20-GLOBECOM-Wi-Fi-CSI-based_Fall_Detection_by_Spectrogram_Analysis_with_CNN

摘要——跌倒检测系统对独居老人的需求很大。在基于 Wi-Fi CSI 的跌倒检测的传统工作中，当使用不同环境中的数据来学习和测试数据时，已经观察到分类性能下降。此外，该方法由于降噪过程中的信号失真而无法准确捕捉运动特征，并且在SNR（信噪功率比）较小时无法准确地分割信号。在本文中，我们提出了一种使用 Wi-Fi CSI 的基于频谱图图像的跌倒检测。不同于传统的方法，CSI是用一定的滑动时间窗口分割的，然后分类器利用分割后的CSI生成的频谱图来检测跌倒。我们使用 CNN（卷积神经网络）对跌倒和非跌倒运动的频谱图像进行二元分类。我们通过使用两个不同房间中的运动数据进行学习和测试数据，进行了实验，以评估我们提出的方法与传统方法的分类性能。结果，我们确认我们提出的方法优于传统方法并达到了 0.90 的准确率
在本文中，我们提出了一种使用 Wi-Fi CSI 的基于频谱图图像的跌倒检测。与 FallDeFi 不同，在所提出的方法中，CSI 是用滑动时间窗口分割的，然后根据每个时间窗口的分割后的 CSI 检测跌倒。更具体地说，根据分段的 CSI 计算频谱图，通过将分段的 CSI 输入到具有二元分类输出的 CNN（卷积神经网络）中来检测跌倒。 CNN 是已被证明在各个领域非常成功的深度学习架构之一，例如图像识别 [13] 和声音识别 [14]。通过使用 CNN，我们的方法根据不依赖于环境的特征对频谱图进行分类。我们在两个不同的房间进行了实验，以对跌倒和一些非跌倒运动进行分类。我们使用商用 Wi-Fi 设备收集数据。然后我们评估了分类性能，并将我们的结果与 FallDeFi 的结果进行了比较。结果，我们确认我们提出的方法优于 FallDeFi 并达到了 0.90 的准确度。

通过实证研究，我们发现两个不同房间内相同运动的频谱图没有显着差异。 我们提出的方法是使用 CNN（卷积神经网络）的基于频谱图图像的跌倒检测。与 FallDeFi 不同，CSI 是用滑动时间窗口分割的，然后根据每个时间窗口分割后的 CSI 的频谱图来检测跌倒。 图 2 显示了所提出方法的流程图。 我们的方法包括 3 个步骤：(i)信号预处理(ii)频谱图计算，和 (iii)分类。

在对频谱图进行平均之后，从平均后的频谱图生成频谱图图像。由于 CNN 使用 RGB 像素值，因此所有频谱图的颜色图都相同，以保持表示频谱图值的颜色。此外，从实验研究中，我们发现下落运动不包含 125 Hz 以上的频率响应。因此，我们将频谱图削减到 125 Hz 以上。由于使用的 CNN 是使用 227 × 227 RGB 图像 [16] 的 ImageNet 数据集进行预训练的，我们生成具有相同垂直和水平尺寸的图像并将它们调整为 227 × 227 的尺寸。 E.分类 在本节中，我们解释了分类器的结构以及学习和分类的过程。正如我们首先提到的，我们使用 CNN 使用基于光谱图像的跌倒检测。通过使用 CNN，我们旨在捕捉不依赖于环境的人体运动特征。我们使用 ResNet34 [13] 模型，它由 34 个卷积层组成。使用的模型使用 ImageNet 数据集 [16] 进行预训练。 ImageNet 是一个包含 150 万张 RGB 图像的大规模数据集。尽管频谱图图像是与 ImageNet 数据集中的图像不同的人工图像，但从预先训练的权重开始比从随机设置的权重开始更有效。这使得收敛速度更快，并克服了我们数据集较小的问题。在离线学习部分，我们将单个房间收集的频谱图图像训练到 ResNet34 CNN，Resnet34 最初是用 ImageNet 数据集训练的。