weixin_42232024的博客

15-ICOST-Anti-fall-A Non-intrusive and Real-Time Fall Detector Leveraging CSI from Commodity WiFi Devices摘要——跌倒是老年人独立生活的主要健康威胁和障碍之一，及时可靠的跌倒检测对于减轻跌倒的影响至关重要。 在本文中，我们利用商品 WiFi 设备中的细粒度信道状态信息 (CSI) 和多天线设置，设计并实现了一种实时、非侵入性和低成本的室内跌倒检测器，称为 Anti-Fall . 第一次，两个天线上的 C

【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

摘要：跌倒是老一辈人受伤和死亡的主要原因。 家庭坠落监控系统提高了安全性，同时允许持续的独立性。 基于 WiFi 的家庭跌倒检测实用程序通过利用 WiFi 信道状态信息来监控用户，区分跌倒与正常的日常活动，如果发生跌倒，会自动通知用户选择的紧急联系人。传入的 CSI 数据作为 3 维整数矩阵被接收。在数据收集过程中，每次试验都包含 15 秒的数据，这些数据后来被分成三秒的块，以一秒为增量。训练完成后，会持续收集数据，但仅使用前三秒进行预测。再加上 CSI 以 50Hz 的速率采样，数据收集期间的每个矩阵变

基于 WiFi 信号的跌倒检测系统最近越来越受欢迎。然而，现有的大部分依赖于训练的工作都是依赖于环境的。在本文中，我们提出了 DeFall，这是一种新型的基于 WiFi 的、独立于环境的跌倒检测系统，它利用了与人类跌倒相关的内在特征——速度和加速度随时间变化的模式。该系统由离线模板生成阶段和在线决策阶段组成。在离线阶段，首先基于信道状态信息 (CSI) 的统计模型估计人类跌倒的速度。应用基于动态时间扭曲 (DTW) 的算法来生成典型人类跌倒的代表性模板。然后通过评估实时速度/加速度估计模式与代表性模板之间的

摘要——跌倒检测系统对独居老人的需求很大。在基于 Wi-Fi CSI 的跌倒检测的传统工作中，当使用不同环境中的数据来学习和测试数据时，已经观察到分类性能下降。此外，该方法由于降噪过程中的信号失真而无法准确捕捉运动特征，并且在SNR（信噪功率比）较小时无法准确地分割信号。在本文中，我们提出了一种使用 Wi-Fi CSI 的基于频谱图图像的跌倒检测。不同于传统的方法，CSI是用一定的滑动时间窗口分割的，然后分类器利用分割后的CSI生成的频谱图来检测跌倒。我们使用 CNN（卷积神经网络）对跌倒和非跌倒运动的频谱

摘要：不断增长的独立生活的老年人口需要远程健康监测系统。跌倒被认为是反复发生的致命事件，因此已成为全球健康问题。由于难以将跌倒的特征与其他类似活动区分开来，基于 WiFi 射频信号的跌倒检测系统仍然存在局限性。此外，天线方向没有被考虑作为分类性能的影响因素。因此，我们在本文中对与天线方向相关的分类性能以及与极化和辐射方向图相关的影响进行了分析。此外，还展示了用于收集跌倒经验数据的无设备跌倒检测平台的实现。该平台测量探测信号的多普勒频谱，以提取人体运动产生的多普勒特征，其特征可用于识别坠落事件。该系统探索两种

【摘要】：老年人的安全问题备受关注。在各种日常活动中，跌倒是老年人尤其是独居老人最危险的事件之一。现有的跌倒检测工作大多基于可穿戴设备，使用不便。一些解决方案只使用粗粒度的Wi-Fi信号信息，其中包含很多偏差，缺乏对环境变化的考虑。这些情况促使我们设计一种细粒度且鲁棒的跌倒检测方法。在本文中，我们提出了一种名为 FallViewer 的跌倒检测系统，它基于对 Wi-Fi 信号的信道状态信息 (CSI) 的分析。为了获得细粒度信息，我们提出了用于偏差校正的相位和幅度校准方法。然后，设计了一种天线功率调整方法来

在本文中，我们使用商业 WiFi 系统的信道状态信息 (CSI) 对室内区域被动人类行为识别的最新进展进行了调查。人体部位的运动会导致无线信号反射的变化，从而导致 CSI 的变化。通过分析不同活动的 CSI 数据流并将它们与存储的模型进行比较，可以识别人类行为。这是通过从 CSI 数据流中提取特征并使用机器学习技术构建模型和分类器来完成的。此处介绍的文献中的技术具有出色的性能；然而，我们建议使用深度学习技术，如长短期记忆 (LSTM) 循环神经网络 (RNN)，而不是这些工作中使用的机器学习技术，并展示改进

已经进行了大量的研究来开发基于一系列不同检测方法的跌倒检测系统，即可穿戴和非可穿戴传感和检测技术。在本文中，我们考虑了一种基于 WiFi 信道状态信息 (CSI) 的新兴非穿戴式跌倒检测方法。以前基于 CSI 的跌倒检测解决方案只考虑了时域方法。在这里，我们采用完全不同的方向，即雷达跌倒检测中使用的时频分析。我们使用传统的短时傅立叶变换 (STFT) 来提取时频特征，并使用顺序前向选择算法来挑选出对环境变化具有弹性的特征，同时保持较高的跌倒检测率。当我们的系统经过预训练时，它具有 93% 的准确率，与 RT

摘要——本文介绍了 RT-Fall 的设计和实现，RT-Fall 是一种使用商用 WiFi 设备的实时、非接触式、低成本但准确的室内跌倒检测系统。 RT-Fall 利用商用 WiFi 设备中可访问的细粒度信道状态信息 (CSI) 的相位和幅度，首次实现了自动实时分割和检测跌落的目标，这允许用户执行无需在身上佩戴任何设备即可自然而持续地进行日常活动。这项工作做出了两个关键的技术贡献。首先，我们发现两个天线上的 CSI 相位差是比活动识别幅度更敏感的基础信号，这可以非常可靠地分割跌倒和类似跌倒的活动。其次，我们

在具有不同 Tx-Rx 布局方案的三种典型室内场景中，对笔记本电脑上配备的商用 802.11n NIC 的 WiFall 进行了广泛评估。 测量结果表明，WiFall 可以在所有测试场景中使用基于随机森林的分类实现 94% 的平均检测准确率。 此外，WiFall 可以扩展用于识别其他人类活动。4.4 活动决策 WiFall 中应用了两种分类算法来检测跌倒。 为了区分跌倒与其他运动，我们首先采用基于从轮廓构建模块中提取的特征的一类支持向量机（SVM）。 为了进一步提高检测精度并减少误报，随机森林（RF）被应

摘要——世界人口正处于独特且不可逆转的老龄化进程之中。秋季是老年人独立生活的主要健康威胁和障碍之一，将加剧全球老年人保健和伤害救援的压力。因此，非常需要自动跌倒检测。当前提议的跌倒检测系统要么需要硬件安装，要么扰乱人们的日常生活。这些限制使得很难在住宅环境中广泛部署跌倒检测系统。在这项工作中，我们分析了考虑人类活动影响的无线信号传播模型。然后，我们提出了一种基于先进无线技术的新颖且真正不引人注目的检测方法，我们称之为 WiFall。 WiFall 使用信道状态信息 (CSI) 的时间可变性和特殊多样性作为人

我们提出了一种基于WiFi的域自适应系统FiDo，该系统能够使用来自一个或两个示例用户的标记数据来本地化许多不同的用户。 Fido包含两个模块：1）一个数据增幅器，它使用变分自动编码器（VAE）引入数据分集； 2）域自适应分类器，使用联合分类重构结构将自身调整为新收集的未标记数据。 与现有技术相比，FiDo将平均F1得分提高了11.8％，将最坏情况下的准确性提高了20.2％。Challenge 1: It is unrealistic to create a comprehensive fingerpri

随着人们对隐蔽金属武器检测的日益关注，对具有大覆盖范围、鲁棒性和非突击性的金属检测系统的需求日益迫切。基于电磁感应或x射线的传统系统是有效的，但除了需要昂贵的基础设施外，覆盖范围较小。在本文中，我们探索利用无处不在的WiFi信号对隐藏的金属物体进行非侵入性检测。为目的,我们构建一个原型系统组成的单天线商品WiFi无线发射机,和两个multi-antenna无线电接收器放置在一个室内环境约42英尺×39英尺。与我们进行广泛的实验学科走过的设置(或没有)的金属板放置在胸。我们利用从接收机收集到的信道状态信息训练

Learning Sleep Stages from Radio Signals:A Conditional Adversarial Architecture：我们专注于通过无线电测量来预测睡眠阶段，而不需要在受试者身上附加任何传感器。我们引入了一种新的预测模型，结合卷积和循环神经网络从RF信号中提取睡眠特定的主观不变特征，并捕获睡眠的时间进展。我们方法的一个关键创新是改进的对抗训练机制，它丢弃了特定于个体或测量条件的无关信息，同时保留了与预测任务相关的所有信息。我们分析了我们的博弈论设置，并通过经验证明，

介绍 A Survey of Clustering With Deep Learning: From the Perspective of Network Architecture：聚类是许多数据驱动应用程序领域中的一个基本问题，集群的性能在很大程度上取决于数据表示的质量。因此，线性或非线性特征变换被广泛用于学习更好的聚类数据表示。近年来，大量的研究都集中在利用深度神经网络学习一种对聚类友好的表示，聚类性能得到了显著的提高。在本文中，我们从建筑学的角度对深度学习聚类进行了系统的研究。具体来说，为了更好的理

1、介绍 Detection of Suspicious Objects Concealed by Walking Pedestrians Using WiFi提出了一种基于WiFi信道状态信息（CSI）的无设备检测方法。通过分析不同材料引起的子载波幅度的不同变化，该方法能够检测出行人通过WiFi发送器和接收器的传输链路时隐藏的金属和液体等可疑物体。该方法利用卷积神经网络（CNN）对可疑目标进行分类，并利用多数投票对最终结果进行投票，以提高步行行人的检测精度。评价结果表明，该方法对行人隐蔽的金属和液体的检

1、介绍 在Wi-Metal: Detecting Metal by Using Wireless Networks中利用CSI数据进行建模实现对不同金属物体的检测，适用于在公共场所的危险物品检测通道。2、主要技术 K-MeansEuclidean metric formula (Euclidean distance) as the similarity measure formula and use the sum of squared error formula (SSE) as a measure