CN110706463A

CN110706463A - 适于摔倒监测的wifi无源感知方法和系统

Info

Publication number: CN110706463A
Application number: CN201910499276.1A
Authority: CN
Inventors: 庄伟�; 孙洁; 韩悦; 申义贤; 张杰锋; 陈一
Original assignee: Nanjing University of Information Science and Technology
Current assignee: Nanjing University of Information Science and Technology
Priority date: 2019-06-11
Filing date: 2019-06-11
Publication date: 2020-01-17

Abstract

本发明公开了一种适于摔倒监测的WIFI无源感知方法，包括：采集无线信号中的信道状态信息，获取若干个CSI原始数据集；筛选出异常状态的CSI原始数据集，生成若干个数据样本集；创建行为识别模块；实时采集无线信号中的信道状态信息，获取CSI实时数据集，将异常状态的CSI实时数据集导入行为识别模块，判断当前行为类别，根据识别出的行为类别，生成对应的警报信号。本发明能够从实时监测WiFi路由器的OFDM子载波链路状态信息，选择合适的特征参数及参数组合，经参数评估后给出最优组合，通过测试数据计算无线路由器在应用场合中的漏检率和错检率，经加权求和后给出最优参数，从而实现在室内环境中及时获取目标警报行为的发生。

Description

适于摔倒监测的WIFI无源感知方法和系统

技术领域

本发明涉及无线体域网技术领域，具体而言涉及一种适于摔倒监测的WIFI无源感知方法和系统。

背景技术

随着社会老龄化进程的不断发展，我国空巢老人的比例也逐步攀升。由于这一特殊群体在生理上的原因，在单独进行日常生活时，更容易受到来自外界的意外人身伤害。其中，因行动能力的原因而造成的跌倒损伤占了很大一部分。目前国内大多数针对老人的技术研究依然只是停留在医疗照顾的消极被动层面。而在西方发达国家，特别是美国、日本，在近些年有许多大学和研究机构在政府和社会的支持下开展了人性化的、以改善老人的生活品质为目标的各种技术的研究工作。其中，可以探测老人摔倒并能够及时将这一危险状况报告到医疗监护中心的摔倒检测技术也越来越得到各大研究机构的重视。目前国内外对识别摔倒行为的方法有很多种，根据获得的信息类型以及来源不同，摔倒行为识别的方法主要分为以下四类：

一是用户自行佩戴报警装置。前提是老人在摔倒后还能保持头脑清醒，这种设备一般类似于手表之类的物品，只要与之匹配一个基站，即可以完成摔倒信号的传输。功能单一，因而价格也比较低廉。只要老人摔倒后按下按钮，即可以把摔倒信号传给医疗报警系统，随即就可以通知医护人员或者家人，从而降低了老人摔倒后受伤的危险。例如飞利浦个人急救报警系统中的手表式按钮。尽管此设备在一定程度上发挥了作用，但是也不可避免的显示了它的局限性：假如老人在摔倒后失去了行动能力或者失去知觉，那么就可能无法求救。

二是基于视频的摔倒检测系统。基于视频的摔倒检测系统是通过一个或几个视频摄像头捕捉人体运动的画面，运用图像处理算法，确定是否存在具有摔倒的图像特征。如由加拿大的Caroline Rougier设计的通过在被监测者家中安装视频摄像头，利用计算机视觉系统提供了一种分析人体姿态的解决方案，他们通过将运动过程和人体的形态变化相结合的方法，探测被监测者是否发生了摔倒。但是，基于视频的摔倒检测系统通常因为摄像机安装在固定的地点，只能在安装了摄像机的地点进行检测，而人体是一个活动的对象，当被监测者离开视频摄像头可监测的范围时，该系统就无法检测摔倒。另外，基于视频的摔倒检测系统还可能导致被监测者个人隐私的泄漏。

三是可穿戴式摔倒检测、预测系统。它是由加速度传感器，陀螺仪以及倾角传感器来进行信息的采集，继而可以通过角加速度或者线加速度的变化，并设定相应的阈值来判断是否摔倒。它根据人体运动姿态以及摔倒时动力学特性的不同，对信号进行采集和处理，可自动检测到摔倒的发生并通过无线通信发出报警。例如，美国运营商AT&T推出了一款EverThere 可穿戴医疗报警装置，它内置了两个加速度计、磁力计、陀螺仪、以及一个气压计，可以检测佩戴者是否跌倒，同时自动向预定好的医疗服务中心发出警报并且可准确报告跌倒者的位置。可穿戴式摔倒检测、预测系统不会受到检测地点的限制，所以基于可穿戴摔倒检测系统比用户自行佩戴报警系统以及基于视频摔倒检测系统更适用于摔倒探测器。

四是无线电检测，随着WiFi技术越来越成熟，大规模安装高速且稳定的WiFi设备己经基本实现。这类设备造价低、易安装和使用，研究者在此基础上也进行了许多研究，大部分是利用进行室内定位和室内导航。最近，研究人员利用无线射频感应技术识别人体常用动作，无线室内多径传输示意图如图2所示，在这一过程中，被测人员不需要携带任何装置设备，通过接受人体反射的电磁波来判断是否摔倒，当人体运动状态发生改变时，接受到的电磁波同样会发生变化，即CSI值发生变化，然后进行数据分析，通过模式识别的方法判断出摔倒行为。

在专利号为CN201310456860.1的发明专利“一种人体摔倒自动检测方法及系统”中，提及了一种基于无线网络信号传输技术识别人体摔倒行为的自动检测方法，但是该发明并没有进一步说明动作判断模块如何实现，更加没有说明针对不同应用场所和不同监测人群，如何获取动作判断模块的最优参数；另外，在该发明中，动作判断模块的目标动作仅为摔倒，即，动作判断模块的学习对象只有两类，摔倒和非摔倒，无法对监测人群做细化动作识别。

发明内容

本发明目的在于提供一种适于摔倒监测的WIFI无源感知方法和系统，旨在从实时监测 WiFi路由器的OFDM子载波链路状态信息，选择合适的特征参数及参数组合，经参数评估后给出最优组合，通过测试数据计算无线路由器在应用场合中的漏检率和错检率，经加权求和后给出最优参数，从而实现在室内环境中及时获取目标警报行为(如摔倒行为)的发生。

为达成上述目的，结合图1，本发明提出一种适于摔倒监测的WIFI无源感知方法，所述方法包括：

S1：采集无线信号中的信道状态信息，获取若干个CSI原始数据集。

S2：筛选出异常状态的CSI原始数据集，生成若干个数据样本集。

S3：创建行为识别模块，创建过程包括：

S31：提取所述数据样本集的CSI特征值。

S32：将提取出的CSI特征值样本分为两部分，其中一部分作为训练集，另一部分作为测试集，归一化预处理。

S33：将归一化预处理后的训练集导入SVM创建行为识别模块，采用测试集对行为识别模块进行训练预测，利用交叉验证选择最佳惩罚因子c和RBF核参数g。

所述CSI特征值包括标准差、信号强度偏移量、运动周期、中位数绝对偏差、四分位距、信息熵。

S4：实时采集无线信号中的信道状态信息，获取CSI实时数据集，如果所述CSI实时数据集为异常状态，将CSI实时数据集导入行为识别模块，判断当前行为类别，根据识别出的行为类别，生成对应的警报信号。

所述行为类别至少包括摔倒动作。

进一步的，步骤S3中，利用交叉验证选择最佳惩罚因子c和RBF核参数g是指，

通过计算准确率、漏检率、错检率来判断惩罚因子c和RBF核参数g的优化等级。

进一步的，所述准确率、漏检率、错检率设置有对应的权重。

所述漏检率的权重高于错检率的权重。

进一步的，步骤S3中，所述创建过程包括：

步骤S301：清空缓存区以及所有标记参数。

步骤S302：导入加入特征值后的CSI数据集。

步骤S303：划分训练集和测试集，并记录对应的分类标签。

步骤S304：利用内置归一化函数对数据集进行归一化预处理。

步骤S305：利用初始训练集和测试集进行建模和测试。

步骤S306：交叉验证选择最佳参数c和g，利用最佳参数训练行为识别模块。

步骤S307：采用训练完成的行为识别模块对测试集进行预测，计算并存储分类准确率、漏检率与错检率。

进一步的，所述方法还包括：

S5：响应于生成警报信号，发出报警，以及

在设定时间后判断警报是否消除，如果已经消除，将本次警报信息反馈至行为识别模块，否则，发送求救信息至指定客户端。

进一步的，步骤S2中，所述筛选出异常状态的CSI原始数据集，生成若干个数据样本集包括以下步骤：

步骤S21：输入初步数据集D以及离群因子阈值ξ。

步骤S21：计算每个对象的局部可达密度。

步骤S21：计算每个对象的局部离群因子。

步骤S21：过滤异常数据，筛选出局部离群因子大于离群因子阈值ξ的对象，构成最终离群数据集。

基于前述方法，本发明还提及一种适于摔倒监测的WIFI无源感知系统，所述WiFi无源感知系统包括CSI获取模块、数据处理模块、异常检测模块、行为识别模块、报警模块、危险消除判别模块、求救模块、反馈模块。

所述CSI获取模块用于从无线发射端发送至无线接收端的无线信号中提取信道状态信息。

所述数据处理模块用于对信道状态信息进行处理，生成CSI数据集。

所述异常检测模块用于判断CSI数据集是否异常，并输出异常状态的CSI数据集。

所述行为识别模块用于从异常检测模块输出的异常状态的CSI数据集中提取出CSI特征值，采用支持向量机进行行为识别分类，提取的CSI特征值包括标准差、信号强度偏移量、运动周期、中位数绝对偏差、四分位距、信息熵。

所述报警模块用于根据识别出的行为类别，生成对应的警报信号。

所述危险消除判别模块用于在警报信号发生的设定时间后判断警报是否消除，如果已经消除，将本次警报信息通过反馈模块反馈至行为识别模块，调整行为识别模块，否则，通过求救模块以发送求救信号至指定客户端。

所述数据处理模块包括以下单元：

1)CSI数据读取单元，用于按时间序列记录初始信道状态信息，所述初始信道状态信息包括N个空间流中的M个子载波的CSI值，N和M均为大于1的自然数。

2)CSI数据融合单元，用于针对每一空间流，求取在同一时间点上的P个连续子载波的 CSI值的平均值，将此平均值作为信道状态信息，P为大于1小于M的自然数。

3)平滑处理单元，用于采用数据过滤技术和滑动平均方法对信道状态信息进行平滑处理，生成CSI数据集。

本发明所涉及的方法是针对室内场合常见的行为动作(例如坐、走、站立、跑和摔倒) 的识别。

本发明首先对采集的CSI原始数据通过滑动平均滤波去噪，并将原始信号分为若干个数据样本集。然后对6种特征值进行分析，分别为标准差、信号强度偏移量、运动周期、中位数绝对偏差、四分位距、信号熵，经过特征计算与行为识别模块得出SVM识别率，并保存参数和识别率。

其中，特征计算与优化模块是基于支持向量机(SVM)分类器的参数选择模块，该模块首先对参数集合分组，建立相应样本，通过SVM模型训练并对不同组合的参数进行交叉验证，并对SVM模型关键参数做出优化，输出不同组合的SVM识别率并保存。本发明在特征选择完成的基础上，通过优化后的SVM参数和已输出的特征组合，构建摔倒测试集，经 SVM模型预测机，输出漏检率和误检率，其中漏检率极为关键，其物理意义代表摔倒行为未能被检出的比率，因此在算法中加大漏检率的权重值。

利用本发明方法给出的参数优化结果会因个体差异而不同，同时也因应用环境、应用方式的差异而不同。本发明所提出的适于摔倒监测的WIFI无源感知系统无需专门硬件，无需被测人体配合，通过实时监测WiFi路由器来获取OFDM子载波链路状态信息(CSI)，继而实现对目标行为动作的实时获取。行为识别模块的创建方法是基于C-SVM分类器的特征选择，但不涉及以检出率最大为目标的SVM分类器优化方法；具体的，利用前述给出的六种待选特征参数，通过本方法得出优化组合结果。

以上本发明的技术方案，与现有相比，其显著的有益效果在于：

(1)该方法可以为面向摔倒行为监测的WIFI无源感知系统提供最优无线路由器部署位置及最优参数组合的计算方法，可以更合理地针对不同的监测人群，在不同的室内环境中，利用不同的硬件平台采集的CSI信息判别危险的行为，为老年人、体弱者等需要及时获知摔倒发生的人群提供理论依据。

(2)由于该方法利用支持向量机SVM作为参数评估来源，而SVM特别适合小样本和二元分类的模式识别场合，能够实时地对危险行为作出准确判决。通过实验表明：利用本方法输出的最优参数组合及SVM核参数能够得到98.06％以上的检出率。

(3)同时使用WIFI信号作为新的手段识别人体行为，既不需要特殊的硬件支持，也不需要被测对象穿戴特殊的传感器，所需硬件设备较其他方法大幅减少，增加了灵活性和实用性，并具备较好的推广能力和适应性。

(4)本发明所提及的方法可以对监测人群的多种行为动作进行识别，灵活选择发出警报的行为类别，适应不同的监测需求。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是本发明的适于摔倒监测的WIFI无源感知方法的流程图。

图2是本发明的无线电室内多径传输示意图。

图3是本发明的室内无线电多径传输示意图。

图4是本发明的无线路由布置与系统结构示意图。

图5是本发明的数据处理及异常检测流程图。

图6是本发明的摔倒时的CSI波形示意图。

图7是本发明的摔倒时的CSI波形进行滑动平均滤波后的波形示意图。

图8是本发明的对象p相对于o点的可达距离示意图。

图9是本发明的检测CSI数据异常值的其中一个例子的示意图。

图10是本发明的特征计算与行为识别过程示意图。

图11是本发明的SVM建立模型准确率结果图(摔倒&行走)。

图12是本发明的测试集的实际分类和预测分类图(摔倒&行走)。

图13是本发明的SVM建立模型准确率结果图(摔倒&坐下)。

图14是本发明的测试集的实际分类和预测分类图(摔倒&坐下)。

图15是本发明的SVM建立模型准确率结果图(摔倒&日常活动)。

图16是本发明的测试集的实际分类和预测分类图(摔倒&日常活动)。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

本实施例中的参数说明：

g值：RBF核参数。

C值：惩罚因子。

FNR：漏检率，

TP为样本正检数，FN为样本漏检数。

FPR：错检率，FP为样本错检数，TN为样本负检数。

σ：标准差，可描述CSI样本离散程度。公式为：

其中μ为样本均值，x_i为第i组加速度值，N为样本加速度值总数，σ单位为g。

Offset：信号强度偏移，公式为：

其中，

为测量的最大接收信号强度指示，V_{designed_RSSI}为预期的最大接收信号强度，V_threshold为预期的阈值，V_range为预期的功率范围。

T：周期，即运动持续的时间。公式为:

其中，f为CSI数据的频率。

MAD：中位数绝对偏差，即为一元序列X_i同其中位数偏差的绝对值的中位数。公式为： MAD＝median(|Xi-median(X)|)。MAD是对单变量定量数据样本可变性的稳健度量。MAD的平方和可以表示数据的集中程度。

Q：四分位距，对应于CSI的离散度。若将从小到大排列的一组数据分成频数相等的四段，第一段与第二段的分界点称为第一个四分位数(Q₁)，第三段与第四段的分界点称为第三个四分位数(Q₃)，则四分位距就是第三个四分位数(第75％百分位数)与第一个四分位数(第25％百分位数)差的一半。公式为：

E(x)：信息熵：是信息论中信息有用程度的体现，是信息的不确定性的一种度量。设x 是一个随机变量，其取值集合为S(x)，P(x)表示x的概率函数，则x的信息熵E(x)的公式为：熵值越大，变量的不确定性就越大；熵值越小，变量的不确定性就越小。

结合图1，本发明提出一种适于摔倒监测的WIFI无源感知方法，所述方法包括：

S3：创建行为识别模块，创建过程包括：

S31：提取所述数据样本集的CSI特征值。

在本发明中，行为识别模块的目标动作包括摔倒、行走、坐、跑动、站立等行为，可以对监测人群的多种行为动作进行识别，灵活选择发出警报的行为类别，适应不同的监测需求，例如，通常会选择将摔倒行为作为目标动作，而针对某些应用场景，由于跑动时容易摔倒，尤其是老人和病弱者，可以将跑动、摔倒行为同时作为目标动作，设置不同的警报等级等等。

为了便于说明，下面仅以摔倒行为作为目标动作。

摔倒检测的思想是基于这样的事实，即人的存在和运动影响的无线传播路径。要了解与接收的人的运动的关系，无线传播模型应首先研究，图3为室内无线传播模型。如果一个人是静态的，在环境中，接收信号几乎是稳定的。然而，随着一个人的摔倒，人体无线电反射面出现不断变化。信道状态信息(CSI)是一种通信链路的物理层信道特性信息。在无线通信中，发送的无线电信号是受物理环境影响的。即由于实验环境对信号有反射、衍射和散射等作用，信道数据便相应产生了时间延迟、幅度衰减和相移变化。

在频域中，在多个发送和接收天线(MIMO)中，窄带平坦衰落信道表示是为：y＝Hx+n， y接收的矢量，x是发送的矢量，n是噪声矢量，H是信道矩阵。在正交频分复用系统(OFDM)中，CSI代表子载波电平。一个子载波的CSI在表示为以下数学形式：h＝|h|e^jsinθ其中|h|和θ分别表示振幅和相位。相比于接收信号强度(RSS),信道状态信息(CSI)提供了一个更精细的无线电波传输表示，因此，新的无线应用倾向于使用CSI而不是RSS。

无线网络中任何一点的信号强度是无线电波能传输到接收器的矢量总和.无线通信路径上的任何方向的改变，比如人的存在以及活动，都会导致信号强度发生变化.正常情况下，通常人体活动对WiFi信号的干扰会降低信号质量，但换个角度来看，WiFi信号强度的变化可以一定程度上透露人体的行为变化。可将典型的室内无线电多路径表示为图3所示，忽略墙面以及一些其他的物体反射，主要将无线电传播的路径分为RX与TX直线传播，经天花板反射传播，经地板反射传播，以及经室内人反射传播。

对于点对点的无线电直线传播，表示为：

其中P_t表示发送功率，P_r表示接收功率，d表示发送天线和接收天线的直线距离(单位米)，G_t表示发送天线增益，G_r表示接收天线增益，λ表示波长(单位米)。

对于经天花板或地板反射的无线电传播，表示为：

其中H表示为基准线LOS与天花板的距离H1或者基准线LOS与地板的距离H2。

对于存在室内人反射的无线电传播，表示为：

其中Δ表示为由于人折射的无线电传播路径长度。

当一个人在室内保持静止的状态，表示接收功率P_r几乎保持稳定，当随着室内人摔倒过程的发生，无线电传播的路径也发生的迅速的变化，终将导致接收功率发生很大的差异。总的接收功率P表示为各个路径接收功率的总和：

P∝|E_d+E_H1+E_H2+E_P| (4)

在上述公式中，E_d表示点对点的无线电传输接收功率，E_H1表示经天花板反射传输接收功率，E_H2表示经地板反射传输接收功率，E_P表示经人体反射接收功率，会随着人体的运动发生显著的变化。本发明即基于上述通信原理，设计了一种基于物理层特征CSI的行为识别方法。

目前对于人体行为识别的研究主要依靠特殊硬件，比如可穿戴式传感器，硬件成本较高，虽然识别准确度提高了，但往往会带来行为上的不灵活且要求被测对象主动配合，因此很难在现实生活中进行扩展和大规模应用。针对以上问题，提出一种基于WiFi的室内人体行为识别方法，通过实时监测WiFi路由器的OFDM子载波链路状态信息(CSI)，实现室内环境中及时获取目标摔倒行为的发生，并能够判断摔倒位置。本系统结合无源感知技术，设计算法进行摔倒行为的识别。当检测到人体的异常摔倒情况时，通过报警模块将异常信息发送给患者的亲属或者救护人员，以此提高老人跌倒的治疗效果，最大程度减轻老人跌倒的后果，实现进一步提高人类健康水平，提高人们生活质量。

适于摔倒监测的WIFI无源感知系统设计借助物理层CIS信息来识别室内人体行为，图4 显示的为面向室内摔倒监测的无线路由布置与系统结构示意图，由三部分组成：无源感知部分包括发射器AP、例如TP-LINK无线路由器(3×3MIMO天线)，接收器MP、例如带有英特尔5300系列802.11n网卡的笔记本电脑来采集CSI信息；处理部分包括CSI数据处理模块，异常检测模块，行为识别模块，以及反馈模块；报警部分表示当该系统监测到测试者摔倒等危险行为时，且在一定时间内危险未消除则及时短信求救，便于及时救助。

图5是本发明的数据处理和异常检测流程图，结合图5，对数据处理模块和异常检测检测模块的工作原理做进一步说明。

一、数据处理模块

步骤1：读取并存储CSI数据信息。

在WIFI正交载波频分复用系统中，CSI信息分布在9组数据流中(拟采用3×3MIMO系统)，每一组数据流包含30个子载波。换句话说，MP监测节点获取的CSI数据包中含有270组独立的CSI值，将CSI通过下列方式表述：

其中CSI^i,j中的i表示数据流序号，j表示子载波序号。

步骤2：CSI数据子载波融合。

鉴于在同一数据流中不同子载波CSI值的变化以及在不同数据流中同一序列子载波的 CSI的变化的差异性，提出了CSI融合方法，将每一数据流中30个子载波的值融合为一个值，这样在时间域中每一个时间点对应9个CSI值。同时无线信号由于受温湿度，气压等环境的影响，因此再使用CIS数据进行滑动平均滤波处理来消除噪声干扰。在一个CSI序列{CSI₁,CSI₂,...CSI_t}中，在t时刻CSI的值由之前m个CSI平均所得到：

步骤3：选择较为平滑的一条信道进入后续处理。

3×3MIMO系统可获得9条信道，即，在数据可视化软件MATLAB上体现为9条不同的曲线，对这条曲线上的每个点求二阶导数，由二阶导数可以得出该曲线的平滑程度，若某个信道的曲线包含较多的极点，则认为该曲线不够平滑，由此选出较为平滑的一条信道，该信道数据集D作为初步数据集进入后续异常模块的分析。

实验中，运用1×3MIMO系统，即得三条信道，经过CSI数据融合，利用MATLAB可得其波形图，如图6所示。后选择较为平滑的一条信道，并进行滑动平均滤波，窗口大小取 6，波形图如图7所示。

第二、异常检测模块

异常检测的目的是检测无线电的异常变化，面向摔倒监测的WIFI无源感知系统中对于坐、走、站立、跑和摔倒等行为会在MP端产生不同接收功率，且在时间域中CSI值会产生很大的波动，在此模块中，利用局部异常因子(LOF)表征数据集中每个数据对象的异常程度，进而找出MP端接收到的数据中的异常点。

LOF算法为每一个数据对象赋予一个表征该数据对象离群程度的因子，这样离群数据不再是一个二性数值，而是一种趋向性的描述。在簇内的对象的LOF值约等于1，在簇边缘的对象的LOF值略大于1，而离簇的距离越远，对象的LOF值则越大，而其为异常值的可能性也就越大。

在每个流中，如果大多数样本点发生异常，那么我们认为该流是异常的。对于所有九个流，如果大多数流均显示异常特征，我们认为其对应的CSI数据集是异常的。

LOF算法的一些基本概念如下。

定义1对任意的自然数k，定义p的第k距离为与某个对象o之间的距离，记为 k-distance(p)，这里的o满足以下条件：

(1)至少存在k个对象o'∈D\{p}满足d(p,o')≤d(p,o)

(2)至多存在k-1个对象o'∈D\{p}满足d(p,o')＜d(p,o)

其中，对象p和对象o之间的距离记作d(p,o)。

定义2已知数据对象p的k-distance(p),对象p的第k距离邻域是所有与p的距离不超过k-distance(p)的数据对象的集合，即：

N_k-distance(p)＝{q|d(p,q)≤k-distance(p)} (7)

定义3给定自然数k，对象p相对于对象o的可达距离表示为：

reach-dist_k(p,o)＝max{k-distance(p),d(p,o)} (8)

示意图如图8所示。

算法思想过程：

步骤1：输入初步数据集D以及离群因子阈值ξ。

初步数据集D由数据处理模块中得到。离群因子阈值ξ根据具体实验自行设置。

步骤2：利用下式(9)计算个对象的局部可达密度。

对象p的局部可达密度是对象p与它的N_k-distance(p)的平均可达距离的倒数，计算公式为：

步骤3：利用下式(10)计算个对象的局部离群因子LOF_k(p)。

对象p的局部异常因子表征对象p为异常的程度，局部异常因子越大，对象p为异常的可能性越大；反之，则越小。计算公式为：

步骤4：过滤异常数据，得到最终离群数据集。

若某个对象的离群因子LOF大于给定的阈值ξ，则输出其对应的CSI数据，构成最终离群数据集D’。如图9所示，剔除异常值后，剩余正常值即构成最终离群数据集导出。

第三、行为识别模块

如图10所示的特征计算与行为识别流程图所示，首先从异常处理模块输出的数据集D’中提取出CSI特征值，再使用支持向量机(SVM)进行行为识别分类。提取的CSI特征值包括以下6种：标准差、信号强度偏移量、运动周期、中位数绝对偏差、四分位距、信息熵。提取出的CSI特征值样本部分作为训练集，部分作为测试集进入SVM进行模型建立以及训练预测。为了提高SVM的预测准确度，先对初始样本集D’进行归一化预处理，利用交叉验证选择最佳参数c和g，最后得出并存储预测准确率以及相关参数。其具体步骤如下，所涉及的参数说明附后：

步骤1：清空缓存区以及所有标记参数；

步骤2：导入加入特征值后的CSI数据集；

步骤3：划分训练集和测试集，并记录其分类标签；

步骤4：利用内置归一化函数对数据集进行归一化预处理；

步骤5：利用初始训练集与测试集进行建模与测试；

步骤6：交叉验证选择最佳参数c和g，并得出此时的准确率、漏检率与错检率；

步骤7：实时收取CSI数据；

步骤8：利用最佳参数组合在SVM中实时预测未知数据样本；

步骤9：实时判别未知数据样本所属的类别；

步骤10：根据所预测的类别，将相应警报信息输出给报警模块。

如图11与图12所示，Accuracy表示所建立最优模型下预测的准确度，实际测试集标签表示进行预测的样本实际的分类情况，预测测试集标签表示经过SVM建模预测后产生的预测分类情况。经过测试计算，当c＝1,g＝8时，测试精度Accuracy可达到97.4843％，即该参数组合可以较好的区分摔倒与行走。

如图13与图14所示，经过测试计算，当c＝32,g＝32时，测试精度Accuracy可达到91％，即摔倒与坐下的分辨率略欠佳。

如图15与图16所示，经过测试计算，当c＝16,g＝16时，测试精度Accuracy可达到96.8468％，即该参数组合可以较好的区分摔倒与其他日常活动(包括坐下、行走、站立、跑步等)。

需要说明的是，前述测试方法是针对其中一种应用场景下的多名老人的摔倒和其他日常行为进行，由于个体差异以及应用场所不同，实验数据以及得出的最佳参数组合也会发生变化，本方法得出的实验数据及准确度仅供参考。

实际上，在不同的应用场景下，针对不同的被监测人员，需要通过测试重新确认最佳参数组合，以及对行为识别模块进行训练，以适应性地获取与监测人员、应用场景一一对应的行为识别模块，即：针对不同应用场所和不同监测人群，需要首先通过前述测试方法以获取行为识别模块的最优参数，使生成的行为识别模块的行为识别效果最佳。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定义在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims

1.一种适于摔倒监测的WIFI无源感知方法，其特征在于，所述方法包括：

S1：采集无线信号中的信道状态信息，获取若干个CSI原始数据集；

S2：筛选出异常状态的CSI原始数据集，生成若干个数据样本集；

S3：创建行为识别模块，创建过程包括：

S31：提取所述数据样本集的CSI特征值；

S32：将提取出的CSI特征值样本分为两部分，其中一部分作为训练集，另一部分作为测试集，归一化预处理；

S33：将归一化预处理后的训练集导入SVM创建行为识别模块，采用测试集对行为识别模块进行训练预测，利用交叉验证选择最佳惩罚因子c和RBF核参数g；

所述CSI特征值包括标准差、信号强度偏移量、运动周期、中位数绝对偏差、四分位距、信息熵；

2.根据权利要求1所述的适于摔倒监测的WIFI无源感知方法，其特征在于，所述行为类别至少包括摔倒动作。

3.根据权利要求1所述的适于摔倒监测的WIFI无源感知方法，其特征在于，步骤S3中，利用交叉验证选择最佳惩罚因子c和RBF核参数g是指，

4.根据权利要求3所述的适于摔倒监测的WIFI无源感知方法，其特征在于，所述准确率、漏检率、错检率设置有对应的权重；

所述漏检率的权重高于错检率的权重。

5.根据权利要求1所述的适于摔倒监测的WIFI无源感知方法，其特征在于，步骤S3中，所述创建过程包括：

步骤S301：清空缓存区以及所有标记参数；

步骤S302：导入加入特征值后的CSI数据集；

步骤S303：划分训练集和测试集，并记录对应的分类标签；

步骤S304：利用内置归一化函数对数据集进行归一化预处理；

步骤S305：利用初始训练集和测试集进行建模和测试；

步骤S306：交叉验证选择最佳参数c和g，利用最佳参数训练行为识别模块；

6.根据权利要求1至5任意一项中所述的适于摔倒监测的WIFI无源感知方法，其特征在于，所述方法还包括：

S5：响应于生成警报信号，发出报警，以及

7.根据权利要求1至5任意一项中所述的适于摔倒监测的WIFI无源感知方法，其特征在于，步骤S2中，所述筛选出异常状态的CSI原始数据集，生成若干个数据样本集包括以下步骤：

步骤S21：输入初步数据集D以及离群因子阈值ξ；

步骤S21：计算每个对象的局部可达密度；

步骤S21：计算每个对象的局部离群因子；

8.一种适于摔倒监测的WIFI无源感知系统，其特征在于，所述WiFi无源感知系统包括CSI获取模块、数据处理模块、异常检测模块、行为识别模块、报警模块、危险消除判别模块、求救模块、反馈模块；

所述CSI获取模块用于从无线发射端发送至无线接收端的无线信号中提取信道状态信息；

所述数据处理模块用于对信道状态信息进行处理，生成CSI数据集；

所述异常检测模块用于判断CSI数据集是否异常，并输出异常状态的CSI数据集；

所述行为识别模块用于从异常检测模块输出的异常状态的CSI数据集中提取出CSI特征值，采用支持向量机进行行为识别分类，提取的CSI特征值包括标准差、信号强度偏移量、运动周期、中位数绝对偏差、四分位距、信息熵；

所述报警模块用于根据识别出的行为类别，生成对应的警报信号；

9.根据权利要求8中所述的适于摔倒监测的WIFI无源感知系统，其特征在于，所述数据处理模块包括：

CSI数据读取单元，用于按时间序列记录初始信道状态信息，所述初始信道状态信息包括N个空间流中的M个子载波的CSI值，N和M均为大于1的自然数；

CSI数据融合单元，用于针对每一空间流，求取在同一时间点上的P个连续子载波的CSI值的平均值，将此平均值作为信道状态信息，P为大于1小于M的自然数；

平滑处理单元，用于采用数据过滤技术和滑动平均方法对信道状态信息进行平滑处理，生成CSI数据集。