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(diǎn)實(shí)驗(yàn)室 特種光纖與先進(jìn)通信國(guó)際合作聯(lián)合實(shí)驗(yàn)室，上海 200444;2.密碼科學(xué)技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100878;3.鵬城實(shí)驗(yàn)室量子計(jì)算中心，廣東 深圳 518000)

0 引言

目前中國(guó)社會(huì)進(jìn)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(guó)關(guān)注的一個(gè)根本性問(wèn)題，國(guó)家也一直在推動(dòng)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(chǎng)景下打造以養(yǎng)老為服務(wù)的各類個(gè)性化健康管理系統(tǒng)。調(diào)查顯示，大約90%的老人都會(huì)選擇居家生活，而他們的兒女大多數(shù)因?yàn)楣ぷ鞯脑虿辉谏磉?，這導(dǎo)致老人的健康安全得不到保障。獨(dú)居老年人面臨的一個(gè)巨大風(fēng)險(xiǎn)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(jì)：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(xiǎn)更大。

對(duì)于摔倒檢測(cè)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?yàn)槔夏耆瞬慌宕魉鼈?。而隨著科技的發(fā)展，基于無(wú)線信號(hào)的人體識(shí)別系統(tǒng)成為研究熱點(diǎn)。這類系統(tǒng)通過(guò)無(wú)線信號(hào)檢測(cè)人類活動(dòng)，人可以像往常一樣繼續(xù)生活，而無(wú)需佩戴任何設(shè)備。在這種背景下，我們提出了基于無(wú)線感知的摔倒系統(tǒng)。

1 無(wú)線感知系統(tǒng)相關(guān)工作

由于無(wú)線信號(hào)具有普遍性及對(duì)設(shè)備的低依賴度等優(yōu)勢(shì)，無(wú)線感知系統(tǒng)的研究熱潮隨之而來(lái)。2013年至2020年，無(wú)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(yàn)證模型，主要分為微小動(dòng)作識(shí)別[1]、行為活動(dòng)識(shí)別[2]、身份識(shí)別、生命體征檢測(cè)[3]、人體定位追蹤[4]、人體成像[5]和情緒識(shí)別[6]等。相較于基于視覺(jué)及硬件傳感器的人體行為識(shí)別系統(tǒng)，無(wú)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(tuán)隊(duì)就是麻省理工Dina Katabi團(tuán)隊(duì)，他們提出一系列基于無(wú)線信號(hào)的系統(tǒng)，例如新型家庭睡眠監(jiān)測(cè)系統(tǒng)EZ-Sleep[8]、新型人體姿態(tài)估計(jì)系統(tǒng)RF-Pose[9]、新型摔倒檢測(cè)系統(tǒng)Aryokee[10]和自動(dòng)收集人類行為信息的系統(tǒng)Marko[11]。國(guó)內(nèi)的很多團(tuán)隊(duì)也提出了很多基于無(wú)線感知的系統(tǒng)，例如清華大學(xué)劉云浩團(tuán)隊(duì)提出基于WiFi信號(hào)的吸煙檢測(cè)系統(tǒng)Smokey[12]和第一個(gè)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(jì)

本系統(tǒng)所采用的無(wú)線設(shè)備是普通商用路由器。WiFi信號(hào)基于使用IEEE 802.11n協(xié)議，采用基于OFDM調(diào)制的WiFi信號(hào)的CSI進(jìn)行研究。系統(tǒng)總體分為5個(gè)階段：信號(hào)采集、預(yù)處理、異常檢測(cè)、特征提取和分類識(shí)別，如圖1所示。

圖1 系統(tǒng)框圖

在信號(hào)采集階段，路由器發(fā)射無(wú)線信號(hào)，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(duì)收集到的信號(hào)進(jìn)行濾波、主成份分析處理，從而達(dá)到降低噪聲的作用；在異常檢測(cè)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(duì)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(shí)別；最后，分類識(shí)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(jìn)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(duì)未知數(shù)據(jù)進(jìn)行識(shí)別，從而得知當(dāng)前環(huán)境狀態(tài)。

3 摔倒檢測(cè)具體實(shí)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(hào)中包含有大量的不相關(guān)噪聲，如圖2所示。

圖2 動(dòng)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(lái)源于發(fā)射器和接收器中無(wú)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(huì)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(dòng)作信息相關(guān)的數(shù)據(jù)。在有移動(dòng)物體的動(dòng)態(tài)環(huán)境下，無(wú)線信號(hào)的傳播路徑會(huì)時(shí)刻發(fā)生變化，我們知道波的疊加原理，無(wú)線信號(hào)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(dòng)態(tài)環(huán)境中，信道狀態(tài)信息數(shù)據(jù)曲線中會(huì)出現(xiàn)明顯的波形波動(dòng)。另一方面，人各個(gè)身體部位的運(yùn)動(dòng)速度是不同的，因此產(chǎn)生信號(hào)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(dòng)速度(m/s)；λ為無(wú)線波長(zhǎng)(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(wú)線信號(hào)頻率是2.4 GHz，計(jì)算出波長(zhǎng)為0.125 m，而人體軀干的移動(dòng)速度大概在1 m/s左右，通過(guò)公式可得CSI幅度波形變化的頻率為16 Hz左右。人的嘴部動(dòng)作對(duì)應(yīng)的頻率范圍在2—5 Hz，因此對(duì)于本系統(tǒng)來(lái)說(shuō)，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(guò)Butterworth低通濾波器后的波形，如圖3所示。

圖3 動(dòng)態(tài)環(huán)境中低通濾波后的CSI幅度曲線

WiFi信號(hào)是通過(guò)OFDM[15]調(diào)制的，具有30個(gè)子載波。30個(gè)子載波幅度值不同，但是各個(gè)子載波的變化曲線相似。也就是說(shuō)人體對(duì)各個(gè)子載波造成的影響是有關(guān)系的，基于這類的實(shí)驗(yàn)場(chǎng)景，系統(tǒng)采用PCA[16](Principal Component Analysis，主成分分析)算法來(lái)提取濾波后子載波信號(hào)中僅包含由人體行為引起的信道變化信息。

3.2 異常檢測(cè)

與靜止和連續(xù)正常行走這類規(guī)律性運(yùn)動(dòng)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(cè)算法提取這些異常片段。異常檢測(cè)算法是為了檢測(cè)信號(hào)的異常變化，摔倒會(huì)導(dǎo)致CSI明顯波動(dòng)。系統(tǒng)采用基于局部異常因子的異常檢測(cè)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(cè)之后，將檢測(cè)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(guò)預(yù)處理后的信號(hào)中包含了有效的動(dòng)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(shí)這種差異性，我們需要能表現(xiàn)最大信息的特征來(lái)表示相應(yīng)的環(huán)境狀態(tài)。我們采用了一些常見(jiàn)的時(shí)域特征，包括中位數(shù)絕對(duì)偏差、四分位差、最大值、均值和方差這5類時(shí)域特征。

在統(tǒng)計(jì)學(xué)中，中位數(shù)絕對(duì)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(duì)于數(shù)據(jù)集的影響，比標(biāo)準(zhǔn)差的效果更好。對(duì)于單變量數(shù)據(jù)集X1,X2,…,Xn，中位數(shù)絕對(duì)偏差定義為數(shù)據(jù)點(diǎn)到中位數(shù)的絕對(duì)偏差的中位數(shù),如式(2)。

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

(2)

即先計(jì)算出數(shù)據(jù)與中位數(shù)之間的偏差，中位數(shù)絕對(duì)偏差就是這些偏差的絕對(duì)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(shuō)明中間的數(shù)據(jù)越集中；其數(shù)值越大，說(shuō)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(guò)預(yù)處理后所保留的數(shù)據(jù)，是一個(gè)1×N的矩陣，其中N為收集到的數(shù)據(jù)包個(gè)數(shù)。對(duì)矩陣采用滑動(dòng)窗口的方式來(lái)計(jì)算各個(gè)時(shí)域特征，設(shè)置系統(tǒng)滑窗窗口長(zhǎng)度為100，步長(zhǎng)為60，生成一個(gè)由絕對(duì)中位差、四分位差、最大值、均值和方差這5類時(shí)域特征組成的特征矢量。

在訓(xùn)練階段，我們共計(jì)用100組特征矢量，生成一個(gè)5×100的特征矩陣F，其中序號(hào)1—50特征矢量是屬于摔倒環(huán)境，序號(hào)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(duì)應(yīng)序號(hào)標(biāo)記為‘0’，摔倒環(huán)境的對(duì)應(yīng)序號(hào)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(shí)別

如何準(zhǔn)確地判定提取的數(shù)據(jù)是屬于摔倒動(dòng)作還是非摔倒動(dòng)作，這是一個(gè)典型的分類問(wèn)題，本系統(tǒng)采用了支持向量機(jī)(Support Vector Machine，SVM)作為分類算法。所用的庫(kù)是LIBSVM，能夠在Windows、Linux操作系統(tǒng)上使用。軟件包使用簡(jiǎn)單，僅僅需要設(shè)置幾個(gè)關(guān)鍵參數(shù)就有不錯(cuò)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(cè)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(xiàng)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(cè)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(jìn)行正確的判斷。系統(tǒng)的識(shí)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(gè)參數(shù)：損失函數(shù)參數(shù)Cost(后文以縮寫(xiě)C表示)和徑向基核函數(shù)參數(shù)gamma(后文以縮寫(xiě)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(lái)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(duì)，通過(guò)驗(yàn)證找出精確度最高的(C,g)對(duì)。在精確度相同的情況下，選擇較小的參數(shù)C，因?yàn)閰?shù)C的數(shù)值大代表著過(guò)學(xué)習(xí)狀態(tài)的發(fā)生。系統(tǒng)中我們采用交叉驗(yàn)證的方法進(jìn)行評(píng)估系統(tǒng)模型，交叉驗(yàn)證有著可以在一定程度上減小過(guò)擬合和可以從有限的數(shù)據(jù)中獲取更多信息的優(yōu)點(diǎn)。

實(shí)驗(yàn)環(huán)境平面圖如圖4所示。

圖4 實(shí)驗(yàn)環(huán)境平面圖

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

4 實(shí)驗(yàn)結(jié)果

本系統(tǒng)在兩類場(chǎng)景下實(shí)驗(yàn)，在自由行走的條件下，第一類在摔倒后失去活動(dòng)能力的情況下平均精確度達(dá)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?yàn)樘崛∷さ巩惓?shù)據(jù)片段時(shí)設(shè)置的計(jì)算窗口為3秒，而摔倒動(dòng)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(dòng)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(cè)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(dá)的系統(tǒng)，具有非侵入性、具有一定的魯棒性、普適性和價(jià)格低廉等優(yōu)勢(shì)。但是本論文僅僅是在規(guī)律性行走的環(huán)境下檢測(cè)摔倒，對(duì)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(chǎng)景還有待進(jìn)一步研究。

目前，本論文設(shè)計(jì)的基于CSI的摔倒檢測(cè)系統(tǒng)已經(jīng)實(shí)現(xiàn)功能，也證明了基于無(wú)線感知系統(tǒng)的人體識(shí)別系統(tǒng)的可行性，隨著研究不斷深入，可以預(yù)見(jiàn)無(wú)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(huì)有巨大的應(yīng)用前景。

A.智能家居

在家中的任何角落，無(wú)線感知系統(tǒng)能夠通過(guò)識(shí)別特定的手勢(shì)來(lái)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(guò)識(shí)別用戶的情緒來(lái)自動(dòng)調(diào)節(jié)房間的環(huán)境氛圍，如播放舒緩的音樂(lè)、開(kāi)啟柔和照明等等，來(lái)緩解用戶的心情。無(wú)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(wú)線感知系統(tǒng)能夠?yàn)榉秶鷥?nèi)的所有人提供全天候的、被動(dòng)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(cè)，收集到的生命體征數(shù)據(jù)可被用作為評(píng)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(guò)后，例如火災(zāi)或地震后環(huán)境復(fù)雜，救援困難。無(wú)線感知系統(tǒng)精確的生命體征監(jiān)測(cè)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(shí)展開(kāi)救援工作。

D.公眾治安

在大型公共場(chǎng)所，安裝攝像頭是普遍的做法，但是由于攝像頭會(huì)受視覺(jué)的影響，也會(huì)存在盲區(qū)，而無(wú)線信號(hào)則不存在這些環(huán)境因素限制?，F(xiàn)階段的無(wú)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(shí)別和行為活動(dòng)識(shí)別，因此在未來(lái)可與視頻監(jiān)控協(xié)同工作以彌補(bǔ)其不足。