[论文解读] When Healthcare Meets Off-the-Shelf WiFi: A Non-Wearable and Low-Costs Approach for In-Home Monitoring

Lingchao Guo, Zhaoming Lu+3 more|arXiv (Cornell University)|Sep 21, 2020

Context-Aware Activity Recognition Systems参考文献 56被引用 14

一句话总结

该论文提出了一种低成本、非可穿戴的室内监测系统，利用现成的WiFi设备通过墙壁捕捉精细的人体姿态图并追踪详细的呼吸状态。通过利用信道状态信息（CSI）和定制的神经网络，该系统实现了类似摄像头的人体姿态估计和精确的呼吸曲线追踪，能够在不引发隐私担忧或依赖可穿戴设备的情况下检测异常事件和呼吸模式，适用于老年人照护。

ABSTRACT

As elderly population grows, social and health care begin to face validation challenges, in-home monitoring is becoming a focus for professionals in the field. Governments urgently need to improve the quality of healthcare services at lower costs while ensuring the comfort and independence of the elderly. This work presents an in-home monitoring approach based on off-the-shelf WiFi, which is low-costs, non-wearable and makes all-round daily healthcare information available to caregivers. The proposed approach can capture fine-grained human pose figures even through a wall and track detailed respiration status simultaneously by off-the-shelf WiFi devices. Based on them, behavioral data, physiological data and the derived information (e.g., abnormal events and underlying diseases), of the elderly could be seen by caregivers directly. We design a series of signal processing methods and a neural network to capture human pose figures and extract respiration status curves from WiFi Channel State Information (CSI). Extensive experiments are conducted and according to the results, off-the-shelf WiFi devices are capable of capturing fine-grained human pose figures, similar to cameras, even through a wall and track accurate respiration status, thus demonstrating the effectiveness and feasibility of our approach for in-home monitoring.

研究动机与目标

• 应对老龄化人群日益增长的对经济实惠、非侵入性室内医疗监测的需求。
• 克服可穿戴传感器和基于摄像头系统存在的局限性，包括成本高、隐私担忧以及对环境的敏感性。
• 开发一种系统，利用现有WiFi基础设施实现对行为和生理数据的持续全天候监测。
• 通过依赖现成的WiFi硬件并最小化硬件需求，确保系统在真实家庭环境中具有实际部署可行性。
• 实现对异常事件（如跌倒）和病理性呼吸模式的早期检测，为早期诊断提供支持。

提出的方法

• 利用现成的WiFi设备收集室内环境中多径信号传播的信道状态信息（CSI）。
• 设计一种深度神经网络，通过建模人体运动的空间与时间模式，从CSI数据中重建精细的人体姿态图，即使在墙体后方也能实现。
• 通过分离与胸部运动相对应的低频分量，从CSI幅度变化中提取呼吸状态曲线。
• 应用信号处理技术过滤噪声，并增强CSI中低幅度的呼吸相关调制信号。
• 将姿态估计与呼吸追踪整合到统一框架中，实现对行为与生命体征的同步监测。
• 在提取的呼吸曲线特征上应用机器学习（如SVM），对异常呼吸模式（如潮式呼吸和共济失调性呼吸）进行分类。

实验结果

研究问题

• RQ1 现成的WiFi设备是否能够在室内环境（包括墙体后方）准确重建详细的人体姿态图？
• RQ2 基于CSI的信号处理与神经网络能否实现与医疗级设备相当的呼吸频率追踪？
• RQ3 该系统在仅使用WiFi信号的情况下，能在多大程度上检测到跌倒或长时间不动等异常行为？
• RQ4 该系统能否仅凭CSI生成的曲线区分病理性的呼吸模式，如潮式呼吸与共济失调性呼吸？
• RQ5 在存在障碍物和不同人体姿势的现实非视距条件下，系统性能如何？

主要发现

• 所提出的系统在人体姿态估计方面表现与基于摄像头的方法相当，即使被测者位于墙体后方，也证明了WiFi基人体轮廓重建的可行性。
• 呼吸状态曲线实现了高时间分辨率的精确追踪，能够检测细微变化和呼吸暂停期。
• 通过在提取的CSI基特征上应用SVM，能够以足够准确度对潮式呼吸和共济失调性呼吸等异常呼吸模式进行分类，适用于早期诊断。
• 系统在存在典型障碍物的现实室内环境中运行良好，对非视距条件表现出强健性。
• 该方法可仅利用现有WiFi基础设施实现对行为与生理数据的持续、非侵入式监测，显著降低费用与隐私风险。
• 当视 Line-of-Sight（LoS）路径距离为1.5米时，感知范围约为1.2米，足以覆盖床铺和沙发等关键监测区域。