一种室内环境下基于信道状态信息的跌倒事件检测方法

摘要

本发明公开了一种室内环境下基于信道状态信息的跌倒事件检测方法。本方法利用商用Wi‑Fi设备和接收天线来收集用户在室内环境中进行日常活动时的Wi‑Fi信号，通过分析Wi‑Fi信号的信道状态信息，包括信号的幅值、相位和动态路径分量等信息，来确定用户是否有活动，然后结合机器学习方法，从用户活动引起的信号变化中提取有效特征来判断该用户活动是否为跌倒事件，最终实现室内环境下的跌倒事件检测。本发明仅依靠商用Wi‑Fi设备发送Wi‑Fi信号，一组天线接收Wi‑Fi信号，部署和维护成本低、使用便利、不存在泄露隐私问题，尤其适用于单人的室内检测环境，具有很高的准确性。

说明书

技术领域

本发明涉及一种跌倒事件检测方法，特别涉及一种室内环境下基于Wi-Fi信号的信道状态信息的跌倒事件检测方法，用于检测室内环境下是否有跌倒事件发生，属于无线网络信道状态信息应用方法技术领域。

背景技术

近几年来，随着老年人人数的大幅度增加，老年人在室内环境中的安全问题引起了人们的广泛关注。在各种日常行为和活动中，跌倒对于老年人来说是最危险的事件之一，尤其是对于那些独居老人。如果缺乏及时的报警和救助，跌倒事件很容易对老年人的健康造成严重的、难以预计的伤害。有研究表明，大约50％的老年人跌倒事件都发生在室内。因此，快速准确地检测室内环境下的跌倒事件对于提高老年人日常活动的安全性有着至关重要的作用。

目前，已有大量的依赖可穿戴设备的跌倒检测方法投入使用。这些方法主要利用可穿戴设备中的各类传感器，例如加速度计、光学心率传感器和皮电反应传感器，来监测用户的日常活动，从而发现跌倒事件。然而，大多数老年人并不适应佩戴这些可穿戴设备，尤其是在一些像洗澡、做饭或者睡觉的场合下，佩戴这些可穿戴设备更是增加了老年人生活的不便。同时，依赖特殊设备的跌倒检测方法还存在部署成本高、维护难度大的缺点。此外，还存在一些利用摄像头来进行跌倒检测的方法。这些方法通过摄像头拍摄老年人的日常活动，然后结合视觉处理技术来发现跌倒事件。但是，依赖视觉信息的方法不仅需要良好的照明条件，还存在盲区无法检测、容易泄露隐私等问题。

商用Wi-Fi设备由于其部署成本低、维护简单、信号覆盖面广、无需佩戴特殊设备等的特点，为室内跌倒检测提供了一种可行的方案。一些基于Wi-Fi设备的跌倒检测方法通过分析Wi-Fi信号的信道状态信息(CSI)来检测用户在室内的跌倒行为。但是，这些方法仅利用CSI的粗粒度信息，未能考虑到室内环境变化带来的干扰，准确率较低。

综上所述，目前迫切需要一种高效准确的、利用普通商用Wi-Fi设备来检测处于室内环境中的用户，尤其是老年人，是否有跌倒事件发生的方法。

发明内容

本发明的目的是为了解决目前在室内环境检测用户是否存在跌倒事件成本过高、抗干扰性不强的问题，创造性地提出一种利用商用Wi-Fi设备来检测用户在室内环境中是否有跌倒事件发生的方法。

本发明的核心思想是：利用商用Wi-Fi设备产生无线信号，部署天线接收该无线信号，然后通过分析接收到的Wi-Fi信号的信道状态信息，利用设计的去噪和校准算法提取出信道状态信息中的细粒度信息并对信号的偏置进行校准，获得用户的室内活动信息，再结合机器学习方法，从室内活动中区分出跌倒事件和非跌倒事件，从而实现跌倒事件检测。本发明方法尤其适用于单用户的室内环境。

本发明的目的是通过以下技术方案实现的：

一种室内环境下基于信道状态信息的跌倒事件检测方法，包括以下步骤：

步骤1：将商用Wi-Fi设备作为发射端，一组天线作为接收端。收集用户在发送端和接收端之间活动时的Wi-Fi信号，并对收集到的信号进行校准，包括幅值校准和相位校准。然后，针对分别消除幅值和相位偏移后的Wi-Fi信号，利用动态路径选择算法，从信道状态信息中提取出动态路径对应的分量。

具体地，步骤1的实现方法如下：

步骤1.1：在室内环境中，将商用Wi-Fi设备作为发射端，M个天线作为接收端，天线采样频率为f。收集用户在发送端和接收端之间活动时的Wi-Fi信号。将每个天线收集到的Wi-Fi信号的切分成长度为t的样本，则每个样本为30×tf的二维复数矩阵。

步骤1.2：针对步骤1.1收集到的Wi-Fi信号样本，首先，对每个样本中每个子载波进行离散小波变换(DWT)，然后，去除每个子载波的直流分量，得到消除幅值偏移的Wi-Fi信号样本。

步骤1.3：针对步骤1.2得到的Wi-Fi信号样本，首先，对每个样本中每个子载波进行离散小波变换。然后，对每个子载波进行逆快速傅里叶变换(IFFT)，得到每个样本的功率延迟曲线。利用功率延迟曲线计算出该样本的载波频率偏移(CFO)，通过从样本中减去载波频率偏移，即可消除该相位偏移。之后，利用最小二乘线性回归方法，计算出每个样本中每个包的包检测延迟(PDD)，通过从样本中减去包检测延迟，即可消除该相位偏移。最后，得到消除两种相位偏移的Wi-Fi信号样本。

步骤1.4：针对步骤1.3得到的消除偏移后的Wi-Fi信号，首先将每两个样本的信道状态信息共轭相乘，然后去除该乘积中的直流分量，即去除静态路径对应分量。通过用其中一个样本的信道状态信息幅值减去该信道状态信息幅值的最小值，并增大另一个样本的信道状态信息幅值，得到可反应动态路径的对应分量。

步骤2：对于步骤1中得到的消除偏移和提取动态路径分量的Wi-Fi信号，利用主成分分析法(PCA)，从每个Wi-Fi信号样本中选出p个最能反映的信道状态信息特征变化的分量，作为该样本的信道状态信息特征。利用基于滑动窗口和动态阈值的活动分割算法，从样本所在时间段内识别用户活动的开始和结束时间。

具体地，步骤2的实现方法如下：

步骤2.1：对于步骤1得到的分别消除偏移且提取动态路径分量后的Wi-Fi信号，对每个Wi-Fi信号样本进行主成分分析，选出p个最能反应该组信号信道状态信息变化的分量，组成p×tf的二维复数矩阵，作为该组信号的信道状态信息特征，从而降低信道状态信息特征维度。

步骤2.2：将步骤2.1得到的同一时间段内的M个样本对齐，加上一个长度为t

步骤3：对于步骤2得到的用户活动划分结果，提取每个用户活动的五类特征，即活动时间、活动平均幅值、波动数、活动衰减率和中值百分比，将这些特征拼接成特征向量。然后，将特征向量送入一个预先训练好的支持向量机(SVM)进行分类，判断该特征向量对应的用户活动是跌倒事件还是非跌倒事件，从而实现对跌倒事件的实时检测。

具体地，步骤3的实现方法如下：

步骤3.1：对于步骤2得到的用户活动划分，首先计算活动时长和活动时信号的平均信号幅值。然后，计算该活动时间内信号的波动数特征，即设置一个长度为t

步骤3.2：将步骤3.1得到的特征向量送入一个预先训练好的SVM进行分类，判断该特征向量对应的用户活动是跌倒事件还是非跌倒事件，最终实现室内环境下跌倒事件的实时检测。

有益效果

1.本发明方法，相较现有技术，仅依靠商用Wi-Fi设备和天线持续收集室内环境下的Wi-Fi信号，就可以实现对用户跌倒事件的检测。因此，本发明不依赖于各类可穿戴设备和视觉传感器，部署和维护成本低、使用便利、不存在泄露隐私问题，适用于单人的室内检测环境。

2.本发明方法，利用室内环境下Wi-Fi信号的信道状态信息，设计相应的校准算法和动态路径选择算法来消除信号偏移和多径效应的影响，使得系统对于环境变化的鲁棒性较强。

3.本发明方法，针对跌倒事件和非跌倒事件对于Wi-Fi信号的CSI的影响不同，提取有效的CSI特征，结合机器学习技术，高效准确地实现对室内跌倒事件的实时检测。

附图说明

图1为本发明实施例跌倒事件检测方法原理图。

图2为本发明实施例的总体准确率。

图3为本发明实施例在不同室内环境下的准确率。

图4为本发明实施例针对不同用户跌倒事件的检测性能。

具体实施方式

下面结合实施例和附图，对本发明方法做进一步详细说明。

如图1所示，一种室内环境下基于信道状态信息的跌倒事件检测方法，包括以下步骤：

步骤1：将商用Wi-Fi设备作为发射端，一组天线作为接收端，收集用户在发送端和接收端之间活动时的Wi-Fi信号，并对收集到的信号进行校准，即幅值校准和相位校准。然后，针对分别消除幅值和相位偏移后的Wi-Fi信号，利用动态路径选择算法，从CSI中提取出动态路径对应的分量。

步骤1.1：在室内环境中，将带有一个天线的商用Wi-Fi设备作为发射端，M个天线作为接收端，天线采样频率为f，收集不同的用户在发送端和接收端之间进行跌倒、行走、转身、跳跃等活动时的Wi-Fi信号。其中，每两个接收天线之间的距离为λ/2，λ为Wi-Fi信号的波长。将每个天线收集到的Wi-Fi信号的切分成长度为t的样本，则每个样本为30×tf的复数矩阵。

步骤1.2：对于步骤1.1收集到的Wi-Fi信号样本，先对每个样本中每个子载波进行离散小波变换(DWT)，然后去除每个子载波的直流分量，得到消除幅值偏移的Wi-Fi信号样本。

步骤1.3：对于步骤1.2得到的Wi-Fi信号样本，先对每个样本中每个子载波进行DWT。然后，对每个子载波进行逆快速傅里叶变换(IFFT)，得到每个样本的功率延迟曲线，根据公式Δψ

步骤1.4：对于步骤1.3得到的消除偏移后的Wi-Fi信号，先将每两个样本的CSI共轭相乘，即：

其中，S

步骤2：对于步骤1中得到的消除偏移且提取动态路径分量的Wi-Fi信号，利用主成分分析法(PCA)从每个Wi-Fi信号样本中选出p个最能反映的CSI特征变化的分量，作为该样本的CSI特征。基于滑动窗口和动态阈值的活动分割算法，从样本所在时间段内识别用户活动的开始和结束时间。

步骤2.1：对于步骤1得到的分别消除偏移且提取动态路径分量后的Wi-Fi信号，对每个Wi-Fi信号样本进行主成分分析，选出p个最能反应该组信号CSI变化的分量，组成p×tf的二维复数矩阵，作为该组信号的CSI特征，从而降低CSI特征维度。

步骤2.2：将步骤2.1得到的同一时间段内的M个样本对齐，加上一个长度为t

步骤3：对于步骤2得到的用户活动划分结果，提取每个用户活动的五类特征，即活动时长、活动平均幅值、波动数、活动衰减率和中值百分比，将这些特征拼接成特征向量。然后将特征向量送入一个预先训练好的支持向量机(SVM)进行分类，来判断该特征向量对应的用户活动是跌倒事件还是非跌倒事件，从而实现对跌倒事件的实时检测。

步骤3.1：对于步骤2得到的用户活动划分，首先计算活动时长和活动时信号的平均信号幅值。然后计算该活动时间内信号的波动数特征，即设置一个长度为t

步骤3.2：将步骤3.1得到的特征向量送入一个预先训练好的SVM进行分类，来判断该特征向量对应的用户活动是跌倒事件还是非跌倒事件，最终实现室内环境下跌倒事件的实时检测。该SVM分类器采用高斯径向基核函数作为核函数，采用交叉验证方法选择最佳参数，最后采用LibSVM软件包进行实现。

实施例

为了测试本方法的性能，在室内场景下部署了一个Wi-Fi设备和三根天线进行数据收集。Wi-Fi信号采用5G频段的第64号信道，该信道的中心频率为5320MHz，带宽为20MHz。天线的采样率设置为每秒1000个数据包。并且招募了3位志愿者作为用户，在不同的室内场景中进行跌倒和日常活动。

首先，测试本方法在室内环境下的总体准确率。图2显示了本方法和另外两种跌倒检测方法(RT-Fall和Fall-Defi)的总体准确率。由图可以看出，本方法的检测跌倒事件的总体准确率为95.8％，而其他两种方法的总体准确率只有81.6％和88.9％，充分说明本方法在室内环境下有较高的准确性。

然后，测试本方法在不同室内场景下的检测性能。图3显示了该方法分别在会议室、实验室和起居室的检测性能。由图可以看出，三个场景下的跌倒事件平均准确率为95.87％，平均灵敏为96.86％，平均特异度为94.06％。在三种室内场景下跌倒检测的准确率均不低于95.1％，体现了本发明对不同环境的普适性强。

最后，测试本方法针对不同用户跌倒的检测性能。图4显示了三个用户在起居室环境下的跌倒检测性能，由图可以看出三位用户的跌倒检测性能均比较高，其中三位用户的平均准确率为94.91％，平均灵敏为95.77％，平均特异度为94.19％。在起居室环境中三位用户的跌倒检测准确率均不低于93.5％，体现了本发明对不同用户的普适性强。

以上所述的具体实例是对本发明的进一步解释说明，并不用于限定本发明的保护范围，凡在本发明原则和精神之内，所做的更改和等同替换都应是本发明的保护范围之内。