation,MAD)是量化數據單變量樣本差異性的可靠度量。可以大大減少異常值對于數據集的影響，比標準差的效果更好。對于單變量數據集X1,X2,…,Xn，中位數絕對偏差定義為數據點到中位數的絕對偏差的中位數,如式(2)。

MAD=median(|Xi-median(X)|)

(2)

即先計算出數據與中位數之間的偏差，中位數絕對偏差就是這些偏差的絕對值的中位數。

四分位差(quartile deviation)是上四分位數(Q3，即位于75%)與下四分位數(Q1，即位于25%)的差。四分位差反映了中間50%數據的離散程度，其數值越小，說明中間的數據越集中；其數值越大，說明中間的數據越分散。

現在需要處理的數據是通過預處理后所保留的數據，是一個1×N的矩陣，其中N為收集到的數據包個數。對矩陣采用滑動窗口的方式來計算各個時域特征，設置系統滑窗窗口長度為100，步長為60，生成一個由絕對中位差、四分位差、最大值、均值和方差這5類時域特征組成的特征矢量。

在訓練階段，我們共計用100組特征矢量，生成一個5×100的特征矩陣F，其中序號1—50特征矢量是屬于摔倒環境，序號51—100特征矢量是屬于非摔倒環境。這樣就生成1×500的標簽矩陣Label，將非摔倒環境的對應序號標記為‘0’，摔倒環境的對應序號標記為‘1’。系統能夠基于這分辨出環境所處的狀態。

3.4 分類識別

如何準確地判定提取的數據是屬于摔倒動作還是非摔倒動作，這是一個典型的分類問題，本系統采用了支持向量機(Support Vector Machine，SVM)作為分類算法。所用的庫是LIBSVM，能夠在Windows、Linux操作系統上使用。軟件包使用簡單，僅僅需要設置幾個關鍵參數就有不錯的效果。系統使用的SVM類型是支持向量分類(C-Support Vector Classification，SVC)模型，其決策函數為式(3)。

(3)

其中,n為支持向量的總數目；K(xi,x)為SVM算法采用的核函數；xi為訓練數集中的支持向量；x為待預測標簽的支持向量樣本；wi為支持向量在決策函數中的系數；b為決策函數中的常數項的相反數；predict_label為決策結果。在本系統中，SVM算法的核函數是應用廣泛的徑向基函數 (Radial Basis Function，RBF)，故決策函數為式(4)。

(4)

因此系統只要確定決策函數的參數即可獲得待檢測樣本數據的標簽，從而使得系統能夠對環境狀態進行正確的判斷。系統的識別準確率與決策函數的參數選擇相關，LIBSVM選擇徑向基核函數有2個參數：損失函數參數Cost(后文以縮寫C表示)和徑向基核函數參數gamma(后文以縮寫g表示)，參數C和參數g的大小決定分類器的性能。訓練的目的就是尋找合適參數C和參數g。

本系統使用“網格參數尋優”的方法來尋找最優參數C和g。網格參數尋優是指在一定范圍遍歷所有可能的 (C,g)對，通過驗證找出精確度最高的(C,g)對。在精確度相同的情況下，選擇較小的參數C，因為參數C的數值大代表著過學習狀態的發生。系統中我們采用交叉驗證的方法進行評估系統模型，交叉驗證有著可以在一定程度上減小過擬合和可以從有限的數據中獲取更多信息的優點。

實驗環境平面圖如圖4所示。

圖4 實驗環境平面圖

在圖4實驗房間中，最佳參數C為64、參數g為1 024時，分類準確性為94.45%。

4 實驗結果

本系統在兩類場景下實驗，在自由行走的條件下，第一類在摔倒后失去活動能力的情況下平均精確度達到86.50%，第二類是在摔倒后還能呼救的情況下平均精確度為78.35%。這是因為提取摔倒異常數據片段時設置的計算窗口為3秒，而摔倒動作只占其中1秒，其余2秒屬于靜態環境，這些靜態環境也是摔倒動作的特征。而摔倒后有呼救的情況下區分度降低，所以準確性也降低了。

5 總結

本論文中提出一種基于CSI的摔倒檢測系統，證明了有效性和可行性。相比較其余基于傳感器、攝像頭和雷達的系統，具有非侵入性、具有一定的魯棒性、普適性和價格低廉等優勢。但是本論文僅僅是在規律性行走的環境下檢測摔倒，對于在別的復雜環境下例如在浴室中洗澡突然摔倒的場景還有待進一步研究。

目前，本論文設計的基于CSI的摔倒檢測系統已經實現功能，也證明了基于無線感知系統的人體識別系統的可行性，隨著研究不斷深入，可以預見無線感知系統在智能家居、醫療健康、災難救援和公眾治安等方面將會有巨大的應用前景。

A.智能家居

在家中的任何角落，無線感知系統能夠通過識別特定的手勢來控制調節智能設備，如音響系統、照明系統、溫度調節系統等等；能夠通過識別用戶的情緒來自動調節房間的環境氛圍，如播放舒緩的音樂、開啟柔和照明等等，來緩解用戶的心情。無線感知系統可以被視作智能家居的感官系統，使其與人類的交互更加智能、便捷。

B.醫療健康

無線感知系統能夠為范圍內的所有人提供全天候的、被動式的、非侵入性的以及高精度的呼吸和心率等生命體征監測，收集到的生命體征數據可被用作為評估常規身體健康狀態和鑒定各種疾病主要依據。

C.災難救援

在自然災害過后，例如火災或地震后環境復雜，救援困難。無線感知系統精確的生命體征監測及其定位功能可以幫助救援人員更快地尋找到幸存者，以便及時展開救援工作。

D.公眾治安

在大型公共場所，安裝攝像頭是普遍的做法，但是由于攝像頭會受視覺的影響，也會存在盲區，而無線信號則不存在這些環境因素限制?，F階段的無線感知系統能夠實現在特定可控空間內的身份識別和行為活動識別，因此在未來可與視頻監控協同工作以彌補其不足。