CN109635837A - 一种基于商用无线Wi-Fi的场景无忧跌倒检测系统 - Google Patents
一种基于商用无线Wi-Fi的场景无忧跌倒检测系统 Download PDFInfo
- Publication number
- CN109635837A CN109635837A CN201811335512.8A CN201811335512A CN109635837A CN 109635837 A CN109635837 A CN 109635837A CN 201811335512 A CN201811335512 A CN 201811335512A CN 109635837 A CN109635837 A CN 109635837A
- Authority
- CN
- China
- Prior art keywords
- svm classifier
- fall detection
- data
- carefree
- scene
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 230000006870 function Effects 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000013526 transfer learning Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000013480 data collection Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000009471 action Effects 0.000 claims description 43
- 238000005457 optimization Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 20
- 230000009977 dual effect Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 7
- 238000005452 bending Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims 1
- 238000000844 transformation Methods 0.000 claims 1
- 230000033001 locomotion Effects 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 7
- 239000000284 extract Substances 0.000 abstract description 2
- 238000012706 support-vector machine Methods 0.000 description 39
- 238000010586 diagram Methods 0.000 description 18
- 230000000875 corresponding effect Effects 0.000 description 12
- 230000009467 reduction Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 208000014674 injury Diseases 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 241000282414 Homo sapiens Species 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000266 injurious effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000008736 traumatic injury Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开一种基于商用无线Wi‑Fi的场景无忧跌倒检测系统，对跌倒和下蹲、躺、弯腰、坐四种类似跌倒动作进行识别；系统包括：数据收集、信号处理和SVM分类器构建与分类。数据收集从商用Wi‑Fi设备提取CSI信息；信号处理包含数据校准、动作检测和特征提取；SVM分类器构建与分类使用一对一的SVM多分类方法；当训练测试数据分布相同，分类器效果较好。若场景变化需重新收集大量数据(少量数据不能全面反映特征)，否则效果较差。系统采用一种基于迁移学习的迁移学习SVM分类器，解决场景变化时模型适应性问题，实现场景无忧跌倒检测。源域SVM分类器用大量数据训练，得知识ws；目标域(可以有多个，对应不同场景)SVM分类器借助ws构建新的优化函数，无需付出大代价收集大量数据，只用少量数据训练，便可构建目标域SVM分类器，实现跌倒检测。
Description
技术领域
本发明涉及无线网络，特别涉及到机器学习、数据挖掘领域，尤其涉及一种基于商用Wi-Fi设备与迁移学习的跌倒检测系统。
背景技术
跌倒，作为一种具有损害性的动作，是导致老年人直接死亡和间接伤病死亡的重要风险因素之一，也会带来人体功能削弱、脑部损伤、骨折和脱曰等创伤性伤病和残疾等严重后果。因此，跌倒严重威胁着老年人的身体健康和日常生活。
如果能够及时、准确地检测跌倒，并在跌倒发生后及时发出预警，便可较大程度的降低跌倒造成的伤害。目前对跌倒检测的研究多集中于图像、加速度传感器、压敏等方法，采用商用Wi-Fi设备获取动作数据极少。
本发明将商用Wi-Fi设备与迁移学习理论紧密结合，用于实现跌倒检测系统。
发明内容
本发明提供了一种基于商用无线Wi-Fi的场景无忧跌倒检测系统，本发明通过使用一系列降噪方法和数据挖掘技术处理Wi-Fi信号，实现了使用商用Wi-Fi设备即可检测跌倒，详见下文描述：
一种基于商用无线Wi-Fi的场景无忧跌倒检测系统，用于对跌倒和下蹲、躺、弯腰、坐下四种类似跌倒动作进行分类识别；所述系统包括：数据收集模块、信号处理模块、以及SVM分类器构建与分类模块。
数据收集模块用于从商用多天线Wi-Fi设备中提取CSI信息；
信号处理模块包含数据校准、动作检测和特征提取；
SVM分类器构建与分类模块，使用一对一的SVM多分类方法；同时采用了一种基于迁移学习理论的迁移学习SVM分类器，来解决面对场景变化的模型适应性问题，实现场景无忧跌倒检测。源域SVM分类器使用大量标签样本数据Ts训练，得到重要知识ws；目标域中SVM分类器借助知识ws构建新的优化函数，只使用少量样本数据Tt进行训练，便可构建目标域SVM分类器，所述目标域SVM分类器利用源域的知识实现对目标域的跌倒检测。
进一步地，所述目标域SVM分类器的优化函数具体为：
其中，wt和ws分别是目标域和源域的加权向量；C和μ是对应的惩罚参数；εi表示松弛变量，允许错误分类用以找到最大间隔超平面；xi表示第i个特征向量，N是样本总数，yi是对应的样本标签，bt表示目标域超平面距原点的偏差距离。
为更加方便求解优化问题,经过系列转化,可得到原优化问题的对偶优化问题:
其中，Q(α)表示对偶优化函数，K(xi,xj)表示高斯核函数，用来将输入样本映射到一个高维特征空间，从而找到最大间隔超平面，αi,βi(i＝1,…,N)表示拉格朗日乘子向量。
经求解对偶优化问题,得到系统使用的判别函数：：
其中，xt为测试样本；αi *为对偶问题最优解；K(,)表示高斯核函数；
其中，(xm,ym)表示任意支持向量；M是所有支持向量的集合。
本发明提供的技术方案的有益效果是：
1、跌倒严重威胁着人类的生命安全，影响人类的日常生活；如果能够及时检测跌倒并发出预警，便可很大程度的降低跌倒造成的伤害；
2、本发明使用商用Wi-Fi设备即可实现跌倒检测，成本低，普及度高；
3、本发明使用的信号处理方法，也可用于其他领域，具有很好的通用性。
附图说明
图1为跌倒检测系统的结构示意图；
图2为信号处理的示意图；
图3为CSI(Channel State Information，信道状态信息)振幅降噪前后对比示意图；
其中，(a)为原始的CSI波形示意图；(b)为带通滤波器降噪后的CSI波形示意图；(c)为加权移动平均算法降噪后CSI波形示意图。
图4为主成分提取示意图；
其中，(a)为原始的CSI波形示意图；(b)为提取的第二个主成分示意图。
图5为迁移学习SVM(支持向量机)分类器结构示意图；
图6为跌倒动作降噪后的CSI波形图；
其中，(a)为场景1的CSI波形图；(b)为场景2的CSI波形图。
图7为跌倒动作的DWT(离散小波变换)时频分析图。
其中，(a)为场景1的DWT时频分析图；(b)为场景2的DWT时频分析图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
随着无线网络的发展，基于商用Wi-Fi设备在人们的生活中已越来越普及。其发射的物理层中无线信号CSI不仅可以传输数据，而且会在设备周围的物体上发生反射、衍射、散射等，最终到达接收设备，由此携带周围环境大量信息用以感知环境。通过对接收端所收集的CSI信号数据分析处理，并使用合适的模型进行分类，可以用于行为识别、室内定位、入侵检测等等。相比于商用Wi-Fi设备，一些专业设备，如可穿戴传感器、软件无线电设备、摄像头等，也可用来跟踪运动轨迹，精确的捕获动作信息，但价格昂贵，普及度低。
迁移学习，就是运用已有的知识来学习新的知识，由于直接对目标域从头开始学习成本太高，因而可以转向运用已有的相关知识来辅助尽快地学习新知识。所以如何合理地找寻源域和目标域之间的相似性，是迁移学习的核心问题。近年来，迁移学习已被应用在多个领域。其中，有不少研究集中在行为识别方向，但所用于获取数据的设备多基于传感器、摄像头等，并未见使用成本低廉、易普及的商用Wi-Fi设备。
实施例1
本发明实施例提供了一种基于商用无线Wi-Fi的场景无忧跌倒检测系统，参见图1，该跌倒检测系统将会对跌倒和其他四种类似跌倒动作进行分类识别，从而检测跌倒。
其中，四种类似跌倒动作分别是：下蹲、躺、弯腰和坐下；并且应用迁移学习理论来增强不同环境中跌倒检测的适应性。
该跌倒检测系统的结构示意图如图1所示，该系统主要包括3个功能模块：数据收集模块、信号处理模块、以及SVM分类器构建与分类模块。
数据收集模块用于从商用多天线Wi-Fi设备中提取CSI信息；
如图2所示，信号处理模块包含：数据校准、动作检测和特征提取三个子模块；
SVM分类器构建与分类模块，使用一对一的SVM多分类方法；一般只有当训练数据和测试数据有着相同的分布时，分类器才能取得较好的识别效果。一旦场景变化，分类器需重新收集大量样本数据来训练(少量样本不能全面反映数据特性)，否则分类效果较差，但重新收集大量数据所付出的代价是昂贵的。因此，该模块使用了一种基于迁移学习理论的迁移学习SVM分类器，来解决面对场景变化的模型适应性问题，实现场景无忧跌倒检测。源域SVM分类器使用大量标签样本数据Ts训练，得到重要知识ws；目标域(可以有多个，对应不同场景)中SVM分类器借助知识ws构建新的优化函数，无需付出昂贵代价收集大量样本数据，只使用少量样本数据Tt进行训练，便可构建目标域SVM分类器，所述目标域SVM分类器利用源域的知识实现对目标域的跌倒检测。
综上所述，本发明实施例通过使用一系列降噪方法和数据挖掘技术处理Wi-Fi信号，实现了使用商用Wi-Fi设备即可检测跌倒。
实施例2
下面结合具体的实例、计算公式对实施例1中的方案进行进一步地介绍，详见下文描述：
一、数据收集模块
该跌倒检测系统将会在接收端收集CSI信息。对于每一组发射和接收天线，都可通过IEEE 802.11n协议获得30个正交频分复用的子载波。由于跌倒检测系统使用1根天线作为发射端，3根天线作为接收端，所以一共会有90个子载波被收集。该跌倒检测系统采用800Hz采样率，对每个子载波，一秒钟将会收集800个CSI值。该跌倒检测系统使用所收集数据的振幅信息进行下一步处理。
二、信号处理模块
为实现动作的细粒度识别，信号处理不可或缺。
1、数据校准
通过商业Wi-Fi设备所收集的CSI信息具有很大噪声，而噪声主要来源于发射端与接收端之间的内部状态变化，如传输速率适应、传输功率变化等。这些内部状态变化将会导致高振幅脉冲和大量突发噪声。图3(a)画出了一个跌倒动作的CSI波形图。为实现细粒度的跌倒检测，该跌倒检测系统采用巴特沃斯带通滤波器来去除不相关的频率噪声，并使用加权移动平均算法进一步去除带内噪声。
(1)带通滤波器
一般情况下，一些微小动作，如呼吸心跳等，所造成的CSI值的变化主要处于低频范围，在0-8Hz。而跌倒和其他类似跌倒动作所造成的CSI值的变化频率较高，但也不超过80Hz。因此，可使用带通滤波器来消除带外噪声，有效频率范围10-80Hz。处理结果如图3(b)所示，可看到不相关频率噪声已被很好的去除。
(2)加权移动平均算法
为进一步去除带内噪声，可采用加权移动平均算法。举例来说，对第一个子载波的CSI值在ti时刻的CSI值由前面的n个值取平均所求得。除去前n个值，后面的CSI值都有着最高的权重n，计算公式如下：
其中，表示在ti时刻所求对应的CSI值，n决定了当前值与前面值的相关程度。为实现更好的去噪效果，该跌倒检测系统中n被设置为20。处理后结果如图3(c)所示，可看到带内噪声已被较好的去除。
2、动作检测
为合理提取动作特征，需要先检测出动作所发生的区间。该跌倒检测系统首先采用PCA(Principal Component Analysis主成分分析)方法得到子载波的主要成分，然后使用一种基于动态阈值方法和指数移动平均算法来检测动作区间。
(1)主成分分析
由于该跌倒检测系统采用1根天线作为发射端，3根天线作为接收端，所以一共可以获取到90个子载波的CSI值。图4(a)画出了某一对发射接受天线的30个子载波的波形图。
为了实现动作检测，所采用的核心思想是：当没有任何动作发生时，CSI包含的噪声是随机的；当有动作发生时，CSI值将会变的相关。为准确检测动作区间，该跌倒检测系统使用PCA方法得到可以反映所有子载波特征的主成分。类似于CARM(基于CSI的人类动作识别和监测系统)，该跌倒检测系统使用第二个主成分来提取特征。这是因为第一个主成分虽然包含动作信息，但也具有很多噪声，而其他主成分噪声很少，却仍包含有相关的动作信息。图4(b)画出了对应图4(a)所提取的第二个主成分的CSI波形。
(2)动作探测
在探测动作前，需要知道当动作发生时，第二个主成分有较大的方差；而没有动作时，第二个主成分方差较小，较小原因是由背景噪声造成的，如果环境相对稳定，噪声级别便不会轻易变化。由此该跌倒检测系统采用一种基于动态阈值的算法来记录噪声级别，并采用一种指数移动平均算法来更新噪声级别Lt，计算公式如下：
Lt＝(1-τ)Lt-1+τ×vart (2)
其中，系数τ设置为0.05。vart表示在第二个主成分中第t个滑动窗口的数据方差，每个窗口包含100个样本点。如果在某个滑动窗口中，vart大于4倍的噪声级别Lt，则动作开始点将被检测；相反，当vart在连续多个滑动窗口(该跌倒检测系统采用6个滑动窗口)中总是小于4倍的噪声级别Lt时，动作结束点也将被检测。
3、特征提取
特征可用于更好的描述动作，为区别不同的动作，检测跌倒，需要提取不同领域的特征。
一般一个动作可从持续时间和频率两方面来描述。有些动作持续时间相近，但频率大不相同；相反，有些动作频率相近，但持续时间不同。因此，不同动作在不同时间的频率特征对于动作识别是至关重要的。
与短时傅里叶变换相比，该跌倒检测系统采用的DWT(Discrete WaveletTransform离散小波变换)对时间分辨率和频率分辨率有着更好的平衡掌控。当动作频率高时，DWT可提供较高的时间分辨率；当动作速度快时，DWT也可提供较高的频率分辨率。DWT可以计算对应着不同频率范围级别的信号能量，相邻级别的频率范围呈现指数递减。图7(a)画出了一个跌倒动作的DWT时频分析图，高亮部分表示更高的能量级别。
为提取特征用于动作识别，该跌倒检测系统使用DWT的demy小波将第二个主成分分解成3个级别，用于实现细粒度的动作识别。根据DWT，该跌倒检测系统提取了下列频率特征：
1)每一级的能量；2)相邻级的能量差；3)每一级的能量质心。
同时，一些常用的时域特征也被提取：1)标准差；2)四分位数间距；3)动作持续时间；4)中位数绝对偏差；5)平均数绝对偏差。
三、SVM分类器构建与分类模块
一般来说，只有当训练数据和测试数据有着相同的分布时，分类器才能取得较好的识别效果。一旦场景变化，数据分布改变，分类器需重新收集大量样本数据来训练(少量样本不能全面反映数据特性)，否则分类效果较差。然而，重新收集大量数据并训练分类器所付出的代价是昂贵的。
因此，该模块使用了一种基于迁移学习理论的迁移学习SVM分类器，用以解决面对场景变化的模型适应性问题，实现场景无忧跌倒检测。如图5所示，源域SVM分类器用大量样本数据Ts进行训练，得到重要知识ws，然后，目标域(可以有多个，对应不同场景)中SVM分类器借助知识ws构建新的优化函数，无需付出昂贵代价收集大量样本数据，只使用少量样本数据Tt进行训练，便可得到决定目标域分类器的参数wt和bt，最后构建SVM分类器用以对目标域做动作识别。
1、先决条件
图6(a)和图6(b)分别画出了在两个不同场景中的跌倒动作CSI波形图。图7(a)和图7(b)则画出了对应图6(a)和图6(b)的DWT时频分析图。虽然在不同的场景中，相同动作的CSI波形图并不一样，但所提取的特征是类似的。因此，只要做的相同的动作，即使在不同的场景，其频率范围也是很接近的。这就指出了两个不同场景的相关性，并且为将迁移学习理论应用在多场景跌倒检测提供了理论支持，以此实现场景无忧跌倒检测。
2、迁移学习SVM分类器可行性
跌倒和其他四种类似跌倒动作会在连续的动作中被检测，上述提到所提取的8个特征和对应的动作标签会被用于SVM分类器的训练。为解决非线性分类问题，输入样本将会被映射到一个高维特征空间用以找到最大间隔超平面。一个超平面可由下列公式表示：
f(x)＝wTx+b (3)
其中，w是一个加权向量，决定了超平面的方向；b表示超平面距原点的偏差距离；x表示输入的特征向量。如果直接在目标域中使用少量样本数据训练SVM分类器，所得到的动作识别效果较差。
因此，该跌倒检测系统采用了一种基于参数的迁移学习方法来提升SVM分类器在目标域中的性能。目标域新构建的SVM优化函数如下：
其中，wt和ws分别是目标域和源域的加权向量。C和μ是对应的惩罚参数。εi表示松弛变量，允许错误分类用以找到最大间隔超平面。xi表示第i个特征向量，N是样本总数，yi是对应的样本标签，bt表示目标域超平面距原点的偏差距离。
在公式(4)中，前面的表示源域SVM分类器的优化函数，后面的μ‖wt-ws‖2表示迁移学习项，‖wt-ws‖2的值越大，目标域分类器和源域分类器间差异越大，反之越小。
公式(4)对应的拉格朗日函数如下：
其中，拉格朗日乘子向量αi≥0,βi≥0(i＝1,…,N)。根据最优化理论，所求的最优解便是拉格朗日函数的鞍点，分别置L(wt,bt,ε；α,β)对wt,bt和ε的偏导数为0，可得：
为了保证原问题与对偶问题有相同的最优解，所对应的Karush-Kuhn-Tucker(KKT)条件需要全部被满足。通过在拉格朗日函数中代替wt，可得到下列对偶问题：
其中，Q(α)表示对偶优化函数，K(xi,xj)表示高斯核函数，用来将输入样本映射到一个高维特征空间，从而找到最大间隔超平面。通过采用SMO(Sequential MinimalOptimization序列最小优化)算法，可求得对偶问题最优解αi *(i＝1,…,N)，进而得到：
其中，表示从源域学到的知识，表示从目标域学到的新知识，而bt *可通过以下公式计算得到：
其中，(xm,ym)表示任意支持向量，M是所有支持向量的集合。对于目标域中一个测试样本xt，最终的判别函数表示如下：
通过使用判别函数，便可对测试样本xt分配一个动作标签。由此说明了迁移学习SVM分类器的可行性。
3、迁移学习SVM分类器最优性
下列定义、引理和定理将被用于验证迁移学习SVM分类器的最优性。
定义1：假设f(x)＝xTAx，当任意x都不等于0时，f(x)总是大于或等于0，那么对称矩阵A是半正定的。
引理1：假设对称函数K(xi,xj)定义在Rn×Rn上，则K(xi,xj)是Mercer核的充要条件是：对于任意x1,x2,…,xN∈Rn，K(xi,xj)关于x1,x2,…,xN的Gram矩阵是半正定的，其中，Rn是由n维全体向量构成的一个向量空间。
定理1：在解决优化函数(9)时，只有当核函数K(xi,xj)是Mercer核时，式(9)才是一个二次凸规划问题，并可得全局最优解。
证明：根据理论，核矩阵与Gram矩阵是等价的，所以核矩阵可表示为：
由此可见，核矩阵是一个对称矩阵。针对任意向量z，有：
所以，核矩阵是半正定的，从而得到K(xi,xj)是Mercer核。优化函数(9)是一个二次凸规划问题，并且解是全局最优的。这证明了迁移学习SVM分类器的最优性。
另外，根据优化函数(4)，通过在SVM优化函数中增加μ‖wt-ws‖2项来实现两域间的迁移学习。所以针对不同的μ值，有以下两种情况：
其中，wt *介于wt和ws之间。
综上所述，本发明实施例通过使用一系列降噪方法和数据挖掘技术处理Wi-Fi信号，实现了使用商用Wi-Fi设备即可检测跌倒。
实施例3
下面结合具体的实例对实施例1和2中的方案进行可行性验证，详见下文描述：
本跌倒检测系统使用了两台联想ThinkPad T系列笔记本电脑，其中一台作为WiFi接入点，即发射端，另一台作为接收端。两台笔记本电脑均安装了Intel 5300NIC和Ubuntu14.04LTS桌面版系统，其中发射端有1根天线，接收端有3根天线，且3根天线之间的距离为一个波长(5.2cm)，一共可收集90个子载波。数据采样率设为800Hz，传输链路工作在基于IEEE 802.11n协议，频段为5.825GHz的信道上。
本跌倒检测系统选择5.825GHz频段而不选择2.4GHz频段是因为5.825GHz频段波长较短，这样对动作会有较高的分辨率。在接收端通过安装CSI tool工具来收集数据，并通过TCP/IP协议将CSI数据发送到配置为Intel i5-7200U 2.5GHz的电脑上，最后通过matlab处理CSI数据。
本跌倒检测系统一旦监测到动作发生，便首先使用带通滤波器和加权移动平均算法对所收集到的CSI数据进行降噪处理，然后采用PCA方法提取第二个主成分，再基于动态阈值方法和指数移动平均算法提取出动作区间，便可对动作进行DWT时频分析，从而提取出合适的频域时域特征。
此后，源域SVM分类器使用大量标签样本数据Ts训练，得到重要知识ws；目标域(可以有多个，对应不同场景)中SVM分类器借助知识ws构建新的优化函数，无需付出昂贵代价收集大量样本数据，只使用少量样本数据Tt进行训练，便可构建目标域SVM分类器，从而解决面对场景变化的模型适应性问题，实现场景无忧跌倒检测。当跌倒从其他类似跌倒动作中被检测到时，本跌倒检测系统便会发出警报，及时处理，便可较大程度的降低跌倒造成的伤害。
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于商用无线Wi-Fi的场景无忧跌倒检测系统，用于对跌倒和下蹲、躺、弯腰、坐下四种类似跌倒动作进行分类识别；所述系统包括：数据收集模块、信号处理模块、以及SVM分类器构建与分类模块。
数据收集模块用于从商用多天线Wi-Fi设备中提取CSI信息；
信号处理模块包含数据校准、动作检测和特征提取；
SVM分类器构建与分类模块，使用一对一的SVM多分类方法；同时采用了一种基于迁移学习理论的迁移学习SVM分类器，来解决面对场景变化的模型适应性问题，实现场景无忧跌倒检测；源域SVM分类器使用大量标签样本数据Ts训练，得到重要知识ws；目标域中SVM分类器借助知识ws构建新的优化函数，只使用少量样本数据Tt进行训练，便可构建目标域SVM分类器，所述目标域SVM分类器利用源域的知识实现对目标域的跌倒检测。
2.根据权利要求1所述的一种基于商用无线Wi-Fi的场景无忧跌倒检测系统，所述目标域SVM分类器的优化函数具体为：
s.t.yi[(wt T·xi)+bt]≥1-εi,i＝1,…,N
εi≥＝0,i＝1,…,N.
其中，wt和ws分别是目标域和源域的加权向量；C和μ是对应的惩罚参数；εi表示松弛变量，允许错误分类用以找到最大间隔超平面；xi表示第i个特征向量，N是样本总数，yi是对应的样本标签，bt表示目标域超平面距原点的偏差距离。
3.根据权利要求2所述的一种基于商用无线Wi-Fi的场景无忧跌倒检测系统，为更加方便求解上述优化问题,经过系列转化,可得到原优化问题的对偶优化问题：
其中，Q(α)表示对偶优化函数，K(xi，xj)表示高斯核函数，用来将输入样本映射到一个高维特征空间，从而找到最大间隔超平面，αi，βi(i＝1，…，N)表示拉格朗日乘子向量。
4.根据权利要求3所述的一种基于商用无线Wi-Fi的场景无忧跌倒检测系统，经求解对偶优化问题,得到系统使用的判别函数：
其中，xt为测试样本；αi *(i＝1，…，N)为对偶问题最优解；K(，)表示高斯核函数；
其中，(xm，ym)表示任意支持向量；M是所有支持向量的集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811335512.8A CN109635837A (zh) | 2018-11-10 | 2018-11-10 | 一种基于商用无线Wi-Fi的场景无忧跌倒检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811335512.8A CN109635837A (zh) | 2018-11-10 | 2018-11-10 | 一种基于商用无线Wi-Fi的场景无忧跌倒检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109635837A true CN109635837A (zh) | 2019-04-16 |
Family
ID=66067666
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811335512.8A Pending CN109635837A (zh) | 2018-11-10 | 2018-11-10 | 一种基于商用无线Wi-Fi的场景无忧跌倒检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109635837A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110737201A (zh) * | 2019-10-11 | 2020-01-31 | 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 |
| CN110751115A (zh) * | 2019-10-24 | 2020-02-04 | 北京金茂绿建科技有限公司 | 一种无接触式人体行为识别方法和系统 |
| CN111274937A (zh) * | 2020-01-19 | 2020-06-12 | 中移（杭州）信息技术有限公司 | 摔倒检测方法、装置、电子设备及计算机可读存储介质 |
| CN111597991A (zh) * | 2020-05-15 | 2020-08-28 | 南京邮电大学 | 一种基于信道状态信息和BiLSTM-Attention的康复检测方法 |
| CN111626174A (zh) * | 2020-05-22 | 2020-09-04 | 哈尔滨工程大学 | 一种基于信道状态信息的姿态鲁棒动作识别方法 |
| CN112330924A (zh) * | 2020-11-05 | 2021-02-05 | 北京理工大学 | 一种室内环境下基于信道状态信息的跌倒事件检测方法 |
| CN112346050A (zh) * | 2020-10-23 | 2021-02-09 | 清华大学 | 基于Wi-Fi设备的跌倒检测方法及系统 |
| CN112364770A (zh) * | 2020-11-11 | 2021-02-12 | 天津大学 | 基于商用Wi-Fi人体活动识别与动作质量评估方法 |
| CN112545496A (zh) * | 2020-11-09 | 2021-03-26 | 金茂智慧科技(广州)有限公司 | 一种探测人体摔倒的无线技术识别方法 |
| CN114041784A (zh) * | 2021-11-11 | 2022-02-15 | 天津大学 | 基于商用Wi-Fi的双人步态病症判断装置 |
| CN114692683A (zh) * | 2022-03-23 | 2022-07-01 | 南京邮电大学 | 一种基于csi的跌倒检测方法、装置及存储介质 |
| CN114781463A (zh) * | 2022-06-16 | 2022-07-22 | 深圳大学 | 一种跨场景鲁棒的室内摔倒无线检测方法及相关设备 |
| CN115035686A (zh) * | 2022-04-29 | 2022-09-09 | 华南师范大学 | 基于信道状态信息的实时化跌倒检测方法、系统及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104523269A (zh) * | 2015-01-15 | 2015-04-22 | 江南大学 | 一种面向癫痫脑电信号迁移环境的自适应识别方法 |
| CN105224949A (zh) * | 2015-09-23 | 2016-01-06 | 电子科技大学 | 基于跨领域迁移学习的sar图像地物分类方法 |
| CN106295697A (zh) * | 2016-08-10 | 2017-01-04 | 广东工业大学 | 一种基于半监督的迁移学习分类方法 |
| CN107491792A (zh) * | 2017-08-29 | 2017-12-19 | 东北大学 | 基于特征映射迁移学习的电网故障分类方法 |
| CN108629380A (zh) * | 2018-05-11 | 2018-10-09 | 西北大学 | 一种基于迁移学习的跨场景无线信号感知方法 |
-
2018
- 2018-11-10 CN CN201811335512.8A patent/CN109635837A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104523269A (zh) * | 2015-01-15 | 2015-04-22 | 江南大学 | 一种面向癫痫脑电信号迁移环境的自适应识别方法 |
| CN105224949A (zh) * | 2015-09-23 | 2016-01-06 | 电子科技大学 | 基于跨领域迁移学习的sar图像地物分类方法 |
| CN106295697A (zh) * | 2016-08-10 | 2017-01-04 | 广东工业大学 | 一种基于半监督的迁移学习分类方法 |
| CN107491792A (zh) * | 2017-08-29 | 2017-12-19 | 东北大学 | 基于特征映射迁移学习的电网故障分类方法 |
| CN108629380A (zh) * | 2018-05-11 | 2018-10-09 | 西北大学 | 一种基于迁移学习的跨场景无线信号感知方法 |
Non-Patent Citations (2)
| Title |
|---|
| HAO WANG ET AL.: "Rt-fall: A real-time and contactless fall detection system with commodity wifi devices", 《IEEE TRANSACTIONS ON MOBILE COMPUTING》 * |
| 许敏等: "TL-SVM: 一种迁移学习算法", 《控制与决策》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110737201A (zh) * | 2019-10-11 | 2020-01-31 | 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 |
| CN110751115A (zh) * | 2019-10-24 | 2020-02-04 | 北京金茂绿建科技有限公司 | 一种无接触式人体行为识别方法和系统 |
| CN111274937A (zh) * | 2020-01-19 | 2020-06-12 | 中移（杭州）信息技术有限公司 | 摔倒检测方法、装置、电子设备及计算机可读存储介质 |
| CN111274937B (zh) * | 2020-01-19 | 2023-04-28 | 中移（杭州）信息技术有限公司 | 摔倒检测方法、装置、电子设备及计算机可读存储介质 |
| CN111597991A (zh) * | 2020-05-15 | 2020-08-28 | 南京邮电大学 | 一种基于信道状态信息和BiLSTM-Attention的康复检测方法 |
| CN111626174B (zh) * | 2020-05-22 | 2023-03-24 | 哈尔滨工程大学 | 一种基于信道状态信息的姿态鲁棒动作识别方法 |
| CN111626174A (zh) * | 2020-05-22 | 2020-09-04 | 哈尔滨工程大学 | 一种基于信道状态信息的姿态鲁棒动作识别方法 |
| CN112346050A (zh) * | 2020-10-23 | 2021-02-09 | 清华大学 | 基于Wi-Fi设备的跌倒检测方法及系统 |
| CN112330924A (zh) * | 2020-11-05 | 2021-02-05 | 北京理工大学 | 一种室内环境下基于信道状态信息的跌倒事件检测方法 |
| CN112545496A (zh) * | 2020-11-09 | 2021-03-26 | 金茂智慧科技(广州)有限公司 | 一种探测人体摔倒的无线技术识别方法 |
| CN112364770A (zh) * | 2020-11-11 | 2021-02-12 | 天津大学 | 基于商用Wi-Fi人体活动识别与动作质量评估方法 |
| CN114041784A (zh) * | 2021-11-11 | 2022-02-15 | 天津大学 | 基于商用Wi-Fi的双人步态病症判断装置 |
| CN114041784B (zh) * | 2021-11-11 | 2023-09-19 | 天津大学 | 基于商用Wi-Fi的双人步态病症判断装置 |
| CN114692683A (zh) * | 2022-03-23 | 2022-07-01 | 南京邮电大学 | 一种基于csi的跌倒检测方法、装置及存储介质 |
| CN114692683B (zh) * | 2022-03-23 | 2024-07-05 | 南京邮电大学 | 一种基于csi的跌倒检测方法、装置及存储介质 |
| CN115035686A (zh) * | 2022-04-29 | 2022-09-09 | 华南师范大学 | 基于信道状态信息的实时化跌倒检测方法、系统及介质 |
| CN114781463A (zh) * | 2022-06-16 | 2022-07-22 | 深圳大学 | 一种跨场景鲁棒的室内摔倒无线检测方法及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635837A (zh) | 一种基于商用无线Wi-Fi的场景无忧跌倒检测系统 | |
| Arshad et al. | Wi-chase: A WiFi based human activity recognition system for sensorless environments | |
| Feng et al. | Wi-multi: A three-phase system for multiple human activity recognition with commercial wifi devices | |
| Yousefi et al. | A survey on behavior recognition using WiFi channel state information | |
| US11675066B2 (en) | Motion detection and classification using ambient wireless signals | |
| CN111225354A (zh) | WiFi干扰环境下的CSI人体跌倒识别方法 | |
| Zhang et al. | WiFi-based cross-domain gesture recognition via modified prototypical networks | |
| Zhu et al. | NotiFi: A ubiquitous WiFi-based abnormal activity detection system | |
| Khan et al. | Differential channel-state-information-based human activity recognition in IoT networks | |
| CN114222202B (zh) | 一种基于WiFi CSI的环境自适应活动检测方法及系统 | |
| WO2021172126A1 (ja) | 推定装置、推定方法、および、プログラム | |
| CN113453180B (zh) | 一种人体摔倒智能检测方法、系统、信息数据处理终端 | |
| Shang et al. | LSTM-CNN network for human activity recognition using WiFi CSI data | |
| Bahadori et al. | ReWiS: Reliable Wi-Fi sensing through few-shot multi-antenna multi-receiver CSI learning | |
| Feng et al. | Evaluation and improvement of activity detection systems with recurrent neural network | |
| CN109768838B (zh) | 一种基于WiFi信号的干扰检测及手势识别方法 | |
| CN111901028B (zh) | 一种基于多天线上csi的人体行为识别方法 | |
| Showmik et al. | Human activity recognition from wi-fi csi data using principal component-based wavelet cnn | |
| Cheng et al. | CSI-based human continuous activity recognition using GMM–HMM | |
| Zhu et al. | Wi-ATCN: Attentional temporal convolutional network for human action prediction using WiFi channel state information | |
| CN114781463A (zh) | 一种跨场景鲁棒的室内摔倒无线检测方法及相关设备 | |
| CN109918994B (zh) | 一种基于商用Wi-Fi的暴力行为检测方法 | |
| Dang et al. | PCA-Kalman: device-free indoor human behavior detection with commodity Wi-Fi | |
| Bocus et al. | A comparison of UWB CIR and WiFi CSI for human activity recognition | |
| Wu et al. | WiDFF-ID: Device-free fast person identification using commodity WiFi |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190416 |