WiFall: 基于无线网络的无设备摔倒检测外文翻译资料

英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料

毕业论文（设计）

英文翻译

WiFall: 基于无线网络的无设备摔倒检测

Yuxi Wang, Kaishun Wu, and Lionel M. Ni

摘要 - 摔倒造成的伤害是老年人独立生活的主要威胁之一。但传统的摔倒检测系统有各种限制。在本论文中，首先我们通过分析无线电传播模型来寻找不同无线电信号变化和活动之间的相关性。根据研究观察的结果，我们提出一种不影响老人正常生活的摔倒检测系统WiFall。 WiFall使用物理层信道状态信息（CSI）作为活动的指标。它可以在没有硬件设备，额外环境设置或任何可穿戴设备的情况下检测人体摔倒行为。我们在配备商用802.11n网卡的台式机上实施WiFall，在三种典型的室内场景中评估算法性能，并采用了多种发射器—接收器（Tx-Rx）链路布局。在这一领域，WiFall可以高精度地对单人实现摔倒检测。实验结果表明，在所有测试场景中，使用一类SVM分类器，WiFall的检测精度达到90％，误报率平均为15％。使用随机森林算法，它还可以实现平均94％的摔倒检测精度和13％的误报率。

索引术语 - 无线，信道状态信息，摔倒检测，无设备，机器学习

1引言

摔倒可以描述为人体无法控制地从直立位置到平躺位置的突然变化，普遍存在于老年人中。根据疾病控制和预防中心[2]的数据，每年至少有30%的老人（年龄在65岁或以上）因为摔倒而去世。由于缩短摔倒后的救援时间可以极大地提高老年人的整体生存率，因此有必要在家庭环境中部署自动摔倒检测系统。根据监测仪器来看，现有的摔倒检测（FD）系统可以分为四类：环境设备，相机，可穿戴传感器和智能手机。使用环境设备的FD系统[3]，[4]利用摔倒引起的振动来检测危险情况。使用这一系统必须事先将相关内容植入特定设备。 [3]中的系统需要一个压电传感器来构建基于振动的跌落探测器，[4]中的系统需要部署地面传感器。使用相机的FD系统[5]，[6]对由高分辨率相机记录的一系列图像采用活动分类算法，并且可以有效地检测摔倒。然而，相机价格昂贵并且有时会侵犯个人隐私。基于可穿戴传感器[7]和基于智能手机的[8] FD技术都采用传感器来感测三个坐标轴上的加速度或速度的变化。然而，携带传感器或智能手机对于使用者来说是相当麻烦的，并且传感器的不同位置（例如，放置在胸部，腰部，大腿，手臂，腿等处）将显示出不同的检测性能。例如，[7]中的系统用户需要携带定制设备，该设备包括在摔倒检测期间的加速度计，微控制器和其他传感器。在[8]中使用PerFallD，用户只需要智能手机，但智能手机放置的位置会影响检测精度。

为了实现有效的自动摔倒检测，我们要求系统准确，廉价且对用户友好。我们希望采用一种新技术进行摔倒检测，以平衡这三种情况。无线局域网（WLAN）的广泛传播使得能够在老年人的室内环境中进行基于WLAN的摔倒检测。 WLAN基础设施可通过简单的基础架构部署，引人入胜的用户体验和较少的隐私问题支持高精度，低成本的摔倒检测。因此，我们的目的是通过在传播期间利用WiFi信号的特性并利用当前的商业无线产品来研究是否可以在没有任何特殊可穿戴设备的情况下实现自动摔倒检测。在过去十年中，WiFi设施和技术激发了本地化[9]，运动检测[10]和对象跟踪[11]等各种研究方向。目前，越来越多的研究工作已经研究出了无线信号与人类活动之间的关系。

为了通过无线网络实现不显眼的摔倒检测，我们需要找到无线信号的合理表示方式。它应该对环境变化具有鲁棒性，但对人为干扰敏感。然而，我们观察到当考虑复杂的人类活动时，当前的无线电传播模型不能直接应用。因此，很难根据现有的无线电传播模型观察人类活动与无线信号特性之间的关系。在本文中，我们首先解决了无线电传播模式在人类活动中对人类活动的影响。我们从理论角度分析了摔倒期间的无线电传播模型，并在用户处于NLOS位置时呈现了一个重新定义的模型。基于我们的理论案例研究，我们提出了WiFall，一种利用信道状态信息（CSI）作为指标的无源无设备摔倒检测系统。我们将WiFall信号通​​信链路所覆盖的区域定义为性能评估的有效范围区域，以及相关的区域.WiFall可以检测有效范围区域内单个人的各种活动，并且可以高精度地实现摔倒检测。本文的主要贡献如下：

• 我们利用使用细粒度信道状态信息进行单人的无设备摔倒检测的可行性。我们采用CSI的时间稳定性和频率分集来设计一种无源无设备摔倒检测系统WiFall，。与其他FD系统相比，WiFall利用现有的流行无线基础设施，可以低成本广泛部署到现实生活中。
• 为了实现真正不引人注意的摔倒检测，我们考虑了人类活动，并从理论角度提出了一个案例研究。在异常检测算法运动检测的基础上，应用一类支持向量机分类器和随机森林算法对不同的人体活动进行分类，实现摔倒检测。
• 笔记本电脑上配备商用802.11n网卡的WiFall的广泛评估是在具有不同Tx-Rx布局方案的三种典型室内场景中进行的。测量结果表明，在所有测试场景中，基于随机森林的分类，WiFall可以达到94％的平均检测精度。此外，WiFall可以扩展用于识别其他人类活动。

本文的其余部分安排如下。我们将在第2节介绍WiFall的相关工作，我们将在第3节介绍背景知识。在第4节中，我们将介绍我们的WiFall系统的详细设计。第5节将描述评估WiFall系统的方法，第6节中描述评估结果。最后，我们将在第7节中给出关于WiFall的结论和相关讨论。

2相关工作

WiFall与以下三个研究类别密切相关：

无线运动检测。运动检测是检测相关区域中的实体的运动。Noury等人[1]，Yu [12]和Mubashir等 [13]回顾现有摔倒检测（FD）系统中使用的原理和方法。在[14]中，作者提出了一种名为Wi-Vi的创新方法。它可以跟踪人类的移动路径，但无法使用无线信号检测特定活动。在[15]中，作者介绍了可以跟踪目标人物的3D运动的WiTrack。这项工作的更新版本称为WiTrack2.0 [16]实现了多个目标的3D运动跟踪。 WiTrack和WiTrack2.0都可以通过无线信号检测到人的摔倒。然而，这两种方法是使用带有子板的USRP / GNURadio实现的，并且不能通过商业产品实现。借助先进的无线设备，可以检测到更微妙的移动。 [17]中的作者提出了一种名为WiSee的方法来进行手势识别。 WiSee可以通过分析在传输过程中提取的无线信号的多普勒频移来对九个全身姿态进行分类。从商业无线产品获得的RSS也可以应用于诸如手势识别的活动检测[18]。然而，由于多路径的原因，RSS被认为在杂乱的环境中是不可靠的。因此，细粒度指标渠道状态信息吸引了研究人员的注意。 CSI也被用于无线运动检测。 FIMD [10]是一种能够使用从商用WiFi NIC提取的CSI来监视目标的运动行为的系统。在我们的工作中，我们不仅关注运动检测，还要识别特定的人类活动。我们仅利用商用WiFi产品来使用CSI来检测目标的运动。与使用特定设计的无线设备和RSS的系统相比，WiFall可以达到更令人满意的检测精度，并且可以更加广泛地部署在真实的环境中，且成本较低。

基于CSI的活动识别。由于CSI已被证实是无设备无线运动检测的可靠指标，因此更多研究人员寻求利用基于CSI的特征识别各种活动的可能性。我们的系统WiFall [19]是先于这些系统的工作。它使用机器学习算法学习特定的CSI信号幅度模式，并区分摔倒与其他移动。 E-eyes [20]不是直接使用CSI振幅进行活动识别，而是利用CSI振幅的分布来对整个家庭环境中的活动进行分类。系统识别的活动与位置具有高度相关性。 [21]中的作者观察到射频干扰（RFI）对CSI矢量有显着影响，并根据他们的观察引入了一个无设备的面向位置的活动系统。在[22]中，作者提出了另一种基于CSI的人类活动监测系统CARM。 CARM包含CSI速度模型，其将由人体运动引起的CSI幅度变化转换为速度信息。基于不同的人体运动将导致不同的速度变化的事实，CARM量化速度和运动之间的相关性，并且利用隐马尔可夫模型识别给定的活动。在基于CSI的活动识别方面，这是一项了不起的工作。来自商业现货（COTS）WiFi设备的CSI也可以用于微妙的运动识别，例如手势识别[23]，击键跟踪[24]和空中绘图[25]。在本文中，我们在[19]中改进了我们的WiFall系统。与其他活动识别系统不同，我们主要关注老年人的活动识别，他们属于一个具有明显共同行为的相对特殊的社会群体。它专为医疗保健场景而设计。我们修改了我们的方法来提高检测精度并实现完整的WiFall系统。

无设备室内定位。与WiFall相关的另一项重要技术是无设备室内定位。 [26]中的作者首先描述了无设备无源（DfP）定位，它不需要实体在定位期间携带任何设备。主流系统利用指纹识别方法来定位被跟踪的实体，RSS是最广泛使用的指纹。 Nuzzer [27]是一项代表性作品，它通过将RSS与预先存在于被动无线电地图中的指纹进行比较来估计目标的位置。系统ACE [28]使用概率能量最小化框架解决了定位多个实体的问题。在CSI被用于基于设备的室内定位（如FILA [9]，[29]和MODLoc [30]）之后，更多的研究转向无设备场景中。与基于RSS的系统不同，基于CSI的系统中的无源无线电地图是使用CSI矩阵构建的。已知Pilot [31]是使用CSI进行无设备室内定位的先前工作。它首先检查目标是否存在于感兴趣的区域中，然后通过将目标引起的异常CSI映射到无线电地图中的指纹来估计位置。 MonoPHY [32]是一种DfP定位系统，它只利用一个CSI单一流进行定位。 [33]中的作者发现，不同位置的接收器对环境变化具有不同的敏感性，他们利用这种观察来提高定位精度。类似于DfP室内定位，其利用RSS或CSI将在对象的水平位置改变时的变化情况，我们跟踪和分析人的垂直位置变化对CSI的影响以实现无设备摔倒检测。

3初步概述

在本节中，我们将介绍WiFall系统的背景知识，并从理论角度对信息变化进行案例研究。

3.1信道状态信息

信道状态信息（CSI）是估计通信链路的信道属性的信息[34]。在无线通信中，发射的无线电信号受到物理环境（例如，反射，衍射和散射）的影响。 CSI通过组合时间延迟，幅度衰减和相移的影响来描述信号如何在信道中传播。在频域中，具有多个发射和接收天线（多输入多输出，MIMO）的窄带衰落信道被建模为：

（1）

其中y是接收矢量，x是发送矢量，n是噪声矢量，H是信道矩阵。由于噪声通常被建模为圆形对称复杂法线，而 ，上式中的H可以估算为：

CSI是H的估计。在正交频分复用（OFDM）系统中，CSI以子载波级别表示。 单个子载波的CSI采用以下数学格式：

图1室内无线电多径传输示意图

其中是幅度， 是每个子载波的相位。 与接收信号强度（RSS）相比，CSI提供无线链路的细粒度。 因此，最近的无线应用倾向于使用CSI而不是RSS。 我们将对如何利用CSI来识别人类活动进行实验分析。

3.2摔倒的传播模型

案例研究使用CSI的无设备摔倒检测的想法是基于人的存在和移动将影响无线信号的传播路径的事实。在本节中，我们提供了一个案例研究，当在NLOS位置发生下降并进行理论分析时，我们只考虑在固定位置进行活动，并将这些活动命名为就地活动（摔倒，坐下和站立）。本节中的模型证明了从理论角度可以使用无线信号来区分下降。在典型的室内环境中，由于天花板，地板和墙壁等周围环境，有一条主要路径（视线，LOS）和几条反射路径（NoneLine-Of-Sight，NLOS），如图1所示。LOS路径遭受自由空间路径损失。根据自由空间模型，与辐射发射机天线距离d的接收机天线的接收功率由Friis自由空间方程[34]给出：

（2）

其中是发射功率，是接收功率，它是距离的函数，是接收天线增益，是发射机天线增益， 是以米为单位的波长，是从发射器到接收器的距离，以米为单位。

考虑从墙壁上移除的路径被忽略的情况，当发射器和接收器放置在地面附近时，接收器通过天花板和地面路径接收的功率可以表示为[11]：

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[19746]，资料为PDF文档或Word文档，PDF文档可免费转换为Word