Page 164 - 《软件学报》2021年第10期

3136 Journal of Software 软件学报 Vol.32, No.10, October 2021

术的兴起,基于 Wi-Fi 的行走行为感知受到了研究人员的广泛关注.为了从 Wi-Fi 信号中提取出反映人行走信息
的信号特征,当前的行走识别和行走参数估计方法主要依赖于大量的经验观察,所提取的信号波动性、时域相
关性等特征与行为间的映射关系较为间接;且由于缺乏理论指导,凭经验观察提取的特征中往往包含与环境和
感知目标相关的多余信息,造成系统学习成本高,对走动方式的限制较大,系统鲁棒性较差.不同于以往工作,本
文通过分析人在行走过程中产生的多普勒效应和 Wi-Fi 信道状态信息之间的关系,建立了基本的多普勒速度运
动模型,进一步通过多重信号分离(MUSIC)算法,从信道状态信息中获得了可以反映人运动状态的多普勒速度.
最后,通过揭示多普勒速度和人行走的真实速度之间的映射关系,实现了基于多普勒速度的行走识别和细粒度
的行走参数估计.为了验证行走识别和行走参数估计方法的有效性和鲁棒性,本文从不同人、不同环境、不同
行走速度、不同行走方向等多个角度进行了大量的实验.其中,系统的行走识别准确率达到 95.5%,行走速度大
小估计的相对中位误差为 12.2%,方向估计误差为 9,行走计步的准确率为 90%.本文首次在不需要任何学习的
情况下,实现了在连续活动中行走行为的精准识别,并且能够同时精确地估计行走的速度、方向和步数等多维
基本信息,为上层情境感知应用提供服务.
未来,基于 Wi-Fi 的无接触感知技术将在智慧家庭、智能看护中扮演着重要的角色,且由于其不要求感知目
标携带任何设备,所以非常适合进行长期的感知和看护.通过长期对老年人行走行为进行识别,可以推测老年人
的生活习惯、健康状况,也有助于及时发现异常.例如:被看护的老年人一天内的行走时间突然大大减少,或者出
现深夜行走活动,可能需要及时对老年人的身体健康进行关注.除了行走识别,结合细粒度的行走参数信息,一
方面可以辅助当前粗粒度的无接触室内定位技术,提高室内定位的精度;另一方面,也可以基于这些底层信息分
析更高层次的步态信息,进行身份识别、身体健康判别、疾病推测等.像患有阿尔兹海默症的老年人,其早期症
状主要体现在行走方式上会发生变化,而这些症状往往很难被短时间观察到.通过对行走参数的长时间估计,有
助于医生进行参考,做出合理的判断并提前采取治疗措施.当然,将行走状态的监测与医疗、智慧家庭等领域相
结合,在实际中必然充满着挑战,但却是具有价值且有趣的课题,值得作为未来的研究方向去深入探讨.

References:
[1] Hardegger M, Roggen D, Troster G. 3D ActionSLAM: Wearable person tracking in multi-floor environments. Personal and
Ubiquitous Computing, 2015,19(1):123141. http://doi.org/10.1007/s00779-014-0815-y
[2] Yun X, Calusdian J, Bachmann ER, McGhee RB. Estimation of human foot motion during normal walking using inertial and
magnetic sensor measurements. IEEE Tran. on Instrumentation & Measurement, 2012,61(7):20592072. http://doi.org/10.1109/
TIM.2011.2179830
[3] Hamilton JM, Joyce BS, Kasarda ME, Tarazaga PA. Characterization of human motion through floor vibration. In: Proc. of the
32nd IMAC Dynamics of Civil Structures. Cham: Springer-Verlag, 2014. 63170. http://doi.org/10.1007/978-3-319-04546-7__19
[4] Schuller B, Pokorny F, Ladsatter S, Fellner M, Graf F, Paletta L. Acoustic geo-sensing: Recognising cyclists’ route, route direction,
and route progress from cell-phone audio. In: Proc. of the Int’l Conf. on Acoustics, Speech and Signal Processing. Vancouver:
IEEE, 2013. 453457. http://doi.org/10.1109/ICASSP.2013.6637688
[5] Eldib M, Deboeverie F, Philips W, Aghajan H. Behavior analysis for elderly care using a network of low-resolution visual sensors.
Journal of Electronic Imaging, 2016,25(4):117. https://doi.org/10.1117/1.JEI.25.4.041003
[6] Ohnishi K, Kanehira A, Kanezaki A, Harada T. Recognizing activities of daily living with a wrist-mounted camera. In: Proc. of the
IEEE Conf. on Computer Vision and Pattern Recognition. Las Vegas: IEEE, 2016. 31033111. https://doi.org/10.1109/CVPR.2016.
338
[7] Wang Y, Liu J, Chen Y, Gruteser M, Yang J, Liu HB. E-Eyes: Device-free location-oriented activity identification using fine-
grained WiFi signatures. In: Proc. of the 20th Annual Int’l Conf. on Mobile Computing and Networking. Hawaii: ACM, 2014.
617628. https://doi.org/10.1145/2639108.2639143
[8] Wange W, Liu AX, Shahzad M, Ling K, Lu S. Understanding and modeling of Wi-Fi signal based human activity recognition. In:
Proc. of the 21st Annual Int’l Conf. on Mobile Computing and Networking. Paris: ACM, 2015. 6576. https://doi.org/10.1145/
2789168.2790093
[9] Wang W, Liu AX, Shahzad M. Gait recognition using WiFi signals. In: Proc. of the 2016 ACM Int’l Joint Conf. on Pervasive and
Ubiquitous Computing. Heidelberg: ACM, 2016. 363373. https://doi.org/10.1145/2971648.2971670