陳廷尉 李陽(yáng) 韓凱峰 李曉陽(yáng) 李航 朱光旭
(1.深圳市大數(shù)據(jù)研究院,深圳 518055;2.中國(guó)信息通信研究院移動(dòng)通信創(chuàng)新中心,北京 100191)
0 引言
隨著中國(guó)正式邁入老齡化社會(huì),近年全社會(huì)的養(yǎng)老壓力逐年增大。經(jīng)統(tǒng)計(jì),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(guó),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(xiǎn)較高的區(qū)域,但這幾個(gè)區(qū)域也是家庭監(jiān)控的難點(diǎn)。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(hù),在公共場(chǎng)合常見(jiàn)的視頻監(jiān)控方式無(wú)法適用;各種跌倒檢測(cè)的傳感器都需要將檢測(cè)結(jié)果通過(guò)網(wǎng)絡(luò)回報(bào)給監(jiān)護(hù)人,但普通家庭的浴室、廁所一般無(wú)線信號(hào)覆蓋都較差,容易因?yàn)榫W(wǎng)絡(luò)丟包產(chǎn)生錯(cuò)報(bào)、漏報(bào)。
目前常見(jiàn)的室內(nèi)人員跌倒檢測(cè)技術(shù)包括計(jì)算機(jī)視覺(jué)、可穿戴傳感器以及專(zhuān)用的雷達(dá)硬件。盡管這些技術(shù)具備良好的應(yīng)用價(jià)值,但也存在一定的缺陷。例如,計(jì)算機(jī)視覺(jué)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(duì)于老年人而言使用十分不便;大規(guī)模部署特定的雷達(dá)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(shì)。例如,Wi-Fi 感知不受上述條件的限制,為跌倒檢測(cè)提供了一個(gè)新的解決方案。該方案的優(yōu)勢(shì)包括:采集的無(wú)線信號(hào)信息不會(huì)干擾用戶的隱私,在無(wú)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(wú)需部署新的硬件設(shè)備。
Wi-Fi 感知的實(shí)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(dòng)的人體等都會(huì)對(duì)信號(hào)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(hào)。這種疊加的信號(hào)攜帶了物體方位、活動(dòng)狀態(tài)等信息,通過(guò)算法將接收到的信號(hào)與實(shí)際物體的狀態(tài)建立聯(lián)系,可以對(duì)物體進(jìn)行定位和行動(dòng)識(shí)別。
近年來(lái),基于無(wú)線信道狀態(tài)信息(Channel State Information,CSI)的跌倒檢測(cè)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(cè),在現(xiàn)有文獻(xiàn)中尚未得到全面解答。因此,本文將重點(diǎn)關(guān)注這個(gè)未充分探索的領(lǐng)域,搭建實(shí)際實(shí)驗(yàn)環(huán)境進(jìn)行數(shù)據(jù)采集,并使用機(jī)器學(xué)習(xí)的方法進(jìn)行驗(yàn)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(wú)處不在的信號(hào)。最近,基于Wi-Fi CSI 的跌倒檢測(cè)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(hào)來(lái)檢測(cè)跌倒,克服了對(duì)專(zhuān)用可穿戴傳感器或相機(jī)的依賴(lài)。
在早期的嘗試中,WiFall 利用CSI 來(lái)檢測(cè)跌倒,無(wú)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(cè)率和誤報(bào)率方面顯示出較好的性能[2]。然而,當(dāng)從不同環(huán)境中訓(xùn)練和測(cè)試數(shù)據(jù)時(shí),傳統(tǒng)的Wi-Fi CSI 跌倒檢測(cè)系統(tǒng)的性能會(huì)顯著下降,因此,Nakamura[3]等使用卷積神經(jīng)網(wǎng)絡(luò)的方法對(duì)Wi-Fi CSI 頻譜圖進(jìn)行檢測(cè),對(duì)跨環(huán)境檢測(cè)進(jìn)行探索。DeFall 技術(shù)利用速度和加速度在時(shí)域上的變化產(chǎn)生的不同模式來(lái)檢測(cè)跌倒,也可以有效提升準(zhǔn)確率并產(chǎn)生跨環(huán)境檢測(cè)的泛化能力[4]�；谀Ｐ万�(qū)動(dòng)的AFall 系統(tǒng)也展示了Wi-Fi CSI 相位信息在跌倒檢測(cè)應(yīng)用場(chǎng)景中的潛力[5]。
由于跌倒檢測(cè)的數(shù)據(jù)采集困難,且通過(guò)Wi-Fi 設(shè)備提取CSI 的難度大,因此目前針對(duì)跌倒檢測(cè)相關(guān)的開(kāi)源數(shù)據(jù)集較少[6-8],遠(yuǎn)不能滿足對(duì)基于人工智能(Artificial Intelligence,AI)的跨環(huán)境、跨人員跌倒檢測(cè)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(wú)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(jì)算(Integrated Sensing,Communication,and Computation,ISCC)方面扮演關(guān)鍵角色。對(duì)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(jì)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(shí)別物體或人體運(yùn)動(dòng)。該方法能夠在設(shè)備之間共享資源和信息,同時(shí)保護(hù)數(shù)據(jù)隱私�；赪i-Fi CSI 的跌倒檢測(cè)意味著可以在保護(hù)個(gè)體數(shù)據(jù)隱私的同時(shí),通過(guò)設(shè)備協(xié)作和資源共享來(lái)提高檢測(cè)精度和系統(tǒng)性能。對(duì)于ISCC,Xing[11]等和Zhu[12]等提供了關(guān)于實(shí)現(xiàn)ISCC 技術(shù)的原則和設(shè)計(jì)的深入理解,為基于Wi-Fi CSI 的跌倒檢測(cè)提供了理論指導(dǎo),揭示了設(shè)計(jì)邊緣AI 時(shí)面臨的挑戰(zhàn),對(duì)于Wi-Fi感知和基于Wi-Fi CSI 的跌倒檢測(cè)等應(yīng)用提供了理論支持,例如如何設(shè)計(jì)和優(yōu)化ISCC,以滿足諸如低時(shí)延、高可靠性等需求。
2 Wi-Fi CSI 感知原理
本文采用Wi-Fi CSI 進(jìn)行跌倒檢測(cè),如圖1 所示,其描述了室內(nèi)環(huán)境中Wi-Fi 發(fā)射機(jī)和接收機(jī)之間的典型信號(hào)傳播情況。
圖1 采用Wi-Fi CSI 進(jìn)行跌倒檢測(cè)的示意圖
在這種設(shè)置中,發(fā)射的信號(hào)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(gè)物體移動(dòng),Wi-Fi CSI 根據(jù)特定的運(yùn)動(dòng)模式發(fā)生變化。具體而言,發(fā)射機(jī)發(fā)出的信號(hào)X經(jīng)過(guò)信道傳播后到達(dá)接收機(jī),接收信號(hào)Y如公式(1)所示:
公式(1)中,H為CSI,N為噪聲。通過(guò)分析CSI值的變化,可以檢測(cè)出人的運(yùn)動(dòng)。與其它Wi-Fi 感知參數(shù)(如接收信號(hào)強(qiáng)度)相比,CSI 包含幅度以及相位信息,更能捕捉到人體運(yùn)動(dòng)的細(xì)粒度特征,因此可以提供更精確的活動(dòng)檢測(cè)。
如圖2 所示,選取Wi-Fi CSI 的一對(duì)鏈路中的一個(gè)子載波幅度數(shù)據(jù),可以從中看到兩種不同人體動(dòng)作之間的變化有所不同,因此可以通過(guò)特征提取的方法區(qū)分不同的人體動(dòng)作。
圖2 人體動(dòng)作對(duì)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(guò)定制4個(gè)實(shí)驗(yàn)工作單元以同時(shí)收集CSI。如圖3 所示,每個(gè)工作單元由1 個(gè)安裝在三腳架托盤(pán)上的微型主機(jī)和1 個(gè)監(jiān)控?cái)z像頭組成。每個(gè)微型主機(jī)都配備了帶有3 個(gè)天線的Intel 5300 網(wǎng)絡(luò)接口卡(Network Interface Card,NIC)。這些微型主機(jī)除了通過(guò)Wi-Fi 連接外,還通過(guò)有線網(wǎng)絡(luò)進(jìn)行同步控制,因?yàn)镮ntel 5300 NIC 及其兼容工具集的通信功能會(huì)在進(jìn)行CSI 測(cè)量和記錄時(shí)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(gè)循環(huán)會(huì)重復(fù)5 次。在每臺(tái)機(jī)器上運(yùn)行802.11n CSI Tool[13]和Python 開(kāi)源庫(kù)Csiread,選擇HT40+模式,信道36 和1 000 Hz 的采樣率,其中一臺(tái)機(jī)器作為發(fā)射機(jī),其他機(jī)器作為接收機(jī)。
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(gè)布局不同的房間中采集的(見(jiàn)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(jī)表示為1 個(gè)空心標(biāo)記,每個(gè)接收機(jī)則為1 個(gè)實(shí)心標(biāo)記。志愿者被指示在防摔墊上執(zhí)行所有活動(dòng),如藍(lán)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(gè)活動(dòng)系列中捕捉各種跌倒的運(yùn)動(dòng)模式。這個(gè)系列包括向前跌倒、向左跌倒、向右跌倒、坐著時(shí)跌倒以及向后跌倒。向前跌倒和向后跌倒類(lèi)似于絆倒和滑倒,其它的則對(duì)應(yīng)于失去意識(shí)或平衡時(shí)的活動(dòng)模式和速度。這個(gè)數(shù)據(jù)集的負(fù)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(lái)、面朝上躺下以及從面朝上躺著的位置站起來(lái)。
在跌倒過(guò)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(fù)樣本包含了一些日常生活中最常見(jiàn)的動(dòng)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(cè)量過(guò)程中會(huì)存在誤差、采樣時(shí)間偏移、載波頻率偏移和數(shù)據(jù)包檢測(cè)延遲,因此采集到的Wi-Fi CSI 數(shù)據(jù)需要進(jìn)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(duì)收集到的Wi-Fi CSI 的相位數(shù)據(jù)進(jìn)行處理。
4 實(shí)驗(yàn)結(jié)果及分析
4.1 實(shí)驗(yàn)設(shè)置
本研究分別進(jìn)行了3 種不同的實(shí)驗(yàn):不跨人員及環(huán)境實(shí)驗(yàn)、跨人員實(shí)驗(yàn)以及跨環(huán)境實(shí)驗(yàn)。使用準(zhǔn)確率、精確率、召回率、F1 分?jǐn)?shù)(F1 Score)這4 種常用的二分類(lèi)指標(biāo)作為評(píng)估指標(biāo),并展示使用單臺(tái)接收機(jī)的幅度和相位的性能以及使用3 臺(tái)接收機(jī)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(cè)為正樣本),TN為真負(fù)例(TrueNegative,即模型將負(fù)樣本正確地預(yù)測(cè)為負(fù)樣本),FP為假正例(FalsePositive,即模型將負(fù)樣本錯(cuò)誤地預(yù)測(cè)為正樣本),FN為假負(fù)例(FalseNegative,即模型將正樣本錯(cuò)誤地預(yù)測(cè)為負(fù)樣本)。準(zhǔn)確率(Accuracy)是分類(lèi)器正確分類(lèi)的樣本數(shù)與總樣本數(shù)之比;精確率(Precision)是分類(lèi)器預(yù)測(cè)為正樣本中真正的正樣本的比例;召回率(Recall)是分類(lèi)器正確預(yù)測(cè)的正樣本占所有真正的正樣本的比例;F1 分?jǐn)?shù)(F1Score)是精確率和召回率的調(diào)和平均值,這意味著F1 分?jǐn)?shù)只有在精確率和召回率都很高時(shí)才會(huì)很高。4 種評(píng)估指標(biāo)的表達(dá)式如公式(2)～(5)所示:
4.2 分類(lèi)模型
由于數(shù)據(jù)量較少,該實(shí)驗(yàn)采用支持向量機(jī)(Support Vector Machine,SVM)的方法來(lái)提取特征進(jìn)行二分類(lèi),選擇了徑向基函數(shù)作為核函數(shù),表達(dá)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(duì)數(shù)據(jù)的線性假設(shè)很強(qiáng),因此具有較強(qiáng)的通用性,可以應(yīng)用到各種類(lèi)型的數(shù)據(jù)上。如圖5 所示,本研究對(duì)采集的原始數(shù)據(jù)進(jìn)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(jì)算復(fù)雜度過(guò)大,本研究使用了主成分分析(Principal Component Analysis,PCA)法對(duì)數(shù)據(jù)進(jìn)行壓縮,隨后進(jìn)行SVM 分類(lèi)得到跌倒檢測(cè)的結(jié)果。
圖5 SVM 算法分類(lèi)流程圖
4.3 實(shí)驗(yàn)結(jié)果
在不跨人員及環(huán)境實(shí)驗(yàn)中,訓(xùn)練集和測(cè)試集的數(shù)據(jù)來(lái)自同一個(gè)體,并且在同一種環(huán)境條件下收集。在本文中,隨機(jī)劃分90%的數(shù)據(jù)作為訓(xùn)練集,10%的數(shù)據(jù)作為測(cè)試集。由于隨機(jī)劃分訓(xùn)練集會(huì)導(dǎo)致隨機(jī)性過(guò)大,因此取10 次評(píng)估結(jié)構(gòu)的平均值作為評(píng)估結(jié)果,實(shí)驗(yàn)結(jié)果如表1 所示。
表1 不跨人員及環(huán)境實(shí)驗(yàn)結(jié)果
在跨人員實(shí)驗(yàn)中,訓(xùn)練集和測(cè)試集中的數(shù)據(jù)來(lái)自不同個(gè)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(cè)試集,實(shí)驗(yàn)結(jié)果如表2 所示。
表2 跨人員實(shí)驗(yàn)結(jié)果
在跨環(huán)境實(shí)驗(yàn)中,訓(xùn)練集和測(cè)試集的數(shù)據(jù)分別來(lái)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(cè)試集,實(shí)驗(yàn)結(jié)果如表3 所示。
表3 跨環(huán)境實(shí)驗(yàn)結(jié)果
通過(guò)以上實(shí)驗(yàn)結(jié)果,可以發(fā)現(xiàn)使用簡(jiǎn)單的機(jī)器學(xué)習(xí)方法對(duì)CSI 的幅度和去噪相位進(jìn)行跌倒檢測(cè)二分類(lèi),都有一定的效果。由于沒(méi)有進(jìn)行特征選擇的過(guò)程,因此對(duì)3 臺(tái)接收機(jī)數(shù)據(jù)進(jìn)行分類(lèi)的效果并不一定會(huì)超過(guò)單臺(tái)接收機(jī)。
在不跨人員及環(huán)境實(shí)驗(yàn)中,由于數(shù)據(jù)中的動(dòng)作沒(méi)有重復(fù)數(shù)據(jù),未知數(shù)據(jù)的泛化會(huì)是一個(gè)有挑戰(zhàn)性的問(wèn)題,在多接收機(jī)的情況下,對(duì)不同方向以及不同類(lèi)別的跌倒更具有泛化性。在跨人員實(shí)驗(yàn)中,由于Wi-Fi 頻段為5 GHz,波長(zhǎng)約為0.06 m,對(duì)于人體的整體特征感知能力較差,可以看到在多接收機(jī)的情況下,并不能提高泛化能力。在跨環(huán)境的實(shí)驗(yàn)結(jié)果中,由于兩個(gè)實(shí)驗(yàn)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(yǔ)
本文回顧了Wi-Fi CSI 感知在跌倒檢測(cè)上的應(yīng)用,并構(gòu)建了數(shù)據(jù)集,進(jìn)行了不同場(chǎng)景的實(shí)驗(yàn)驗(yàn)證工作,對(duì)該方法在跌倒檢測(cè)中的效果進(jìn)行了驗(yàn)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(guò)機(jī)器學(xué)習(xí)訓(xùn)練能夠達(dá)到一個(gè)基本的檢測(cè)水平,基于Wi-Fi CSI 的跌倒檢測(cè)在跨人員和跨環(huán)境方面的部署依然是一個(gè)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。
