基于WiFi的室内人体跌倒检测.PDF

基于WiFi 的室内人体跌倒检测 学生姓名: 迟淳天 指导教师: 罗定生（北京大学） 学 科: 计算机 康福外国语学校 二零一七年九月 Fall detection in indoor environment by WiFi signals A thesis submitted to Dongrun-Yau Science Award By Chi Chuntian Supervised by Prof. Luo Dingsheng Specialty: Computer Science Camford Royal School, Beijing, China September, 2017 摘 要 近年来，中国已经成为世界上老龄化人口最多的国家，老龄化人口比例也呈 现出加速发展的趋势。中国养老行业还具有很大的潜力，也存在不少需要完善改进 的方面。 “跌倒”不仅严重损害了老年人的健康，且对老人的生命安全产生了威 胁。因此，自动检测和识别人体跌倒行为并及时发出求助信号能够有效提高老人生 活的安全性。 检测老人跌倒的方法有多种，主要包括摄像头视频检测、专设场所环境变化检 测和可穿戴传感器佩戴三种方式，但是各有不足。视频检测方式侵犯了老人的隐 私；利用周围环境变化检测场所布置成本高且容易产生误报，因为重物落地或剧烈 动作会对环境产生相似的影响；而可穿戴传感器则要求老人一直佩戴传感器，不太 方便。考虑到现如今WiFi 信号无处不在，且可弥补上述几种方式的不足，本文采 用WiFi 信号实现对老人日常生活没有影响的跌倒检测。 由于人体行为会对WiFi 信号传输产生影响，因而可据此实现人体运动行为的 检测，是本文开展基于WiFi 室内环境人体跌倒检测的理论基础。本文在室内环境 下，首先采集跌倒场景的WiFi 原始信号，提取其中的信道状态信息（Channel State Information - CSI）并采用主成分分析（Principal Component Analysis - PCA）方法予以降维降噪处理，得到WiFi 信号的特征数据；然后，基于PyTorch 深度学习平台，采用循环神经网络 （Recurrent Neural Networks - RNN）训练检 测模型；最后，基于训练的模型实现老人的跌倒检测。为进一步提升检测性能，本 文提出一种基于随机重置策略 （Random Reset Strategy-RRS）的RNN 跌倒检测方 法 （简记为RRS-RNN），以降低RNN 模型中错误历史信息对当前行为判断的影响。 为验证本文思路和方法的有效性，开展了相应的实验研究。本文根据跌倒的不 同情形，围绕跌倒行为设计了6 种行为序列，并通过多个被试实现了数据的采集。 实验结果表明，RNN 模型能有效地实现跌倒检测，识别准确率达到88.38%；基于 RRS-RNN 方法进一步提高了识别性能，识别准确率达到88.92%。 关键词 : 跌倒检测，行为识别，WiFi 信号，循环神经网络，随机状态重置 1 目 录 摘 要1 1. 绪论4 1.1. 研究背景及意义 4 1.2. 国内外研究现状 5 1.2.1. 跌倒检测相关工作5 1.2.2. 基于WiFi 行为识别的相关工作5 1.3. 本文的组织结构 6 2. 人体跌倒行为及其自动检测8 2.1. 人体跌倒原因及归类 8 2.2