WiSFall:一種非接觸式的浴室跌倒監(jiān)測(cè)模型

段鵬松,李婧馨,王 超,孔金生

1(鄭州大學(xué) 信息工程學(xué)院，鄭州 450001)2(鄭州大學(xué) 軟件學(xué)院，鄭州 450002)

1 引 言

目前,跌倒已成為我國(guó)65歲以上老人因傷致死的首要原因[1].在諸多跌倒場(chǎng)景中,浴室因其高隱私性及強(qiáng)封閉性,導(dǎo)致跌倒后救助及時(shí)性差,對(duì)老人生命健康構(gòu)成嚴(yán)重威脅.如何在此類(lèi)場(chǎng)景中實(shí)現(xiàn)高效便捷的跌倒監(jiān)測(cè),引起學(xué)術(shù)界和產(chǎn)業(yè)界的廣泛關(guān)注.

一般來(lái)說(shuō),跌倒監(jiān)測(cè)方法主要有計(jì)算機(jī)視覺(jué)[2,3]、可穿戴式設(shè)備[4-6]等,文獻(xiàn)[7]設(shè)計(jì)了一種浴室報(bào)警系統(tǒng),通過(guò)紅外熱釋電傳感器和壓力傳感器監(jiān)測(cè)人體狀態(tài),實(shí)現(xiàn)了準(zhǔn)確率接近100%的跌倒識(shí)別.文獻(xiàn)[8]提出了一種使用20kHz超聲波監(jiān)測(cè)浴室人體跌倒的方法,識(shí)別準(zhǔn)確率為73%.但是,這些跌倒監(jiān)測(cè)方法需要專(zhuān)用傳感器設(shè)備,成本較高,不適合大規(guī)模推廣.

近年來(lái),隨著Wi-Fi設(shè)備的大量普及,基于Wi-Fi無(wú)線(xiàn)信號(hào)的感知技術(shù)憑借非接觸式、低成本、不受光照影響、隱私性較強(qiáng)等優(yōu)勢(shì)逐漸成為人體行為監(jiān)測(cè)研究的新興方向.目前,利用Wi-Fi感知技術(shù),已有一些跌倒監(jiān)測(cè)的研究成果.WiFall[9]系統(tǒng)利用Wi-Fi信號(hào)中CSI(Channel State Information,信道狀態(tài)信息)的振幅擾動(dòng),分別使用支持向量機(jī)算法和隨機(jī)森林算法實(shí)現(xiàn)了準(zhǔn)確率達(dá)90%和94%的單人跌倒監(jiān)測(cè).RT-Fall[10]同時(shí)從CSI的相位和振幅信息中提取特征,在該論文自采數(shù)據(jù)集上取得了比WiFall更好的跌倒識(shí)別性能.Fallsense[11]利用CSI的振幅變換,使用動(dòng)態(tài)時(shí)間規(guī)整算法,實(shí)現(xiàn)了準(zhǔn)確率達(dá)95%的跌倒監(jiān)測(cè),且模型更為輕量化.

在現(xiàn)有基于Wi-Fi感知的跌倒監(jiān)測(cè)研究中,采用傳統(tǒng)機(jī)器學(xué)習(xí)算法居多,存在因特征提取不足導(dǎo)致模型識(shí)別準(zhǔn)確率有限的問(wèn)題.另外,目前基于Wi-Fi感知的跌倒監(jiān)測(cè)研究主要針對(duì)會(huì)議室、居家客廳等開(kāi)放室內(nèi)場(chǎng)景,針對(duì)浴室這種封閉場(chǎng)景的跌倒監(jiān)測(cè)還鮮有研究.為此,本文利用Wi-Fi感知技術(shù)和深度學(xué)習(xí)算法,提出了一種適用于浴室場(chǎng)景的跌倒監(jiān)測(cè)算法,希望能為人們尤其是老年人群的洗浴安全做出貢獻(xiàn).本文的主要?jiǎng)?chuàng)新點(diǎn)如下:

1)根據(jù)人體動(dòng)作對(duì)CSI信息中不同子載波擾動(dòng)幅度不同的特點(diǎn),將一維時(shí)序數(shù)據(jù)重構(gòu)為二維多載波數(shù)據(jù),再進(jìn)行Butterworth(巴特沃斯)濾波,得到強(qiáng)數(shù)據(jù)特征容納能力并有效去除環(huán)境噪聲的頻率能量圖.

2)針對(duì)浴室場(chǎng)景,以?xún)?yōu)化后的頻率能量圖為輸入,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的輕量化跌倒監(jiān)測(cè)模型WiSFall,取得了99.63%的識(shí)別準(zhǔn)確率.實(shí)驗(yàn)結(jié)果表明,和現(xiàn)有類(lèi)似算法相比,WiSFall不僅準(zhǔn)確率更高,參數(shù)規(guī)模更小,而且泛化能力也較強(qiáng).

2 模型原理

2.1 問(wèn)題定義

在Wi-Fi信號(hào)覆蓋浴室環(huán)境的前提下,人體跌倒會(huì)對(duì)Wi-Fi信號(hào)造成擾動(dòng),進(jìn)而引起信道狀態(tài)變化.通過(guò)對(duì)接收到CSI數(shù)據(jù)的擾動(dòng)影響分析,即可檢測(cè)是否有跌倒行為發(fā)生.在OFDM系統(tǒng)中,CSI比RSS提供了更多的多徑信息,在不同的子載波中具有不同的信號(hào)強(qiáng)度和相位[12,13].目前,商用Wi-Fi設(shè)備通常采用MIMO(Multiple Input Multiple Output,多輸入多輸出)技術(shù),每個(gè)天線(xiàn)對(duì)的CSI數(shù)據(jù)中包含了多個(gè)子載波信息[14].假設(shè)發(fā)射端天線(xiàn)數(shù)量為Nt,接收端天線(xiàn)數(shù)量為Nr,每個(gè)天線(xiàn)對(duì)使用的子載波個(gè)數(shù)為m,則接收端總共可獲取到Nt*Nr*m個(gè)由公式(1)表示的CSI值.

H(fk)=‖H(fk)‖ej

(1)

其中,H(fk)是第k個(gè)子載波的復(fù)數(shù)表示形式,‖H(fk)‖和

由于跌倒是一個(gè)連續(xù)動(dòng)作,監(jiān)測(cè)時(shí)需采集相應(yīng)的連續(xù)CSI序列數(shù)據(jù),如公式(2)所示.

x=[x1,x2,…,xn,…,xN]T,n∈N

(2)

2.2 特征重構(gòu)

準(zhǔn)確的特征表征方式可以獲取到辨識(shí)度較高的特征,進(jìn)而可以顯著提升模型的識(shí)別性能.為此,本文在前期頻率能量圖[15]特征重構(gòu)策略基礎(chǔ)上,選用巴特沃斯濾波器去除噪聲,得到更為準(zhǔn)確的跌倒感知特征表征方式.

1)頻率能量圖

現(xiàn)有Wi-Fi感知研究中,大多將CSI序列用公式(3)所示的一維數(shù)據(jù)表示[16,17].

(3)

(4)

其中,Hnk是第k個(gè)子載波在n時(shí)刻的CSI振幅數(shù)值.根據(jù)公式(4)所示的數(shù)據(jù)重構(gòu)方式,經(jīng)過(guò)適當(dāng)?shù)闹O(shè)計(jì)后即可生成可視化的頻率能量圖.使用頻率能量圖的特征重構(gòu)策略,不僅可以直觀(guān)顯示出Wi-Fi信號(hào)能量衰減情況,還可以容納更多的CSI數(shù)據(jù)特征信息.

2)巴特沃斯濾波

由于多徑效應(yīng),接收端采集到的感知數(shù)據(jù)中可能包含環(huán)境噪聲,需有效處理以避免影響模型的識(shí)別性能[20].由于浴室場(chǎng)景的動(dòng)態(tài)噪聲源主要是淋浴噴水,而巴特沃斯濾波器通頻帶的頻率響應(yīng)曲線(xiàn)平滑[10],能對(duì)浴室噪聲進(jìn)行有效過(guò)濾,且人為行為引起的信號(hào)波動(dòng)通常在低頻段,硬件和環(huán)境引起的背景噪聲往往集中在高頻段[21].因此本文選其作為濾波方法.經(jīng)調(diào)研,發(fā)現(xiàn)跌倒動(dòng)作引起的CSI變化頻率f在10-40Hz[10,22].本文中,接收端CSI數(shù)據(jù)的采樣頻率Fs設(shè)置為1000Hz,CSI時(shí)間序列變化的頻率設(shè)置為40Hz,則巴特沃斯濾波器的構(gòu)造過(guò)程如下:

首先,由公式(5)計(jì)算截止頻率wc.

(5)

其次,調(diào)用Matlab軟件中的butter函數(shù)計(jì)算巴特沃斯濾波器的系數(shù)b與a,如公式(6)所示.其中,N是濾波器的階數(shù),low表示為低通濾波,wc表示截止頻率,b、a分別表示巴特沃斯濾波器系統(tǒng)函數(shù)分子和分母多項(xiàng)式的系數(shù)向量.

[b,a]=butter(N,wc,′low′);

(6)

最后,使用Matlab軟件中的filtfilt函數(shù)構(gòu)造巴特沃斯濾波器,如公式(7)所示.其中,Signal表示重構(gòu)的感知信息,Signal_Filter表示經(jīng)過(guò)濾波后的感知信息.

Signal_Filter=filtfilt(b,a,Signal)

(7)

以Signal_Filter信息為基礎(chǔ),即可生成相應(yīng)的頻率能量圖.經(jīng)過(guò)巴特沃斯濾波后的頻率能量圖有效去除了多余的環(huán)境噪聲,為后續(xù)的跌倒監(jiān)測(cè)模型提供了更精準(zhǔn)的感知特征.

3 模型設(shè)計(jì)

以濾波后的頻率能量圖數(shù)據(jù)作為輸入,本文構(gòu)建了一個(gè)基于深度學(xué)習(xí)的浴室跌倒監(jiān)測(cè)模型WiSFall,其整體運(yùn)行流程如圖1所示.

圖1 WiSFall整體流程圖Fig.1 WiSFall overall flow chart

WiSFall主要包括數(shù)據(jù)處理和跌倒檢測(cè)兩個(gè)模塊.數(shù)據(jù)處理模塊主要進(jìn)行感知數(shù)據(jù)的采集和預(yù)處理,包括數(shù)據(jù)采集、數(shù)據(jù)重構(gòu)和數(shù)據(jù)濾波3部分;跌倒檢測(cè)模塊則將處理后的感知數(shù)據(jù)輸入到一個(gè)設(shè)計(jì)好的神經(jīng)網(wǎng)絡(luò)模型中以提取特征,再通過(guò)Softmax層計(jì)算出可能的檢測(cè)結(jié)果.經(jīng)過(guò)大量有效數(shù)據(jù)的多次訓(xùn)練后,WiSFall即可實(shí)現(xiàn)浴室場(chǎng)景人體跌倒行為的有效監(jiān)測(cè).數(shù)據(jù)采集設(shè)備類(lèi)型及拓?fù)浣Y(jié)構(gòu)相關(guān)內(nèi)容在4.1節(jié)進(jìn)行介紹,本章主要介紹巴特沃斯濾波后的特征分析及神經(jīng)網(wǎng)絡(luò)模型的設(shè)計(jì)細(xì)節(jié).

3.1 特征分析

以公式(4)為基礎(chǔ)的數(shù)據(jù)重構(gòu)后,再經(jīng)過(guò)巴特沃斯濾波后,即可得到同時(shí)包含載波內(nèi)和載波間行為特征的多維感知數(shù)據(jù).本文中,以橫軸為動(dòng)作持續(xù)時(shí)間,縱軸為多載波振幅數(shù)值信息,構(gòu)建了可有效反應(yīng)跌倒行為的可視化頻率能量圖.圖2中顯示的是濾波前后浴室場(chǎng)景下正常洗浴與跌倒行為對(duì)應(yīng)的二維頻率能量圖.

圖2中,橫軸表示時(shí)間(單位為毫秒),縱軸表示子載波編號(hào),像素點(diǎn)表示相應(yīng)子載波振幅數(shù)值.可以看出,正常洗浴時(shí),洗澡動(dòng)作幅度較小,對(duì)CSI數(shù)據(jù)的影響較淋浴噴水要小,顯示在頻率能量圖中時(shí)波動(dòng)分布較為均勻,因此濾波的效果不明顯;跌倒行為發(fā)生時(shí),人體動(dòng)作在較短時(shí)間內(nèi)產(chǎn)生較大的幅度變化(相對(duì)于淋浴水流和周?chē)h(huán)境的背景噪聲影響),顯示在頻率能量圖中時(shí)有明顯的波動(dòng),且濾波后特征紋理更為清晰明顯.另外,經(jīng)大量頻率能量圖的對(duì)比分析,還發(fā)現(xiàn)同一動(dòng)作對(duì)不同受測(cè)者、在不同測(cè)試周期均有相似圖形,證明頻率能量圖可以作為跌倒行為發(fā)生判斷的有效依據(jù).

圖2 濾波前后二維頻率能量圖對(duì)比Fig.2 Comparison of 2D frequency energy map

3.2 網(wǎng)絡(luò)結(jié)構(gòu)

以濾波后的二維頻率能量圖為輸入,結(jié)合浴室場(chǎng)景無(wú)線(xiàn)感知信號(hào)的特點(diǎn)及圖像卷積的基本理論,本文基于Keras平臺(tái)搭建了跌倒監(jiān)測(cè)的神經(jīng)網(wǎng)絡(luò)模塊.考慮到跌倒動(dòng)作的瞬時(shí)性及滑窗內(nèi)跌倒動(dòng)作的完整性,同時(shí)滑動(dòng)步長(zhǎng)決定了相鄰滑動(dòng)窗口之間的重疊百分比,增加了 CSI 數(shù)據(jù)量,從而豐富了提取的特征信息[23].設(shè)置特征提取時(shí)神經(jīng)網(wǎng)絡(luò)模型的滑動(dòng)窗口大小為400ms,滑動(dòng)步長(zhǎng)為100ms.根據(jù)特征提取的不同層級(jí),該模塊主要包括用于初級(jí)特征提取的ConvBN子模塊和用于特征融合的CatConvBNMax子模塊.

3.2.1 ConvBN子模塊

卷積操作是神經(jīng)網(wǎng)絡(luò)中自動(dòng)特征提取的核心操作,通常包括一維卷積與二維卷積等.其中,一維卷積常用時(shí)序特征提取,而二維卷積通常用于圖片特征提取.在WiSFall中,由于輸入跌倒檢測(cè)模塊的是頻率能量圖,所以本文采用了二維卷積.同時(shí),由于設(shè)置較小且多尺度的卷積核能提取到更加豐富細(xì)致的特征,并減少模型參數(shù)數(shù)量與浮點(diǎn)運(yùn)算次數(shù)[24],因此WiSFall的卷積操作中同時(shí)選用1×1、1×3、3×1、3×3大小的卷積核,以期提取到更為精準(zhǔn)的跌倒行為感知特征.此外,為增強(qiáng)模型表達(dá)能力,每個(gè)卷積層都引入了線(xiàn)性整流激活函數(shù)Relu.相比于傳統(tǒng)激活函數(shù),Relu可以有效避免梯度爆炸、梯度消失問(wèn)題,并能簡(jiǎn)化計(jì)算過(guò)程[25].

在ConvBN子模塊,為充分提取感知數(shù)據(jù)的初步特征及整體特征,特意設(shè)計(jì)了卷積層與批量歸一化層[26](Batch Normalization Layer)交替出現(xiàn)的機(jī)制.使用批量歸一化層不僅使模型快速收斂,還可以把訓(xùn)練數(shù)據(jù)打亂,提高數(shù)據(jù)的使用效率,其使用有如下優(yōu)點(diǎn):

1)提升學(xué)習(xí)速率,穩(wěn)定網(wǎng)絡(luò)結(jié)構(gòu).在傳統(tǒng)的深度神經(jīng)網(wǎng)絡(luò)中,設(shè)置過(guò)高的學(xué)習(xí)率可能會(huì)導(dǎo)致梯度爆炸或消失,甚至陷入較差的局部最小值.批量歸一化不僅可以減少模型參數(shù)數(shù)值大小變化帶來(lái)的影響,還可以防止訓(xùn)練陷入非線(xiàn)性的飽和狀態(tài).本文中,通過(guò)使用多次批量歸一化操作精簡(jiǎn)模型參數(shù)調(diào)節(jié)的過(guò)程,增加模型對(duì)初始化方法的泛化能力,穩(wěn)定了網(wǎng)絡(luò)結(jié)構(gòu).

2)使模型更加規(guī)范化.在本文的批量歸一化層中,使用mini-batch的均值與方差作為對(duì)整體訓(xùn)練樣本均值與方差的估計(jì).由于不同mini-batch的均值與方差會(huì)有所不同,相當(dāng)于為模型的訓(xùn)練過(guò)程中添加了隨機(jī)噪聲,以增強(qiáng)模型的泛化能力.此過(guò)程與Dropout[27]方法中通過(guò)一定概率將一部分神經(jīng)網(wǎng)絡(luò)單元暫時(shí)從網(wǎng)絡(luò)中丟棄的原理類(lèi)似,兩者都在一定程度上對(duì)模型起到了正則化的效果.

3.2.2 CatConvBNMax子模塊

CatConvBNMax子模塊以ConvBN部分的輸出結(jié)果為輸入,進(jìn)行不同層級(jí)特征的融合操作.在該部分中,首先,通過(guò)在Concatenate層進(jìn)行多通道合并,增加描述數(shù)據(jù)的特征個(gè)數(shù),并保持每個(gè)特征所包含信息內(nèi)容的不變性;其次,采用ConvBN子模塊相同的操作,進(jìn)一步提取通道合并后的細(xì)致特征信息;最后,使用最大池化技術(shù)來(lái)縮減模型規(guī)模以提高運(yùn)算速度,同時(shí)提高模型在跨場(chǎng)景識(shí)別時(shí)的泛化能力.

該子模塊中,Concatenate層與Add層作用較為相似,都用于深度神經(jīng)網(wǎng)絡(luò)中張量的結(jié)合.Add層的作用是將特征信息進(jìn)行簡(jiǎn)單的疊加,特征信息的維度本身并沒(méi)有增加,但是每一維下的信息量在增加[28-30];Concatenate層的作用是將多個(gè)卷積層或者輸出層提取到的信息進(jìn)行融合,其本質(zhì)上是通道數(shù)的合并,及特征信息維度的增加[31,32].對(duì)于本文的Wi-Fi感知任務(wù),考慮要同時(shí)獲取多維度的特征信息并適當(dāng)增加信息量,因此選擇使用Concatenate層.

池化層作為神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)中的重要環(huán)節(jié),在本文模型中也被用到.池化層也稱(chēng)作下采樣層,通常介于卷積層之間并用于減少模型參數(shù)量,防止過(guò)擬合.常用的有平均池化層與最大池化層.平均池化層的作用是對(duì)鄰域范圍內(nèi)特征數(shù)值取平均值,最大池化層的作用是對(duì)鄰域范圍內(nèi)特征數(shù)值取最大值.一般來(lái)說(shuō),平均池化層能更多地保留數(shù)據(jù)的背景信息,而最大池化層能更多地保留紋理信息[33].對(duì)于本文的Wi-Fi感知任務(wù),紋理信息比背景信息包含的特征信息更多,更能代表某一動(dòng)作對(duì)信號(hào)造成的擾動(dòng)信息.因此,在CatConvBNMax子模塊中,采用了最大池化層對(duì)上層輸入進(jìn)行處理,并輸出結(jié)果至分類(lèi)器模塊.

綜上,CatConvBNMax子模塊介于ConvBN部分與輸出部分之間,在模型中起到承上啟下的作用.相比于ConvBN子模塊,CatConvBNMax子模塊添加了Concatenate層與Max pooling層,豐富了ConvBN部分的功能,同時(shí)也細(xì)化了提取到的特征信息,有利于跌倒行為識(shí)別精度的提升.

3.3 分類(lèi)器

根據(jù)問(wèn)題定義,模型的輸入是經(jīng)過(guò)巴特沃斯濾波處理后的頻率能量圖,用X表示,用y表示輸出為動(dòng)作類(lèi)別.模型的作用是通過(guò)輸入一段時(shí)長(zhǎng)的感知數(shù)據(jù)X,來(lái)預(yù)測(cè)相應(yīng)的動(dòng)作類(lèi)別y.由于本文中研究的跌倒監(jiān)測(cè)問(wèn)題中動(dòng)作包括空環(huán)境、正常洗澡和跌倒3種,所以該問(wèn)題是一個(gè)多分類(lèi)問(wèn)題.在典型分類(lèi)器中,sigmoid函數(shù)常用于二分類(lèi),Softmax函數(shù)常用于多分類(lèi),故本文選擇Softmax 函數(shù)對(duì)動(dòng)作類(lèi)別進(jìn)行區(qū)分,表達(dá)公式如下:

(8)

在公式中,r為y的分類(lèi)數(shù),zy表示的是全局平均池化后的結(jié)果,P(y|X)表示的是由模型輸入X預(yù)測(cè)屬于y類(lèi)別的后驗(yàn)概率.

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)設(shè)置

經(jīng)調(diào)研,目前國(guó)內(nèi)外還沒(méi)有公開(kāi)的Wi-Fi感知浴室跌倒數(shù)據(jù)集.為驗(yàn)證模型的準(zhǔn)確性及泛化能力,本文選擇居家浴室環(huán)境進(jìn)行跌倒監(jiān)測(cè)數(shù)據(jù)采集,并選擇另一個(gè)浴室環(huán)境進(jìn)行遷移實(shí)驗(yàn).居家浴室的實(shí)際環(huán)境如圖3所示.

圖3 居家浴室外觀(guān)及內(nèi)部實(shí)景Fig.3 Exterior and interior of shower room

實(shí)驗(yàn)設(shè)備由1臺(tái) TP_LINK AC1750 無(wú)線(xiàn)路由器(發(fā)射端)和1臺(tái)配備 Intel 5300 802.11n Wi-Fi NIC網(wǎng)卡的ThinkPad X201便攜式計(jì)算機(jī)終端(接收端)組成的.其中,接收端設(shè)備上安裝有開(kāi)源的CSI Tool工具,可實(shí)現(xiàn)對(duì)CSI信息的實(shí)時(shí)采集.發(fā)射端和接收端分別有1個(gè)和3個(gè)天線(xiàn),構(gòu)成3(1×3)個(gè)天線(xiàn)對(duì),其中每個(gè)天線(xiàn)對(duì)包含了30個(gè)子載波.因此,每個(gè)接收端采集到的數(shù)據(jù)文件中包含了90(1×3×30)個(gè)子載波的CSI數(shù)據(jù).詳細(xì)實(shí)驗(yàn)參數(shù)設(shè)置如表1所示.

表1 實(shí)驗(yàn)設(shè)備參數(shù)設(shè)置Table 1 Experimental equipment parameter settings

在居家浴室環(huán)境中,共采集了5名受測(cè)者正常洗浴與跌倒動(dòng)作的CSI數(shù)據(jù)及空環(huán)境的數(shù)據(jù).受測(cè)者年齡介于18～30歲之間,能充分保證數(shù)據(jù)的多樣性和代表性.在數(shù)據(jù)采集階段,每次邀請(qǐng)1名受測(cè)者做出正常洗浴和跌倒動(dòng)作.由于跌倒動(dòng)作的瞬時(shí)性,所以每次數(shù)據(jù)采集持續(xù)時(shí)間為1秒,并重復(fù)60次,以準(zhǔn)確獲取其特征.

對(duì)于采集到的數(shù)據(jù)集,手動(dòng)添加noaction、shower、waterfall 3種動(dòng)作標(biāo)簽,并按照4:1的比例劃分為訓(xùn)練集和測(cè)試集.在數(shù)據(jù)處理階段,首先使用Matlab軟件對(duì)數(shù)據(jù)格式進(jìn)行了轉(zhuǎn)換并濾波,再基于Keras框架構(gòu)建跌倒監(jiān)測(cè)模型.模型的學(xué)習(xí)率設(shè)置為0.0001,并采用 Adam優(yōu)化算法.模型的訓(xùn)練和測(cè)試在一個(gè)配備N(xiāo)VIDIA 1080Ti 顯卡的服務(wù)器上完成.

4.2 評(píng)價(jià)指標(biāo)

本文分別采用準(zhǔn)確率(Accuracy)、召回率(Recall)、精準(zhǔn)率(Precision)、F1分?jǐn)?shù)(F1-Score)4個(gè)指標(biāo)來(lái)評(píng)估模型的整體表現(xiàn).這4個(gè)指標(biāo)也是統(tǒng)計(jì)學(xué)中用來(lái)衡量二分類(lèi)(或多任務(wù)二分類(lèi))模型性能的常用指標(biāo).另外,本文還采用運(yùn)行時(shí)間(Duration)、模型參數(shù)量(parameters)、浮點(diǎn)運(yùn)算次數(shù)(FLOPs)來(lái)評(píng)估模型的運(yùn)行效率.各評(píng)估指標(biāo)公式如下所示:

(9)

(10)

(11)

(12)

上述公式中,各描述評(píng)估指標(biāo)的變量含義如表2所示.

表2 變量名稱(chēng)及含義Table 2 Variable names and meanings

4.3 實(shí)驗(yàn)結(jié)果及分析

為了充分評(píng)估模型的各項(xiàng)性能,本文分別設(shè)計(jì)了不同模型和不同環(huán)境的對(duì)比試驗(yàn)來(lái)全面評(píng)估模型的識(shí)別效果,并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了詳細(xì)分析.

4.3.1 不同模型對(duì)比

由于WiSFall是在頻率能量圖的基礎(chǔ)上提取特征,所以實(shí)驗(yàn)的對(duì)比模型選擇了經(jīng)典二維圖像特征提取模型FCN[35]和ResNet34[36].另外,為驗(yàn)證巴特沃斯濾波對(duì)浴室場(chǎng)景下Wi-Fi感知數(shù)據(jù)的有效性,本文分別評(píng)估了各模型在濾波前后感知數(shù)據(jù)上的各項(xiàng)性能,對(duì)比結(jié)果如圖4和圖5所示.

圖4 不同模型評(píng)估指標(biāo)對(duì)比Fig.4 Comparison of evaluation indicators of different models

圖4顯示了3種模型4種評(píng)估指標(biāo)的對(duì)比結(jié)果.對(duì)于居家浴室環(huán)境來(lái)說(shuō),一般面積較小,放置的物品較少,所以信號(hào)傳播路徑較為簡(jiǎn)單.從圖4可以看出,憑借著頻率能量圖的強(qiáng)特征包含能力及WiSFall模型中跌倒特征的強(qiáng)提取能力,WiSFall在所有數(shù)據(jù)(濾波前和濾波后)上都取得了較明顯的優(yōu)勢(shì),模型的穩(wěn)定性有所保證,魯棒性也較好.以準(zhǔn)確率評(píng)估項(xiàng)為例:在濾波前的數(shù)據(jù)集上,WiSFall對(duì)跌倒行為的識(shí)別準(zhǔn)確率達(dá)到94.78%,較ResNet34和FCN模型的準(zhǔn)確率分別提升約1.08%和28.11%;在濾波后的數(shù)據(jù)集上,WiSFall的識(shí)別準(zhǔn)確率上升至99.63%,較ResNet34和FCN模型的準(zhǔn)確率分別提升約3.89%和5.19%.其他3個(gè)評(píng)估指標(biāo)(精準(zhǔn)率、召回率和F1分?jǐn)?shù))也表現(xiàn)出相同的趨勢(shì).對(duì)于濾波前的數(shù)據(jù),FCN模型對(duì)噪聲圖像的特征提取能力明顯不足,導(dǎo)致其各項(xiàng)評(píng)估指標(biāo)均不理想;對(duì)于濾波后的數(shù)據(jù),巴特沃斯濾波器對(duì)數(shù)據(jù)進(jìn)行了平滑處理,去除數(shù)據(jù)中的離群點(diǎn),使得高頻噪聲等干擾信息減少,保留了較為準(zhǔn)確的特征信息,提高模型的識(shí)別精度.3種模型在各項(xiàng)評(píng)估指標(biāo)上的表現(xiàn)均超過(guò)了90%,其中WiSFall模型的表現(xiàn)最好.這充分說(shuō)明本文設(shè)計(jì)的巴特沃斯濾波器能有效去除頻率能量圖中的噪聲信息,在更精準(zhǔn)的感知信息基礎(chǔ)之上,各模型的識(shí)別性能均有較大幅度提升.

為更深入分析各對(duì)比模型的差異,可以通過(guò)圖5所示的混淆矩陣進(jìn)行分析.可以看出,在實(shí)驗(yàn)數(shù)據(jù)集上,3個(gè)模型對(duì)空環(huán)境和跌倒行為的分類(lèi)效果都較好,差別主要在對(duì)正常洗浴動(dòng)作的識(shí)別上.其中,在相似規(guī)模的數(shù)據(jù)集上,WiFall誤判(把正常洗浴誤判為跌倒)2次,ResNet34誤判23次,FCN誤判30次.因?yàn)槎喑叨染矸e核及批量歸一化方法的使用,使得WiSFall相比其他兩種模型具有更好的跌倒檢測(cè)能力.另外,由于浴室跌倒監(jiān)測(cè)的時(shí)效性要求較強(qiáng),因此識(shí)別模型的復(fù)雜度不宜過(guò)高.為此,本文還對(duì)比了3種模型的運(yùn)行時(shí)間、參數(shù)量、浮點(diǎn)運(yùn)算次數(shù),結(jié)果如表3所示.

圖5 不同模型混淆矩陣對(duì)比Fig.5 Confusion matrix comparison of different models

表3 不同模型參數(shù)對(duì)比Table 3 Comparison of different model parameters

由表3可知,WiSFall和ResNet34模型的訓(xùn)練時(shí)間均為2600s(約44分鐘)左右,相比FCN大幅縮短,但WiSFall的參數(shù)量和FLOPs均只有FCN和ResNet34的約60%和0.69%.相比于其他兩種模型,WiSFall模型的復(fù)雜度大大降低,這一結(jié)果歸因于WiSFall模型較少的通道數(shù)、較小的卷積核及適宜的網(wǎng)絡(luò)結(jié)構(gòu).由于較少的參數(shù)量與浮點(diǎn)運(yùn)算次數(shù),WiSFall模型的運(yùn)行時(shí)間基本可以達(dá)到實(shí)時(shí)的檢測(cè)速度.相比于其他兩種模型,WiSFall在提高跌倒識(shí)別準(zhǔn)確率的同時(shí)也保證了運(yùn)行效率.

4.3.2 不同環(huán)境對(duì)比

模型的良好泛化能力是模型有效性的重要衡量指標(biāo).為驗(yàn)證WiSFall模型的魯棒性,本文還采集了一個(gè)在公共浴室環(huán)境下的感知數(shù)據(jù)集(與居家浴室場(chǎng)景有較大差異),并通過(guò)對(duì)居家浴室環(huán)境下訓(xùn)練好的WiSFall模型進(jìn)行微調(diào)以實(shí)現(xiàn)模型遷移.由于不同浴室場(chǎng)景下跌倒行為具有公共特征,因此為微調(diào)時(shí)固定WiSFall前3層,然后在新的數(shù)據(jù)集上訓(xùn)練剩余層.公共浴室共采集了5名受測(cè)者正常洗浴與跌倒動(dòng)作的CSI數(shù)據(jù)及空環(huán)境數(shù)據(jù).對(duì)比模型仍選取ResNet34和FCN模型,并且也凍結(jié)相同層數(shù),實(shí)驗(yàn)結(jié)果如圖6所示.

圖6 遷移實(shí)驗(yàn)結(jié)果對(duì)比Fig.6 Comparison of migration experiment results

Wi-Fi信號(hào)易受環(huán)境影響,因此兩個(gè)環(huán)境中采集的數(shù)據(jù)客觀(guān)上存在較大差異.居家浴室環(huán)境空間較小較封閉,Wi-Fi感知的范圍較小,浴室周?chē)鷫Ρ趯?duì)信號(hào)的反射影響較大;公共浴室環(huán)境空間較大較空曠,Wi-Fi感知的范圍較大,其動(dòng)態(tài)傳播模型與居家浴室環(huán)境有一定差異.通過(guò)對(duì)居家浴室環(huán)境數(shù)據(jù)集上訓(xùn)練好的WiSFall模型進(jìn)行局部網(wǎng)絡(luò)層凍結(jié),以保留部分淺層的公共特征,然后在新的數(shù)據(jù)集上訓(xùn)練以提取更深層次的環(huán)境特征,進(jìn)而實(shí)現(xiàn)初步的遷移功能.在ResNet34模型中,其核心網(wǎng)絡(luò)層為多層ConvBN組合,相比WiSFall缺少concatenate操作,不能有效合并通道數(shù),通過(guò)凍結(jié)淺層卷積層操作方式不能有效保留公共特征,導(dǎo)致泛化能力有限;FCN模型中,其核心網(wǎng)絡(luò)層為ConvBN與Activation層,網(wǎng)絡(luò)結(jié)構(gòu)較為簡(jiǎn)單,模型的魯棒性也較差.

5 總 結(jié)

便捷有效的浴室跌倒監(jiān)測(cè)模型對(duì)人們尤其是老人的洗浴安全有重要意義.傳統(tǒng)基于Wi-Fi的跌倒監(jiān)測(cè)數(shù)據(jù)處理過(guò)程較為復(fù)雜,且針對(duì)浴室環(huán)境的研究較少.本文提出的WiSFall模型,針對(duì)浴室場(chǎng)景,使用經(jīng)過(guò)濾波的頻率能量圖重構(gòu)CSI數(shù)據(jù),并基于深度神經(jīng)網(wǎng)絡(luò)精準(zhǔn)提取跌倒感知特征,取得了較好的跌倒監(jiān)測(cè)效果.實(shí)驗(yàn)結(jié)果表明,WiSFall不僅取得了較高的識(shí)別準(zhǔn)確率,而且體現(xiàn)出較強(qiáng)的泛化能力.

由于多徑效應(yīng)的普遍存在及無(wú)線(xiàn)信號(hào)傳播的高動(dòng)態(tài)性,WiSFall仍存在一定局限,未來(lái)將從以下兩方面進(jìn)行改進(jìn):1)在充分利用振幅信息基礎(chǔ)上,結(jié)合相位信息的有效使用方法,進(jìn)一步提升模型的穩(wěn)定性;2)研究淋浴時(shí)水流對(duì)Wi-Fi信號(hào)傳播的影響,實(shí)現(xiàn)更細(xì)粒度的洗浴跌倒監(jiān)測(cè).