20-IEEE Trans-A_WiFi-Based_Smart_Home_Fall_Detection_System_Using_Recurrent_Neural_Network

【摘要】：独居老人跌倒已被视为重大公共卫生问题,甚至可能导致死亡。提醒护理人员或家庭成员的跌倒检测系统 (FDS) 有可能挽救老年人的生命。然而，传统的 FDS 涉及可穿戴传感器和专门的硬件安装。本文介绍了一种基于商品WiFi框架的智能家居无源无设备FDS，主要由硬件平台和客户端应用两个模块组成。具体来说，商用 WiFi 设备从智能家居收集人体运动引起的干扰信号，并将数据传输到数据分析平台进行进一步处理。在此基础上，采用离散小波变换(DWT)方法消除采集数据中存在的随机噪声的影响。接下来，利用循环神经网络 (RNN) 模型对人体运动进行分类并自动识别跌倒状态。通过利用 Web 应用程序编程接口 (API)，分析的数据能够上传到代理服务器，客户端应用程序然后从中获取相应的跌倒信息。此外，该系统已实现为消费者移动应用程序，可以帮助老年人在智能家居中挽救生命，并通过对真实世界数据集进行综合实验来评估所提出的 FDS 的检测性能。结果证实，与一些最先进的算法相比，所提出的 FDS 能够实现令人满意的性能。

三种不同室内环境中所有六种运动的识别准确率如图 7 所示。可以发现，所提出的 FDS 可以分别达到 82%、85% 和 90% 的平均准确率。实验室中的识别精度表现最差。相比之下，宿舍的识别准确率表现最好。可能的原因是实验室面积远大于办公室和宿舍的面积，这意味着实验室可以产生更复杂的多重环境。不同动作的识别精度有很大差异。尤其是对人体运动速度较大的人体动作，即“走”、“下”、“躺”，识别性能更好。其中，“下落”的动作识别准确率最高。原因是这种运动会对具有不同模式的 WiFi 信号的特性产生显着影响。另一个观察结果是“站立”的动作识别准确率最低。可能的原因是这种运动与“弯曲”运动对WiFi信号的影响相似。在这六种动作中，“下坠”的动作很重要，尤其是对独居老人来说。所提出的 FDS 能够在三种典型的室内环境中分别实现 90%、91% 和 93% 的“跌倒”运动识别准确率。

标签：WiFi,20,Recurrent,智能家居,准确率,FDS,跌倒,Fall,识别
来源： https://blog.csdn.net/weixin_42232024/article/details/120139254