基于CSI的摔倒检测系统

于东辉，汤霖，王潮，3*

(1.上海大学 特种光纤与光接入网重点实验室 特种光纤与先进通信国际合作联合实验室，上海 200444;2.密码科学技术国家重点实验室，北京 100878;3.鹏城实验室量子计算中心，广东 深圳 518000)

0 引言

目前中国社会进入快速老龄化阶段，老年人的群体总数迅速增加。养老是我国关注的一个根本性问题，国家也一直在推动智慧养老的产业发展。在上述背景下，研究人员着力在居家养老、社区卫生站等场景下打造以养老为服务的各类个性化健康管理系统。调查显示，大约90%的老人都会选择居家生活，而他们的儿女大多数因为工作的原因不在身边，这导致老人的健康安全得不到保障。独居老年人面临的一个巨大风险就是摔倒，老年人一旦摔倒就容易造成骨折、卧床和各种其他疾病的连锁反应，甚至造成死亡。据世界卫生组织统计：在非故意伤害致老年人死亡的事故中，摔倒是第二位的，它比糖尿病、高血压这些风险更大。

对于摔倒检测现有的解决方案主要是基于可穿戴式设备，然而研究显示它们的效果很低，因为老年人不佩戴它们。而随着科技的发展，基于无线信号的人体识别系统成为研究热点。这类系统通过无线信号检测人类活动，人可以像往常一样继续生活，而无需佩戴任何设备。在这种背景下，我们提出了基于无线感知的摔倒系统。

1 无线感知系统相关工作

由于无线信号具有普遍性及对设备的低依赖度等优势，无线感知系统的研究热潮随之而来。2013年至2020年，无线感知系统领域得到了迅猛发展，研究者们从不同的应用角度构建了多种概念性验证模型，主要分为微小动作识别[1]、行为活动识别[2]、身份识别、生命体征检测[3]、人体定位追踪[4]、人体成像[5]和情绪识别[6]等。相较于基于视觉及硬件传感器的人体行为识别系统，无线感知[7]提供了一种新的可行方案，并表现出良好的普适性能。其中代表团队就是麻省理工Dina Katabi团队，他们提出一系列基于无线信号的系统，例如新型家庭睡眠监测系统EZ-Sleep[8]、新型人体姿态估计系统RF-Pose[9]、新型摔倒检测系统Aryokee[10]和自动收集人类行为信息的系统Marko[11]。国内的很多团队也提出了很多基于无线感知的系统，例如清华大学刘云浩团队提出基于WiFi信号的吸烟检测系统Smokey[12]和第一个基于普通商用WiFi的人类定位和跟踪系统Widar2.0[13]。

2 总体设计

本系统所采用的无线设备是普通商用路由器。WiFi信号基于使用IEEE 802.11n协议，采用基于OFDM调制的WiFi信号的CSI进行研究。系统总体分为5个阶段：信号采集、预处理、异常检测、特征提取和分类识别，如图1所示。

图1 系统框图

在信号采集阶段，路由器发射无线信号，笔记本电脑装有相应网卡在同一区域内收集CSI，这样我们就获得了原始数据；在预处理阶段，对收集到的信号进行滤波、主成份分析处理，从而达到降低噪声的作用；在异常检测阶段，提取出摔倒片段，便于后续的特征提取和训练响应模型；在特征提取阶段，针对不同环境下的CSI值，我们可以提取不同的特征，以便于最后的分类识别；最后，分类识别阶段，利用上一阶段提取的特征使用分类器训练出分类模型，系统采集环境信息进行相应的数据处理，然后使用学习阶段生成的训练模型对未知数据进行识别，从而得知当前环境状态。

3 摔倒检测具体实现方案

3.1 数据预处理

在感知阶段获取的原始信号中包含有大量的不相关噪声，如图2所示。

图2 动态环境中的CSI原始数据幅度曲线

这些噪声大多来源于发射器和接收器中无线网卡的内部状态转换[14]，比如传输功率变化、传输速率适配及内部电平变化等等，这些都会引起高频噪声。在数据预处理阶段，我们的工作就是去除数据中的噪声干扰，从原始CSI中提取出只保留与人体动作信息相关的数据。在有移动物体的动态环境下，无线信号的传播路径会时刻发生变化，我们知道波的叠加原理，无线信号叠加后的结果可能是同相位的幅值正相叠加，也可能是反相位的幅度相互抵消。因此在动态环境中，信道状态信息数据曲线中会出现明显的波形波动。另一方面，人各个身体部位的运动速度是不同的，因此产生信号状态信息变化也是不同的，估算方法为式(1)。

(1)

其中,v为人体移动速度(m/s)；λ为无线波长(m)；f为信道状态信息CSI幅度波形的频率(Hz)。本论文中使用的无线信号频率是2.4 GHz，计算出波长为0.125 m，而人体躯干的移动速度大概在1 m/s左右，通过公式可得CSI幅度波形变化的频率为16 Hz左右。人的嘴部动作对应的频率范围在2—5 Hz，因此对于本系统来说，我们需要的数据是在低频处，因此系统采用低通滤波器处理数据。

本系统采用的低通滤波器是Butterworth低通滤波器。经过Butterworth低通滤波器后的波形，如图3所示。

图3 动态环境中低通滤波后的CSI幅度曲线

WiFi信号是通过OFDM[15]调制的，具有30个子载波。30个子载波幅度值不同，但是各个子载波的变化曲线相似。也就是说人体对各个子载波造成的影响是有关系的，基于这类的实验场景，系统采用PCA[16](Principal Component Analysis，主成分分析)算法来提取滤波后子载波信号中仅包含由人体行为引起的信道变化信息。

3.2 异常检测

与静止和连续正常行走这类规律性运动相比突然摔倒可以使CSI片段发生突变，因此可以使用异常检测算法提取这些异常片段。异常检测算法是为了检测信号的异常变化，摔倒会导致CSI明显波动。系统采用基于局部异常因子的异常检测算法，提取相应的异常数据片段。

3.3 特征提取

异常检测之后，将检测到的摔倒行为作为异常片段。在不同环境下的信道状态信息是不同的，在经过预处理后的信号中包含了有效的动作信息，我们能够直观地观察出在不同环境下CSI的差异性。但是为了让我们的系统更加有效地认识这种差异性，我们需要能表现最大信息的特征来表示相应的环境状态。我们采用了一些常见的时域特征，包括中位数绝对偏差、四分位差、最大值、均值和方差这5类时域特征。

在统计学中，中位数绝对偏差(median absolute deviation,MAD)是量化数据单变量样本差异性的可靠度量。可以大大减少异常值对于数据集的影响，比标准差的效果更好。对于单变量数据集X1,X2,…,Xn，中位数绝对偏差定义为数据点到中位数的绝对偏差的中位数,如式(2)。

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

(2)

即先计算出数据与中位数之间的偏差，中位数绝对偏差就是这些偏差的绝对值的中位数。

四分位差(quartile deviation)是上四分位数(Q3，即位于75%)与下四分位数(Q1，即位于25%)的差。四分位差反映了中间50%数据的离散程度，其数值越小，说明中间的数据越集中；其数值越大，说明中间的数据越分散。

现在需要处理的数据是通过预处理后所保留的数据，是一个1×N的矩阵，其中N为收集到的数据包个数。对矩阵采用滑动窗口的方式来计算各个时域特征，设置系统滑窗窗口长度为100，步长为60，生成一个由绝对中位差、四分位差、最大值、均值和方差这5类时域特征组成的特征矢量。

在训练阶段，我们共计用100组特征矢量，生成一个5×100的特征矩阵F，其中序号1—50特征矢量是属于摔倒环境，序号51—100特征矢量是属于非摔倒环境。这样就生成1×500的标签矩阵Label，将非摔倒环境的对应序号标记为‘0’，摔倒环境的对应序号标记为‘1’。系统能够基于这分辨出环境所处的状态。

3.4 分类识别

如何准确地判定提取的数据是属于摔倒动作还是非摔倒动作，这是一个典型的分类问题，本系统采用了支持向量机(Support Vector Machine，SVM)作为分类算法。所用的库是LIBSVM，能够在Windows、Linux操作系统上使用。软件包使用简单，仅仅需要设置几个关键参数就有不错的效果。系统使用的SVM类型是支持向量分类(C-Support Vector Classification，SVC)模型，其决策函数为式(3)。

(3)

其中,n为支持向量的总数目；K(xi,x)为SVM算法采用的核函数；xi为训练数集中的支持向量；x为待预测标签的支持向量样本；wi为支持向量在决策函数中的系数；b为决策函数中的常数项的相反数；predict_label为决策结果。在本系统中，SVM算法的核函数是应用广泛的径向基函数 (Radial Basis Function，RBF)，故决策函数为式(4)。

(4)

因此系统只要确定决策函数的参数即可获得待检测样本数据的标签，从而使得系统能够对环境状态进行正确的判断。系统的识别准确率与决策函数的参数选择相关，LIBSVM选择径向基核函数有2个参数：损失函数参数Cost(后文以缩写C表示)和径向基核函数参数gamma(后文以缩写g表示)，参数C和参数g的大小决定分类器的性能。训练的目的就是寻找合适参数C和参数g。

本系统使用“网格参数寻优”的方法来寻找最优参数C和g。网格参数寻优是指在一定范围遍历所有可能的 (C,g)对，通过验证找出精确度最高的(C,g)对。在精确度相同的情况下，选择较小的参数C，因为参数C的数值大代表着过学习状态的发生。系统中我们采用交叉验证的方法进行评估系统模型，交叉验证有着可以在一定程度上减小过拟合和可以从有限的数据中获取更多信息的优点。

实验环境平面图如图4所示。

图4 实验环境平面图

在图4实验房间中，最佳参数C为64、参数g为1 024时，分类准确性为94.45%。

4 实验结果

本系统在两类场景下实验，在自由行走的条件下，第一类在摔倒后失去活动能力的情况下平均精确度达到86.50%，第二类是在摔倒后还能呼救的情况下平均精确度为78.35%。这是因为提取摔倒异常数据片段时设置的计算窗口为3秒，而摔倒动作只占其中1秒，其余2秒属于静态环境，这些静态环境也是摔倒动作的特征。而摔倒后有呼救的情况下区分度降低，所以准确性也降低了。

5 总结

本论文中提出一种基于CSI的摔倒检测系统，证明了有效性和可行性。相比较其余基于传感器、摄像头和雷达的系统，具有非侵入性、具有一定的鲁棒性、普适性和价格低廉等优势。但是本论文仅仅是在规律性行走的环境下检测摔倒，对于在别的复杂环境下例如在浴室中洗澡突然摔倒的场景还有待进一步研究。

目前，本论文设计的基于CSI的摔倒检测系统已经实现功能，也证明了基于无线感知系统的人体识别系统的可行性，随着研究不断深入，可以预见无线感知系统在智能家居、医疗健康、灾难救援和公众治安等方面将会有巨大的应用前景。

A.智能家居

在家中的任何角落，无线感知系统能够通过识别特定的手势来控制调节智能设备，如音响系统、照明系统、温度调节系统等等；能够通过识别用户的情绪来自动调节房间的环境氛围，如播放舒缓的音乐、开启柔和照明等等，来缓解用户的心情。无线感知系统可以被视作智能家居的感官系统，使其与人类的交互更加智能、便捷。

B.医疗健康

无线感知系统能够为范围内的所有人提供全天候的、被动式的、非侵入性的以及高精度的呼吸和心率等生命体征监测，收集到的生命体征数据可被用作为评估常规身体健康状态和鉴定各种疾病主要依据。

C.灾难救援

在自然灾害过后，例如火灾或地震后环境复杂，救援困难。无线感知系统精确的生命体征监测及其定位功能可以帮助救援人员更快地寻找到幸存者，以便及时展开救援工作。

D.公众治安

在大型公共场所，安装摄像头是普遍的做法，但是由于摄像头会受视觉的影响，也会存在盲区，而无线信号则不存在这些环境因素限制。现阶段的无线感知系统能够实现在特定可控空间内的身份识别和行为活动识别，因此在未来可与视频监控协同工作以弥补其不足。