21-Internet Things J-FallViewer_A_Fine-Grained_Indoor_Fall_Detection_System_With_Ubiquitous_Wi-Fi_De

【摘要】：老年人的安全问题备受关注。在各种日常活动中，跌倒是老年人尤其是独居老人最危险的事件之一。现有的跌倒检测工作大多基于可穿戴设备，使用不便。一些解决方案只使用粗粒度的Wi-Fi信号信息，其中包含很多偏差，缺乏对环境变化的考虑。这些情况促使我们设计一种细粒度且鲁棒的跌倒检测方法。在本文中，我们提出了一种名为 FallViewer 的跌倒检测系统，它基于对 Wi-Fi 信号的信道状态信息 (CSI) 的分析。为了获得细粒度信息，我们提出了用于偏差校正的相位和幅度校准方法。然后，设计了一种天线功率调整方法来消除多径干扰。此外，我们应用双滑动窗口来获得灵活的阈值，这提高了 FallViewer 对各种环境的鲁棒性。最后，FallViewer 提取处理后的 Wi-Fi 信号的特征，并将特征发送到 LibSVM 进行分类。通过在不同环境下的实验，FallViewer能够以95.8%的平均准确率检测到跌倒事件，这表明FallViewer能够可靠有效地工作

我们的贡献总结如下。 1) 我们提出了一种细粒度的室内跌倒检测方法，名为 FallViewer，仅使用商业 Wi-Fi 设备。 FallViewer 通过从 CSI 的幅度和相位中提取特征来区分人类活动并检测跌倒事件。 2) 我们提出了一系列校准算法来校准受多径效应影响的原始信号。 校准算法可以显着减少静态路径的分量，并改善跌倒活动对 CSI 的影响。 3）我们在活动分割中设计了灵活的动态阈值。 阈值可以根据实时CSI的波动进行调整，大大提高了FallViewer对环境变化的适应性。 4）我们在不同的真实环境中进行实验。 评估结果表明，FallViewer 能够以 95.8% 的平均准确率检测跌倒事件。

整个系统可以分为两个阶段：1）信号处理和2）跌倒事件检测。在信号处理阶段，我们首先部署一根天线发射Wi-Fi信号，三根天线收集Wi-Fi信号。然后，通过 Linux CSI Tool 从收集的原始 Wi-Fi 数据中提取 CSI。 FallViewer 去除 CSI 的直流 (dc) 分量以校准幅度误差，同时校准 CSI 的相位偏移。之后，校准后的CSI通过离散小波变换(DWT)去噪，通过数学方法选择多径信号的动态分量，去除多径干扰。为了减少特征维度，FallViewer 采用 PCA 从 CSI 中选择合适的部分。一种双窗口方法被设计用于活动分割，然后FallViewer可以从连续的CSI流中区分和分割人类活动的信号。在跌倒事件检测阶段，从 CSI 中提取与活动事件相关的各种特征，如波动率、活动衰减率和中位数百分比。 FallViewer 采用 LIBSVM 作为其分类器，预先训练它对跌倒事件和非跌倒事件进行分类。通过以上步骤，FallViewer 可以有效、准确地实时检测室内环境中的跌倒事件。

X-Z不同人
A-b不同房间