陳廷尉 李陽 韓凱峰 李曉陽 李航 朱光旭
(1.深圳市大數據研究院,深圳 518055;2.中國信息通信研究院移動通信創新中心,北京 100191)
0 引言
隨著中國正式邁入老齡化社會,近年全社會的養老壓力逐年增大。經統計,跌倒已經成為引發老年人受傷甚至死亡的重要誘因之一。在中國,老人不慎摔倒很多是在家中發生的,浴室、廁所及臥室是風險較高的區域,但這幾個區域也是家庭監控的難點。其原因主要包括:鑒于浴室、廁所及臥室的隱私敏感性,出于隱私保護,在公共場合常見的視頻監控方式無法適用;各種跌倒檢測的傳感器都需要將檢測結果通過網絡回報給監護人,但普通家庭的浴室、廁所一般無線信號覆蓋都較差,容易因為網絡丟包產生錯報、漏報。
目前常見的室內人員跌倒檢測技術包括計算機視覺、可穿戴傳感器以及專用的雷達硬件。盡管這些技術具備良好的應用價值,但也存在一定的缺陷。例如,計算機視覺容易涉及用戶隱私,并且通常只能在光照條件良好的情況下才能工作;可穿戴傳感器需要佩戴特定的設備,對于老年人而言使用十分不便;大規模部署特定的雷達硬件需要較高的成本。
相比之下,基于非傳感器的感知方法具備一定的優勢。例如,Wi-Fi 感知不受上述條件的限制,為跌倒檢測提供了一個新的解決方案。該方案的優勢包括:采集的無線信號信息不會干擾用戶的隱私,在無光照的條件下也可正常工作;基于Wi-Fi 的感知不需要用戶佩戴特定的設備;幾乎家家戶戶部署了Wi-Fi 設備,無需部署新的硬件設備。
Wi-Fi 感知的實現基于電磁波的反射特性。根據電磁波的傳播特性,在室內環境中活動的人體等都會對信號產生反射而使電磁波產生不同的傳播路徑。這些路徑與直射路徑一起形成多徑在空間中傳播,并最終疊加在一起形成了接收端收到的Wi-Fi 信號。這種疊加的信號攜帶了物體方位、活動狀態等信息,通過算法將接收到的信號與實際物體的狀態建立聯系,可以對物體進行定位和行動識別。
近年來,基于無線信道狀態信息(Channel State Information,CSI)的跌倒檢測已成為主流的方法。然而,如何從Wi-Fi CSI 中提取特征,以及如何將這些提取的特征應用于跌倒檢測,在現有文獻中尚未得到全面解答。因此,本文將重點關注這個未充分探索的領域,搭建實際實驗環境進行數據采集,并使用機器學習的方法進行驗證。
1 研究現狀
1.1 Wi-Fi 感知現狀
Wi-Fi 將成為一種在室內無處不在的信號。最近,基于Wi-Fi CSI 的跌倒檢測方法由于其非接觸式和能夠穿墻的特性引起了廣泛關注。這些方法利用Wi-Fi信號來檢測跌倒,克服了對專用可穿戴傳感器或相機的依賴。
在早期的嘗試中,WiFall 利用CSI 來檢測跌倒,無需硬件改裝、額外的環境設置或可穿戴設備[1]。其它系統,如Anti-Fall,也在檢測率和誤報率方面顯示出較好的性能[2]。然而,當從不同環境中訓練和測試數據時,傳統的Wi-Fi CSI 跌倒檢測系統的性能會顯著下降,因此,Nakamura[3]等使用卷積神經網絡的方法對Wi-Fi CSI 頻譜圖進行檢測,對跨環境檢測進行探索。DeFall 技術利用速度和加速度在時域上的變化產生的不同模式來檢測跌倒,也可以有效提升準確率并產生跨環境檢測的泛化能力[4]。基于模型驅動的AFall 系統也展示了Wi-Fi CSI 相位信息在跌倒檢測應用場景中的潛力[5]。
由于跌倒檢測的數據采集困難,且通過Wi-Fi 設備提取CSI 的難度大,因此目前針對跌倒檢測相關的開源數據集較少[6-8],遠不能滿足對基于人工智能(Artificial Intelligence,AI)的跨環境、跨人員跌倒檢測模型的訓練需求。
1.2 Wi-Fi 感知在邊緣AI 中的應用研究
作為一種普遍存在的邊緣設備,Wi-Fi 設備在AI和無線通信的交叉領域,特別是在聯邦邊緣學習(Federated Edge Learning,FEEL)和集成感知、通信和計算(Integrated Sensing,Communication,and Computation,ISCC)方面扮演關鍵角色。對于FEEL,Liu[9-10]等提出了優化環境智能應用中FEEL 性能的方法,利用聯合感知、計算、通信資源分配方案和分布式集成感知和通信的垂直聯邦邊緣學習系統,協作識別物體或人體運動。該方法能夠在設備之間共享資源和信息,同時保護數據隱私。基于Wi-Fi CSI 的跌倒檢測意味著可以在保護個體數據隱私的同時,通過設備協作和資源共享來提高檢測精度和系統性能。對于ISCC,Xing[11]等和Zhu[12]等提供了關于實現ISCC 技術的原則和設計的深入理解,為基于Wi-Fi CSI 的跌倒檢測提供了理論指導,揭示了設計邊緣AI 時面臨的挑戰,對于Wi-Fi感知和基于Wi-Fi CSI 的跌倒檢測等應用提供了理論支持,例如如何設計和優化ISCC,以滿足諸如低時延、高可靠性等需求。
2 Wi-Fi CSI 感知原理
本文采用Wi-Fi CSI 進行跌倒檢測,如圖1 所示,其描述了室內環境中Wi-Fi 發射機和接收機之間的典型信號傳播情況。
圖1 采用Wi-Fi CSI 進行跌倒檢測的示意圖
在這種設置中,發射的信號被空間中存在的各種物體(包括阻擋物)反射,如天花板、地板、人體等。如果一個物體移動,Wi-Fi CSI 根據特定的運動模式發生變化。具體而言,發射機發出的信號X經過信道傳播后到達接收機,接收信號Y如公式(1)所示:
公式(1)中,H為CSI,N為噪聲。通過分析CSI值的變化,可以檢測出人的運動。與其它Wi-Fi 感知參數(如接收信號強度)相比,CSI 包含幅度以及相位信息,更能捕捉到人體運動的細粒度特征,因此可以提供更精確的活動檢測。
如圖2 所示,選取Wi-Fi CSI 的一對鏈路中的一個子載波幅度數據,可以從中看到兩種不同人體動作之間的變化有所不同,因此可以通過特征提取的方法區分不同的人體動作。
圖2 人體動作對應CSI 變化
3 數據采集及預處理
3.1 數據收集設備
本文使用了自采數據集Falldewideo,通過定制4個實驗工作單元以同時收集CSI。如圖3 所示,每個工作單元由1 個安裝在三腳架托盤上的微型主機和1 個監控攝像頭組成。每個微型主機都配備了帶有3 個天線的Intel 5300 網絡接口卡(Network Interface Card,NIC)。這些微型主機除了通過Wi-Fi 連接外,還通過有線網絡進行同步控制,因為Intel 5300 NIC 及其兼容工具集的通信功能會在進行CSI 測量和記錄時受到影響。CSI 記錄器和攝像頭記錄5 s 的數據,然后暫停7 s,這個循環會重復5 次。在每臺機器上運行802.11n CSI Tool[13]和Python 開源庫Csiread,選擇HT40+模式,信道36 和1 000 Hz 的采樣率,其中一臺機器作為發射機,其他機器作為接收機。
圖3 數據采集設備
3.2 數據采集環境
本文相關數據是在兩個布局不同的房間中采集的(見圖4),包括6 名志愿者的信息:年齡均為23 歲左右;身高均為1.75±0.07 m;身體質量指數(Body Mass Index,BMI)均為23.76±2.66。發射機表示為1 個空心標記,每個接收機則為1 個實心標記。志愿者被指示在防摔墊上執行所有活動,如藍色方形區域所示。
圖4 數據采集環境
研究者嘗試在這個活動系列中捕捉各種跌倒的運動模式。這個系列包括向前跌倒、向左跌倒、向右跌倒、坐著時跌倒以及向后跌倒。向前跌倒和向后跌倒類似于絆倒和滑倒,其它的則對應于失去意識或平衡時的活動模式和速度。這個數據集的負樣本包括行走、跳躍、下蹲、彎腰、坐下、從坐著變換為站立、面朝下躺下、從面朝下躺著的位置站起來、面朝上躺下以及從面朝上躺著的位置站起來。
在跌倒過程中,人的重心以極快的速度下降,人體在高度上產生快速的從高到低的轉變。負樣本包含了一些日常生活中最常見的動作,其高度和速度變化模式與跌倒相似。
3.3 數據預處理
由于硬件設備的特性如溫度漂移等,在CSI 測量過程中會存在誤差、采樣時間偏移、載波頻率偏移和數據包檢測延遲,因此采集到的Wi-Fi CSI 數據需要進行預處理操作才能使用。例如,可采用線性相位去噪的方法對收集到的Wi-Fi CSI 的相位數據進行處理。
4 實驗結果及分析
4.1 實驗設置
本研究分別進行了3 種不同的實驗:不跨人員及環境實驗、跨人員實驗以及跨環境實驗。使用準確率、精確率、召回率、F1 分數(F1 Score)這4 種常用的二分類指標作為評估指標,并展示使用單臺接收機的幅度和相位的性能以及使用3 臺接收機幅度和相位的性能。設TP為真正例(TruePositive,即模型將正樣本正確地預測為正樣本),TN為真負例(TrueNegative,即模型將負樣本正確地預測為負樣本),FP為假正例(FalsePositive,即模型將負樣本錯誤地預測為正樣本),FN為假負例(FalseNegative,即模型將正樣本錯誤地預測為負樣本)。準確率(Accuracy)是分類器正確分類的樣本數與總樣本數之比;精確率(Precision)是分類器預測為正樣本中真正的正樣本的比例;召回率(Recall)是分類器正確預測的正樣本占所有真正的正樣本的比例;F1 分數(F1Score)是精確率和召回率的調和平均值,這意味著F1 分數只有在精確率和召回率都很高時才會很高。4 種評估指標的表達式如公式(2)～(5)所示:
4.2 分類模型
由于數據量較少,該實驗采用支持向量機(Support Vector Machine,SVM)的方法來提取特征進行二分類,選擇了徑向基函數作為核函數,表達式如公式(6)所示:
徑向基函數(Radial Basis Function,RBF)不像線性核函數那樣對數據的線性假設很強,因此具有較強的通用性,可以應用到各種類型的數據上。如圖5 所示,本研究對采集的原始數據進行拆分,獲得CSI 的幅度及相位數據。由于數據維度太大,為了避免計算復雜度過大,本研究使用了主成分分析(Principal Component Analysis,PCA)法對數據進行壓縮,隨后進行SVM 分類得到跌倒檢測的結果。
圖5 SVM 算法分類流程圖
4.3 實驗結果
在不跨人員及環境實驗中,訓練集和測試集的數據來自同一個體,并且在同一種環境條件下收集。在本文中,隨機劃分90%的數據作為訓練集,10%的數據作為測試集。由于隨機劃分訓練集會導致隨機性過大,因此取10 次評估結構的平均值作為評估結果,實驗結果如表1 所示。
表1 不跨人員及環境實驗結果
在跨人員實驗中,訓練集和測試集中的數據來自不同個體。此處取5 位志愿者的數據用作訓練集,其余1位志愿者所采集數據為測試集,實驗結果如表2 所示。
表2 跨人員實驗結果
在跨環境實驗中,訓練集和測試集的數據分別來自不同的環境條件。此處取在空教室所采集的數據為訓練集,在辦公室所采集的數據作為測試集,實驗結果如表3 所示。
表3 跨環境實驗結果
通過以上實驗結果,可以發現使用簡單的機器學習方法對CSI 的幅度和去噪相位進行跌倒檢測二分類,都有一定的效果。由于沒有進行特征選擇的過程,因此對3 臺接收機數據進行分類的效果并不一定會超過單臺接收機。
在不跨人員及環境實驗中,由于數據中的動作沒有重復數據,未知數據的泛化會是一個有挑戰性的問題,在多接收機的情況下,對不同方向以及不同類別的跌倒更具有泛化性。在跨人員實驗中,由于Wi-Fi 頻段為5 GHz,波長約為0.06 m,對于人體的整體特征感知能力較差,可以看到在多接收機的情況下,并不能提高泛化能力。在跨環境的實驗結果中,由于兩個實驗環境布局差異較大,泛化能力出現了明顯下降。
5 結束語
本文回顧了Wi-Fi CSI 感知在跌倒檢測上的應用,并構建了數據集,進行了不同場景的實驗驗證工作,對該方法在跌倒檢測中的效果進行了驗證。從分析結果可以看出,在使用少量數據集的情況下,通過機器學習訓練能夠達到一個基本的檢測水平,基于Wi-Fi CSI 的跌倒檢測在跨人員和跨環境方面的部署依然是一個重大挑戰,如何解決數據不足以及提高模型泛化能力都是亟待解決的難題。
