陳廷尉 李陽 韓凱峰 李曉陽 李航 朱光旭
(1.深圳市大數(shù)據(jù)研究院,深圳 518055;2.中國信息通信研究院移動通信創(chuàng)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(yǎng)老壓力逐年增大。經(jīng)統(tǒng)計,跌倒已經(jīng)成為引發(fā)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(fā)生的,浴室、廁所及臥室是風(fēng)險較高的區(qū)域,但這幾個區(qū)域也是家庭監(jiān)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(jiān)控方式無法適用;各種跌倒檢測的傳感器都需要將檢測結(jié)果通過網(wǎng)絡(luò)回報給監(jiān)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(wǎng)絡(luò)丟包產(chǎn)生錯報、漏報。
目前常見的室內(nèi)人員跌倒檢測技術(shù)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(shù)具備良好的應(yīng)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(shè)備,對于老年人而言使用十分不便;大規(guī)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(yōu)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(yōu)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(shè)備;幾乎家家戶戶部署了Wi-Fi 設(shè)備,無需部署新的硬件設(shè)備。
Wi-Fi 感知的實現(xiàn)基于電磁波的反射特性。根據(jù)電磁波的傳播特性,在室內(nèi)環(huán)境中活動的人體等都會對信號產(chǎn)生反射而使電磁波產(chǎn)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(tài)等信息,通過算法將接收到的信號與實際物體的狀態(tài)建立聯(lián)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(tài)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(yīng)用于跌倒檢測,在現(xiàn)有文獻中尚未得到全面解答。因此,本文將重點關(guān)注這個未充分探索的領(lǐng)域,搭建實際實驗環(huán)境進行數(shù)據(jù)采集,并使用機器學(xué)習(xí)的方法進行驗證。
1 研究現(xiàn)狀
1.1 Wi-Fi 感知現(xiàn)狀
Wi-Fi 將成為一種在室內(nèi)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(guān)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(huán)境設(shè)置或可穿戴設(shè)備[1]。其它系統(tǒng),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(huán)境中訓(xùn)練和測試數(shù)據(jù)時,傳統(tǒng)的Wi-Fi CSI 跌倒檢測系統(tǒng)的性能會顯著下降,因此,Nakamura[3]等使用卷積神經(jīng)網(wǎng)絡(luò)的方法對Wi-Fi CSI 頻譜圖進行檢測,對跨環(huán)境檢測進行探索。DeFall 技術(shù)利用速度和加速度在時域上的變化產(chǎn)生的不同模式來檢測跌倒,也可以有效提升準確率并產(chǎn)生跨環(huán)境檢測的泛化能力[4]�；谀Ｐ万�(qū)動的AFall 系統(tǒng)也展示了Wi-Fi CSI 相位信息在跌倒檢測應(yīng)用場景中的潛力[5]。
由于跌倒檢測的數(shù)據(jù)采集困難,且通過Wi-Fi 設(shè)備提取CSI 的難度大,因此目前針對跌倒檢測相關(guān)的開源數(shù)據(jù)集較少[6-8],遠不能滿足對基于人工智能(Artificial Intelligence,AI)的跨環(huán)境、跨人員跌倒檢測模型的訓(xùn)練需求。
1.2 Wi-Fi 感知在邊緣AI 中的應(yīng)用研究
作為一種普遍存在的邊緣設(shè)備,Wi-Fi 設(shè)備在AI和無線通信的交叉領(lǐng)域,特別是在聯(lián)邦邊緣學(xué)習(xí)(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(guān)鍵角色。對于FEEL,Liu[9-10]等提出了優(yōu)化環(huán)境智能應(yīng)用中FEEL 性能的方法,利用聯(lián)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(lián)邦邊緣學(xué)習(xí)系統(tǒng),協(xié)作識別物體或人體運動。該方法能夠在設(shè)備之間共享資源和信息,同時保護數(shù)據(jù)隱私�；赪i-Fi CSI 的跌倒檢測意味著可以在保護個體數(shù)據(jù)隱私的同時,通過設(shè)備協(xié)作和資源共享來提高檢測精度和系統(tǒng)性能。對于ISCC,Xing[11]等和Zhu[12]等提供了關(guān)于實現(xiàn)ISCC 技術(shù)的原則和設(shè)計的深入理解,為基于Wi-Fi CSI 的跌倒檢測提供了理論指導(dǎo),揭示了設(shè)計邊緣AI 時面臨的挑戰(zhàn),對于Wi-Fi感知和基于Wi-Fi CSI 的跌倒檢測等應(yīng)用提供了理論支持,例如如何設(shè)計和優(yōu)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(nèi)環(huán)境中Wi-Fi 發(fā)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(shè)置中,發(fā)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(jù)特定的運動模式發(fā)生變化。具體而言,發(fā)射機發(fā)出的信號X經(jīng)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(shù)(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(shù)據(jù),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(qū)分不同的人體動作。
圖2 人體動作對應(yīng)CSI 變化
3 數(shù)據(jù)采集及預(yù)處理
3.1 數(shù)據(jù)收集設(shè)備
本文使用了自采數(shù)據(jù)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(jiān)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(wǎng)絡(luò)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(wǎng)絡(luò)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(shù)據(jù),然后暫停7 s,這個循環(huán)會重復(fù)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(fā)射機,其他機器作為接收機。
圖3 數(shù)據(jù)采集設(shè)備
3.2 數(shù)據(jù)采集環(huán)境
本文相關(guān)數(shù)據(jù)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(zhì)量指數(shù)(Body Mass Index,BMI)均為23.76±2.66。發(fā)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(zhí)行所有活動,如藍色方形區(qū)域所示。
圖4 數(shù)據(jù)采集環(huán)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(yīng)于失去意識或平衡時的活動模式和速度。這個數(shù)據(jù)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(chǎn)生快速的從高到低的轉(zhuǎn)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(shù)據(jù)預(yù)處理
由于硬件設(shè)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(shù)據(jù)包檢測延遲,因此采集到的Wi-Fi CSI 數(shù)據(jù)需要進行預(yù)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(shù)據(jù)進行處理。
4 實驗結(jié)果及分析
4.1 實驗設(shè)置
本研究分別進行了3 種不同的實驗:不跨人員及環(huán)境實驗、跨人員實驗以及跨環(huán)境實驗。使用準確率、精確率、召回率、F1 分數(shù)(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(shè)TP為真正例(TruePositive,即模型將正樣本正確地預(yù)測為正樣本),TN為真負例(TrueNegative,即模型將負樣本正確地預(yù)測為負樣本),FP為假正例(FalsePositive,即模型將負樣本錯誤地預(yù)測為正樣本),FN為假負例(FalseNegative,即模型將正樣本錯誤地預(yù)測為負樣本)。準確率(Accuracy)是分類器正確分類的樣本數(shù)與總樣本數(shù)之比;精確率(Precision)是分類器預(yù)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(yù)測的正樣本占所有真正的正樣本的比例;F1 分數(shù)(F1Score)是精確率和召回率的調(diào)和平均值,這意味著F1 分數(shù)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(shù)據(jù)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(shù)作為核函數(shù),表達式如公式(6)所示:
徑向基函數(shù)(Radial Basis Function,RBF)不像線性核函數(shù)那樣對數(shù)據(jù)的線性假設(shè)很強,因此具有較強的通用性,可以應(yīng)用到各種類型的數(shù)據(jù)上。如圖5 所示,本研究對采集的原始數(shù)據(jù)進行拆分,獲得CSI 的幅度及相位數(shù)據(jù)。由于數(shù)據(jù)維度太大,為了避免計算復(fù)雜度過大,本研究使用了主成分分析(Principal Component Analysis,PCA)法對數(shù)據(jù)進行壓縮,隨后進行SVM 分類得到跌倒檢測的結(jié)果。
圖5 SVM 算法分類流程圖
4.3 實驗結(jié)果
在不跨人員及環(huán)境實驗中,訓(xùn)練集和測試集的數(shù)據(jù)來自同一個體,并且在同一種環(huán)境條件下收集。在本文中,隨機劃分90%的數(shù)據(jù)作為訓(xùn)練集,10%的數(shù)據(jù)作為測試集。由于隨機劃分訓(xùn)練集會導(dǎo)致隨機性過大,因此取10 次評估結(jié)構(gòu)的平均值作為評估結(jié)果,實驗結(jié)果如表1 所示。
表1 不跨人員及環(huán)境實驗結(jié)果
在跨人員實驗中,訓(xùn)練集和測試集中的數(shù)據(jù)來自不同個體。此處取5 位志愿者的數(shù)據(jù)用作訓(xùn)練集,其余1位志愿者所采集數(shù)據(jù)為測試集,實驗結(jié)果如表2 所示。
表2 跨人員實驗結(jié)果
在跨環(huán)境實驗中,訓(xùn)練集和測試集的數(shù)據(jù)分別來自不同的環(huán)境條件。此處取在空教室所采集的數(shù)據(jù)為訓(xùn)練集,在辦公室所采集的數(shù)據(jù)作為測試集,實驗結(jié)果如表3 所示。
表3 跨環(huán)境實驗結(jié)果
通過以上實驗結(jié)果,可以發(fā)現(xiàn)使用簡單的機器學(xué)習(xí)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(shù)據(jù)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(huán)境實驗中,由于數(shù)據(jù)中的動作沒有重復(fù)數(shù)據(jù),未知數(shù)據(jù)的泛化會是一個有挑戰(zhàn)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(huán)境的實驗結(jié)果中,由于兩個實驗環(huán)境布局差異較大,泛化能力出現(xiàn)了明顯下降。
5 結(jié)束語
本文回顧了Wi-Fi CSI 感知在跌倒檢測上的應(yīng)用,并構(gòu)建了數(shù)據(jù)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(jié)果可以看出,在使用少量數(shù)據(jù)集的情況下,通過機器學(xué)習(xí)訓(xùn)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(huán)境方面的部署依然是一個重大挑戰(zhàn),如何解決數(shù)據(jù)不足以及提高模型泛化能力都是亟待解決的難題。
