CN105933080A - 一种跌倒检测方法和系统 - Google Patents
一种跌倒检测方法和系统 Download PDFInfo
- Publication number
- CN105933080A CN105933080A CN201610036013.3A CN201610036013A CN105933080A CN 105933080 A CN105933080 A CN 105933080A CN 201610036013 A CN201610036013 A CN 201610036013A CN 105933080 A CN105933080 A CN 105933080A
- Authority
- CN
- China
- Prior art keywords
- csi
- stream
- signal
- phase contrast
- falling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/22—Scatter propagation systems, e.g. ionospheric, tropospheric or meteor scatter
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
Abstract
本发明涉及一种用于跌倒检测方法和系统。所述用于跌倒检测的方法包括:通过第一接收天线接收通过环境的第一WiFi信号流;通过第二接收天线接收通过所述环境的第二WiFi信号流;确定所述第一WiFi信号流的物理层信道状态信息流,即第一CSI流;确定所述第二WiFi信号流的物理层信道状态信息流,即第二CSI流;确定所述第一WiFi信号流的物理层信道状态信息流与所述第二WiFi信号流的物理层信道状态信息流在同一时刻的相应状态之间的相位差即CSI相位差,以便形成CSI相位差流;以及根据所述CSI流和CSI相位差流,确定跌倒事件。
Description
技术领域
本发明涉及跌倒检测领域,特别是涉及一种利用商用WiFi设备的实时无接触跌倒检测方法和系统。
背景技术
跌倒已经成为现代社会老年人的致命和非致命伤害的一个主要起因。对于独居的老年人来说,50%的跌倒发生自他们自己家内,因此长期以来及时和自动检测跌倒一直是老年辅助技术领域的一个重要研究目标。因此已经提出和研究了从基于穿戴式传感器、基于环境设备到基于计算机视觉的方案的各种技术。基于穿戴式传感器的方法属于最早开发出来用于跌倒检测的技术。自从Lord和Colvin在1991年提出了基于加速计的方法,在过去的数十年间,各种类型的用于跌倒检测的传感器已经被开发出来,范围从陀螺仪、气压传感器、RFID到含有传感器的智能手机。这些系统仅能够在使用者佩戴传感器时工作。然而,总是佩戴在身上的要求,对于实验对象,特别是对于在家里的老年人来说,是很难一直遵守的。基于环境设备的方法试图利用跌倒引起的环境信息变化来检测风险活动。使用的环境信息包括音频噪声、地板振动和红外传感数据。在这些系统中,专用设备需要植入到环境中。然而,在环境中在实验对象周围的其他压力或声音来源会引起不少的错误警报。基于计算机视觉的方法使用安装在监测环境中的摄像机来捕获图像或者视频序列用于场景识别。尽管红外LED和深度摄像机例例如Microsoft Kinect的最新进展扩大了它的应用范围(例如,灯光的独立照明并能够在甚至是黑暗的室内工作),隐私侵犯、视线覆盖的固有要求以及实时处理的密集计算仍然是在未来需要解决的问题。
由于上述跌倒检测方案的限制,截至目前为止,很少有跌倒检测系统被广泛地部署在实际的家庭环境中。近年来,无线技术的快速发展激发了对于无线信号和人类活动之间的关系的研究。特别是,最近公开的关于商用WiFi设备的物理层信道状态信息(CSI)揭示了在OFDM子载波粒度的多路径信道特征,其比传统的MAC层RSS(接收信号强度)具有更细的粒度。通过采用OFDM子载波上的CSI的幅度和相位信息和MIMO系统中的多天线上的CSI信息的分析,在运动检测、唇语和手势识别、生命体征监测和活动识别上的应用取得了显著的进步。这些研究努力背后的基本原理在于不同的人类活动能够引起不同的信号改变模式,通过将观测到的信号改变模式映射为不同的人类活动,活动就能够被实时地识别。
现有技术中存在使用WiFi商用设备检测跌倒的技术,然而,它有两个假设:(1)实验对象仅能够执行四种类型的预定义活动(即,行走、坐下、站立、跌倒);(2)活动不能够被连续执行。例如,实验对象需要站立一段时间,然后再行走。一个例子是C.Han,K.Wu,Y.Wang和L.M.Ni的“Wifall:Device-free fall detection by wirelessnetworks”中的Wifall。在实际家庭环境中这两种假设都是不现实的。因此,在本发明中,发明人旨在消除两种假设从而在实际环境中(即,各种日常活动自然连续地进行)检测跌倒。
为了利用WiFi信号在实际环境中实时自动检测跌倒,有一些挑战必须解决。首先,跌倒和其他人类活动如何影响CSI的幅度和相位信息?WiFi信号流的CSI中是否有能够表征跌倒和其他人类活动的具体特征?其次,由于活动是连续进行地,后续活动的WiFi信号的边界不是给定的。如何在连续捕获的WiFi无线信号流中自动和精确地切割相应的跌倒和其他活动?再次,由于有数不清的日常活动,从活动识别的角度看,问题空间是无限的。即使活动被切割出来,将跌倒和所有其他日常活动区分开来类似于在无限问题空间内搜索解,其仍然是充满挑战的。
发明人观察到两个天线上的相位差在存在跌倒和其他人类活动时呈现出令人感兴趣的特征。基于这种观测,发明人提出基于状态转换的切割方法,该方法利用一对接收机天线上的相位差的变化作为在连续捕获WiFi无线信号流中的自动切割所有跌倒和类似跌倒活动的重要特征。然后发明人从CSI的幅度和相位信息中提取特征从而将跌倒和类似跌倒的活动区分开。除了验证相位差是相比CSI的幅度更敏感的基础信号之外,发明人观测到跌倒和类似跌倒活动在时-频域内最终均以尖锐的功率谱下降结束。基于这两项发现,发明人设计和实施了发明人的实时跌倒检测器,称为RT-Fall。
本发明的主要贡献在于:
1)使用商用WiFi设备在实际环境中处理跌倒检测问题,即在自然连续地进行数不清日常活动的情况下检测跌倒。
2)发现CSI的相位差是比幅度更好的基础信号,以用于活动切割和跌倒检测。通过研究不同人类活动之间的关系和相位差的变化,发明人证明其作为基础信号用于在连续捕获的信号流中切割跌倒和类似跌倒活动的有效性。
3)发明人发现了跌倒在时-频域内的尖锐功率谱下降模式并进一步利用时域和频域内的跌倒的互补特征用于精确地跌倒切割/检测。
4)发明人设计并实施了一种实时活动切割和跌倒检测系统,基于需求的RT-FallWiFi设备,其中仅一个天线在发射机侧,而两个天线在接收机侧。实验结果表明RT-Fall能够在WiFi无线信号流中准确切割跌倒和类似跌倒的活动,并且比目前最高水平的跌倒检测器WiFall具有更好的跌倒检测性能。
发明内容
根据本发明的一方面,提供了一种用于跌倒检测的方法。该跌倒检测方法可以使用具有至少两个WiFi接收天线的接收机执行,例如使用具有至少两个WiFi接收天线的笔记本计算机中执行。
根据本发明的一个实施例,在所述的用于跌倒检测的方法中,可以在S110通过一个WiFi发射设备的一个发射天线发射WiFi信号流到所述环境中。其中,所述WiFi发射设备可以在物理层使用正交频分调制即OFDM。
该用于跌倒检测的方法,包括:在S120通过第一接收天线接收通过环境的第一WiFi信号流;在S130通过第二接收天线接收通过环境的第二WiFi信号流;在S140确定所述第一WiFi信号流的物理层信道状态信息流,即第一CSI流;在S150确定所述第二WiFi信号流的物理层信道状态信息流,即第二CSI流;在S160确定在同一时刻所述第一WiFi信号流的物理层信道状态信息流与所述第二WiFi信号流的物理层信道状态信息流之间的相位差,即CSI相位差,从而形成物理层信道状态信息相位差流,即CSI相位差流;并且,在S170根据所述第一WiFi信号流的物理层信道状态信息流与所述第二WiFi信号流的物理层信道状态信息流之间的相位差流,即所述CSI相位差流,确定跌倒事件。在进一步的实施例中,根据第一和第二CSI流,确定跌倒事件。其中,在同一时刻,第一接收天线接收到的无线信号的第一CSI具有相应的第一振幅和第一相位,其中反映了无线信号到达第一接收天线之前的环境对信号的影响;在该同一时刻,第二接收天线接收到的无线信号的第二CSI也具有其相应的第二振幅和第二相位,其中反映了无线信号到达第二接收天线之前的环境对信号的影响。在同一时刻的CSI相位差,是指在该同一时刻,所述第一CSI在该时刻的第一相位与所述第二CSI在该时刻的第二相位之间的相位差。
本领域的技术人员可以理解,还可以使用两组独立的天线,例如两组接收设备分别配置两个接收天线,用于接收所述WiFi发射设备的所述发射天线发射的所述WiFi信号流。还可以使用多个接收天线,例如三个或更多个接收天线接收所述WiFi发射设备的所述发射天线发射的所述WiFi信号流。然后,针对多个天线接收的WiFi信号流的物理层信道状态信息流,即多个CSI流之间的相位差应用本发明的方法。
根据本发明的一个实施例,在所述的用于跌倒检测的方法中,所述第一WiFi信号流为所述第一接收天线接收的所述WiFi发射设备发射的WiFi信号流,所述第二WiFi信号流为所述第二接收天线接收的所述WiFi发射设备发射的所述WiFi信号流。
根据本发明的一个实施例,在所述的用于跌倒检测的方法中,可以根据所述CSI相位差识别跌倒或类似跌倒活动的完成参考点,并根据回溯窗口大小确定跌倒或类似跌倒活动的起始参考点。
根据本发明的一个实施例,在所述的用于跌倒检测的方法中,可以在所述CSI流之中进行插值,以便获得具有连续的时域-频域频谱的插值后的CSI流;从所述插值后的CSI流排除不相关的信号频率分量,以便获得带通滤波后的CSI相位差流;其中,根据所述带通滤波后的CSI相位差识别跌倒或类似跌倒活动的完成参考点,并根据回溯窗口大小确定跌倒或类似跌倒活动的起始参考点。
根据本发明的一个实施例,其中,根据预定的阈值排除不相关的信号频率分量。
根据本发明的一个实施例,其中,不相关的信号频率分量可以确定为低于4H或高于10Hz。这样,可以从所述插值后的CSI流排除不相关的信号频率分量,例如排除低频分量,或排除低频分量和高频分量,以便保留最有意义的中间频率分量。
根据本发明的一个实施例,在所述的用于跌倒检测的方法中,其中使用基于阈值的滑动窗口方法来确定原始CSI相位差信号和带通滤波后的CSI相位差信号是否在波动状态或稳定状态;并且针对原始CSI相位差信号和带通滤波后的CSI相位差信号,检测波动状态到稳定状态的转换,并通过核查两个信号是否进入稳定状态,确定跌倒和类似跌倒活动的完成参考点。
根据本发明的一个实施例中,在所述的用于跌倒检测的方法中,其中进一步包括:其中当且仅当原始的CSI相位差信号与滤波后的CSI相位差信号,依据各自的滑动标准差和相应的预定阈值,进入稳定状态的先后时差,即时滞小于预定的阈值时,确定跌倒和类似跌倒活动的完成参考点。其中,在一个实施例中,所述预定的阈值为2秒。
根据本发明的一个实施例,在所述的用于跌倒检测的方法中,其中进一步包括:提取原始的CSI相位差流和/或者滤波后的CSI相位差流的以下特征:功率下降比率(PDR)(以所确定的跌倒和类似跌倒活动的完成参考点作为基准时刻,分别确定时频谱上所述基准时刻的前后预定时长内(例如前后1秒的两个时间窗内)的预定频率范围(例如0-50Hz)内的能量下降的比率,即功率下降比率(PDR);并且根据原始的CSI相位差流和/或者滤波后的CSI相位差流的确定跌倒事件。
根据本发明的一个实施例,在所述的用于跌倒检测的方法中,其中使用一-类支持向量机根据所述时滞以及原始的CSI相位差流或者滤波后的CSI相位差流的所述功率下降比率确定跌倒事件。
根据本发明的一个实施例,在所述的用于跌倒检测的方法中,其中进一步包括:提取第一CSI流或第二CSI流的以下特征(1)归一化标准差(STD);(2)平均绝对离差(MAD);(3)信号强度偏移;(4)四分差(IR);(5)信号熵;(6)信号改变速度;提取CSI相位差的以下特征(1)归一化标准差(STD);(2)平均绝对离差(MAD);(3)信号强度偏移;(4)四分差(IR);(5)信号熵;(6)信号改变速度;(7)时滞;(8)功率下降比率(PDR);并且使用一-类支持向量机根据所述特征提取装置提取的特征确定跌倒事件。
根据本发明的一个实施例,在所述的用于跌倒检测的方法中,其中进一步包括对识别的跌倒或类似跌倒活动进行标注,并将所述标注以及相应的提取的特征提供给所述一-类支持向量机。
根据本发明的一个实施例,提供了一种用于跌倒检测的系统,该系统包括WiFi接收设备、信道状态信息处理模块和跌倒事件确定模块。所述WiFi接收设备包括第一接收天线和第二接收天线,其中通过第一接收天线接收通过环境的第一WiFi信号流,通过第二接收天线接收通过所述环境的第二WiFi信号流;信道状态信息处理模块,所述信道状态信息处理模块配置为用于确定所述第一WiFi信号流的物理层信道状态信息流,即第一CSI流;确定所述第二WiFi信号流的物理层信道状态信息流,即第二CSI流;并且确定所述第一WiFi信号流的物理层信道状态信息流与所述第二WiFi信号流的物理层信道状态信息流之中在同一时刻的相应状态之间的相位差即CSI相位差,以便形成CSI相位差流;以及跌倒事件确定模块,所述跌倒事件确定模块配置为根据所述CSI相位差流,确定跌倒事件。在进一步的实施例中,所述跌倒事件确定模块配置为根据所述第一和第二CSI流和CSI相位差流,确定跌倒事件。
根据本发明的一个实施例,该跌倒检测系统进一步包括WiFi发射设备。根据本发明的另一个实施例,跌倒检测系统的信道状态处理模块进一步包括插值模块、滤波模块和活动切割模块。
各种特征、功能和优点能够独立地体现在本发明的各种实施例中,或者在各种实施例中结合,参考下面的说明书和附图可以了解本发明的细节。
附图说明
图1示出了WiFi信号在室内环境中的传播。
图2示出了人类活动的CSI幅度:(a)坐下,(b)躺下,(c)站着,(d)躺下,(e)上身活动,(f)站起,(g)蹲下,(h)行走,(i)站立,(j)坐下,(k)站着跌倒,(1)走着跌倒。
图3示出了活动和LOS和NLOS条件中的CSI幅度:(a)LOS走着跌倒,(b)NLOS走着跌倒,(c)LOS坐下,(d)NLOS坐下,(e)LOS站着,(f)NLOS站着。
图4示出了不同场景下的跌倒;(a)LOS中站着跌倒,(b)LOS中走着跌倒,(c)NLOS中站着跌倒,(d)NLOS中走着跌倒。
图5示出了人类运动活动的相位差:(a)坐着,(b)躺着,(c)站着,(d)躺下,(e)上身活动,(f)起来,(g)蹲下,(h)走着,(i)站立,(j)坐下,(k)站着跌倒,(1)走着跌倒。
图6示出了LOS和NLOS条件中的活动和相位差:(a)LOS走着跌倒,(b)NLOS走着跌倒,(c)LOS坐下,(d)NLOS坐下,(e)LOS站着,(f)NLOS站着。
图7示出了不同场景下的跌倒:(a)LOS中站着跌倒,(b)LOS中走着跌倒,(c)NLOS中站着跌倒,(d)NLOS中走着跌倒。
图8示出了一系列不同活动的频谱图。
图9示出了根据一个实施例的跌倒检测系统的框架。
图10示出了根据另一个实施例的跌倒检测系统的框架。
图11示出了根据一个实施例的跌倒检测方法的流程图。
图12示出了跌倒和类似跌倒活动完成参考点识别:(a)连续执行的活动上的相位差,(b)(a)的滑动标准差,其中σ1和σ2分别是原始和带通滤波相位差的阈值。
图13示出了三个测试房间:办公室(a),公寓(b),会议室(c)。
图14示出了用户界面。
图15示出了系统性能和参与者人数:(a)试验设计;(b)利用不同数量的人员进行性能评估,M{S}→x意味着根据人员集S的训练数据构建模型M{S}以便评估用户x的性能。
图16示出了不同房间内的性能比较:(a)实验设计;(b)性能结果。
具体实施方式
IEEE802.11n/ac中的信道状态信息
在典型的室内环境中,如图1中所示,WiFi信号经由多路径传播通过物理空间,例如天花板、地板、墙壁和家具。由于物理空间约束了无线信号的传播,接收的信号反过来携带了可以表征其经过的环境的信息。如果人出现在环境中,身体散射(反射)引入了额外的信号路径。这样同理,接收的信号也携带了可以表征人存在(活动)的信息。如果发明人将物理空间(包括环境对象和人体)视为无线信道,那么信道状态信息(CSI)示出了无线信号经过该无线信道的效果。在频域中,信道能够被建模为
Y=HX+N
其中Y和X分别是接收和传输的信号向量,N表示信道噪声向量,而H是信道矩阵。信道矩阵H使用信道状态信息(CSI)的格式表示。具体地,当前的WiFi标准使用(例如IEEE802.11n/ac)在物理层使用正交频分调制(OFDM)。OFDM将其频带(20MHz)分为多个(56个)频率子带,称为子载波,并且将数字比特通过这些子载波并行发送出去。CSI显示了这一组信道测量值,其示出每个OFDM子载波的幅度和相位。单个子载波的CSI为下面的数学格式:
h=|h|ej∠θ,其中,|h|和θ分别是是幅度和相位。
如果在环境中没有人或者没有人活动,无线信道是相对稳定的。然而,如图1中的红线所示,伴随着人的运动,散射(反射)的信号在发生改变,这导致明显的信道失真,包括幅度衰减和相移。基于CSI的行为识别的基本原理,就是通过将人类活动引起的不同的信道失真模式,映射为对应的人类活动。
目标跌倒活动类型
老年人能够跌倒的方式有很多种,在本发明中,发明人旨在检测发生在具有两个状态转换活动的情况下的跌倒,这两个状态转换活动为:1)站立-跌倒指代老年人从床上或椅子上移动出去的时候发生的跌倒,例如老年人可能正好从椅子上站立并且由于脑部缺血而感到头晕;2)行走-跌倒是指老年人行走的同时跌倒发生的情形。
人类活动和CSI幅度
由于发明人仅使用一个发射器天线和两个接收器天线,发明人收集的CSI信息被进一步分为两个无线流和每个流中的三十个子载波。在此次研究中,发明人进行了实验以便分别查看不同子载波和不同流上的幅度改变。发明人观测到人类活动影响不同流的方式与影响不同子载波的方式相似。此外,与具有更大频率间隙的频率相比,相邻频率的子载波表现出更多相似性。基于这些观测,发明人能够将相邻连续子载波的CSI样本平均为一个信号值,从而实现计算复杂度和功能之间的权衡。在本文的剩余部分,发明人仅展示利用一个流中的一个子载波的图。
发明人将人类日常活动大致分为两个类别:静态活动和运动活动。静态人类活动的影响,例如坐着和站着,直觉会导致相对稳定的信号改变模式,因为它们仅涉及人类身体很小的改变(例如,呼吸引起的胸部运动和无意识的极小的身体移动)。通过大量实验,结果大致符合直觉。图2(a-c)分别示出了三个静止活动的幅度变化。有趣的是,发明人得到一个先前工作未提及的观测:站着姿势的信号变化相比其他静止互动例如坐着和躺着更引人注意。发明人还注意到当站着的位置距离LOS路径较远时,站着的幅度变化减小。因此,发明人怀疑幅度是否能够稳定地区分站着姿势和其他静止活动。这激发发明人在能够给出该问题的答案之前,进行关于LOS/NLOS条件的影响的更复杂的分析。人类运动活动的影响:与导致相对稳定的信号改变的静止活动相比,运动活动例如走路、躺下、坐下和跌倒,展示了明显的信号变化,如在图2(d-1)中所示出的。为了区分跌倒和其他活动,发明人试图首先找出跌倒的独特特征。不幸的是,幅度或幅度的谱的变化都没有显示出清楚的模式以用于将跌倒和其他活动区分开。因此,幅度仅能够告知实验对象是否在进行运动活动。
LOS和NLOS条件中的活动
由于日常活动能够发生在室内环境中的不同位置,发明人在LOS条件和NLOS条件下都进行活动以查看它们的影响。如图3中所示,人类活动引起的幅度变化从LOS到NLOS变得微弱。这能够被预想到,原因在于信号传播遭受路径损耗。例如,如图1中的红线所示,伴随人类身体的运动,人类身体的散射路径保持改变。由于人类身体和LOS路径之间的距离增大,散射的功率迅速降低,直到它们变得足够弱以致不能与环境噪声区分。然后,发明人提出下面的问题:多远的时候站着姿势的CSI幅度会变得和其他静止活动的CSI幅度不可区分?多远的时候运动活动的基础信号会变得和静止活动的信号不可区分?
发明人在不同大小的不同房间进行大量实验,发现准确的结果相对于房间设置和布局稍微有所变化。使用发明人采用的设置,对于第一个问题的回答是在多径条件相对简单的环境中大约2m,在具有1m高的木质桌子以及其上具有LCD台式屏幕作为LOS和人类之间的障碍时下降到小于1.5m。考虑LOS路径的量测的对称性,发明人发现覆盖范围对于普通房间是不够的。因此,发明人得出结论,CSI幅度在普通室内起居环境中区分站着姿势和其他静止活动的能力是非常有限和不可靠的。对于第二个问题的答案是在没有LOS路径的障碍时5m,以及具有相同木质障碍时是4m。考虑LOS路径两侧的对称性,即使是4m,覆盖范围也足够大到用于普通起居室。因此,在普通起居室内,CSI幅度区分运动活动和静止活动的能力是足够的和可靠的。
不同场景下的跌倒
发明人集中在不同场景中包括LOS和NLOS中的跌倒,例如站着跌倒和走着跌倒。如图4中所示,幅度变化显示了所有活动中从波动状态到稳定状态的清楚转变。这很容易理解,原因在于跌倒经常以静止姿势(例如,躺在地板/沙发上)结束,这导致相对稳定的信号改变模式。看上去发明人能够使用转变作为实时活动切割的特征。不幸的是,由于数不清的人类活动能够以特定类型的静止活动结束,将实际跌倒从所有这些活动的组合中挑选出来是极为困难的,甚至是不可能的。
现有技术中确实使用上述特征用于实时活动切割,例如,C.Han,K.Wu,Y.Wang,和L.M.Ni的“Wifall:Device-free fall detection by wireless networks”中所描述的方案,但是它从两个方面过分简化了问题,导致限制了它的应用范围:首先,实验对象被假定为呆在受控环境中,其中仅进行一些(4种)预先定义的活动。因此,当进行各种未定义的人类活动时,该系统失效。其次,两个预先定义的活动之间应当通过静止活动分离。换句话说,实验对象不能以自然和连续的方式执行活动,例如,一个人不能从椅子上站立并且走动,相反,他应当首先站立,站立一段时间,然后接着走路。因此,如果跌倒发生在走路期间,WiFall不能检测跌倒,因为它不能检测跌倒的起始参考点。CSI幅度的限制启发发明人探索发明人是否能够找到更好的基础信号用于活动切割和跌倒检测。
人类活动和CSI相位
由于人类活动能够引起信道失真,信道失真还能够引起信号相位偏移,因此发明人遵从与上一节相同的逻辑,以便研究人类活动和CSI相位信息之间的关系。
相位校准
在一个实施例中,测量的子载波f的CSI的相位能够被计算为如下:
其中,φf是真实的相位,Δt是天线处的时间间隔,β是未知常量的相位偏移,Zf是一些测量噪声,ff是接收机处的载波频率偏移。
发明人发现商用Intel 5300NIC提供的原始相位是随机分布且不可用的,理由在于2πffΔt项,由于Δt在后续数据包上是不同的。现有技术中的通过单个商用无线NIC,RF振荡器在起始时是频率锁定的。因此通过相同NIC不同天线上的ff实际上是相同的值。这激发发明人计算两个天线上的相位差Δφf为:
其中,Δφf是真实的相位差,ε=Δt1-Δt2(Δt1和Δt2分别是天线1和2上的时间间隔)。Δβ是未知常量的相位差偏移,ΔZf是测量的噪声。如果发明人将两个接收器天线彼此间隔大约ε指示了两个天线之间的距离差Δd(大约为λsinθ)的传播时间。然后ε能够大体估计为如下:
其中λ是波长,f是中心频率,c是光速,T是采样间隔,在WiFi中是50ns,θ是到达方向。由于发明人选择运行在5GHz频率的WiFi设置,因此ε约等于零。因此,发明人得到测量的相位差Δφf为
不同子载波和流上的相位差
对于相位差,发明人得到与幅度相似的观测,人类活动以相似的方式影响不同的子载波,相邻的子载波表现相似。从CSI流的角度来看,由于两个天线上的相位差的变化是每个天线上的各个变化的总和,同时暗示了相位差相比幅度,对于环境改变更敏感,因此CSI相位差似乎是相比于CSI幅度更好的用于表征人类活动的基础信号。
现在发明人分别观测静态和运动活动引起的相位差。静态人类活动的影响:如图5(a-c)所示,诸如坐着和躺着,导致时域上相对稳定的信号模式。一个新的观测结果是CSI相位差信号由于极小的人类身体运动而波动。具体地,在站着期间的CSI相位差显示了相比坐着和躺着期间的相位差更明显的波动,并且发明人能够查看到它们的图形之间的明显区别。如发明人还注意到的,随着实验对象远离LOS路径站立,边界变得模糊。因此,发明人不能立刻得出结论相位能够可靠地区别站着活动和其他静态活动。人类运动活动的影响:如图5(d-1)所示,与静态活动相比,运动活动导致时域上的明显的CSI信号波动。再一次,仍没有明显的模式来区分实际的跌倒和其他非跌倒的日常活动。
LOS和NLOS条件下的活动
如图6所示,从LOS到NLOS人类活动引起的相位变化变得减弱并不意外。现在发明人回答前面的关于相位差的两个问题。
使用发明人采用的设置,对于第一个问题的回答是在之前多径相对简单的环境中为约3.5m,如在4.1.3中发明人所实现的那样,在LOS和人类实验对象之间布置有1m高的木质桌子以及其上的LCD桌面显示屏的环境中,降低为3m。相比于幅度,似乎在LOS和NLOS场景中对于站着姿势的CSI相位差变化被放大了并且站着姿势的信号图形和静态活动的信号图形之间的差值变得更清楚。由于覆盖面积对于通常居住大小的房间是足够的,发明人认为两个天线上的相位差是区分躺着(坐着)和站着的鲁棒的基础信号。对于第二个问题的答案是在LOS路径中没有障碍时为6m,但是在有相同桌子作为障碍物的情况下降低为5m。考虑到LOS路径两侧的对称性,发明人得出结论在典型的室内家居环境内的相位差还是相比幅度更好的区分运动活动和静止活动的基础信号。
不同场景下的跌倒
如图7中所示,在绝大多数的人类活动,例如走着、跑着、站着和跌倒的时候,都引起随时间变化的明显的CSI相位差波动。只有一些静止活动,例如坐着不动和躺着,导致随时间变化的非常固定和稳定的信号图形。发明人发现只有在人们跌倒、躺下和坐下时,相位差的变化才展示从波动状态到稳定状态的明显转变,接下来CSI相位差的状态转便被用于实时活动切割。
通过大量实验,证明CSI相位差变化的状态转变是用于从连续CSI流中切割跌倒活动的鲁棒特征。然而,除了跌倒、躺下和坐下之外,很多“原地”活动也可以引起CSI相位差的状态转变,这导致大量活动被切割出去。此处“原地”活动意味着实验对象在躺着或坐着的时候在进行特定肢体运动。在实验对象完成特定原地活动(例如吃饭、书写或打电话)并回到静止姿势时发生转变。由于存在不同类型的原地活动,逐一收集用于训练和测试的所有活动以便进行分类又会是一个挑战。
功率谱和日常活动
为了揭示用于跌倒切割和检测的更有效的特征,发明人进一步使用短时傅里叶变换来描述对应于各种日常活动的CSI相位差信号的频谱。如图8中所示,有意思的是查看到不同的活动具有不同的功率谱,并且对功率谱做出贡献的不同的频率范围展示出特定的图形。具体地,发明人注意到:
静止姿势例如坐着不动(0-4s,11-14s,27-30s)和躺着不动(68-72s)具有微弱的功率谱,因为不存在任何明显的身体移动;
“原地”活动例如在坐着(4-10s)和站着(36-41s)时打电话具有主要由低频分量(<5Hz)贡献的中间功率谱,这主要由肢体运动产生;
所有的运动活动例如走着(17-21s,33-36s,41-46s,61-65s),站起(14-17s),跳着(53-61s),转身和坐下(21-26s),以及跌倒(66-68s)具有强的功率谱,其具有低频[0,5Hz]和高频[>5Hz]分量,这是有肢体和躯干运动产生的;
尽管跌倒和坐下/躺下活动限时了从高频到低频分量的尖锐的额功率谱下降(68s,25s),“原地”活动不会引起这种突然的功率谱下降,原因在于“就位”活动的功率谱主要在于低频范围(<5Hz)。
因此,通过检测CSI相位差变化的状态转变以及尖锐的功率谱下降图形,发明人能够鲁棒地排除“原地”活动,但是又仅能切割出跌倒活动和一些其他类似跌倒的活动(即,躺下和坐下)。发明人将这些其他的非跌倒活动称之为类似跌倒活动。
如果我们聚焦到跌倒和类似跌倒活动的功率谱上,会发现尽管跌倒和类似跌倒活动都以陡峭的功率谱下降,但是跌倒通常展示出比类似跌倒活动更陡峭的功率谱下降图形。例如,如图8中所示,比较跌倒(68s处)的完成参考点之前和之后的功率谱,以及比较坐下活动(25s处)的完成参考点之前和之后的功率谱,发明人能够看到跌倒显示较缓和轻微的功率下降。这种跌倒的独特的特性很可能有实验对象的不可控的状态引起,由于在一个人跌倒时,他会失去身体的控制并经历撞击地板之前的加速的移动状态。随着实验对象撞击地板,身体的移动速度会从高变为零,而没有类似于其他类似跌倒活动例如坐下的受控的减速状态。
然而,发明人还注意到,随着类似跌倒活动的速度增加,这种区别马上就不明显了,某些快速的类似跌倒活动的功率谱下降图形与跌倒的功率谱下降图形类似。特别是,当类似跌倒活动的速度增加到与跌倒活动的速度可比较的话,因此发明人不能仅通过功率谱下降图形进行区分。
框架和方法
现在参考附图9和10,根据说明性实施例,其示出本发明的跌倒检测系统。如图9中所示,跌倒检测系统包括三个功能模块:WiFi接收设备920、信道状态处理模块930和跌倒事件确定模块940。在一个实施例中,WiFi接收设备920可以包括第一接收天线和第二接收天线,其中通过第一接收天线接收通过环境的第一WiFi信号流,通过第二接收天线接收通过所述环境的第二WiFi信号流。在一个实施例中,信道状态信息处理模块930可以配置为用于确定所述第一WiFi信号流的物理层信道状态信息流,即第一CSI流;确定所述第二WiFi信号流的物理层信道状态信息流,即第二CSI流;并且确定所述第一WiFi信号流的物理层信道状态信息流与所述第二WiFi信号流的物理层信道状态信息流之中在同一时刻的相应状态之间的相位差即CSI相位差,以便形成CSI相位差流。在一个实施例中,跌倒事件确定模块940可以配置为根据CSI相位差流,确定跌倒事件。在另一个实施例中,跌倒事件确定模块940可以进一步配置为根据CIS流和CSI相位差流,确定跌倒事件。
进一步地,如图10所示,跌倒检测系统进一步包括WiFi发射设备1010,跌倒检测系统的信道状态处理模块进一步包括插值模块1050、滤波模块1060和活动切割模块1070。在一个实施例中,WiFi发射设备在物理层使用正交频分调制即OFDM。在一个实施例中,WiFi发射设备1010通过一个发射天线发射WiFi信号流到环境中,其中第一WiFi信号流与第二WiFi信号流源自WiFi发射设备1010的所述发射天线发射的WiFi信号。
跌倒检测系统的输入为CSI信号流,其能够在接收机侧使用商用WiFi设备的两个接收机天线收集,(例如,Intel 5300NIC)。每个CSI信号流包含来自无线流的30个子载波的CSI读数,并且一个接收机天线和两个发射机天线之间总共收集两个CSI流。CSI采样率被设置为100pkts/s。系统利用从这些链路上的现有通信量得到的CSI测量值,或者如果没有足够的网络通信量,系统也可能生成周期性通信量,以用于测量目的。
现在参考图11,根据说明性实施例,其示出本发明中的跌倒检测方法。使用图10中所示出的系统来执行该过程。该过程通过在S110通过一个WiFi发射设备的一个发射天线发射WiFi信号流到环境中开始。其中,在一个实施例中,所述WiFi发射设备可以在物理层使用正交频分调制即OFDM。该用于跌倒检测的方法,进一步包括:在S120通过第一接收天线接收通过环境的第一WiFi信号流;在S130通过第二接收天线接收通过环境的第二WiFi信号流;在S140确定所述第一WiFi信号流的物理层信道状态信息流,即第一CSI流;在S150确定所述第二WiFi信号流的物理层信道状态信息流,即第二CSI流;在S160确定在同一时刻所述第一WiFi信号流的物理层信道状态信息流与所述第二WiFi信号流的物理层信道状态信息流之间的相位差,即CSI相位差,从而形成物理层信道状态信息相位差流,即CSI相位差流;并且,在S170根据所述第一WiFi信号流的物理层信道状态信息流与所述第二WiFi信号流的物理层信道状态信息流之间的相位差流,即所述CSI相位差流,确定跌倒事件。在另一个实施例中,根据CSI流和所述第一WiFi信号流的物理层信道状态信息流与所述第二WiFi信号流的物理层信道状态信息流之间的相位差流,即根据第一和第二CSI流和CSI相位差流,确定跌倒事件。
在下文中,本文进一步参照附图描述本发明的跌倒检测系统和方法。
信道状态信息处理:
信号处理的目标有两个:1)处理由突发性Wi-Fi传输引起的信号的到达不平衡;2)滤除对跌倒切割和检测没有贡献的信号噪声。在一个实施例中,信道状态信息处理模块可以配置为确定插值后的第一CSI流与插值后的第二CSI流之中在同一时刻的相应状态之间的相位差即插值后的CSI相位差,以便形成插值后的CSI相位差流。
在另一个实施例中,信道状态信息处理模块可以配置为用于确定所述第一WiFi信号流的物理层信道状态信息流,即第一CSI流;确定所述第二WiFi信号流的物理层信道状态信息流,即第二CSI流;并且确定所述第一WiFi信号流的物理层信道状态信息流与所述第二WiFi信号流的物理层信道状态信息流之中在同一时刻的相应状态之间的相位差即CSI相位差,以便形成CSI相位差流。在一个实施例中,信道状态信息处理模块进一步包括插值模块和滤波模块,其分别使用插值和带通滤波实现上述两个目标。
在一个实施例中,信道状态信息处理模块可以进一步配置为:提取原始的CSI相位差流和/或者滤波后的CSI相位差流的以下特征:功率下降比率(PDR)(以所确定的跌倒和类似跌倒活动的完成参考点作为基准时刻,分别确定时频谱上所述基准时刻的前后预定时长内(例如前后1秒的两个时间窗内)的预定频率范围(例如0-50Hz)内的能量下降的比率,即功率下降比率(PDR)。
插值
Wi-Fi是共享信道,其中多个设备利用随机访问来共享介质。这导致接收的分组在时域上不是平均间隔的。如果到达的信号不是平均间隔的,将引起两个问题:在跌倒期间的采样的CSI读数不连续,使得难以特征提取;2)时域上不平衡的间隔采样阻止时域-频域分析从而获得频谱。在一个实施例中,插值模块可以配置为在所述第一CSI流之中进行插值,以便获得具有连续的时域-频域频谱的插值后的第一CSI流;并且在所述第二CSI流之中进行插值,以便获得具有连续的时域-频域频谱的插值后的第二CSI流。在一个实施例中,插值模块使用使用1-D线性插值算法处理原始的CSI流。根据现有技术,本领域技术人员能够理解并使用1-D线性插值算法处理原始的CSI流。例如,对于1-D线性插值算法的使用,可以参见R.Nandakumar,B.Kellogg,and S.Gollakota,“Wi-fi gesture recognition on existing devices,”arXiv preprintarXiv:1411.5394,2014所描述的。
带通滤波
插值后的CSI信号流被馈送到滤波模块,滤波模块可以配置为从所述插值后的CSI相位差流排除不相关的信号频率分量,以便获得滤波后的CSI相位差流;以便进一步排除不相关的信号频率分量。由于呼吸引起的胸部运动和轻微身体运动的速度与跌倒相比是相对低的,因此这些运动引起的信号改变主要在于较低的频率范围,通常在【0,4HZ】。此外,这些身体运动被包含在所有的人类活动中。因此,使用带通滤波器来滤除低于4Hz频率的信号分量是合理的。通过实验发现,能够滤除非相关活动但是仍然能够表征跌倒和类似跌倒活动的频率范围落入【5,10Hz】范围内。在一个实施例中,滤波模块排除低于4Hz的信号频率分量。在另一个实施例中,滤波模块排除低于4Hz的信号频率分量并排除高于10Hz的信号频率分量。
活动切割
活动切割模块可以配置为根据CSI相位差流识别跌倒或类似跌倒活动的完成参考点,并根据回溯窗口大小确定跌倒或类似跌倒活动的起始参考点。它执行两个步骤:第一步,通过处理CSI相位差自动识别跌倒或类似跌倒活动的完成参考点;接着第二步,通过选择距离完成参考点的合适的回溯窗口大小确定跌倒或类似跌倒活动的起始参考点。
在一个实施例中,活动切割模块可以进一步配置为:使用基于阈值的滑动窗口方法来确定原始的CSI相位差信号和滤波后的CSI相位差信号是否在波动状态或稳定状态;并且针对原始CSI相位差信号和滤波后的CSI相位差信号,(例如分别依据其滑动标准差,)检测波动状态到稳定状态的转换,并且通过核查两个信号是否进入稳定状态,并根据原始的CSI相位差信号与滤波后的CSI相位差信号进入稳定状态的先后时差即时滞,确定跌倒和类似跌倒活动的完成参考点。
识别跌倒或类似跌倒活动的完成参考点
在实证研究部分,发明人发现CSI相位差变化的状态转变是鲁棒基础信号,用于检测跌倒和类似跌倒活动(例如,躺下、坐下)。基于前面描述的两项发现,发明人提出两阶段切割方法来将连续接收的CSI流中的跌倒和类似跌倒活动和其他活动分离。
在第一阶段,发明人使用基于阈值的滑动窗口方法来确定原始相位差信号和带通滤波后的相位差信号是否在波动状态或稳定状态。该过程包括三个步骤:首先,发明人在多个活动窗口上分别离线收集稳定状态(例如,在LOS路径的躺下/坐下)的两个信号流,并计算它们的均值μ和归一化标准差σ;然后,发明人确定两个信号流的阈值如下:
μ+6σ≤δ
在第一阶段的最后一步,发明人获取在线获取滑动窗口内的两个信号流,如图12(b)所示,并查看它们是否处于波动状态或稳定状态,通过比较滑动窗口内的均值和阈值。如果均值小于阈值,信号为稳定状态,反之为波动状态。
在第二阶段,发明人针对原始相位差信号和带通滤波后的相位差信号,检测波动状态到稳定状态的转换,并通过核查两个信号是否进入稳定状态,确定跌倒和类似跌倒活动的完成参考点。该过程包含两个步骤:第一步,保持跟踪两个信号的状态,并核查是否出现波动状态到稳定状态的转变。当这种转变发生时,标记时间t1并开始监测其他信号的状态。如果其他信号在从t1开始的时间间隔Δt内也进入稳定状态,发明人标记时刻t2为跌倒和类似跌倒活动的完成参考点。
其中,在一个实施例中,当且仅当原始的CSI相位差信号与滤波后的CSI相位差信号,(例如依据各自的滑动标准差和相应的预定阈值)进入稳定状态的先后时差)即时滞小于预定的阈值时,确定跌倒和类似跌倒活动的完成参考点。
针对跌倒和类似跌倒活动切割,检测两个信号状态转变的原理在于:作为第一准则检测CSI相位差转变,然后通过核查带通CSI相位差变化滤除“原地”活动。如果仅仅跟踪原始相位差变化的状态转变,那么原地活动也会被切割为类似跌倒活动。如图12中灰色虚线部分所示,当实验对象停止打电话时,原始相位差显示状态转变(在9s),其满足发明人之前的切割准则。如果发明人仅跟踪带通滤波的CSI相位差变化,发明人无法区分躺下(坐下)和站立,因为站立活动引起的能量带与现场活动频率范围相同。如图12(b)的实蓝线所示,当实验对象完成行走和站立不动时,带通滤波的相位差显示波动状态到稳定状态的转变(在36s)。由于跌倒常常伴随着CSI相位差状态转变和陡峭的功率谱下降,其中高频到低频分量的能量都在非常短的时间内下降,其激发发明人跟踪信号的状态转变和时滞。具体地,时间间隔越短,功率谱下降的越陡峭。
如图12(a)所示,发明人描绘了连续执行的一系列活动的CSI相位差并标注相应的活动。尽管图12(b)示出了基于发明人切割方法的跌倒和类似跌倒人类活动完成识别结果。能够看出仅跌倒和类似跌倒活动被识别出来,其他活动例如打电话、站立和行走被成功排除了。
确定用于跌倒检测的合适的回溯窗口大小
基于CSI相位差状态转变检测,发明人能够识别连续捕获的WiFi信号流中的跌倒和类似跌倒活动的完成参考点。
为了区分跌倒和类似跌倒活动,发明人需要决定何时的回溯窗口大小,从而收集训练数据样本以便精确进行跌倒检测。考虑到跌倒和其他类似跌倒活动的持续时间和特征,发明人选择三-秒窗口大小,在完成参考点之前施加两秒信号切割,在之后施加一秒信号切割,从而表示整个的切割后的活动流。这种选择的原理在于:1)确保所有跌倒的一致性;2)维持跌倒和类似跌倒活动的独特性。尽管不同的跌倒可以有不同表现,当人们失去身体控制直到跌倒在地面上时,由于失去控制的状态,在不同跌倒活动的最后两秒呈现出一致性。发明人在完成参考点之后包括一秒切割的原因在于发明人希望表征跌倒的整个转变过程,根据发明人之前的发现,其包括跌倒和类似跌倒活动所有独特特征。
跌倒检测
在确定了跌倒和类似跌倒活动的起始参考点和完成参考点之后,仅CSI相位差和这些活动的幅度被挑选出来。跌倒事件确定模块的目标在于分离跌倒活动和类似跌倒活动。在一个实施例中,跌倒事件确定模块可以进一步配置为根据原始的CSI相位差流和/或者滤波后的CSI相位差流的确定跌倒事件。在又一个实施例中,跌倒事件确定模块可以进一步配置为使用一-类支持向量机根据所述时滞以及原始的CSI相位差流和/或者滤波后的CSI相位差流的所述功率下降比率确定跌倒事件。
特征提取
在一个实施例中,信道状态信息处理模块可以进一步配置为提取第一CSI流或第二CSI流的以下特征:归一化标准差(STD)、平均绝对离差(MAD)、信号强度偏移、四分差(IR)、信号熵以及信号改变速度;提取原始的CSI相位差流和/或者滤波后的CSI相位差流的以下特征:归一化标准差(STD)、平均绝对离差(MAD)、信号强度偏移、四分差(IR)、信号熵以及信号改变速度;并且使用一-类支持向量机根据所述特征提取装置提取的特征确定跌倒事件。
通过大量研究,发明人从实时捕获的CSI流中提取下面八个特征用于活动分类:(1)归一化标准差(STD);(2)平均绝对离差(MAD);(3)信号强度偏移;(4)四分差(IR);(5)信号熵;(6)信号改变速度;(7)时滞;(8)功率下降比率(PDR)。在已有技术中,本领域技术人员可以理解并使用前面六个特征。例如,对于使用和解释前面六个特征,可以参见C.Han,K.Wu,Y.Wang和L.M.Ni,“Wifall:Device-free falldetection by wireless networks,”(NFOCOM,2014Proceedings IEEE.IEEE,2014,pp.271-279)。因此,本申请仅详细阐述两个新的特征(7)时滞;(8)功率下降比率(PDR)。
基于从信号功率谱角度来看跌倒和类似跌倒活动不同的发现,提出时滞和PDR。时滞表征带通滤波的相位差和原始相位差之间的状态转变点的时间延迟,如图12(b)所示,发明人能够看到跌倒的时滞通常比坐下活动的时滞更短。如果发明人计算完成参考点之前和之后的一个两秒累积的功率,那么PDR被定义为功率下降比率,其为完成参考点之前的一秒的功率损耗除以一秒的累积的功率。PDR利用下面的数学公式计算:
其中,是完成参考点,是的前一秒的时刻,是的后一秒的时刻,fl和fh是[0,50]的频率范围,et,f是频率f在时间t的功率强度,ωf是每个频率f的加权向量。
不同于现有技术中仅提取CSI幅度信息的特征,发明人提取CSI幅度和相位差的前面的六个特征,并且仅提取相位差的两个新的特征。它们一起构成SVM分类器的输入。
SVM分类器
为了检测切割的活动中的跌倒,应用一-类支持向量机(SVM),并使用上述提取的特征。根据现有技术中,本领域人员能够理解和使用一类支持向量机。例如,对于一-类支持向量机的使用,可以参见B.Sch¨olkopf,J.C.Platt,J.Shawe-Taylor,A.J.Smola,和R.C.Williamson,“Estimating the support of a high-dimensional distribution,”Neural computation,vo1.13,no.7,pp.1443-1471,2001中提到的。在一-类SVM中,所有的采样被分为目标类(即,跌倒)和非目标类(即,类似跌倒活动)。为了解决非线性分类问题,其通过使用Kernel函数将输入样本映射为高纬度特征空间,并在变换特征空间内找出最大边缘超平面。SVM分类器需要训练数据集和测试数据集。在分类模型构建过程中,在活动切割阶段,连续捕获的WiFi无线信号流中的跌倒和类似跌倒活动被切割和标注。提取的特征和相应的标注被馈送回SVM分类器,以构建分类模型。在实时跌倒检测的过程中,分类结构和数据样本被记录下来。使用用户反馈,错误分类结果将被重新正确地标注,模型更新过程将会被及时触发,从而更新分类模型。使用LibSVM构建分类模型。
评估
在本节中,发明人提供使用商用现货供应的WiFi设备的RT-Fall的实施和评估结果。
实验设置
发明人评估发明人的RT-Fall,使用802.11n WiFi网络,利用一个现货供应的WiFi设备(例如,dell笔记本电脑,其具有两个内部天线)和一个商用无线接入点(例如,TP-LINK WDR5300路由器,其具有一个天线,运行在5GHz)。笔记本配置有Intel WiFiLink 5300卡用于测量CSI。信号传输速率设置为100pkts/s。
发明人在三个不同大小的房间内进行试验,来测试发明人系统的通用性。在这三个位置的设置在图13中示出。第一个地方(例如,办公室)具有大约3m*4m的大小,包括一个沙发、两个桌子和一个书架;第二个位置(例如,公寓)具有一个卧室、一个起居室,大小为6m*2.5m,配有一组沙发,两个桌子和一张床;第三个位置(例如,会议室)大约6m*6m,具有大量桌子和椅子。
数据集
发明人招募了一名女性和五名男性学生在两个月内,三个测试房间进行各种日常活动。每个数据记录包含一些连续的活动,混合了跌倒、类似跌倒和其他日常活动。发明人在每个房间内安装了摄像头,用于记录进行的活动作为真实数据。在测试的这些天内,椅子被搬到不同的位置,桌子上的物品例如瓶子和书包如同日常活动一样被移动。在试验阶段,房间的门保持关闭,没有其他的家具移动。发明人的系统是基于网络的用户界面在图14中示出,其中记录的视频、CSI的幅度和相位差、切割的活动CSI流和检测结果实时在线更新。当系统启动后,试验对象能够自然连续地进行任何活动,而系统会自动切割CSI流并实时地在用户界面上报告切割/检测结果。用户利用用户界面,根据RT-FALL系统的评估结果和真实的数据,可以很容易标注切割的活动。
基线立法和性能指标
在实验中,发明人使用C.Han,K.Wu,Y.Wang和L.M.Ni,“Wifall:Device-free falldetection by wireless networks,”(INFOCOM,2014Proceedings IEEE.IEEE,2014,pp.271-279)中提出的最先进的跌倒检测器作为基线。由于WiFall不能对跌倒和其他日常活动进行可靠切割,因此发明人利用发明人提出的方法来对跌倒和类似跌倒活动进行切割,随后发明人比较了它的活动分类性能和使用发明人数据集的发明人方法的活动分类性能。发明人使用下面两种标准的指标用于性能评估-敏感性和特异性。表1中示出的混淆矩阵用于定义敏感性和特异性。
表1
归类为跌倒 | 归类为非跌倒 | |
跌倒 | TP(真正) | FN(假负) |
非跌倒 | FP(假正) | TN(真负) |
敏感性被定义为正确检测跌倒的百分比:
敏感性=TP/(TP+FN)
特异性被定义为正确检测非跌倒活动的百分比:
特异性=TN/(TN+FP)
系统性能和参与者人数
发明人注意到不同的人以不同的方式执行活动。例如,有些人坐得比较快,而有些人跌倒得较慢。因此,发明人设计了一组在办公室内的实验,专门研究参与者数量与系统性能之间的关系。考虑到活动能够在不同位置发生,并且在不同方向发生,如图13(a)中所示,发明人要求参与者在执行实验时均匀地覆盖所有的情形。
如图15(a)所示,实验包含两个阶段:训练数据集阶段和测试阶段。在训练数据集阶段,每个实验对象分别进行100次跌倒和类似跌倒活动,并且系统使用来自人群集合S的训练数据来构建模型M{S}。在测试阶段,每个实验对象x分别进行40次跌倒和80次类似跌倒活动,以便使用根据人群集合S的训练数据构建的模型评估性能,每个实验组的评估结果在图15(b)中示出,其中分类模型M利用训练数据集构建,使用针对不同参与者人数的那些模型进行测试。例如,在开始时,由于训练数据集是空的,发明人从第一个实验对象a收集训练数据以用于构建模型M{a}(参见图15(a)中的第一行),其指代利用一个参与者的数据集(用户a)构建的模型,然后使用来自自身的训练数据的模型M{a}对实验对象a测试性能(参见第二行M{a}→a)。然后,第二个实验对象使用模型M{a}参与实验以便评估性能(参见第三行:M{a}→b),以便查看发明人是否能够得到和第一个实验对象一致的性能。如果不能,发明人继续从第二个实验对象收集训练数据(参见第四行),从而增加训练数据集,并且构建模型M{a,b}等等诸如此类,直到发明人得到与较小的训练数据集大致一致的性能。
根据图15(b),M{a}→a具有最佳的效果,但是它缺少用于精确检测其他人的跌倒的通用性;随着参与者的数量增加到三个,性能趋向于收敛,其相比M{a}→a略低。这一点是很好理解的,因为M{a}→a对应于一个个性化的模型,而M{a,b,c}对应于针对更多人训练的通用模型。此外,根据记录的视频,在训练和测试阶段,所有620次跌倒都100%被切割出来。对最后三个实验组的性能取平均,即M{a,b,c}→d,e,f,发明人取得了在办公室内的93%的灵敏性和89%的特异性。
性能比较
如图16(a)所示,发明人在三个位置设计实验,以比较RT-Fall的性能和基线方法WiFall方法的性能。由于发明人在前面的小节中已经收集了在办公室中的训练和测试数据,在训练数据收集阶段,发明人再次花费一周的时间,请三个学生(a,b,c)在公寓和会议室中进行实验。针对每个房间建立两个分类模型,一个是基于发明人的方法,另一个是基于WiFall。在测试阶段,三个新的学生(d,e,f)被邀请用于使用人群集(a,b,c)的训练数据集评估两个模型的性能。对针对每个房间的额三个新的学生的评估结果取平均,发明人得到图16(b)的性能比较结果。总体上,RT-Fall实现了90%的灵敏度和92%的特异性。相比于基线方法WiFall,RT-Fall取得了13%的更高的灵敏度和11%更高的特异性。
在不同的实施例中描述的流程图和方框图,示出了在不同实施例中的装置和方法的一些可能的结构、功能和操作。在替代实施例中,流程图中所描述的一个或更多个步骤可以不按照附图中示出的顺序执行。例如,在某些情况下,连续示出的两个框中的步骤可以基本上同时执行,或者有时可以相反顺序执行,具体情况取决于所涉及的功能。此外,除了流程图和方框图中示出的框,可以添加其他的框。
出于说明和描述的目的,本发明给出各种不同实施例的描述,该描述目的不在于穷尽本发明的实施例或将实施例限制在公开的形式。对于本领域普通技术人员来说,在权利要求的保护范围内,存在很多明显的变化。不同的实施例可提供不同的优点。选择描述的实施例目的在于更好地解释实施例的原理、实际应用,并使得本领域技术人员理解构思的适用于具体应用的具有各种修改的本发明的实施例。
本发明进一步包括以下实施例:
实施例1.一种用于跌倒检测的方法,包括:
通过第一接收天线接收通过环境的第一WiFi信号流;
通过第二接收天线接收通过所述环境的第二WiFi信号流;
确定所述第一WiFi信号流的物理层信道状态信息流,即第一CSI流;
确定所述第二WiFi信号流的物理层信道状态信息流,即第二CSI流;
确定所述第一WiFi信号流的物理层信道状态信息流与所述第二WiFi信号流的物理层信道状态信息流之中在同一时刻的相应状态之间的相位差即CSI相位差,以便形成CSI相位差流;以及
根据所述CSI流和CSI相位差流,确定跌倒事件。
实施例2.根据实施例1所述的实施例,进一步配置为根据所述第一和第二CSI流,确定跌倒事件。
实施例3.根据实施例1所述的用于跌倒检测的方法,其中进一步包括通过一个WiFi发射设备的一个发射天线发射WiFi信号流到所述环境中,其中所述第一WiFi信号流与所述第二WiFi信号流源自所述WiFi发射设备的所述发射天线发射的WiFi信号。
实施例4.根据实施例3所述的用于跌倒检测的方法,其中所述WiFi发射设备在物理层使用正交频分调制即OFDM。
实施例5.根据实施例1所述的用于跌倒检测的方法,其中进一步包括:根据所述CSI相位差流识别跌倒或类似跌倒活动的完成参考点,并根据回溯窗口大小确定跌倒或类似跌倒活动的起始参考点。
实施例6.根据实施例5所述的用于跌倒检测的方法,其中进一步包括:
在所述第一CSI流之中进行插值,以便获得具有连续的时域-频域频谱的插值后的第一CSI流;
在所述第二CSI流之中进行插值,以便获得具有连续的时域-频域频谱的插值后的第二CSI流;确定插值后的第一CSI流与插值后的第二CSI流之中在同一时刻的相应状态之间的相位差即插值后的CSI相位差,以便形成插值后的CSI相位差流;
从所述插值后的CSI相位差流排除不相关的信号频率分量,以便获得滤波后的CSI相位差流;
其中,根据所述滤波后的CSI相位差流识别跌倒或类似跌倒活动的完成参考点,并根据回溯窗口大小确定跌倒或类似跌倒活动的起始参考点。
实施例7.根据实施例6所述的用于跌倒检测的方法,其中根据预定的阈值排除不相关的信号频率分量。
实施例8.根据实施例6所述的用于跌倒检测的方法,其中使用基于阈值的滑动窗口方法来确定原始的CSI相位差信号和滤波后的CSI相位差信号是否在波动状态或稳定状态;并且
针对原始CSI相位差信号和滤波后的CSI相位差信号,检测波动状态到稳定状态的转换,并通过核查两个信号是否进入稳定状态,并根据原始的CSI相位差信号与滤波后的CSI相位差信号进入稳定状态的先后时差即时滞,确定跌倒和类似跌倒活动的完成参考点。
实施例9.根据实施例8所述的用于跌倒检测的方法,其中进一步包括:
其中当且仅当原始的CSI相位差信号与滤波后的CSI相位差信号,进入稳定状态的先后时差即时滞小于预定的阈值时,确定跌倒和类似跌倒活动的完成参考点。
实施例10根据实施例9所述的用于跌倒检测的方法,其中所述预定的阈值为2秒。
实施例11.根据实施例8或9所述的用于跌倒检测的方法,其中进一步包括:
提取原始的CSI相位差流和/或者滤波后的CSI相位差流的以下特征:功率下降比率PDR,即以所确定的跌倒和类似跌倒活动的完成参考点作为基准时刻,分别确定时频谱上所述基准时刻的前后预定时长内的预定频率范围内的能量下降的比率;并且
根据原始的CSI相位差流和/或者滤波后的CSI相位差流的确定跌倒事件。
实施例12.根据实施例9所述的用于跌倒检测的方法,其中使用一-类支持向量机根据所述时滞以及原始的CSI相位差流或者滤波后的CSI相位差流的所述功率下降比率确定跌倒事件。
实施例13.根据实施例12所述的用于跌倒检测的方法,其中进一步包括:
提取第一CSI流或第二CSI流的以下特征:归一化标准差STD、平均绝对离差MAD、信号强度偏移、四分差IR、信号熵、以及信号改变速度;
提取原始的CSI相位差流和/或者滤波后的CSI相位差流的以下特征:归一化标准差STD、平均绝对离差MAD、信号强度偏移、四分差IR、信号熵以及信号改变速度;并且
使用一-类支持向量机根据所述特征提取装置提取的特征确定跌倒事件。
实施例14.一种用于跌倒检测的系统,包括:
WiFi接收设备,所述WiFi接收设备包括第一接收天线和第二接收天线,其中通过第一接收天线接收通过环境的第一WiFi信号流,通过第二接收天线接收通过所述环境的第二WiFi信号流;
信道状态信息处理模块,所述信道状态信息处理模块配置为用于确定所述第一WiFi信号流的物理层信道状态信息流,即第一CSI流;确定所述第二WiFi信号流的物理层信道状态信息流,即第二CSI流;并且确定所述第一WiFi信号流的物理层信道状态信息流与所述第二WiFi信号流的物理层信道状态信息流之中在同一时刻的相应状态之间的相位差即CSI相位差,以便形成CSI相位差流;以及
跌倒事件确定模块,所述跌倒事件确定模块配置为根据所述CSI相位差流,确定跌倒事件。
实施例15.根据实施例14所述的用于跌倒检测的系统,所述跌倒事件确定模块进一步配置为根据所述CSI流,确定跌倒事件。
实施例16.根据实施例14所述的用于跌倒检测的系统,其中进一步包括一个WiFi发射设备,所述WiFi发射设备通过一个WiFi发射设备的一个发射天线发射WiFi信号流到所述环境中,其中所述第一WiFi信号流与所述第二WiFi信号流源自所述WiFi发射设备的所述发射天线发射的WiFi信号。
实施例17.根据实施例14所述的用于跌倒检测的系统,其中所述WiFi发射设备在物理层使用正交频分调制即OFDM。
实施例18.根据实施例14所述的用于跌倒检测的系统,其中信道状态信息处理模块进一步包括:
活动切割模块,所述活动切割装置配置为根据所述CSI相位差流识别跌倒或类似跌倒活动的完成参考点,并根据回溯窗口大小确定跌倒或类似跌倒活动的起始参考点。
实施例19.根据实施例18所述的用于跌倒检测的系统,其中信道状态信息处理模块进一步包括插值模块和滤波模块,其中:
所述插值模块配置为在所述第一CSI流之中进行插值,以便获得具有连续的时域-频域频谱的插值后的第一CSI流;并且在所述第二CSI流之中进行插值,以便获得具有连续的时域-频域频谱的插值后的第二CSI流;
所述信道状态信息处理模块进一步配置为确定插值后的第一CSI流与插值后的第二CSI流之中在同一时刻的相应状态之间的相位差即插值后的CSI相位差,以便形成插值后的CSI相位差流;
所述滤波模块配置为从所述插值后的CSI相位差流排除不相关的信号频率分量,以便获得滤波后的CSI相位差流;
所述活动切割模块进一步配置为根据所述滤波后的CSI相位差流识别跌倒或类似跌倒活动的完成参考点,并根据回溯窗口大小确定跌倒或类似跌倒活动的起始参考点。
实施例20.根据实施例19所述的用于跌倒检测的系统,其中所述滤波模块根据预定的阈值排除不相关的信号频率分量。
实施例21.根据实施例19所述的用于跌倒检测的系统,其中所述活动切割模块进一步配置为:
使用基于阈值的滑动窗口方法来确定原始的CSI相位差信号和滤波后的CSI相位差信号是否在波动状态或稳定状态;并且
针对原始CSI相位差信号和滤波后的CSI相位差信号,检测波动状态到稳定状态的转换,并且通过核查两个信号是否进入稳定状态,并根据原始的CSI相位差信号与滤波后的CSI相位差信号进入稳定状态的先后时差即时滞,确定跌倒和类似跌倒活动的完成参考点。
实施例22.根据实施例21所述的用于跌倒检测的系统,其中:
当且仅当原始的CSI相位差信号与滤波后的CSI相位差信号,进入稳定状态的先后时差即时滞小于预定的阈值时,确定跌倒和类似跌倒活动的完成参考点。
实施例23.根据实施例22所述的用于跌倒检测的系统,其中所述预定的阈值为2秒。
实施例24.根据实施例21或22所述的用于跌倒检测的系统,其中,
所述信道状态信息处理模块进一步配置为:提取原始的CSI相位差流和/或者滤波后的CSI相位差流的以下特征:功率下降比率PDR,即以所确定的跌倒和类似跌倒活动的完成参考点作为基准时刻,分别确定时频谱上所述基准时刻的前后预定时长内的预定频率范围内的能量下降的比率;并且
所述跌倒事件确定模块进一步配置为根据原始的CSI相位差流和/或者滤波后的CSI相位差流的确定跌倒事件。
实施例25.根据实施例21所述的用于跌倒检测的系统,其中所述跌倒事件确定模块进一步配置为使用一-类支持向量机根据所述时滞以及原始的CSI相位差流和/或者滤波后的CSI相位差流的所述功率下降比率确定跌倒事件。
实施例26.根据实施例25所述的用于跌倒检测的系统,其中
所述信道状态信息处理模块进一步配置为提取第一CSI流或第二CSI流的以下特征:归一化标准差STD、平均绝对离差MAD、信号强度偏移、四分差IR、信号熵以及信号改变速度;
提取原始的CSI相位差流和/或者滤波后的CSI相位差流的以下特征:归一化标准差STD、平均绝对离差MAD、信号强度偏移、四分差IR、信号熵以及信号改变速度;并且
使用一-类支持向量机根据所述特征提取装置提取的特征确定跌倒事件。
Claims (10)
1.一种用于跌倒检测的方法,包括:
通过第一接收天线接收通过环境的第一WiFi信号流;
通过第二接收天线接收通过所述环境的第二WiFi信号流;
确定所述第一WiFi信号流的物理层信道状态信息流,即第一CSI流;
确定所述第二WiFi信号流的物理层信道状态信息流,即第二CSI流:
确定所述第一WiFi信号流的物理层信道状态信息流与所述第二WiFi信号流的物理层信道状态信息流之中在同一时刻的相应状态之间的相位差即CSI相位差,以便形成CSI相位差流;以及
根据所述CSI相位差流,确定跌倒事件。
2.根据权利要求1所述的用于跌倒检测的方法,其中进一步包括根据所述第一和第二CSI流以及所述CSI相位差流,确定跌倒事件。
3.根据权利要求2所述的用于跌倒检测的方法,其中使用基于阈值的滑动窗口方法来确定原始的CSI相位差信号和滤波后的CSI相位差信号是否在波动状态或稳定状态;并且
针对原始CSI相位差信号和滤波后的CSI相位差信号,检测波动状态到稳定状态的转换,并通过核查两个信号是否进入稳定状态,并根据原始的CSI相位差信号与滤波后的CSI相位差信号进入稳定状态的先后时差即时滞,确定跌倒和类似跌倒活动的完成参考点。
4.根据权利要求3所述的用于跌倒检测的方法,其中进一步包括:
提取原始的CSI相位差流和/或者滤波后的CSI相位差流的以下特征:功率下降比率PDR,即以所确定的跌倒和类似跌倒活动的完成参考点作为基准时刻,分别确定时频谱上所述基准时刻的前后预定时长内的预定频率范围内的能量下降的比率;并且
根据原始的CSI相位差流和/或者滤波后的CSI相位差流确定跌倒事件。
5.根据权利要求4所述的用于跌倒检测的方法,其中进一步包括:
提取第一CSI流或第二CSI流的以下特征:归一化标准差STD、平均绝对离差MAD、信号强度偏移、四分差IR、信号熵、以及信号改变速度;
提取原始的CSI相位差流和/或者滤波后的CSI相位差流的以下特征:归一化标准差STD、平均绝对离差MAD、信号强度偏移、四分差IR、信号熵以及信号改变速度;并且
使用一-类支持向量机根据所述特征提取装置提取的特征确定跌倒事件。
6.一种用于跌倒检测的系统,包括:
WiFi接收设备,所述WiFi接收设备包括第一接收天线和第二接收天线,其中通过第一接收天线接收通过环境的第一WiFi信号流,通过第二接收天线接收通过所述环境的第二WiFi信号流;
信道状态信息处理模块,所述信道状态信息处理模块配置为用于确定所述第一WiFi信号流的物理层信道状态信息流,即第一CSI流;确定所述第二WiFi信号流的物理层信道状态信息流,即第二CSI流;并且确定所述第一WiFi信号流的物理层信道状态信息流与所述第二WiFi信号流的物理层信道状态信息流之中在同一时刻的相应状态之间的相位差即CSI相位差,以便形成CSI相位差流;以及
跌倒事件确定模块,所述跌倒事件确定模块配置为根据所述CSI相位差流,确定跌倒事件。
7.根据权利要求6所述的用于跌倒检测的系统,其中所述跌倒事件确定模块配置为进一步根据所述第一和第二CSI流以及所述CSI相位差流,确定跌倒事件。
8.根据权利要求7所述的用于跌倒检测的系统,其中所述活动切割模块进一步配置为:
使用基于阈值的滑动窗口方法来确定原始的CSI相位差信号和滤波后的CSI相位差信号是否在波动状态或稳定状态;并且
针对原始CSI相位差信号和滤波后的CSI相位差信号,检测波动状态到稳定状态的转换,并且通过核查两个信号是否进入稳定状态,并根据原始的CSI相位差信号与滤波后的CSI相位差信号进入稳定状态的先后时差即时滞,确定跌倒和类似跌倒活动的完成参考点。
9.根据权利要求8所述的用于跌倒检测的系统,其中,
所述信道状态信息处理模块进一步配置为:提取原始的CSI相位差流和/或者滤波后的CSI相位差流的以下特征:功率下降比率PDR,即以所确定的跌倒和类似跌倒活动的完成参考点作为基准时刻,分别确定时频谱上所述基准时刻的前后预定时长内的预定频率范围内的能量下降的比率;并且
所述跌倒事件确定模块进一步配置为根据原始的CSI相位差流和/或者滤波后的CSI相位差流确定跌倒事件。
10.根据权利要求9所述的用于跌倒检测的系统,其中
所述信道状态信息处理模块进一步配置为提取第一CSI流或第二CSI流的以下特征:归一化标准差STD、平均绝对离差MAD、信号强度偏移、四分差IR、信号熵以及信号改变速度;
提取原始的CSI相位差流和/或者滤波后的CSI相位差流的以下特征:归一化标准差STD、平均绝对离差MAD、信号强度偏移、四分差IR、信号熵以及信号改变速度;并且
使用一-类支持向量机根据所述特征提取装置提取的特征确定跌倒事件。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610036013.3A CN105933080B (zh) | 2016-01-20 | 2016-01-20 | 一种跌倒检测方法和系统 |
US16/071,336 US10531817B2 (en) | 2016-01-20 | 2016-11-04 | Fall detection method and system |
PCT/CN2016/104748 WO2017124816A1 (zh) | 2016-01-20 | 2016-11-04 | 一种跌倒检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610036013.3A CN105933080B (zh) | 2016-01-20 | 2016-01-20 | 一种跌倒检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105933080A true CN105933080A (zh) | 2016-09-07 |
CN105933080B CN105933080B (zh) | 2020-11-03 |
Family
ID=56840316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610036013.3A Active CN105933080B (zh) | 2016-01-20 | 2016-01-20 | 一种跌倒检测方法和系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10531817B2 (zh) |
CN (1) | CN105933080B (zh) |
WO (1) | WO2017124816A1 (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106658590A (zh) * | 2016-12-28 | 2017-05-10 | 南京航空航天大学 | 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现 |
CN106899359A (zh) * | 2017-02-17 | 2017-06-27 | 青岛海信宽带多媒体技术有限公司 | 一种wifi模块射频校准方法 |
WO2017124816A1 (zh) * | 2016-01-20 | 2017-07-27 | 北京大学 | 一种跌倒检测方法和系统 |
CN107067031A (zh) * | 2017-03-29 | 2017-08-18 | 西北大学 | 一种基于Wi‑Fi信号的书法姿态自动识别方法 |
CN107049330A (zh) * | 2017-04-11 | 2017-08-18 | 西安电子科技大学 | 基于无线体域网的感知平台的原发性震颤疾病识别方法 |
CN107154088A (zh) * | 2017-03-29 | 2017-09-12 | 西安电子科技大学 | 基于信道状态信息的活动人员数量估计方法 |
TWI612828B (zh) * | 2017-06-27 | 2018-01-21 | 樹德科技大學 | 居家空間跌倒偵測系統及其方法 |
CN107749143A (zh) * | 2017-10-30 | 2018-03-02 | 安徽工业大学 | 一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法 |
CN107968689A (zh) * | 2017-12-06 | 2018-04-27 | 北京邮电大学 | 基于无线通信信号的感知识别方法及装置 |
CN107994960A (zh) * | 2017-11-06 | 2018-05-04 | 北京大学(天津滨海)新代信息技术研究院 | 一种室内活动检测方法及系统 |
CN108387940A (zh) * | 2018-01-24 | 2018-08-10 | 西北工业大学 | 一种基于Wi-Fi无线感知的室内移动物体检测方法 |
CN108614989A (zh) * | 2017-12-20 | 2018-10-02 | 深圳大学 | 一种基于WiFi的老人智能监护方法、系统及介质 |
CN108828570A (zh) * | 2018-06-22 | 2018-11-16 | 北京邮电大学 | 一种基于路径损耗因子动态估计的测距方法及测距装置 |
CN109002866A (zh) * | 2018-05-29 | 2018-12-14 | 西北大学 | 一种动作识别方法 |
CN109316192A (zh) * | 2018-09-13 | 2019-02-12 | 清华大学 | 基于移动网络信道状态信息的坐姿检测方法及装置 |
CN109728863A (zh) * | 2018-12-26 | 2019-05-07 | 河北工程大学 | 人员活动持续时间估计方法、装置和终端设备 |
CN109745026A (zh) * | 2017-11-07 | 2019-05-14 | 深圳欧德蒙科技有限公司 | 一种心率测量方法和系统 |
CN109768838A (zh) * | 2018-12-29 | 2019-05-17 | 西北大学 | 一种基于WiFi信号的干扰检测及手势识别方法 |
CN110123328A (zh) * | 2019-06-26 | 2019-08-16 | 南京苗米科技有限公司 | 一种基于无线识别的呼吸频率检测方法 |
CN110706463A (zh) * | 2019-06-11 | 2020-01-17 | 南京信息工程大学 | 适于摔倒监测的wifi无源感知方法和系统 |
WO2020103411A1 (zh) * | 2018-11-22 | 2020-05-28 | 九牧厨卫股份有限公司 | 一种跌倒检测方法、装置及系统 |
WO2020228324A1 (zh) * | 2019-05-14 | 2020-11-19 | 广东康云科技有限公司 | 基于wifi的对象侦测方法、系统及存储介质 |
CN113453180A (zh) * | 2021-06-06 | 2021-09-28 | 西安电子科技大学 | 一种人体摔倒智能检测方法、系统、信息数据处理终端 |
CN113499064A (zh) * | 2021-07-07 | 2021-10-15 | 郑州大学 | 一种浴室场景下Wi-Fi感知人体摔倒检测方法和系统 |
CN113916358A (zh) * | 2021-09-16 | 2022-01-11 | 青岛城市轨道交通科技有限公司 | 基于振动信号分析的自动扶梯危险监测与响应方法、装置和设备 |
CN114120587A (zh) * | 2020-09-01 | 2022-03-01 | 纬创资通股份有限公司 | 非接触式动作检测方法、动作检测装置及危险情境检测方法 |
CN115412958A (zh) * | 2021-05-27 | 2022-11-29 | 成都极米科技股份有限公司 | 无线感知测量的方法及装置、电子设备、存储介质 |
CN115913415A (zh) * | 2022-11-09 | 2023-04-04 | 华工未来科技(江苏)有限公司 | 一种基于ris辅助的wifi信号动作识别方法、装置及存储介质 |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11035940B2 (en) * | 2015-07-17 | 2021-06-15 | Origin Wireless, Inc. | Method, apparatus, and system for wireless proximity and presence monitoring |
US20200408875A1 (en) * | 2015-07-17 | 2020-12-31 | Chao-Lun Mai | Method, apparatus, and system for positioning and powering a wireless monitoring system |
JP7150292B2 (ja) * | 2017-03-31 | 2022-10-11 | 慶應義塾 | 行動認識システム、及び行動認識方法 |
CN109474945A (zh) * | 2017-09-07 | 2019-03-15 | 中兴通讯股份有限公司 | 一种基于wifi信号强度扰动的预警方法及装置 |
CN108833036B (zh) * | 2018-05-31 | 2020-11-03 | 湖南大学 | 人体跌倒检测方法 |
CN113642633B (zh) * | 2018-06-11 | 2023-06-20 | 百度在线网络技术(北京)有限公司 | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 |
TWI722347B (zh) * | 2018-12-11 | 2021-03-21 | 財團法人工業技術研究院 | 基於通道狀態資訊量測生理狀態資訊的方法、裝置及其系統 |
US11047968B2 (en) * | 2018-12-28 | 2021-06-29 | Panasonic Intellectual Property Management Co., Ltd. | Estimating method and estimating device |
TWI761671B (zh) * | 2019-04-02 | 2022-04-21 | 緯創資通股份有限公司 | 活體偵測方法與活體偵測系統 |
US11320517B2 (en) * | 2019-08-22 | 2022-05-03 | Qualcomm Incorporated | Wireless communication with enhanced maximum permissible exposure (MPE) compliance |
CN110737201B (zh) * | 2019-10-11 | 2020-10-09 | 珠海格力电器股份有限公司 | 一种监护方法、装置、存储介质及空调 |
CN111227839B (zh) * | 2020-01-19 | 2023-08-18 | 中国电子科技集团公司电子科学研究院 | 一种行为识别方法及装置 |
CN111481193B (zh) * | 2020-04-17 | 2023-05-19 | 国家康复辅具研究中心 | 一种跌倒风险评估与预警方法及系统 |
CN111914709B (zh) * | 2020-07-23 | 2024-02-06 | 河南大学 | 针对WiFi信号行为识别的基于深度学习的动作分割框架构建方法 |
US11070945B1 (en) | 2020-07-30 | 2021-07-20 | Amazon Technologies, Inc. | Proximity detection using device-to-device communication links |
CN112350784B (zh) * | 2020-09-21 | 2022-12-20 | 宇龙计算机通信科技(深圳)有限公司 | 一种WiFi模块校准方法、装置、存储介质及电子设备 |
CN112581722A (zh) * | 2020-11-09 | 2021-03-30 | 金茂智慧科技(广州)有限公司 | 一种探测人体摔倒的智能设备 |
TWI774199B (zh) * | 2021-01-19 | 2022-08-11 | 緯創資通股份有限公司 | 通道狀態資訊之表示方法及其相關接收裝置 |
WO2022179948A1 (en) * | 2021-02-24 | 2022-09-01 | Signify Holding B.V. | Fall-classification device and arrangement |
CN113261942B (zh) * | 2021-04-02 | 2022-07-15 | 浙江工业大学 | 一种非接触式人体呼吸参数实时测量方法及系统 |
CN114495426A (zh) * | 2022-03-24 | 2022-05-13 | 山东建筑大学 | 一种防摔倒检测与防护系统及方法 |
WO2024056446A1 (en) | 2022-09-12 | 2024-03-21 | Signify Holding B.V. | Fall detection system for fall detection of a person, method for fall detection of a person and a computer program product for fall detection of a person |
CN116528358B (zh) * | 2023-06-30 | 2023-09-12 | 华南师范大学 | 一种基于Wi-Fi的跌倒定位联合检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050283851A1 (en) * | 2004-03-09 | 2005-12-22 | Sharon Abrahams | Novel genes encoding proteins involved in proanthocyanidin synthesis |
WO2007086986A2 (en) * | 2005-12-07 | 2007-08-02 | University Of Florida Research Foundation, Inc. | Novel application of biosensors for diagnosis and treatment of disease |
CN102188249A (zh) * | 2010-03-08 | 2011-09-21 | 精工爱普生株式会社 | 跌倒检测装置、跌倒检测方法 |
CN104502894A (zh) * | 2014-11-28 | 2015-04-08 | 无锡儒安科技有限公司 | 基于物理层信息的运动物体被动检测方法 |
CN105158727A (zh) * | 2015-06-18 | 2015-12-16 | 哈尔滨工程大学 | 一种增强型室内无源被动人体定位方法 |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6720874B2 (en) * | 2000-09-29 | 2004-04-13 | Ids Systems, Inc. | Portal intrusion detection apparatus and method |
US9035775B2 (en) * | 2009-02-25 | 2015-05-19 | Xanthia Global Limited | Wireless physiology monitor |
US8994536B2 (en) * | 2009-02-25 | 2015-03-31 | Xanthia Global Limited | Wireless physiology monitor |
US8742935B2 (en) * | 2011-06-30 | 2014-06-03 | General Electric Company | Radar based systems and methods for detecting a fallen person |
JP5377689B2 (ja) * | 2011-09-21 | 2013-12-25 | 斎藤 光正 | 定在波レーダー内蔵型led照明器具 |
CN103891369B (zh) | 2011-10-19 | 2019-03-29 | 瑞典爱立信有限公司 | 运动检测器装置 |
JP2015530890A (ja) * | 2012-07-27 | 2015-10-29 | アデレード リサーチ アンド イノベーション ピーティーワイ リミテッド | 動きを決定するためのシステム、方法、ソフトウエアアプリケーションおよびデータ信号 |
FR2996673B1 (fr) * | 2012-10-05 | 2016-02-05 | Bostik Sa | Capteur capacitif pour la detection de presence d'un objet et/ou d'un individu. |
US9773397B2 (en) * | 2013-08-26 | 2017-09-26 | Koninklijke Philips N.V. | Method for detecting falls and a fall detection system |
CN103606248B (zh) * | 2013-09-30 | 2016-08-10 | 广州市香港科大霍英东研究院 | 一种人体摔倒自动检测方法及系统 |
JP6361394B2 (ja) * | 2014-09-16 | 2018-07-25 | 沖電気工業株式会社 | 状態判定装置及びプログラム |
FR3030782B1 (fr) * | 2014-12-19 | 2018-03-02 | Bostik Sa | Capteur capacitif a deux dimensions pour localiser la presence d'un objet et/ou d'un individu |
CN104586402B (zh) | 2015-01-22 | 2017-01-04 | 清华大学深圳研究生院 | 一种人体活动的特征提取方法 |
CN107920737A (zh) * | 2015-05-31 | 2018-04-17 | Sens4保护公司 | 人类活动的远程监测系统 |
CN104951757B (zh) | 2015-06-10 | 2018-11-09 | 南京大学 | 一种基于无线信号的动作检测和识别的方法 |
CN105933080B (zh) * | 2016-01-20 | 2020-11-03 | 北京大学 | 一种跌倒检测方法和系统 |
-
2016
- 2016-01-20 CN CN201610036013.3A patent/CN105933080B/zh active Active
- 2016-11-04 US US16/071,336 patent/US10531817B2/en active Active
- 2016-11-04 WO PCT/CN2016/104748 patent/WO2017124816A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050283851A1 (en) * | 2004-03-09 | 2005-12-22 | Sharon Abrahams | Novel genes encoding proteins involved in proanthocyanidin synthesis |
WO2007086986A2 (en) * | 2005-12-07 | 2007-08-02 | University Of Florida Research Foundation, Inc. | Novel application of biosensors for diagnosis and treatment of disease |
CN102188249A (zh) * | 2010-03-08 | 2011-09-21 | 精工爱普生株式会社 | 跌倒检测装置、跌倒检测方法 |
CN104502894A (zh) * | 2014-11-28 | 2015-04-08 | 无锡儒安科技有限公司 | 基于物理层信息的运动物体被动检测方法 |
CN105158727A (zh) * | 2015-06-18 | 2015-12-16 | 哈尔滨工程大学 | 一种增强型室内无源被动人体定位方法 |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017124816A1 (zh) * | 2016-01-20 | 2017-07-27 | 北京大学 | 一种跌倒检测方法和系统 |
US10531817B2 (en) | 2016-01-20 | 2020-01-14 | Peking University | Fall detection method and system |
CN106658590A (zh) * | 2016-12-28 | 2017-05-10 | 南京航空航天大学 | 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现 |
CN106899359A (zh) * | 2017-02-17 | 2017-06-27 | 青岛海信宽带多媒体技术有限公司 | 一种wifi模块射频校准方法 |
CN106899359B (zh) * | 2017-02-17 | 2020-08-14 | 青岛海信宽带多媒体技术有限公司 | 一种wifi模块射频校准方法 |
CN107067031A (zh) * | 2017-03-29 | 2017-08-18 | 西北大学 | 一种基于Wi‑Fi信号的书法姿态自动识别方法 |
CN107154088A (zh) * | 2017-03-29 | 2017-09-12 | 西安电子科技大学 | 基于信道状态信息的活动人员数量估计方法 |
CN107067031B (zh) * | 2017-03-29 | 2020-10-23 | 西北大学 | 一种基于Wi-Fi信号的书法姿态自动识别方法 |
CN107049330A (zh) * | 2017-04-11 | 2017-08-18 | 西安电子科技大学 | 基于无线体域网的感知平台的原发性震颤疾病识别方法 |
TWI612828B (zh) * | 2017-06-27 | 2018-01-21 | 樹德科技大學 | 居家空間跌倒偵測系統及其方法 |
CN107749143B (zh) * | 2017-10-30 | 2023-09-19 | 安徽工业大学 | 一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法 |
CN107749143A (zh) * | 2017-10-30 | 2018-03-02 | 安徽工业大学 | 一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法 |
CN107994960A (zh) * | 2017-11-06 | 2018-05-04 | 北京大学(天津滨海)新代信息技术研究院 | 一种室内活动检测方法及系统 |
CN109745026A (zh) * | 2017-11-07 | 2019-05-14 | 深圳欧德蒙科技有限公司 | 一种心率测量方法和系统 |
CN107968689A (zh) * | 2017-12-06 | 2018-04-27 | 北京邮电大学 | 基于无线通信信号的感知识别方法及装置 |
CN108614989A (zh) * | 2017-12-20 | 2018-10-02 | 深圳大学 | 一种基于WiFi的老人智能监护方法、系统及介质 |
CN108614989B (zh) * | 2017-12-20 | 2019-11-26 | 深圳大学 | 一种基于WiFi的老人智能监护方法、系统及介质 |
CN108387940A (zh) * | 2018-01-24 | 2018-08-10 | 西北工业大学 | 一种基于Wi-Fi无线感知的室内移动物体检测方法 |
CN109002866A (zh) * | 2018-05-29 | 2018-12-14 | 西北大学 | 一种动作识别方法 |
CN108828570B (zh) * | 2018-06-22 | 2020-07-10 | 北京邮电大学 | 一种基于路径损耗因子动态估计的测距方法及测距装置 |
CN108828570A (zh) * | 2018-06-22 | 2018-11-16 | 北京邮电大学 | 一种基于路径损耗因子动态估计的测距方法及测距装置 |
CN109316192A (zh) * | 2018-09-13 | 2019-02-12 | 清华大学 | 基于移动网络信道状态信息的坐姿检测方法及装置 |
WO2020103411A1 (zh) * | 2018-11-22 | 2020-05-28 | 九牧厨卫股份有限公司 | 一种跌倒检测方法、装置及系统 |
CN109728863A (zh) * | 2018-12-26 | 2019-05-07 | 河北工程大学 | 人员活动持续时间估计方法、装置和终端设备 |
CN109768838A (zh) * | 2018-12-29 | 2019-05-17 | 西北大学 | 一种基于WiFi信号的干扰检测及手势识别方法 |
WO2020228324A1 (zh) * | 2019-05-14 | 2020-11-19 | 广东康云科技有限公司 | 基于wifi的对象侦测方法、系统及存储介质 |
CN110706463A (zh) * | 2019-06-11 | 2020-01-17 | 南京信息工程大学 | 适于摔倒监测的wifi无源感知方法和系统 |
CN110123328A (zh) * | 2019-06-26 | 2019-08-16 | 南京苗米科技有限公司 | 一种基于无线识别的呼吸频率检测方法 |
CN110123328B (zh) * | 2019-06-26 | 2022-04-15 | 南京苗米科技有限公司 | 一种基于无线识别的呼吸频率检测方法 |
CN114120587A (zh) * | 2020-09-01 | 2022-03-01 | 纬创资通股份有限公司 | 非接触式动作检测方法、动作检测装置及危险情境检测方法 |
CN114120587B (zh) * | 2020-09-01 | 2023-03-28 | 纬创资通股份有限公司 | 非接触式动作检测方法、动作检测装置及危险情境检测方法 |
CN115412958A (zh) * | 2021-05-27 | 2022-11-29 | 成都极米科技股份有限公司 | 无线感知测量的方法及装置、电子设备、存储介质 |
CN115412958B (zh) * | 2021-05-27 | 2024-04-09 | 成都极米科技股份有限公司 | 无线感知测量的方法及装置、电子设备、存储介质 |
CN113453180A (zh) * | 2021-06-06 | 2021-09-28 | 西安电子科技大学 | 一种人体摔倒智能检测方法、系统、信息数据处理终端 |
CN113499064A (zh) * | 2021-07-07 | 2021-10-15 | 郑州大学 | 一种浴室场景下Wi-Fi感知人体摔倒检测方法和系统 |
CN113916358A (zh) * | 2021-09-16 | 2022-01-11 | 青岛城市轨道交通科技有限公司 | 基于振动信号分析的自动扶梯危险监测与响应方法、装置和设备 |
CN115913415A (zh) * | 2022-11-09 | 2023-04-04 | 华工未来科技(江苏)有限公司 | 一种基于ris辅助的wifi信号动作识别方法、装置及存储介质 |
CN115913415B (zh) * | 2022-11-09 | 2024-02-02 | 华工未来科技(江苏)有限公司 | 一种基于ris辅助的wifi信号动作识别方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US10531817B2 (en) | 2020-01-14 |
US20190175074A1 (en) | 2019-06-13 |
WO2017124816A1 (zh) | 2017-07-27 |
CN105933080B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105933080A (zh) | 一种跌倒检测方法和系统 | |
Wang et al. | RT-Fall: A real-time and contactless fall detection system with commodity WiFi devices | |
Wang et al. | Wifall: Device-free fall detection by wireless networks | |
Zeng et al. | WiWho: WiFi-based person identification in smart spaces | |
Gjoreski et al. | Accelerometer placement for posture recognition and fall detection | |
Wu et al. | Non-invasive detection of moving and stationary human with WiFi | |
Yang et al. | CareFi: Sedentary behavior monitoring system via commodity WiFi infrastructures | |
CN108778106A (zh) | 用于生命体征检测和监控的方法、装置、服务器和系统 | |
US20240085524A1 (en) | System and method for presence and pulse detection from wireless signals | |
Yang et al. | $ S $-band sensing-based motion assessment framework for cerebellar dysfunction patients | |
KR102397311B1 (ko) | 와이파이 송수신기 간의 채널상태정보를 이용한 실내 재실자의 일상생활 활동 인식 방법 | |
CN107749143A (zh) | 一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法 | |
CN103606248A (zh) | 一种人体摔倒自动检测方法及系统 | |
CN110706463A (zh) | 适于摔倒监测的wifi无源感知方法和系统 | |
Wang et al. | CSIID: WiFi-based human identification via deep learning | |
Li et al. | Location-free CSI based activity recognition with angle difference of arrival | |
Fiorini et al. | Combining wearable physiological and inertial sensors with indoor user localization network to enhance activity recognition | |
Joudeh et al. | WiFi channel state information-based recognition of sitting-down and standing-up activities | |
Casilari et al. | On the heterogeneity of existing repositories of movements intended for the evaluation of fall detection systems | |
Yang et al. | Rethinking fall detection with Wi-Fi | |
CN109316192B (zh) | 基于移动网络信道状态信息的坐姿检测方法及装置 | |
Xu et al. | CSI-based autoencoder classification for Wi-Fi indoor localization | |
Sansano-Sansano et al. | Multimodal sensor data integration for indoor positioning in ambient-assisted living environments | |
Lin et al. | Wi-Fi based non-invasive detection of indoor wandering using LSTM model | |
Sharma et al. | Exploring the impact of locations and activities in person-wise data mismatch in CSI-based HAR |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |