WiSFall:一种非接触式的浴室跌倒监测模型

封闭浴室场景中的跌倒行为危害性大,救助及时性差,对其高效便捷的监测研究有重要意义.针对现有基于Wi-Fi信号感知的跌倒算法中存在的特征提取不足、识别精度有限问题,本文提出了一种基于深度学习的非接触式浴室跌倒监测模型WiSFall.首先,WiSFall将一维时序CSI数据流重构为二维的频率能量图形式,使得感知数据的特征容纳能力得以增强;其次,对重构后的感知数据进行巴特沃斯滤波,以去除环境噪声;最后,将滤波后的感知数据以频率能量图形式输入到构建好的深度学习模型中,通过对感知特征的有效提取和分类实现Wi-Fi环境下高精度的浴室跌倒监测.实验结果表明,WiSFall在居家浴室环境下对跌倒行为监测的准确率达到99.63%,相比同类模型表现更好,且具有较强泛化能力.