基于WiFi感知的可解释性学习系统FallAware：一种鲁棒性跌倒检测新方法

《IEEE Journal of Selected Areas in Sensors》：FallAware: An Explainable Learning Approach to Robust Fall Detection With WiFi

本文针对室内跌倒检测中存在的隐私侵犯、环境依赖性和高误报率等问题，提出了一种基于商用WiFi设备的被动感知系统FallAware。研究人员通过信号处理技术提取环境无关特征，采用轻量级LSTM神经网络实现跌倒识别，并创新性地提出ID-CAM解释性框架验证模型决策依据。在5种环境25名志愿者的2400次跌倒测试和21个月长期误报测试中，系统在未知环境中达到94.1%检测率，单人居所月误报<5次，为老年人独居安全提供了可靠解决方案。

　　

随着全球独居老年人口不断增加，跌倒已成为65岁以上人群伤害相关死亡的首要原因。然而，现有的跌倒检测系统面临重大挑战：摄像头监控侵犯隐私，可穿戴设备需要频繁充电且易被遗忘，雷达传感覆盖范围有限且成本高昂。更关键的是，当前基于商用WiFi设备的跌倒检测方案要么严重依赖特定环境，要么缺乏真实环境下的长期测试，难以保证在实际应用中的可靠性。

针对这些痛点，来自Origin Research的研究团队在《IEEE Journal of Selected Areas in Sensors》上发表了一项创新研究，提出名为FallAware的新型跌倒检测系统。该系统巧妙融合了无线信号处理与机器学习技术，实现了高精度、低误报的跌倒检测，为解决老年人独居安全问题提供了切实可行的技术方案。

研究团队采用了几项关键技术方法：首先利用信道状态信息(CSI)的自相关函数(ACF)差分(d-ACF)提取环境无关的运动特征；然后设计参数仅21k的轻量级长短期记忆(LSTM)神经网络进行分类；创新提出迭代失真-类激活映射(ID-CAM)技术解释模型行为；最后通过多天线数据增强和长期实地测试验证系统性能。实验数据涵盖5种环境25名志愿者的2400次跌倒记录，以及6种环境21个月的误报测试。

系统设计

FallAware采用三级处理流程：预处理阶段将CSI时间序列转换为包含速度信息的d-ACF特征；学习阶段使用LSTM网络识别跌倒模式；后处理阶段通过滑动窗口平均提高检测稳定性。与直接使用速度估计的方法相比，d-ACF保留了更丰富的上下文信息，在复杂场景中表现更优。

可解释性设计

研究团队提出的ID-CAM技术通过迭代失真输入并观察输出变化，生成热图显示模型决策的关键区域。结果表明，网络确实聚焦于d-ACF中的高速区域进行跌倒判断，这与跌倒的物理特性一致，增强了系统的可信度。

性能评估

在三个未知环境测试中，FallAware平均检测率达到94.1%，短期误报率为2.42%。长期测试显示，在单人无宠家庭中月均误报仅4.2次，显著优于现有技术。

微基准测试

对比实验表明，LSTM架构在时间序列分类上优于TCN和Transformer；3000Hz采样率比1000Hz性能更稳定；数据增强使模型在未知环境中的泛化能力提升约20%。

系统基准测试

设备部署测试显示，FallAware在0-2堵墙遮挡的各种场景下均保持稳定性能。用户多样性测试中，10名志愿者检测率差异主要与跌倒速度相关，而非体型因素。

与现有技术对比，FallAware在未知环境中的性能显著优于WiSpeed和DeFall等基于速度阈值的方法，证明了融合d-ACF特征与学习框架的优势。

研究结论表明，FallAware成功将电磁波统计理论与学习技术相结合，实现了可解释、高精度的跌倒检测系统。该系统在严重非视距环境和未知场景中保持稳定性能，为构建可靠的无线感知系统提供了新范式。未来工作将探索多设备信息融合、宠物运动干扰排除等方向，进一步提升系统实用性和普适性。

这项研究的重要意义在于，它不仅解决了跌倒检测领域的关键技术难题，更通过可解释性设计建立了用户对AI系统的信任，为无线感知技术在医疗健康领域的广泛应用奠定了坚实基础。随着全球老龄化趋势加剧，这种基于现有WiFi基础设施的低成本、高可靠性解决方案，有望在智能家居、远程医疗等领域发挥重要作用。