马永连,张登银

(南京邮电大学 物联网学院,江苏 南京 210023)

0 引 言

当下,国内社会老龄化问题严重,独居的中老年人在缺少看护的情况下,在室内摔倒后果通常会很严重,甚至可能会导致死亡[1]。采用摄像头监控[2]的方式无法在无光环境中正常工作,并且会侵犯人们的隐私,而穿戴设备[3]在实际应用时因忘记佩戴设备以及有限的电池容量对使用者不太友好。无线信号不受光的限制[4],不侵犯人们的隐私,并且容易获取。Seifeldin[5]在2013年首次提出了基于WiFi信号接收强度RSSI(Received Signal Strength Information)的室内人体行为识别系统,但是研究者发现RSSI存在以下缺陷:(1)RSSI衡量的是多径信号传播的叠加效应,无法区分多条信号传播路径;(2)RSSI位于媒体访问控制(Medium Access Control,MAC)层,不包含可学习的物理层信息[6]。因此,近些年来,RSSI在无线感知方面逐渐被信道状态信息(Channel State Information,CSI)[7-10]所替代。C. Han等人提出的摔倒检测系统Wi-Fall[7]是第一个使用CSI进行摔倒检测的,作者利用CSI的归一化标准差、信号强度偏移等七个特征作为联合特征,利用局部异常分量检测无线信号的异常变化,并通过SVM算法对动作进行分类。

然而不同室内布局带来的多径效应的差异,使得上述摔倒检测系统无法实现跨场景使用,即在源域场景训练得到的摔倒检测模型应用到目标域时,检测精度会急剧下降。针对于跨场景检测的需求,诸如RT-Fall[9]等摔倒检测方法,当环境改变后会出现明显的性能下降。FallDeFi[10]使用STFT提取CSI中的时频特征,使用SVM实现准确的摔倒检测。为了确保摔倒检测系统能够适应环境变化,作者还设计了一种鲁棒的顺序前向选择算法挑选能够适应环境变换的特征,在环境发生变化时,取得了接近80%的平均精度,使得跨场景识别成为可能。……