基于無線信道狀態(tài)信息的跌倒無源監(jiān)測(cè)方法

黃濛濛 劉軍 張逸凡 谷雨 任福繼

摘 要：針對(duì)傳統(tǒng)基于視頻或傳感器的跌倒檢測(cè)方法中環(huán)境依賴、空間受限等問題，提出了一種基于無線信道狀態(tài)信息的跌倒無源檢測(cè)方法Fallsense。該方法利用普適、低成本的商用WiFi設(shè)備，首先采集無線信道狀態(tài)數(shù)據(jù)并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，然后設(shè)計(jì)動(dòng)作—信號(hào)分析模型，建立輕量級(jí)動(dòng)態(tài)模板匹配算法以從時(shí)序信道數(shù)據(jù)中實(shí)時(shí)檢測(cè)出承載真實(shí)跌倒事件的相關(guān)片段。大量實(shí)際環(huán)境下的實(shí)驗(yàn)表明， Fallsense可以實(shí)現(xiàn)較高的準(zhǔn)確率以及較低的誤報(bào)率，準(zhǔn)確率達(dá)到95%，誤報(bào)率為2.44%。與經(jīng)典WiFall系統(tǒng)相比，F(xiàn)allsense將時(shí)間復(fù)雜度從WiFall的O（mN log N）降低到O（N）（N是樣本數(shù)， m是特征數(shù)），且準(zhǔn)確率提高了2.69%，誤報(bào)率下降了4.66%。實(shí)驗(yàn)結(jié)果表明，所提方法是一種快速高效的無源跌倒檢測(cè)方法。

關(guān)鍵詞：跌倒檢測(cè);信道狀態(tài)信息;模板匹配;無源監(jiān)測(cè)

中圖分類號(hào)：TP391.4

文獻(xiàn)標(biāo)志碼：A

Abstract：? Traditional visionbased or sensorbased falling detection systems possess certain inherent shortcomings such as hardware dependence and coverage limitation， hence Fallsense， a passive falling detection method based on wireless Channel State Information （CSI） was proposed. The method was based on lowcost， pervasive and commercial WiFi devices. Firstly， the wireless CSI data was collected and preprocessed. Then a model of motionsignal analysis was built， where a lightweight dynamic template matching algorithm was designed to detect relevant fragments of real falling events from the timeseries channel data in real time. Experiments in a large number of actual environments show that Fallsense can achieve high accuracy and low false positive rate， with an accuracy of 95% and a false positive rate of 2.44%. Compared with the classic WiFall system， Fallsense reduces the time complexity from O（mN log N） to O（N） （N is the sample number， m is the feature number）， and increases the accuracy by 2.69%， decreases the false positive rate by 4.66%. The experimental results confirm that this passive falling detection method is fast and efficient.

英文關(guān)鍵詞Key words： falling detection; channel state information; template matching; passive detection

0 引言

據(jù)世界衛(wèi)生組織（World Health Organization，WHO）2018年發(fā)布的報(bào)告指出，跌倒是全球意外死亡的第二大原因，每年造成約646000人死亡[1]。這個(gè)現(xiàn)象引起了學(xué)術(shù)界和工業(yè)界的高度重視，吸引了全球研究人員的極大關(guān)注，并成為學(xué)術(shù)界的研究熱點(diǎn)[2]。當(dāng)前的主流跌倒檢測(cè)解決方案根據(jù)感知設(shè)備可以粗略地分為兩類，即基于視覺和基于可穿戴傳感器： 一般來說，前者如文獻(xiàn)[3-5]中探索由攝像機(jī)捕獲的圖像或視頻片段直接監(jiān)測(cè)跌倒事件， 沈秉乾等[5]提出了一種基于視頻人體運(yùn)動(dòng)狀態(tài)判決的跌倒檢測(cè)方法，該方法由運(yùn)動(dòng)目標(biāo)檢測(cè)、目標(biāo)運(yùn)動(dòng)跟蹤和目標(biāo)運(yùn)動(dòng)行為識(shí)別三部分組成，采用兩級(jí)支持向量機(jī)（Support Vector Machine， SVM）決策的方法實(shí)現(xiàn)目標(biāo)運(yùn)動(dòng)行為的識(shí)別; 而后者如文獻(xiàn)[6-8]主要依賴可穿戴或環(huán)境傳感器，通過感知環(huán)境突變，如地板振動(dòng)[6]等特定特征來識(shí)別跌倒。Mostarac等[7]使用三軸加速度計(jì)和ZigBee收發(fā)器檢測(cè)患者跌倒的患者監(jiān)測(cè)和跌倒檢測(cè)系統(tǒng)。 該系統(tǒng)由數(shù)據(jù)采集、跌倒檢測(cè)和數(shù)據(jù)庫(kù)組成， 三軸加速度計(jì)用于人體位置跟蹤和跌倒檢測(cè)。 該系統(tǒng)能夠?qū)崟r(shí)監(jiān)測(cè)患者。

此外，隨著現(xiàn)代社會(huì)中智能手機(jī)越來越普及，一部分研究人員把目光轉(zhuǎn)向于文獻(xiàn)[9-10]中那些集成了各種傳感器且隨身攜帶的智能設(shè)備作為跌倒檢測(cè)的裝置。王忠民等[10]提出了一種基于時(shí)間序列分析異常數(shù)據(jù)的跌倒監(jiān)測(cè)方法，該方法對(duì)手機(jī)加速度信號(hào)進(jìn)行時(shí)間序列分析，通過計(jì)算相鄰時(shí)間窗口之間的相關(guān)系數(shù)來檢測(cè)異常數(shù)據(jù)，利用分類器算法對(duì)疑似跌倒行為與真實(shí)跌倒行為的異常數(shù)據(jù)樣本進(jìn)行分類。關(guān)于基于視覺和基于傳感器的跌倒檢測(cè)的研究取得了一定的實(shí)質(zhì)性進(jìn)展。 然而，最近的研究揭示了文獻(xiàn)[11-16]中的一些固有局限性，例如可擴(kuò)展性（專用或昂貴的硬件）、覆蓋范圍（照明/視線約束）和隱私問題（過度監(jiān)控）， 因此，研究人員正在努力對(duì)傳統(tǒng)方法進(jìn)行改進(jìn)。

在本文中，提出了一個(gè)問題， 是否可以構(gòu)建一個(gè)如下的跌倒監(jiān)測(cè)系統(tǒng)：1）在沒有特殊硬件的要求下自動(dòng)準(zhǔn)確地監(jiān)控人的狀態(tài)并識(shí)別跌倒;2）對(duì)用戶來說是非侵入性和非接觸式的;3）可以在各種環(huán)境中穩(wěn)定地工作，包括場(chǎng)景、照明條件等。為此，本文設(shè)計(jì)了一種利用商用WiFi設(shè)備的無線信道數(shù)據(jù)驅(qū)動(dòng)跌倒監(jiān)測(cè)系統(tǒng)。 與傳統(tǒng)的跌倒監(jiān)測(cè)解決方案相比，這種方法具有幾個(gè)顯著優(yōu)勢(shì)：首先，它是一個(gè)建立在現(xiàn)有的WiFi設(shè)備上低成本的系統(tǒng); 其次，它對(duì)用戶是透明的，不會(huì)引起隱私或安全問題，特別適合兒童和老人;? 最后，它提供了更高的覆蓋率，同時(shí)對(duì)環(huán)境條件依賴很少。

本文利用普適、低成本的商用WiFi設(shè)備，采集無線信道狀態(tài)數(shù)據(jù)（Channel State Information， CSI），設(shè)計(jì)動(dòng)作—信號(hào)分析模型，建立輕量級(jí)動(dòng)態(tài)模板匹配算法以從時(shí)序信道數(shù)據(jù)中實(shí)時(shí)檢測(cè)出承載真實(shí)跌倒事件的相關(guān)片段。而當(dāng)前主流經(jīng)典算法如WiFall[14]、RTFall[16]大都依賴于大容量訓(xùn)練樣本和復(fù)雜的分類器如隱馬爾可夫模型（Hidden Markov Model， HMM）和SVM，導(dǎo)致兩個(gè)主要問題：對(duì)靜態(tài)優(yōu)化訓(xùn)練集的依賴，以及隨之而來的高計(jì)算復(fù)雜度，因此，本文利用普適、低成本的商用WiFi設(shè)備，采集無線信道狀態(tài)數(shù)據(jù)，構(gòu)建動(dòng)作—信號(hào)分析模型，設(shè)計(jì)在線更新的小型簡(jiǎn)單訓(xùn)練集動(dòng)態(tài)模板匹配（Dynamic Template Matching， DTM）算法，便可從時(shí)序信道數(shù)據(jù)中實(shí)時(shí)檢測(cè)出承載真實(shí)跌倒事件的相關(guān)片段。通過這種方式，不僅可以優(yōu)化其性能，還可以顯著降低整體復(fù)雜性。

本文方法將時(shí)間復(fù)雜度從經(jīng)典系統(tǒng)WiFall的O（mN log N）降低到O（N）（N是樣本數(shù)， m是特征數(shù)），且通過與其在實(shí)際場(chǎng)景下的對(duì)比實(shí)驗(yàn)發(fā)現(xiàn)，準(zhǔn)確率提高了2.69%，誤報(bào)率下降了4.66%。實(shí)驗(yàn)結(jié)果表明，本文方法是一種快速、高效的無源跌倒檢測(cè)方法。

1.2 數(shù)據(jù)預(yù)處理

由于收集到的原始信道數(shù)據(jù)可能包含由背景噪聲或硬件故障造成的異常樣本，因此首先要對(duì)原始數(shù)據(jù)進(jìn)行過濾。在數(shù)據(jù)預(yù)處理模塊里面，選擇巴特沃斯（Butterworth）濾波器。當(dāng)以Fs=1000 sample/s的速率采樣CSI數(shù)據(jù)時(shí)，將巴特沃斯濾波器的截止頻率ωc設(shè)為（2π·f）/Fs=0.0942rad/s。

之所以選擇巴特沃斯濾波器是因?yàn)榘l(fā)現(xiàn)，由人體動(dòng)作造成的頻域變化是在光譜的低頻率段，而噪聲的頻域段是在光譜的高頻率段。為了消除噪聲，巴特沃斯低通濾波器是一個(gè)很好的選擇，它不會(huì)劇烈影響信號(hào)中的相位信息，因此不會(huì)對(duì)運(yùn)動(dòng)信號(hào)產(chǎn)生很大的失真，使得由人體運(yùn)動(dòng)產(chǎn)生的變化數(shù)據(jù)詳細(xì)地保留下來。

1.3 跌倒檢測(cè)

1.3.1 模板提取模塊

預(yù)處理之后的數(shù)據(jù)，被送入模板提取模塊，通過該模塊訓(xùn)練數(shù)據(jù)提取出不同動(dòng)作的標(biāo)準(zhǔn)模板庫(kù)。雖然不同動(dòng)作的CSI信號(hào)指紋有著較大的可區(qū)分差異，問題在于不同的人執(zhí)行同一動(dòng)作存在著一定差異，因?yàn)轶w型和個(gè)人習(xí)慣的不同會(huì)導(dǎo)致身體表達(dá)的多樣性。顯然，最好的方法是給每個(gè)人的每個(gè)動(dòng)作維護(hù)一個(gè)單獨(dú)的模板，但是算法復(fù)雜度也會(huì)因此增加。為此本文設(shè)置了一個(gè)參數(shù)Cthr，以實(shí)現(xiàn)算法復(fù)雜性與性能之間的權(quán)衡。

假設(shè)有K個(gè)參試者，則第K個(gè)參試者執(zhí)行某個(gè)動(dòng)作i（i∈[1，M]）的次數(shù)為ni。將這ni個(gè)某動(dòng)作的數(shù)據(jù)平均得到一個(gè)模板，這樣就擁有了每個(gè)動(dòng)作的K個(gè)模板。如果將這K個(gè)模板都作為單獨(dú)的模板加入模板庫(kù)，那算法的性能應(yīng)該是最好的，但是相應(yīng)的算法復(fù)雜性也是最高的。因此進(jìn)一步對(duì)這K個(gè)模板進(jìn)行簡(jiǎn)化分組。將每個(gè)組的模板平均為一個(gè)核心模板，然后計(jì)算第k個(gè)模板與核心模板的歐氏距離，如下所示：

1.3.2 動(dòng)作識(shí)別模塊

這個(gè)模塊用于動(dòng)作識(shí)別。計(jì)算測(cè)試集CSItest與模板庫(kù)的歐氏距離，找到最接近的標(biāo)準(zhǔn)模板，然后輸出對(duì)應(yīng)的動(dòng)作類型。如果這個(gè)測(cè)試集數(shù)據(jù)流比它在標(biāo)準(zhǔn)語(yǔ)料庫(kù)中的某個(gè)數(shù)據(jù)流更好，將用這個(gè)測(cè)試集數(shù)據(jù)流替換最壞的模板來更新標(biāo)準(zhǔn)語(yǔ)料庫(kù)，由此建立了動(dòng)態(tài)的模板庫(kù)。比如說，拿到一個(gè)動(dòng)作的數(shù)據(jù)，首先計(jì)算這個(gè)動(dòng)作跟搭建好的模板庫(kù)中標(biāo)準(zhǔn)模板的歐氏距離，比較幾個(gè)歐氏距離，把這個(gè)動(dòng)作歸類到歐氏距離最小的動(dòng)作類型，此處假設(shè)為跌倒。如果該動(dòng)作與標(biāo)準(zhǔn)模板的歐氏距離比跌倒標(biāo)準(zhǔn)模板庫(kù)中某個(gè)跌倒數(shù)據(jù)與標(biāo)準(zhǔn)模板的歐氏距離還要小，那就用該跌倒動(dòng)作的數(shù)據(jù)替換之，并平均跌倒標(biāo)準(zhǔn)模板庫(kù)得到新的跌倒標(biāo)準(zhǔn)模板。

1.3.3 復(fù)雜度分析

對(duì)算法復(fù)雜性進(jìn)行分析。由于識(shí)別過程決定了整個(gè)系統(tǒng)的復(fù)雜性，得出以下結(jié)論：本文算法的計(jì)算復(fù)雜度為訓(xùn)練的O（N）和測(cè)試的O（t·N），其中N和t分別代表訓(xùn)練集和標(biāo)準(zhǔn)模板庫(kù)的大小。

證明 模板提取模塊中直接對(duì)N個(gè)樣本進(jìn)行處理，因此，它的復(fù)雜性是O（N）。動(dòng)作識(shí)別模塊將N個(gè)樣本與t個(gè)標(biāo)準(zhǔn)模板進(jìn)行比較，因此計(jì)算復(fù)雜度為O（t·N）?？傮w復(fù)雜度為O（t·N）。

2 實(shí)驗(yàn)結(jié)果分析與評(píng)估

2.1 評(píng)估設(shè)置

原型系統(tǒng)、實(shí)驗(yàn)環(huán)境、實(shí)驗(yàn)設(shè)置均1.2節(jié)中保持一致。

參試人員 招募了8名參與者（其中有2名女性），年齡從21～26歲不等。

動(dòng)作 與WiFall[14]相同，本文選擇了4種類似跌倒的動(dòng)作，即坐下、站起、躺下和下蹲。

評(píng)估標(biāo)準(zhǔn) 與WiFall相同，采用準(zhǔn)確率（P）和誤報(bào)率（即假陰性率（False Negative Rate， FNR））來描述系統(tǒng)的性能，計(jì)算公式如下：

P=#真陽(yáng)性#真陽(yáng)性+#假陽(yáng)性 （5）

FNR=#假陰性#真陰性+#假陰性（6）

進(jìn)一步定義了P5和P2，分別表示識(shí)別5種動(dòng)作和2種動(dòng)作的監(jiān)測(cè)精度：P5即正確預(yù)測(cè)坐下、站起、躺下、下蹲以及跌倒這五個(gè)動(dòng)作的總和除以整個(gè)測(cè)試集;而P2是正確預(yù)測(cè)跌倒以及其他非跌倒動(dòng)作的總和除以整個(gè)測(cè)試集。

P5=#五種動(dòng)作正確預(yù)測(cè)數(shù)#測(cè)試集 （7）

P2=#正確預(yù)測(cè)跌倒數(shù)或非跌倒數(shù)#測(cè)試集 （8）

數(shù)據(jù)集 要求每個(gè)參與者進(jìn)行非跌倒動(dòng)作10次，跌倒動(dòng)作20次，因此，該數(shù)據(jù)集由8×4×108×20=480個(gè)數(shù)據(jù)組成。每個(gè)數(shù)據(jù)是一個(gè)3 （流：接收天線數(shù)）×30（子載波數(shù)）×3000（數(shù)據(jù)包，3s×1000Hz）的矩陣。

2.2 參數(shù)對(duì)性能的影響

研究不同的系統(tǒng)參數(shù)對(duì)性能的影響。當(dāng)為每個(gè)動(dòng)作設(shè)置一個(gè)模板時(shí)，采用靜態(tài)模板庫(kù)的準(zhǔn)確率為60%，采用動(dòng)態(tài)更新模板庫(kù)的準(zhǔn)確率為60.42%。當(dāng)為每個(gè)動(dòng)作設(shè)置八個(gè)模板時(shí)，采用靜態(tài)模板庫(kù)的準(zhǔn)確率為94.17%，采用動(dòng)態(tài)模板庫(kù)的準(zhǔn)確率為94.58%。

靜態(tài)模板庫(kù)&模板數(shù)為1 該設(shè)置為不更新模板庫(kù)，只為每個(gè)動(dòng)作保留一個(gè)模板。表2顯示了相應(yīng)的混淆矩陣。正如前面提到的，對(duì)于不同參與者執(zhí)行的相同動(dòng)作，信道數(shù)據(jù)存在一定的差異。因此，本實(shí)驗(yàn)的P5只有60%，P2為73.75%。

動(dòng)態(tài)模板庫(kù)&模板數(shù)為1 該設(shè)置為不斷更新動(dòng)作模板庫(kù)，但每個(gè)動(dòng)作只保留一個(gè)模板。表2顯示了相應(yīng)的混淆矩陣。P5為60.42%，P2為76.67%。由于模板庫(kù)的更新，與第一種設(shè)置相比有著一定的改進(jìn)。但是這種改進(jìn)很微小，因?yàn)槭芟抻诿總€(gè)動(dòng)作只有一個(gè)模板。這一結(jié)果證實(shí)，對(duì)所有參與者僅使用一個(gè)模板是不夠的。 換言之，由于體型和習(xí)慣，不同的人執(zhí)行相同的動(dòng)作對(duì)信道數(shù)據(jù)的影響是有差異的。

靜態(tài)模板庫(kù)&模板數(shù)為8 該設(shè)置為不更新動(dòng)作模板庫(kù)，而為每個(gè)動(dòng)作保留8個(gè)模板（8個(gè)參與者）。表2顯示了相應(yīng)的混淆矩陣。P5達(dá)到94.17%，P2為97.5%。與前兩種設(shè)置相比，系統(tǒng)性能有了明顯的提高。這一結(jié)果表明，動(dòng)作模板庫(kù)越大，性能就越好。

動(dòng)態(tài)模板庫(kù)&模板庫(kù)為8 該設(shè)置為不斷更新動(dòng)作模板庫(kù)，并為每個(gè)動(dòng)作保留8個(gè)模板（8個(gè)參與者）。表2顯示了相應(yīng)的混淆矩陣。P5達(dá)到94.58%，P2為97.5%。與以前的設(shè)置相比，存在一定的性能改進(jìn)。與本文先前的分析一樣，從系統(tǒng)性能角度看，這是系統(tǒng)的最佳設(shè)置。

2.3 性能對(duì)比

為了進(jìn)一步驗(yàn)證本研究的監(jiān)測(cè)系統(tǒng)，本文實(shí)現(xiàn)了利用SVM分類的WiFall2013[13]和利用隨機(jī)森林的WiFall2017[14]（改進(jìn)版），并在相同的實(shí)驗(yàn)設(shè)定下與本文算法進(jìn)行了比較，本文算法明顯優(yōu)于WiFall， 雖然2017版本的WiFall的準(zhǔn)確率相比較于其2014版本有所提高，但是它的誤報(bào)率也急劇上升了。本文算法相比較于最新的WiFall2017，在WiFall的基礎(chǔ)上準(zhǔn)確率有所提高的情況下，將誤報(bào)率也控制在一個(gè)較低的水平。

3 結(jié)語(yǔ)

本文提出了一種基于WiFi的跌倒監(jiān)測(cè)系統(tǒng)，與其在計(jì)算機(jī)視覺和可穿戴傳感器方面的競(jìng)爭(zhēng)對(duì)手相比，本文算法有著三個(gè)顯著的優(yōu)點(diǎn)： 第一，它是建立在現(xiàn)成的WiFi基礎(chǔ)設(shè)施之上的低成本系統(tǒng);第二，它對(duì)用戶是透明的，不引起隱私或安全問題;最后，它提供了更好的覆蓋，而很少依賴于環(huán)境條件。實(shí)驗(yàn)結(jié)果表明，本文算法的性能優(yōu)于WiFall， 在檢測(cè)精度、誤報(bào)率和復(fù)雜度方面都有很大的優(yōu)勢(shì)。

本文算法有幾處需要進(jìn)一步關(guān)注的點(diǎn)。比如：現(xiàn)有的基于模板的跌倒監(jiān)測(cè)算法是粗粒度的，因?yàn)樗鼘⒌箍醋饕粋€(gè)單一的運(yùn)動(dòng)而不是一個(gè)復(fù)合的運(yùn)動(dòng); 另外，系統(tǒng)評(píng)估需要對(duì)系統(tǒng)參數(shù)和評(píng)估場(chǎng)景進(jìn)行擴(kuò)展。

參考文獻(xiàn) （References）

[1] WHO. Falls [EB/OL]. [2018-01-16]. https：//www.who.int/newsroom/factsheets/detail/falls.

[2] ZHANG Z， CONLY C， ATHITSOS V. A survey on visionbased fall detection[C]// Proceedings of the 8th ACM International Conference on PErvasive Technologies Related to Assistive Environments. New York： ACM， 2015： Article No. 46.

[3] RITA C， ANDREA P， ROBERTO V. A multicamera vision system for fall detection and alarm generation[J]. Expert Systems， 2010， 24（5）： 334-345.

[4] NUNEZMARCOS A， AZKUNE G， ARGANDACARRERAS I. Visionbased fall detection with convolutional neural networks[J]. Wireless Communications & Mobile Computing， 2017， 2017： Article ID 9474806.

[5] 沈秉乾， 武志勇， 賀前華，等. 人體姿勢(shì)狀態(tài)判決的跌倒檢測(cè)方法[J]. 計(jì)算機(jī)應(yīng)用， 2014， 34（S1）：223-227. （SHEN B Q， WU Z Y， HE Q H， et al. Fall detection method for human posture state judgment[J]. Journal of Computer Applications， 2014， 34（S1）：223-227.）

[6] 李雷， 張帆， 施化吉，等. 穿戴式跌倒檢測(cè)中特征向量的提取和降維研究[J]. 計(jì)算機(jī)應(yīng)用研究， 2019，36（1）：103-105. （LI L， ZHANG F， SHI H J， et al. Extraction and dimensionality reduction of feature vectors in wearable fall detection[J]. Application Research of Computers， 2019， 36（1）：103-105.）

[7] MOSTARAC P， MALARIC R， JURCEVIC M， et al. System for monitoring and fall detection of patients using mobile 3axis accelerometers sensors[C]// Proceedings of the 2011 IEEE International Symposium on Medical Measurements and Applications. Piscataway， NJ： IEEE， 2011：456-459.

[8] ZIGEL Y， LITVAK D， GANNOT I. A method for automatic fall detection of elderly people using floor vibrations and soundproof of concept on human mimicking doll falls[J]. IEEE Transactions on Biomedical Engineering， 2009， 56（12）：2858-2867.

[9] 沈瑩， 黎海濤. 基于移動(dòng)終端的老年人跌倒檢測(cè)系統(tǒng)設(shè)計(jì)[J]. 中國(guó)新通信， 2016， 18（7）：13-15. （SHEN Y， LI H T. Design of elderly fall detection system based on mobile terminal [J]. China New Telecommunication， 2016， 18（7）：13-15.）

[10] 王忠民， 張新平， 梁琛. 一種基于時(shí)序分析異常數(shù)據(jù)的跌倒行為監(jiān)測(cè)方法[J]. 計(jì)算機(jī)應(yīng)用研究， 2018，35（3）： 839-843. （WANG Z M， ZHANG X P， LIANG C. A fall behavior monitoring method based on time series analysis abnormal data [J]. Application Research of Computers， 2018， 35（3）： 839-843.）

[11] KIANOUSH S， SAVAZZI S， VICENTINI F， et al. Leveraging RF signals for human sensing： fall detection and localization in humanmachine shared workspaces[C]// Proceedings of the 2015 IEEE 13th International Conference on Industrial Informatics. Piscataway， NJ： IEEE， 2015： 1456-1462.

[12] KIANOUSH S， SAVAZZI S， VICENTINI F， et al. Devicefree RF human body fall detection and localization in industrial workplaces[J]. IEEE Internet of Things Journal， 2017，4（2）： 351-362.

[13] HAN C， WU K， WANG Y， et al. Wifall： devicefree fall detection by wireless networks[C]// INFOCOM 2014： Proceedings of the 2014 IEEE Conference on Computer Communicationsns. Piscataway， NJ： IEEE， 2014：271-279.

[14] WANG Y， WU K， NI L M. WiFall： Devicefree fall detection by wireless networks[J]. IEEE Transactions on Mobile Computing， 2017， 16（2）： 581-594.

[15] ZHANG D， WANG H， WANG Y， et al. Antifall： a nonintrusive and realtime fall detector leveraging CSI from commodity WiFi devices[C]// ICOST 2015： Proceedings of the 2015 International Conference on Smart Homes and Health Telematics. Berlin： Springer， 2015： 181-193.

[16] WANG H， ZHANG D， WANG Y， et al. RTfall： a realtime and contactless fall detection system with commodity WiFi devices[J]. IEEE Transactions on Mobile Computing， 2017， 16（2）：511-526.

[17] GU Y， ZHAN J， JI Y， et al. MoSense： a RFbased motion detection system via offtheshelf WiFi devices[J]. IEEE Internet of Things Journal， 2017， 4（6）： 2326-2341.

[18] GU Y， LIU T， LI J， et al. EmoSense： datadriven emotion sensing via offtheshelf WiFi devices[C]// Proceedings of the 2018 IEEE International Conference on Communications. Piscataway， NJ： IEEE， 2018： 1-6.