基于CSI的摔倒檢測系統(tǒng)

于東輝，湯霖，王潮，3*

(1.上海大學(xué) 特種光纖與光接入網(wǎng)重點實驗室 特種光纖與先進通信國際合作聯(lián)合實驗室，上海 200444;2.密碼科學(xué)技術(shù)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(shù)迅速增加。養(yǎng)老是我國關(guān)注的一個根本性問題，國家也一直在推動智慧養(yǎng)老的產(chǎn)業(yè)發(fā)展。在上述背景下，研究人員著力在居家養(yǎng)老、社區(qū)衛(wèi)生站等場景下打造以養(yǎng)老為服務(wù)的各類個性化健康管理系統(tǒng)。調(diào)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(shù)因為工作的原因不在身邊，這導(dǎo)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(fēng)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(yīng)，甚至造成死亡。據(jù)世界衛(wèi)生組織統(tǒng)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(fēng)險更大。

對于摔倒檢測現(xiàn)有的解決方案主要是基于可穿戴式設(shè)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(fā)展，基于無線信號的人體識別系統(tǒng)成為研究熱點。這類系統(tǒng)通過無線信號檢測人類活動，人可以像往常一樣繼續(xù)生活，而無需佩戴任何設(shè)備。在這種背景下，我們提出了基于無線感知的摔倒系統(tǒng)。

1 無線感知系統(tǒng)相關(guān)工作

由于無線信號具有普遍性及對設(shè)備的低依賴度等優(yōu)勢，無線感知系統(tǒng)的研究熱潮隨之而來。2013年至2020年，無線感知系統(tǒng)領(lǐng)域得到了迅猛發(fā)展，研究者們從不同的應(yīng)用角度構(gòu)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(tǒng)，無線感知[7]提供了一種新的可行方案，并表現(xiàn)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(tǒng)，例如新型家庭睡眠監(jiān)測系統(tǒng)EZ-Sleep[8]、新型人體姿態(tài)估計系統(tǒng)RF-Pose[9]、新型摔倒檢測系統(tǒng)Aryokee[10]和自動收集人類行為信息的系統(tǒng)Marko[11]。國內(nèi)的很多團隊也提出了很多基于無線感知的系統(tǒng)，例如清華大學(xué)劉云浩團隊提出基于WiFi信號的吸煙檢測系統(tǒng)Smokey[12]和第一個基于普通商用WiFi的人類定位和跟蹤系統(tǒng)Widar2.0[13]。

2 總體設(shè)計

本系統(tǒng)所采用的無線設(shè)備是普通商用路由器。WiFi信號基于使用IEEE 802.11n協(xié)議，采用基于OFDM調(diào)制的WiFi信號的CSI進行研究。系統(tǒng)總體分為5個階段：信號采集、預(yù)處理、異常檢測、特征提取和分類識別，如圖1所示。

圖1 系統(tǒng)框圖

在信號采集階段，路由器發(fā)射無線信號，筆記本電腦裝有相應(yīng)網(wǎng)卡在同一區(qū)域內(nèi)收集CSI，這樣我們就獲得了原始數(shù)據(jù)；在預(yù)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(xù)的特征提取和訓(xùn)練響應(yīng)模型；在特征提取階段，針對不同環(huán)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(xùn)練出分類模型，系統(tǒng)采集環(huán)境信息進行相應(yīng)的數(shù)據(jù)處理，然后使用學(xué)習(xí)階段生成的訓(xùn)練模型對未知數(shù)據(jù)進行識別，從而得知當(dāng)前環(huán)境狀態(tài)。

3 摔倒檢測具體實現(xiàn)方案

3.1 數(shù)據(jù)預(yù)處理

在感知階段獲取的原始信號中包含有大量的不相關(guān)噪聲，如圖2所示。

圖2 動態(tài)環(huán)境中的CSI原始數(shù)據(jù)幅度曲線

這些噪聲大多來源于發(fā)射器和接收器中無線網(wǎng)卡的內(nèi)部狀態(tài)轉(zhuǎn)換[14]，比如傳輸功率變化、傳輸速率適配及內(nèi)部電平變化等等，這些都會引起高頻噪聲。在數(shù)據(jù)預(yù)處理階段，我們的工作就是去除數(shù)據(jù)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(guān)的數(shù)據(jù)。在有移動物體的動態(tài)環(huán)境下，無線信號的傳播路徑會時刻發(fā)生變化，我們知道波的疊加原理，無線信號疊加后的結(jié)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(tài)環(huán)境中，信道狀態(tài)信息數(shù)據(jù)曲線中會出現(xiàn)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(chǎn)生信號狀態(tài)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(tài)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(yīng)的頻率范圍在2—5 Hz，因此對于本系統(tǒng)來說，我們需要的數(shù)據(jù)是在低頻處，因此系統(tǒng)采用低通濾波器處理數(shù)據(jù)。

本系統(tǒng)采用的低通濾波器是Butterworth低通濾波器。經(jīng)過Butterworth低通濾波器后的波形，如圖3所示。

圖3 動態(tài)環(huán)境中低通濾波后的CSI幅度曲線

WiFi信號是通過OFDM[15]調(diào)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(guān)系的，基于這類的實驗場景，系統(tǒng)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(xù)正常行走這類規(guī)律性運動相比突然摔倒可以使CSI片段發(fā)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(dǎo)致CSI明顯波動。系統(tǒng)采用基于局部異常因子的異常檢測算法，提取相應(yīng)的異常數(shù)據(jù)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(huán)境下的信道狀態(tài)信息是不同的，在經(jīng)過預(yù)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(huán)境下CSI的差異性。但是為了讓我們的系統(tǒng)更加有效地認(rèn)識這種差異性，我們需要能表現(xiàn)最大信息的特征來表示相應(yīng)的環(huán)境狀態(tài)。我們采用了一些常見的時域特征，包括中位數(shù)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(tǒng)計學(xué)中，中位數(shù)絕對偏差(median absolute deviation,MAD)是量化數(shù)據(jù)單變量樣本差異性的可靠度量?？梢源蟠鬁p少異常值對于數(shù)據(jù)集的影響，比標(biāo)準(zhǔn)差的效果更好。對于單變量數(shù)據(jù)集X1,X2,…,Xn，中位數(shù)絕對偏差定義為數(shù)據(jù)點到中位數(shù)的絕對偏差的中位數(shù),如式(2)。

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

(2)

即先計算出數(shù)據(jù)與中位數(shù)之間的偏差，中位數(shù)絕對偏差就是這些偏差的絕對值的中位數(shù)。

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

現(xiàn)在需要處理的數(shù)據(jù)是通過預(yù)處理后所保留的數(shù)據(jù)，是一個1×N的矩陣，其中N為收集到的數(shù)據(jù)包個數(shù)。對矩陣采用滑動窗口的方式來計算各個時域特征，設(shè)置系統(tǒng)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(xùn)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(huán)境，序號51—100特征矢量是屬于非摔倒環(huán)境。這樣就生成1×500的標(biāo)簽矩陣Label，將非摔倒環(huán)境的對應(yīng)序號標(biāo)記為‘0’，摔倒環(huán)境的對應(yīng)序號標(biāo)記為‘1’。系統(tǒng)能夠基于這分辨出環(huán)境所處的狀態(tài)。

3.4 分類識別

如何準(zhǔn)確地判定提取的數(shù)據(jù)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(tǒng)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(tǒng)上使用。軟件包使用簡單，僅僅需要設(shè)置幾個關(guān)鍵參數(shù)就有不錯的效果。系統(tǒng)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(shù)為式(3)。

(3)

其中,n為支持向量的總數(shù)目；K(xi,x)為SVM算法采用的核函數(shù)；xi為訓(xùn)練數(shù)集中的支持向量；x為待預(yù)測標(biāo)簽的支持向量樣本；wi為支持向量在決策函數(shù)中的系數(shù)；b為決策函數(shù)中的常數(shù)項的相反數(shù)；predict_label為決策結(jié)果。在本系統(tǒng)中，SVM算法的核函數(shù)是應(yīng)用廣泛的徑向基函數(shù) (Radial Basis Function，RBF)，故決策函數(shù)為式(4)。

(4)

因此系統(tǒng)只要確定決策函數(shù)的參數(shù)即可獲得待檢測樣本數(shù)據(jù)的標(biāo)簽，從而使得系統(tǒng)能夠?qū)Νh(huán)境狀態(tài)進行正確的判斷。系統(tǒng)的識別準(zhǔn)確率與決策函數(shù)的參數(shù)選擇相關(guān)，LIBSVM選擇徑向基核函數(shù)有2個參數(shù)：損失函數(shù)參數(shù)Cost(后文以縮寫C表示)和徑向基核函數(shù)參數(shù)gamma(后文以縮寫g表示)，參數(shù)C和參數(shù)g的大小決定分類器的性能。訓(xùn)練的目的就是尋找合適參數(shù)C和參數(shù)g。

本系統(tǒng)使用“網(wǎng)格參數(shù)尋優(yōu)”的方法來尋找最優(yōu)參數(shù)C和g。網(wǎng)格參數(shù)尋優(yōu)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(shù)C，因為參數(shù)C的數(shù)值大代表著過學(xué)習(xí)狀態(tài)的發(fā)生。系統(tǒng)中我們采用交叉驗證的方法進行評估系統(tǒng)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(shù)據(jù)中獲取更多信息的優(yōu)點。

實驗環(huán)境平面圖如圖4所示。

圖4 實驗環(huán)境平面圖

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

4 實驗結(jié)果

本系統(tǒng)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(shù)據(jù)片段時設(shè)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(tài)環(huán)境，這些靜態(tài)環(huán)境也是摔倒動作的特征。而摔倒后有呼救的情況下區(qū)分度降低，所以準(zhǔn)確性也降低了。

5 總結(jié)

本論文中提出一種基于CSI的摔倒檢測系統(tǒng)，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(tǒng)，具有非侵入性、具有一定的魯棒性、普適性和價格低廉等優(yōu)勢。但是本論文僅僅是在規(guī)律性行走的環(huán)境下檢測摔倒，對于在別的復(fù)雜環(huán)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(shè)計的基于CSI的摔倒檢測系統(tǒng)已經(jīng)實現(xiàn)功能，也證明了基于無線感知系統(tǒng)的人體識別系統(tǒng)的可行性，隨著研究不斷深入，可以預(yù)見無線感知系統(tǒng)在智能家居、醫(yī)療健康、災(zāi)難救援和公眾治安等方面將會有巨大的應(yīng)用前景。

A.智能家居

在家中的任何角落，無線感知系統(tǒng)能夠通過識別特定的手勢來控制調(diào)節(jié)智能設(shè)備，如音響系統(tǒng)、照明系統(tǒng)、溫度調(diào)節(jié)系統(tǒng)等等；能夠通過識別用戶的情緒來自動調(diào)節(jié)房間的環(huán)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(tǒng)可以被視作智能家居的感官系統(tǒng)，使其與人類的交互更加智能、便捷。

B.醫(yī)療健康

無線感知系統(tǒng)能夠為范圍內(nèi)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(jiān)測，收集到的生命體征數(shù)據(jù)可被用作為評估常規(guī)身體健康狀態(tài)和鑒定各種疾病主要依據(jù)。

C.災(zāi)難救援

在自然災(zāi)害過后，例如火災(zāi)或地震后環(huán)境復(fù)雜，救援困難。無線感知系統(tǒng)精確的生命體征監(jiān)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(qū)，而無線信號則不存在這些環(huán)境因素限制?，F(xiàn)階段的無線感知系統(tǒng)能夠?qū)崿F(xiàn)在特定可控空間內(nèi)的身份識別和行為活動識別，因此在未來可與視頻監(jiān)控協(xié)同工作以彌補其不足。