基于无线信道状态信息的跌倒无源监测方法

黄濛濛 刘军 张逸凡 谷雨 任福继

摘 要：针对传统基于视频或传感器的跌倒检测方法中环境依赖、空间受限等问题，提出了一种基于无线信道状态信息的跌倒无源检测方法Fallsense。该方法利用普适、低成本的商用WiFi设备，首先采集无线信道状态数据并对数据进行预处理，然后设计动作—信号分析模型，建立轻量级动态模板匹配算法以从时序信道数据中实时检测出承载真实跌倒事件的相关片段。大量实际环境下的实验表明， Fallsense可以实现较高的准确率以及较低的误报率，准确率达到95%，误报率为2.44%。与经典WiFall系统相比，Fallsense将时间复杂度从WiFall的O（mN log N）降低到O（N）（N是样本数， m是特征数），且准确率提高了2.69%，误报率下降了4.66%。实验结果表明，所提方法是一种快速高效的无源跌倒检测方法。

关键词：跌倒检测;信道状态信息;模板匹配;无源监测

中图分类号：TP391.4

文献标志码：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.

英文關键词Key words： falling detection; channel state information; template matching; passive detection

0 引言

据世界卫生组织（World Health Organization，WHO）2018年发布的报告指出，跌倒是全球意外死亡的第二大原因，每年造成约646000人死亡[1]。这个现象引起了学术界和工业界的高度重视，吸引了全球研究人员的极大关注，并成为学术界的研究热点[2]。当前的主流跌倒检测解决方案根据感知设备可以粗略地分为两类，即基于视觉和基于可穿戴传感器： 一般来说，前者如文献[3-5]中探索由摄像机捕获的图像或视频片段直接监测跌倒事件， 沈秉乾等[5]提出了一种基于视频人体运动状态判决的跌倒检测方法，该方法由运动目标检测、目标运动跟踪和目标运动行为识别三部分组成，采用两级支持向量机（Support Vector Machine， SVM）决策的方法实现目标运动行为的识别; 而后者如文献[6-8]主要依赖可穿戴或环境传感器，通过感知环境突变，如地板振动[6]等特定特征来识别跌倒。Mostarac等[7]使用三轴加速度计和ZigBee收发器检测患者跌倒的患者监测和跌倒检测系统。 该系统由数据采集、跌倒检测和数据库组成， 三轴加速度计用于人体位置跟踪和跌倒检测。 该系统能够实时监测患者。

此外，随着现代社会中智能手机越来越普及，一部分研究人员把目光转向于文献[9-10]中那些集成了各种传感器且随身携带的智能设备作为跌倒检测的装置。王忠民等[10]提出了一种基于时间序列分析异常数据的跌倒监测方法，该方法对手机加速度信号进行时间序列分析，通过计算相邻时间窗口之间的相关系数来检测异常数据，利用分类器算法对疑似跌倒行为与真实跌倒行为的异常数据样本进行分类。关于基于视觉和基于传感器的跌倒检测的研究取得了一定的实质性进展。 然而，最近的研究揭示了文献[11-16]中的一些固有局限性，例如可扩展性（专用或昂贵的硬件）、覆盖范围（照明/视线约束）和隐私问题（过度监控）， 因此，研究人员正在努力对传统方法进行改进。

在本文中，提出了一个问题， 是否可以构建一个如下的跌倒监测系统：1）在没有特殊硬件的要求下自动准确地监控人的状态并识别跌倒;2）对用户来说是非侵入性和非接触式的;3）可以在各种环境中稳定地工作，包括场景、照明条件等。为此，本文设计了一种利用商用WiFi设备的无线信道数据驱动跌倒监测系统。 与传统的跌倒监测解决方案相比，这种方法具有几个显著优势：首先，它是一个建立在现有的WiFi设备上低成本的系统; 其次，它对用户是透明的，不会引起隐私或安全问题，特别适合儿童和老人;  最后，它提供了更高的覆盖率，同时对环境条件依赖很少。

本文利用普适、低成本的商用WiFi设备，采集无线信道状态数据（Channel State Information， CSI），设计动作—信号分析模型，建立輕量级动态模板匹配算法以从时序信道数据中实时检测出承载真实跌倒事件的相关片段。而当前主流经典算法如WiFall[14]、RTFall[16]大都依赖于大容量训练样本和复杂的分类器如隐马尔可夫模型（Hidden Markov Model， HMM）和SVM，导致两个主要问题：对静态优化训练集的依赖，以及随之而来的高计算复杂度，因此，本文利用普适、低成本的商用WiFi设备，采集无线信道状态数据，构建动作—信号分析模型，设计在线更新的小型简单训练集动态模板匹配（Dynamic Template Matching， DTM）算法，便可从时序信道数据中实时检测出承载真实跌倒事件的相关片段。通过这种方式，不仅可以优化其性能，还可以显著降低整体复杂性。

本文方法将时间复杂度从经典系统WiFall的O（mN log N）降低到O（N）（N是样本数， m是特征数），且通过与其在实际场景下的对比实验发现，准确率提高了2.69%，误报率下降了4.66%。实验结果表明，本文方法是一种快速、高效的无源跌倒检测方法。

1.2 数据预处理

由于收集到的原始信道数据可能包含由背景噪声或硬件故障造成的异常样本，因此首先要对原始数据进行过滤。在数据预处理模块里面，选择巴特沃斯（Butterworth）滤波器。当以Fs=1000 sample/s的速率采样CSI数据时，将巴特沃斯滤波器的截止频率ωc设为（2π·f）/Fs=0.0942rad/s。

之所以选择巴特沃斯滤波器是因为发现，由人体动作造成的频域变化是在光谱的低频率段，而噪声的频域段是在光谱的高频率段。为了消除噪声，巴特沃斯低通滤波器是一个很好的选择，它不会剧烈影响信号中的相位信息，因此不会对运动信号产生很大的失真，使得由人体运动产生的变化数据详细地保留下来。

1.3 跌倒检测

1.3.1 模板提取模块

预处理之后的数据，被送入模板提取模块，通过该模块训练数据提取出不同动作的标准模板库。虽然不同动作的CSI信号指纹有着较大的可区分差异，问题在于不同的人执行同一动作存在着一定差异，因为体型和个人习惯的不同会导致身体表达的多样性。显然，最好的方法是给每个人的每个动作维护一个单独的模板，但是算法复杂度也会因此增加。为此本文设置了一个参数Cthr，以实现算法复杂性与性能之间的权衡。

假设有K个参试者，则第K个参试者执行某个动作i（i∈[1，M]）的次数为ni。将这ni个某动作的数据平均得到一个模板，这样就拥有了每个动作的K个模板。如果将这K个模板都作为单独的模板加入模板库，那算法的性能应该是最好的，但是相应的算法复杂性也是最高的。因此进一步对这K个模板进行简化分组。将每个组的模板平均为一个核心模板，然后计算第k个模板与核心模板的欧氏距离，如下所示：

1.3.2 动作识别模块

这个模块用于动作识别。计算测试集CSItest与模板库的欧氏距离，找到最接近的标准模板，然后输出对应的动作类型。如果这个测试集数据流比它在标准语料库中的某个数据流更好，将用这个测试集数据流替换最坏的模板来更新标准语料库，由此建立了动态的模板库。比如说，拿到一个动作的数据，首先计算这个动作跟搭建好的模板库中标准模板的欧氏距离，比较几个欧氏距离，把这个动作归类到欧氏距离最小的动作类型，此处假设为跌倒。如果该动作与标准模板的欧氏距离比跌倒标准模板库中某个跌倒数据与标准模板的欧氏距离还要小，那就用该跌倒动作的数据替换之，并平均跌倒标准模板库得到新的跌倒标准模板。

1.3.3 复杂度分析

对算法复杂性进行分析。由于识别过程决定了整个系统的复杂性，得出以下结论：本文算法的计算复杂度为训练的O（N）和测试的O（t·N），其中N和t分别代表训练集和标准模板库的大小。

证明 模板提取模块中直接对N个样本进行处理，因此，它的复杂性是O（N）。动作识别模块将N个样本与t个标准模板进行比较，因此计算复杂度为O（t·N）。总体复杂度为O（t·N）。

2 实验结果分析与评估

2.1 评估设置

原型系统、实验环境、实验设置均1.2节中保持一致。

参试人员 招募了8名参与者（其中有2名女性），年龄从21～26岁不等。

动作 与WiFall[14]相同，本文选择了4种类似跌倒的动作，即坐下、站起、躺下和下蹲。

评估标准 与WiFall相同，采用准确率（P）和误报率（即假阴性率（False Negative Rate， FNR））来描述系统的性能，计算公式如下：

P=#真阳性#真阳性+#假阳性 （5）

FNR=#假阴性#真阴性+#假阴性（6）

进一步定义了P5和P2，分别表示识别5种动作和2种动作的监测精度：P5即正确预测坐下、站起、躺下、下蹲以及跌倒这五个动作的总和除以整个测试集;而P2是正确预测跌倒以及其他非跌倒动作的总和除以整个测试集。

P5=#五种动作正确预测数#测试集 （7）

P2=#正确预测跌倒数或非跌倒数#测试集 （8）

数据集 要求每个参与者进行非跌倒动作10次，跌倒动作20次，因此，该数据集由8×4×108×20=480个数据组成。每个数据是一个3 （流：接收天线数）×30（子载波数）×3000（数据包，3s×1000Hz）的矩阵。

2.2 参数对性能的影响

研究不同的系统参数对性能的影响。当为每个动作设置一个模板时，采用静态模板库的准确率为60%，采用动态更新模板库的准确率为60.42%。当为每个动作设置八个模板时，采用静态模板库的准确率为94.17%，采用动态模板库的准确率为94.58%。

静态模板库&模板数为1 该设置为不更新模板库，只为每个动作保留一个模板。表2顯示了相应的混淆矩阵。正如前面提到的，对于不同参与者执行的相同动作，信道数据存在一定的差异。因此，本实验的P5只有60%，P2为73.75%。

动态模板库&模板数为1 该设置为不断更新动作模板库，但每个动作只保留一个模板。表2显示了相应的混淆矩阵。P5为60.42%，P2为76.67%。由于模板库的更新，与第一种设置相比有着一定的改进。但是这种改进很微小，因为受限于每个动作只有一个模板。这一结果证实，对所有参与者仅使用一个模板是不够的。 换言之，由于体型和习惯，不同的人执行相同的动作对信道数据的影响是有差异的。

静态模板库&模板数为8 该设置为不更新动作模板库，而为每个动作保留8个模板（8个参与者）。表2显示了相应的混淆矩阵。P5达到94.17%，P2为97.5%。与前两种设置相比，系统性能有了明显的提高。这一结果表明，动作模板库越大，性能就越好。

动态模板库&模板库为8 该设置为不断更新动作模板库，并为每个动作保留8个模板（8个参与者）。表2显示了相应的混淆矩阵。P5达到94.58%，P2为97.5%。与以前的设置相比，存在一定的性能改进。与本文先前的分析一样，从系统性能角度看，这是系统的最佳设置。

2.3 性能对比

为了进一步验证本研究的监测系统，本文实现了利用SVM分类的WiFall2013[13]和利用随机森林的WiFall2017[14]（改进版），并在相同的实验设定下与本文算法进行了比较，本文算法明显优于WiFall， 虽然2017版本的WiFall的准确率相比较于其2014版本有所提高，但是它的误报率也急剧上升了。本文算法相比较于最新的WiFall2017，在WiFall的基础上准确率有所提高的情况下，将误报率也控制在一个较低的水平。

3 结语

本文提出了一种基于WiFi的跌倒监测系统，与其在计算机视觉和可穿戴传感器方面的竞争对手相比，本文算法有着三个显著的优点： 第一，它是建立在现成的WiFi基础设施之上的低成本系统;第二，它对用户是透明的，不引起隐私或安全问题;最后，它提供了更好的覆盖，而很少依赖于环境条件。实验结果表明，本文算法的性能优于WiFall， 在检测精度、误报率和复杂度方面都有很大的优势。

本文算法有几处需要进一步关注的点。比如：现有的基于模板的跌倒监测算法是粗粒度的，因为它将跌倒看作一个单一的运动而不是一个复合的运动; 另外，系统评估需要对系统参数和评估场景进行扩展。

参考文献 （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， 贺前华，等. 人体姿势状态判决的跌倒检测方法[J]. 计算机应用， 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， 张帆， 施化吉，等. 穿戴式跌倒检测中特征向量的提取和降维研究[J]. 计算机应用研究， 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， 黎海涛. 基于移动终端的老年人跌倒检测系统设计[J]. 中国新通信， 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， 张新平， 梁琛. 一种基于时序分析异常数据的跌倒行为监测方法[J]. 计算机应用研究， 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.