CN107749143B

CN107749143B - 一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法

Info

Publication number: CN107749143B
Application number: CN201711031744.XA
Authority: CN
Inventors: 吴宣够; 储昭斌; 郑啸; 樊旭
Original assignee: Anhui University of Technology AHUT
Current assignee: Anhui University of Technology AHUT
Priority date: 2017-10-30
Filing date: 2017-10-30
Publication date: 2023-09-19
Anticipated expiration: 2037-10-30
Also published as: CN107749143A

Abstract

本发明公开了一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法，属于被动动作识别领域。本发明的主要用途是针对老人室内发生跌倒进行自动探测并发送警报或求救电话。相比现有室内跌倒探测系统，本发明不需要任何特需设备，被探测人员也无需佩戴任何设备，且不要求必须在有光线的环境中工作；本发明所需的设备分别为一个家用或商用的无线路由器，一个商业网卡和一台电脑设备；相比于现有的基于WiFi的室内跌倒探测系统，本发明实现了WiFi穿墙后的有效跌倒探测。

Description

一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法

技术领域

本发明涉及室内人员检测技术领域，更具体地说，涉及一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法。

背景技术

跌倒现已成为严重影响老年人伤亡的原因之一，其导致老年人死亡的大多数原因都是跌倒后没有得到及时医疗救护。而且，随着全球越来越多的国家逐渐步入老龄化社会，独居老人数量也正在急剧上升。因此，室内跌倒探测系统在老年人的健康安全方面的需求越来越高。

近几年，智能设备的普及使得室内跌倒探测技术不断涌现。目前存在的室内跌倒探测系统主要有以下几种：基于可穿戴设备跌倒探测系统，其利用加速计，陀螺仪等传感器实现跌倒探测，缺点在于老年人必须佩戴相关探测设备；基于计算机视觉的跌倒探测系统，主要利用相机或摄像机捕捉一系列照片，通过分类算法识别室内是否有跌倒发生，缺点是不能在无光线的地方进行跌倒探测，且有大量的探测死角；基于周围环境信息的跌倒探测系统，其利用红外线、声音、雷达等一些环境监测设备实现跌倒探测，缺点是需要专门设备且受其他物体干扰，容易误报；基于WiFi信号的跌倒探测系统，主要利用接受信号强度信息(RSSI)和信道状态信息(CSI)分析是否有人发生跌倒，但由于穿墙后的WiFi信号衰退十分严重，动作引起的WiFi信号变化在信号接收端就变得十分微弱，并且混合在背景和噪音信号中，导致现有基于WiFi信号跌倒探测系统的特征提取技术不能有效提取明显的动作特征信号。因此，目前的该类系统不能在WiFi信号传播路径被墙体完全阻挡的情况下进行有效的跌倒探测。此外，现有基于WiFi的跌倒探测系统主要有两种，一是用两个或多个无线路由器，一个无线接收器；二是用一个带有多根天线的无线路由器，一个无线接收器，在使用上受到局限。

经检索，中国专利申请号201610036013.3，申请公布日为2016年9月7日，发明创造名称为：一种跌倒检测方法和系统；该申请案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。该申请案使用商用WiFi设备在实际环境中处理跌倒检测问题，能够在一定程度上提高区分跌倒和类似跌倒活动的有效性，但该申请案并没有克服穿墙后的WiFi信号衰退严重的问题，在实际推广使用方面仍存在问题。

发明内容

1.发明要解决的技术问题

本发明主要解决的技术问题在于：目前的室内跌倒探测系统不能在WiFi信号传播路径被墙体完全阻挡的情况下进行有效的跌倒探测，提供了一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法；本发明不要求使用者佩戴任何设备，只需要使用普通的商用或家用无线网卡设备，即可实现在WiFi信号传播路径被墙体完全阻挡情况下的跌倒探测；且本发明的探测系统仅需要一个带有一根天线的无线路由器和一个无线接收器即可实现跌倒探测，这也使得系统可以更广泛的使用。

2.技术方案

为达到上述目的，本发明提供的技术方案为：

本发明的一种基于WiFi信号的穿墙室内人员跌倒探测系统，包括一个无线AP，一个WiFi接收网卡和一台终端设备；WiFi接收网卡连接在终端设备上，无线AP和终端设备分别放在不同的房间，终端设备与无线AP通过无线方式进行数据交互。

更进一步地，所述的无线AP为商用或家用的无线路由器或无线网卡，所述的WiFi接收网卡为商用或家用无线网卡，所述的终端设备包括台式机、笔记本电脑、mini电脑主机或其他可以安装无线网卡的电脑设备。

本发明的一种基于WiFi信号的穿墙室内人员跌倒探测方法，包括以下步骤：

(1)WiFi接收网卡持续收集无线AP发射的信号，并通过终端设备提取接收信号中的物理层信道状态信息CSI；

(2)将提取的CSI与其对应的时间相关联，组成CSI流信息；

(3)对CSI流在时间轴上的波形进行滤波、降噪，滤波利用低通滤波器实现，为了实现有效降噪，首先利用低秩矩阵分解技术除去环境噪音的影响，再利用主成分分析技术PCA获取第一主成分的CSI波形；

(4)获取以上的CSI波形后，通过归一化方差阈值的滑动窗口算法，获取动作发生的时间片段，并截取该时间片段的CSI波形；

(5)从截取的包含动作发生的CSI波形中，提取该波形中不同的特征值；

(6)利用获取的特征值和其对应发生的动作，通过机器学习算法训练相关的二分类模型；

(7)基于上述步骤获取的未知动作的CSI波形特征值，将所述特征值作为模型输入值，通过模型计算后，即可获取该未知动作是否为跌倒。

更进一步地，步骤(1)中通过实验人员在无线AP和终端设备之间进行指定的动作，终端设备提取接收信号中的物理层信道状态信息CSI，构建一个训练数据库，该数据库中有已知的不同动作和这些动作对应的CSI数据。

更进一步地，步骤(2)首先将提取的CSI数据转换成其幅度值，并将一段时间内接收到的CSI幅度值在时间域上进行排序，组成CSI流信息。

更进一步地，步骤(3)所述低秩矩阵分解技术将每一个动作对应的90个子载波的CSI流进行矩阵分解，从而去除背景环境噪音的影响；具体处理过程如下：

①将t时间内接收到的90个子载波的CSI幅度值表示为：

式中，CSI^(i,j)表示第i个接收天线的第j子载波的CSI幅度值；

②将90个子载波的CSI流表示为：

CSI_streams＝[CSI₁,CSI₂,…,CSI_N]_90×N

③分离背景噪音的具体过程是求解下式的最优解：

minγ||CSI_bg||_*+‖CSI_act‖₁

满足条件：

CSI_raw＝CSI_bg+CSI_act

其中，CSI_bg表示背景环境的CSI矩阵，CSI_act表示包含动作特征的余下CSI矩阵，CSI_bg是一个低秩矩阵，对CSI_streams利用低秩矩阵分解技术，可以获取到CSI_bg和CSI_act，从而实现除去背景环境噪音的影响。

更进一步地，步骤(4)的具体处理过程如下：

①将CSI波形的第一主成分CSI_comp中每100个作为一个小时间片段；

②计算每一个时间片段的幅度值的方差，并对该段CSI_comp数据流的所有时间片段的方差作归一化处理，归一化后的方差记为V；

③从第一个时间片段开始，依次取出每一个时间片段的归一化后的方差V，比较V与阈值δ，如果V≤δ，则继续取出下一个时间片段的归一化后的方差V；如果出现V>δ，则将该时间片段标记为动作开始时间Ts；

④在Ts确定后，继续取出Ts后的时间片段的归一化后的方差V，并判断V是否小于阈值δ，如果不是，则继续取出后续的时间片段的归一化后的方差V，当出现大于δ的方差V后，标记该时间片段为T，并取出T后的一个时间片段的归一化后的方差，并记为V2，然后通过指定参数a，通过下式计算出VT：

VT＝(1-a)*V+a*V2)

⑤判断VT是否小于u*V2，如果是，则时间片段T为动作结束时间，如果否，则回到步骤④，但从T后继续取出接下来的时间片段的归一化后的方差；

⑥当确定Ts和T后，Ts和T之间的数据就是动作所在的数据流。

更进一步地，通过归一化方差阈值的滑动窗口算法，获取动作发生的时间片段过程中，步骤①的时间片段长度为0.1s；步骤③中阈值δ设为0.15；步骤④中参数a设为0.1，步骤⑤中参数u设为3。

更进一步地，步骤(5)从动作所在的数据流中提取6种数据特征值，分别是：归一化标准差STD、绝对中位差MAD、四分位距IR、信号改变速度、信号熵和动作持续时间。

更进一步地，步骤(6)利用支持向量机SVM算法训练两个分类器，在SVM中选择高斯核函数作为核函数，具体函数如下：

其中，分类器1用于区分是类似跌倒动作还是非类似跌倒动作，分类器2在类似跌倒动作中，区分是否为跌倒动作。

3.有益效果

采用本发明提供的技术方案，与已有的公知技术相比，具有如下显著效果：

(1)本发明的一种基于WiFi信号的穿墙室内人员跌倒探测系统，针对老人室内发生跌倒进行自动探测并发送警报或求救电话，相比基于穿戴设备的室内跌倒探测系统，其无需被探测者佩戴任何设备，相比基于计算机视觉的室内跌倒探测系统，其不受光线和位置的限制，相比基于周围环境信息的室内跌倒探测系统，其不需要任何特殊设备，只需要家用或商用的普通路由器、无线网卡和电脑，相比现有的基于WiFi的室内跌倒探测系统，实现了WiFi穿墙后的有效跌倒探测；

(2)本发明的一种基于WiFi信号的穿墙室内人员跌倒探测方法，并不是直接对穿墙后的WiFi信号进行动作信号的特征提取，而是先将信号进行低秩矩阵分解，除去其背景信号，再针对余下的信号进行滤波和相关性提取，从而获取到明显的动作特征信号，解决了WiFi信号穿墙后仍能有效探测目标跌倒，而现有基于WiFi的室内跌倒探测方法只能识别WiFi信号不被墙体遮挡情况下的跌倒动作。

附图说明

图1是本发明的应用示意图。

图2是本发明的系统框架图。

图3中的(a)和(b)是本发明的数据流图。

图4是本发明中提取动作所在时间片段的提取算法流程图。

图5是本发明中分类器构建图。

具体实施方式

为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。

实施例1

如图1所示，本实施例的一种基于WiFi信号的穿墙室内人员跌倒探测系统，包括一个家用或商用的无线AP，一个WiFi接收网卡(商业无线网卡即可)，一台终端设备或台式机，WiFi接收网卡需要连接在终端设备上；无线AP和终端设备分别放在不同的房间，房间之间是一面完整的混凝土墙。系统运行时，终端设备需要持续接收无线AP发射的WiFi信号。本实施例中，选用的无线AP设备是一个带有1根天线的无线路由器，WiFi接收网卡选用的是配有3根天线的Intel 5300网卡，终端设备是安装Ubuntu系统的台式机。

本实施例的探测系统，针对老人室内发生跌倒进行自动探测并发送警报或求救电话，相比基于穿戴设备的室内跌倒探测系统，其无需被探测者佩戴任何设备，相比基于计算机视觉的室内跌倒探测系统，其不受光线和位置的限制，相比基于周围环境信息的室内跌倒探测系统，其不需要任何特殊设备，只需要家用或商用的普通路由器、无线网卡和电脑，具有较高的推广引用价值。

如图2所示，实现本实施例的室内跌倒探测，主要包括以下四个模块：

(1)CSI数据采样模块：

本实施例首先需要一个训练数据库，该数据库中有已知的不同动作和这些动作对应的CSI数据；为了构建该训练数据库，要求一个实验人员在无线AP和终端设备之间进行指定的动作，同时，利用接收设备和终端收集该动作对应的CSI数据；

(2)CSI分离和相关性提取模块：

获取动作对应的CSI数据后，首先将所有CSI数据转换成其幅度值，由于接收到的CSI数据为复数形式(如a+bi)，其对应的幅度值为

其次，将一段时间内接收到的CSI幅度值在时间域上进行排序，形成CSI流，如图3中的(a)所示。在CSI流分离阶段，对CSI流在时间轴上的波形进行滤波、降噪，滤波利用低通滤波器实现，为了实现有效降噪，本实施例选用低秩矩阵分解技术除去环境噪音的影响，将每一个动作对应的90个子载波的CSI流进行矩阵分解，从而去除背景环境噪音的影响；具体处理过程如下：

①将t时间内接收到的90个子载波的CSI幅度值可表示为如下形式：

这里的CSI^(i,j)是指第i个接收天线的第j子载波的CSI幅度值。

②将90个子载波的CSI流可表示为如下形式：

CSI_streams＝[CSI₁,CSI₂,…,CSI_N]_90×N

③分离背景噪音，具体分离过程是求解如下问题的最优解：

minγ||CSI_bg||_*+‖CSI_act‖₁

满足条件：

CSI_raw＝CSI_bg+CSI_act

其中，CSI_bg代表背景环境的CSI矩阵，CSI_act代表的是包含动作特征的余下CSI矩阵，根据分析可知CSI_bg是一个低秩矩阵，所以对CSI_streams利用低秩矩阵分解技术，可以获取到CSI_bg和CSI_act，从而实现除去背景环境噪音的影响。

最后，本实施例选用主成分分析技术(PCA)对去除背景环境噪音后的CSI流矩阵CSI_act进行相关性提取，具体处理过程如下：

①CSI_pca＝PCA(CSI_act)，通过对获取到的CSI_act进行PCA后会获取到降维后的主成分矩阵CSI_pca。

②从CSI_pca取出其第一主成分CSI_comp，供特征提取所用。本实施例中，选用的是该CSI流矩阵的第一主成分，如图3中的(b)所示；从该CSI波形中，可以明显观察到不同动作对信号影响的不同特征

(3)动作特征提取模块：

在模块(2)中获取到的第一主成分数据流中，包含着对应的动作对该数据流的影响片段，在动作片段分割阶段，本实施例利用一种归一化方差阈值的滑动窗口算法实现该片段的提取，算法流程如图4所示；具体处理过程如下：

①将CSI_comp中每100个作为一个小时间片段，在本实施例中该时间片段长度为0.1s；

②计算每一个时间片段的幅度值的方差，并对这段CSI_comp数据流的所有时间片段的方差作归一化处理，归一化后的方差记为V；

③从第一个时间片段开始，依次取出每一个时间片段的归一化后的方差V，比较V与阈值δ，如果V≤δ，则继续取出下一个时间片段的归一化后的方差V，如果出现V>δ，则将该时间片段标记为动作开始时间Ts，在本实施例中，该阈值δ被设为0.15；

④在Ts确定后，继续取出Ts后的时间片段的归一化后的方差V，并判断V是否小于阈值δ，如果不是，则继续取出后续的时间片段的归一化后的方差V，当出现大于δ的方差V后，标记该时间片段为T，并取出T后的一个时间片段的归一化后的方差，并记为V2，然后通过指定参数a，计算出VT(VT＝(1-a)*V+a*V2)，在本实施例中a被设定为0.1。

⑤判断VT是否小于u*V2，如果是，则时间片段T为动作结束时间，如果否，则回到步骤④，但从T后继续取出接下来的时间片段的归一化后的方差，在本实施例中u被设定为3。

⑥当确定Ts和T后，Ts和T之间的数据就是动作所在的数据流。

本实施例从动作所在的数据流中提取6种数据特征值，分别是：归一化标准差(STD)、绝对中位差(MAD)、四分位距(IR)、信号改变速度、信号熵和动作持续时间。

(4)跌倒探测模块：

通过模块(3)获取到的动作特征值以及对应的动作后，通过机器学习方法，即可训练出跌倒探测分类器；如图5所示，在分类器构建部分，本实施例利用支持向量机(SVM)算法训练两个分类器。在SVM中本实施例选择高斯核函数作为核函数，具体函数如下：

其中，分类器1用于区分是类似跌倒动作(跌倒、坐下、站起等)还是非类似跌倒动作(步行、跑动等)，分类器2在类似跌倒动作中，用于区分是否为跌倒动作。

通过实现以上模块后，对于一个未知动作的CSI数据，本实施例首先会利用上面提到的方法提取该CSI数据的6种特征值，然后将其作为分类器1的输入值，判断是否为类似跌倒动作，如果是则继续将这6种特征值作为分类器2的输入值，并判断是否为跌倒动作，如果是跌倒动作，则系统会发出警报或发送求救电话。

实施例1所述的探测方法，并不是直接对穿墙后的WiFi信号进行动作信号的特征提取，而是先将信号进行低秩矩阵分解，除去其背景信号，再针对余下的信号进行滤波和相关性提取，从而获取到明显的动作特征信号，解决了WiFi信号穿墙后仍能有效探测目标跌倒，而现有基于WiFi的室内跌倒探测方法只能识别WiFi信号不被墙体遮挡情况下的跌倒动作。

以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims

1.一种基于WiFi信号的穿墙室内人员跌倒探测方法，包括以下步骤：

（1）WiFi接收网卡持续收集无线AP发射的信号，并通过终端设备提取接收信号中的物理层信道状态信息CSI；

（2）将提取的CSI与其对应的时间相关联，组成CSI流信息；

（3）对CSI流在时间轴上的波形进行滤波、降噪，滤波利用低通滤波器实现，为了实现有效降噪，首先利用低秩矩阵分解技术除去环境噪音的影响，再利用主成分分析技术PCA获取第一主成分的CSI波形；具体处理过程如下：

①将t时间内接收到的90个子载波的CSI幅度值表示为：

式中，表示第i个接收天线的第j子载波的CSI幅度值；

②将90个子载波的CSI流表示为：

③分离背景噪音的具体过程是求解下式的最优解：

满足条件：

表示背景环境的CSI矩阵，/>表示包含动作特征的余下CSI矩阵，/>是一个低秩矩阵，对/>利用低秩矩阵分解技术，可以获取到/>和/>，从而实现除去背景环境噪音的影响；

（4）获取以上的CSI波形后，通过归一化方差阈值的滑动窗口算法，获取动作发生的时间片段，并截取该时间片段的CSI波形；具体处理过程如下：

①将CSI波形的第一主成分中每100个作为一个小时间片段；

②计算每一个时间片段的幅度值的方差，并对该段数据流的所有时间片段的方差作归一化处理，归一化后的方差记为V；

③从第一个时间片段开始，依次取出每一个时间片段的归一化后的方差V，比较V与阈值δ，如果，则继续取出下一个时间片段的归一化后的方差V；如果出现/>，则将该时间片段标记为动作开始时间Ts；

④在Ts确定后，继续取出Ts后的时间片段的归一化后的方差V，并判断V是否小于阈值δ，如果不是，则继续取出后续的时间片段的归一化后的方差V，当出现小于δ的方差V后，标记该时间片段为T，并取出T后的一个时间片段的归一化后的方差，并记为V2，然后通过指定参数a，通过下式计算出VT：

⑤判断VT是否小于，参数u设为3；如果是，则时间片段T为动作结束时间，如果否，则回到步骤④，但从T后继续取出接下来的时间片段的归一化后的方差；

⑥当确定Ts和T后，Ts和T之间的数据就是动作所在的数据流；

（5）从截取的包含动作发生的CSI波形中，提取该波形中不同的特征值；

（6）利用获取的特征值和其对应发生的动作，通过机器学习算法训练相关的二分类模型；

（7）基于上述步骤获取的未知动作的CSI波形特征值，将所述特征值作为模型输入值，通过模型计算后，即可获取该未知动作是否为跌倒。

2.根据权利要求1所述的一种基于WiFi信号的穿墙室内人员跌倒探测方法，其特征在于：步骤（1）中通过实验人员在无线AP和终端设备之间进行指定的动作，终端设备提取接收信号中的物理层信道状态信息CSI，构建一个训练数据库，该数据库中有已知的不同动作和这些动作对应的CSI数据。

3.根据权利要求2所述的一种基于WiFi信号的穿墙室内人员跌倒探测方法，其特征在于：步骤（2）首先将提取的CSI数据转换成其幅度值，并将一段时间内接收到的CSI幅度值在时间域上进行排序，组成CSI流信息。

4.根据权利要求3所述的一种基于WiFi信号的穿墙室内人员跌倒探测方法，其特征在于：通过归一化方差阈值的滑动窗口算法，获取动作发生的时间片段过程中，步骤①的时间片段长度为0.1s；步骤③中阈值δ设为0.15；步骤④中参数a设为0.1。

5.根据权利要求4所述的一种基于WiFi信号的穿墙室内人员跌倒探测方法，其特征在于：步骤（5）从动作所在的数据流中提取6种数据特征值，分别是：归一化标准差STD、绝对中位差MAD、四分位距IR、信号改变速度、信号熵和动作持续时间。

6.根据权利要求5所述的一种基于WiFi信号的穿墙室内人员跌倒探测方法，其特征在于：步骤（6）利用支持向量机SVM算法训练两个分类器，在SVM中选择高斯核函数作为核函数。