陈廷尉 李阳 韩凯峰 李晓阳 李航 朱光旭

(1.深圳市大数据研究院,深圳 518055;2.中国信息通信研究院移动通信创新中心,北京 100191)

0 引言

随着中国正式迈入老龄化社会,近年全社会的养老压力逐年增大。经统计,跌倒已经成为引发老年人受伤甚至死亡的重要诱因之一。在中国,老人不慎摔倒很多是在家中发生的,浴室、厕所及卧室是风险较高的区域,但这几个区域也是家庭监控的难点。其原因主要包括:鉴于浴室、厕所及卧室的隐私敏感性,出于隐私保护,在公共场合常见的视频监控方式无法适用;各种跌倒检测的传感器都需要将检测结果通过网络回报给监护人,但普通家庭的浴室、厕所一般无线信号覆盖都较差,容易因为网络丢包产生错报、漏报。

目前常见的室内人员跌倒检测技术包括计算机视觉、可穿戴传感器以及专用的雷达硬件。尽管这些技术具备良好的应用价值,但也存在一定的缺陷。例如,计算机视觉容易涉及用户隐私,并且通常只能在光照条件良好的情况下才能工作;可穿戴传感器需要佩戴特定的设备,对于老年人而言使用十分不便;大规模部署特定的雷达硬件需要较高的成本。

相比之下,基于非传感器的感知方法具备一定的优势。例如,Wi-Fi 感知不受上述条件的限制,为跌倒检测提供了一个新的解决方案。该方案的优势包括:采集的无线信号信息不会干扰用户的隐私,在无光照的条件下也可正常工作;基于Wi-Fi 的感知不需要用户佩戴特定的设备;几乎家家户户部署了Wi-Fi 设备,无需部署新的硬件设备。

Wi-Fi 感知的实现基于电磁波的反射特性。根据电磁波的传播特性,在室内环境中活动的人体等都会对信号产生反射而使电磁波产生不同的传播路径。这些路径与直射路径一起形成多径在空间中传播,并最终叠加在一起形成了接收端收到的Wi-Fi 信号。这种叠加的信号携带了物体方位、活动状态等信息,通过算法将接收到的信号与实际物体的状态建立联系,可以对物体进行定位和行动识别。

近年来,基于无线信道状态信息(Channel State Information,CSI)的跌倒检测已成为主流的方法。然而,如何从Wi-Fi CSI 中提取特征,以及如何将这些提取的特征应用于跌倒检测,在现有文献中尚未得到全面解答。因此,本文将重点关注这个未充分探索的领域,搭建实际实验环境进行数据采集,并使用机器学习的方法进行验证。

1 研究现状

1.1 Wi-Fi 感知现状

Wi-Fi 将成为一种在室内无处不在的信号。最近,基于Wi-Fi CSI 的跌倒检测方法由于其非接触式和能够穿墙的特性引起了广泛关注。这些方法利用Wi-Fi信号来检测跌倒,克服了对专用可穿戴传感器或相机的依赖。

在早期的尝试中,WiFall 利用CSI 来检测跌倒,无需硬件改装、额外的环境设置或可穿戴设备[1]。其它系统,如Anti-Fall,也在检测率和误报率方面显示出较好的性能[2]。然而,当从不同环境中训练和测试数据时,传统的Wi-Fi CSI 跌倒检测系统的性能会显著下降,因此,Nakamura[3]等使用卷积神经网络的方法对Wi-Fi CSI 频谱图进行检测,对跨环境检测进行探索。DeFall 技术利用速度和加速度在时域上的变化产生的不同模式来检测跌倒,也可以有效提升准确率并产生跨环境检测的泛化能力[4]。基于模型驱动的AFall 系统也展示了Wi-Fi CSI 相位信息在跌倒检测应用场景中的潜力[5]。

由于跌倒检测的数据采集困难,且通过Wi-Fi 设备提取CSI 的难度大,因此目前针对跌倒检测相关的开源数据集较少[6-8],远不能满足对基于人工智能(Artificial Intelligence,AI)的跨环境、跨人员跌倒检测模型的训练需求。

1.2 Wi-Fi 感知在边缘AI 中的应用研究

作为一种普遍存在的边缘设备,Wi-Fi 设备在AI和无线通信的交叉领域,特别是在联邦边缘学习(Federated Edge Learning,FEEL)和集成感知、通信和计算(Integrated Sensing,Communication,and Computation,ISCC)方面扮演关键角色。对于FEEL,Liu[9-10]等提出了优化环境智能应用中FEEL 性能的方法,利用联合感知、计算、通信资源分配方案和分布式集成感知和通信的垂直联邦边缘学习系统,协作识别物体或人体运动。该方法能够在设备之间共享资源和信息,同时保护数据隐私。基于Wi-Fi CSI 的跌倒检测意味着可以在保护个体数据隐私的同时,通过设备协作和资源共享来提高检测精度和系统性能。对于ISCC,Xing[11]等和Zhu[12]等提供了关于实现ISCC 技术的原则和设计的深入理解,为基于Wi-Fi CSI 的跌倒检测提供了理论指导,揭示了设计边缘AI 时面临的挑战,对于Wi-Fi感知和基于Wi-Fi CSI 的跌倒检测等应用提供了理论支持,例如如何设计和优化ISCC,以满足诸如低时延、高可靠性等需求。

2 Wi-Fi CSI 感知原理

本文采用Wi-Fi CSI 进行跌倒检测,如图1 所示,其描述了室内环境中Wi-Fi 发射机和接收机之间的典型信号传播情况。

图1 采用Wi-Fi CSI 进行跌倒检测的示意图

在这种设置中,发射的信号被空间中存在的各种物体(包括阻挡物)反射,如天花板、地板、人体等。如果一个物体移动,Wi-Fi CSI 根据特定的运动模式发生变化。具体而言,发射机发出的信号X经过信道传播后到达接收机,接收信号Y如公式(1)所示:

公式(1)中,H为CSI,N为噪声。通过分析CSI值的变化,可以检测出人的运动。与其它Wi-Fi 感知参数(如接收信号强度)相比,CSI 包含幅度以及相位信息,更能捕捉到人体运动的细粒度特征,因此可以提供更精确的活动检测。

如图2 所示,选取Wi-Fi CSI 的一对链路中的一个子载波幅度数据,可以从中看到两种不同人体动作之间的变化有所不同,因此可以通过特征提取的方法区分不同的人体动作。

图2 人体动作对应CSI 变化

3 数据采集及预处理

3.1 数据收集设备

本文使用了自采数据集Falldewideo,通过定制4个实验工作单元以同时收集CSI。如图3 所示,每个工作单元由1 个安装在三脚架托盘上的微型主机和1 个监控摄像头组成。每个微型主机都配备了带有3 个天线的Intel 5300 网络接口卡(Network Interface Card,NIC)。这些微型主机除了通过Wi-Fi 连接外,还通过有线网络进行同步控制,因为Intel 5300 NIC 及其兼容工具集的通信功能会在进行CSI 测量和记录时受到影响。CSI 记录器和摄像头记录5 s 的数据,然后暂停7 s,这个循环会重复5 次。在每台机器上运行802.11n CSI Tool[13]和Python 开源库Csiread,选择HT40+模式,信道36 和1 000 Hz 的采样率,其中一台机器作为发射机,其他机器作为接收机。

图3 数据采集设备

3.2 数据采集环境

本文相关数据是在两个布局不同的房间中采集的(见图4),包括6 名志愿者的信息:年龄均为23 岁左右;身高均为1.75±0.07 m;身体质量指数(Body Mass Index,BMI)均为23.76±2.66。发射机表示为1 个空心标记,每个接收机则为1 个实心标记。志愿者被指示在防摔垫上执行所有活动,如蓝色方形区域所示。

图4 数据采集环境

研究者尝试在这个活动系列中捕捉各种跌倒的运动模式。这个系列包括向前跌倒、向左跌倒、向右跌倒、坐着时跌倒以及向后跌倒。向前跌倒和向后跌倒类似于绊倒和滑倒,其它的则对应于失去意识或平衡时的活动模式和速度。这个数据集的负样本包括行走、跳跃、下蹲、弯腰、坐下、从坐着变换为站立、面朝下躺下、从面朝下躺着的位置站起来、面朝上躺下以及从面朝上躺着的位置站起来。

在跌倒过程中,人的重心以极快的速度下降,人体在高度上产生快速的从高到低的转变。负样本包含了一些日常生活中最常见的动作,其高度和速度变化模式与跌倒相似。

3.3 数据预处理

由于硬件设备的特性如温度漂移等,在CSI 测量过程中会存在误差、采样时间偏移、载波频率偏移和数据包检测延迟,因此采集到的Wi-Fi CSI 数据需要进行预处理操作才能使用。例如,可采用线性相位去噪的方法对收集到的Wi-Fi CSI 的相位数据进行处理。

4 实验结果及分析

4.1 实验设置

本研究分别进行了3 种不同的实验:不跨人员及环境实验、跨人员实验以及跨环境实验。使用准确率、精确率、召回率、F1 分数(F1 Score)这4 种常用的二分类指标作为评估指标,并展示使用单台接收机的幅度和相位的性能以及使用3 台接收机幅度和相位的性能。设TP为真正例(TruePositive,即模型将正样本正确地预测为正样本),TN为真负例(TrueNegative,即模型将负样本正确地预测为负样本),FP为假正例(FalsePositive,即模型将负样本错误地预测为正样本),FN为假负例(FalseNegative,即模型将正样本错误地预测为负样本)。准确率(Accuracy)是分类器正确分类的样本数与总样本数之比;精确率(Precision)是分类器预测为正样本中真正的正样本的比例;召回率(Recall)是分类器正确预测的正样本占所有真正的正样本的比例;F1 分数(F1Score)是精确率和召回率的调和平均值,这意味着F1 分数只有在精确率和召回率都很高时才会很高。4 种评估指标的表达式如公式(2)～(5)所示:

4.2 分类模型

由于数据量较少,该实验采用支持向量机(Support Vector Machine,SVM)的方法来提取特征进行二分类,选择了径向基函数作为核函数,表达式如公式(6)所示:

径向基函数(Radial Basis Function,RBF)不像线性核函数那样对数据的线性假设很强,因此具有较强的通用性,可以应用到各种类型的数据上。如图5 所示,本研究对采集的原始数据进行拆分,获得CSI 的幅度及相位数据。由于数据维度太大,为了避免计算复杂度过大,本研究使用了主成分分析(Principal Component Analysis,PCA)法对数据进行压缩,随后进行SVM 分类得到跌倒检测的结果。

图5 SVM 算法分类流程图

4.3 实验结果

在不跨人员及环境实验中,训练集和测试集的数据来自同一个体,并且在同一种环境条件下收集。在本文中,随机划分90%的数据作为训练集,10%的数据作为测试集。由于随机划分训练集会导致随机性过大,因此取10 次评估结构的平均值作为评估结果,实验结果如表1 所示。

表1 不跨人员及环境实验结果

在跨人员实验中,训练集和测试集中的数据来自不同个体。此处取5 位志愿者的数据用作训练集,其余1位志愿者所采集数据为测试集,实验结果如表2 所示。

表2 跨人员实验结果

在跨环境实验中,训练集和测试集的数据分别来自不同的环境条件。此处取在空教室所采集的数据为训练集,在办公室所采集的数据作为测试集,实验结果如表3 所示。

表3 跨环境实验结果

通过以上实验结果,可以发现使用简单的机器学习方法对CSI 的幅度和去噪相位进行跌倒检测二分类,都有一定的效果。由于没有进行特征选择的过程,因此对3 台接收机数据进行分类的效果并不一定会超过单台接收机。

在不跨人员及环境实验中,由于数据中的动作没有重复数据,未知数据的泛化会是一个有挑战性的问题,在多接收机的情况下,对不同方向以及不同类别的跌倒更具有泛化性。在跨人员实验中,由于Wi-Fi 频段为5 GHz,波长约为0.06 m,对于人体的整体特征感知能力较差,可以看到在多接收机的情况下,并不能提高泛化能力。在跨环境的实验结果中,由于两个实验环境布局差异较大,泛化能力出现了明显下降。

5 结束语

本文回顾了Wi-Fi CSI 感知在跌倒检测上的应用,并构建了数据集,进行了不同场景的实验验证工作,对该方法在跌倒检测中的效果进行了验证。从分析结果可以看出,在使用少量数据集的情况下,通过机器学习训练能够达到一个基本的检测水平,基于Wi-Fi CSI 的跌倒检测在跨人员和跨环境方面的部署依然是一个重大挑战,如何解决数据不足以及提高模型泛化能力都是亟待解决的难题。