21-Sensors-Influence of the Antenna Orientation on WiFi-Based Fall Detection Systems

摘要：不断增长的独立生活的老年人口需要远程健康监测系统。跌倒被认为是反复发生的致命事件，因此已成为全球健康问题。由于难以将跌倒的特征与其他类似活动区分开来，基于 WiFi 射频信号的跌倒检测系统仍然存在局限性。此外，天线方向没有被考虑作为分类性能的影响因素。因此，我们在本文中对与天线方向相关的分类性能以及与极化和辐射方向图相关的影响进行了分析。此外，还展示了用于收集跌倒经验数据的无设备跌倒检测平台的实现。该平台测量探测信号的多普勒频谱，以提取人体运动产生的多普勒特征，其特征可用于识别坠落事件。该系统探索两种天线极化：水平和垂直。水平极化达到的准确率为 92%，假阴性率为 8%。垂直极化达到了 50% 的准确率和漏报率。

信号计算公式见论文

从分析的角度来看，对于任何给定的室内环境，分析计算使A (m) 2 的值最大化的最佳天线放置和方向是一个复杂的过程。 然而，为了深入了解天线系统方向特性的影响，我们实现了一个类似 WiFi 的跌倒检测实验平台，使我们能够凭经验分析天线未对准对系统性能的影响。 使用实现的实验平台，我们在两个场景中进行了一系列实验：VV（图 4a）和 HH（图 4b）。 通过使用分类算法，我们分析并确定天线的方向，从而提供具有更高分辨率跌落数据的频谱图。 我们的实验平台的实现在下一节中描述。

跌倒实验是在固定家具的室内环境中进行的。 图 5 显示了实验过程中发射和接收模块的位置。 TX 模块安装在房间的右上角，接收器安装在房间的左上角，彼此相距 5 m。 两个天线都位于 2 m 的高度并保持无障碍的 LOS。 这个室内环境对应于一间办公室，房间中央有一个梯子，在那里进行了坠落（图 6）。该平台允许根据测试 VV 和 HH 设置更改天线方向。

实验开始时，参与者被固定在梯子上。 配置了视觉和听觉信号以通知参与者实验的开始和结束。 在测试开始时，参与者保持静止状态，直到发出指示下降运动开始的信号。 还指示参与者在执行下落运动后保持不动。 测试准备、开始和结束的通知由系统自动触发，以避免测试场景附近出现更多人。 最后，信号通知受试者测试结束。 实验中收集的信息用于系统的后续阶段以识别坠落事件。

频谱图数据集的 PCA 产生的数值可以在坐标系中表示。这些值具有如图 7 所示的对数分布。在我们的例子中，所得到的主成分数 r 对应于在实验期间捕获的每个瞬时多普勒频谱测量的 200 个频率值。此外，σr 是 Σ 对角线上与奇异值对应的元素。此外，PCA 产生的前三个奇异值σr 被作为接收信号的特征。这是因为我们的多普勒频谱值的较大差异集中在这些分量中。在我们的案例中，第一个主成分通常包括 99%、第二个 0.01% 和第三个 0.002%。其余的组件可以省略，因为它们代表了最小的信息丢失。因此，我们的系统将这些组件用作分类过程中使用的每个光谱的特定特征。
得到的低维特征空间用于分类。 在这个阶段，需要将提取的特征分为不同的类。 支持向量机 (SVM) 因其在复杂性和准确性之间的平衡而被采用。 此外，SVM 已证明其在跌倒检测中的有效性 [13,26]。 SVM 分类允许我们测量天线方向对整个跌倒检测系统准确性的影响。 SVM 算法是分析和识别一组特征中的模式的学习机器。 这种监督学习模型使我们能够区分不同的类。 然后，我们可以确定引入的数据是属于下降事件还是静态场景。 该实现是使用 Matlab™ 分类学习器工具箱开发的。 基于 PCA 生成的特征空间，我们选择了一个二次核来最大化我们训练数据的几何边距