17-IMWUT-FallDeFi Ubiquitous Fall Detection using Commodity Wi-Fi Devices

已经进行了大量的研究来开发基于一系列不同检测方法的跌倒检测系统，即可穿戴和非可穿戴传感和检测技术。在本文中，我们考虑了一种基于 WiFi 信道状态信息 (CSI) 的新兴非穿戴式跌倒检测方法。以前基于 CSI 的跌倒检测解决方案只考虑了时域方法。在这里，我们采用完全不同的方向，即雷达跌倒检测中使用的时频分析。我们使用传统的短时傅立叶变换 (STFT) 来提取时频特征，并使用顺序前向选择算法来挑选出对环境变化具有弹性的特征，同时保持较高的跌倒检测率。当我们的系统经过预训练时，它具有 93% 的准确率，与 RTFall 和 CARM 相比，这分别提高了 12% 和 15%。当环境发生变化时，我们的系统仍然具有接近 80% 的平均准确率，分别提高了 20% 到 30% 和 5% 到 15%。

数据收集和预处理模块负责收集来自 WiFi 设备的原始 CSI 信号并对其进行处理以获得用于时频分析的干净且信息丰富的频谱图。为此，该模块解决了 CSI 捕获中出现的三个问题：(i) 在由于穿墙和非视距 (non-LoS) 链路中的弱信号而导致数据包丢失的情况下获得固定速率的 CSI，(ii)在不丢失高频分量的情况下去除子载波中的噪声，尤其是在信号较弱时，以及 (iii) 从子载波中提取最有效的流作为频谱图的输入，以提高计算效率。为了解决这些问题，我们分别使用线性插值、基于离散小波变换 (DWT) 的噪声过滤和基于主成分分析 (PCA) 的流去相关和选择。特征提取模块具有三个主要功能：(i) 检测事件的开始和结束，该组件应检测 100% 的人为事件，(ii) 在检测到的事件间隔期间提取特征，以及 (iii) 选择对事件进行分类的特征。由于我们使用频谱图来提取特征，因此我们从功率突发曲线 (PBC) 中检测事件，该曲线通常用于雷达跌落检测以检测频谱图中的事件。一旦检测到事件，我们就会从频谱图和 PBC 中提取特征。频谱图提供频谱特征，而 PBC 提供与时间和幅度相关的特征。提取特征后，我们使用顺序前向选择来确定与环境无关的特征并将它们提供给分类器。最后，跌倒分类模块使用提取的特征将检测到的事件分类为跌倒和非跌倒。算法 1 提供了从收集 CSI 到检测到跌倒的每个模块的详细事件流和输入和输出，如 FallDeFi 中实现的那样。