基于WiFi CSI的实时跌倒检测系统：从原理到部署实战

去年我接手了一个项目代号为17-TMC-RT-Fall的验证任务目标简单粗暴不装摄像头、不戴手环只用家里已有的商用WiFi设备在老人跌倒后的几秒内发出提醒。当时我的第一反应是怀疑——路由器不是用来上网的吗什么时候兼职干起监护员的活了但把整套系统从原理跑到实测之后我发现自己低估了无线感知这件事的成熟度。实时、非接触、低成本这三点同时满足在跌倒检测这个场景里其实非常稀缺。这篇文章不打算复述论文而是以我实际搭建这套 WiFi 跌倒检测原型系统的过程为主线把核心原理、工程链路、选型逻辑和踩过的坑一次说清楚。如果你正考虑做老人照护、独居监测或者智慧养老相关方案又不想被摄像头和穿戴设备的隐私、佩戴率问题卡住这篇文章应该能给你一条可以落地的技术路径。1. 为什么会盯上WiFi做跌倒检测这条路1.1 传统方案的三个死穴跌倒检测不是新话题但市面上能用的方案各有各的别扭。先说穿戴设备最常见的是手环、智能手表、挂坠按钮。理论上只要老人戴着跌倒姿态触发的加速度计数据就能判断摔倒但实际佩戴率低得惊人。很多老人洗澡、睡觉、嫌重、怕丢随手摘下来偏偏跌倒高发场景就是卫生间和床边设备不在身上等于白装。摄像头方案则栽在隐私上客厅装一个还勉强能接受卧室和卫生间装监控老人首先不答应很多子女自己心里也犯嘀咕。第三个方案是环境传感器比如红外热释电、压力地垫。这类方案各有局限热释电只能感知存在无法精确识别姿态变化地垫只能覆盖一小块区域老人走出范围就失效。我见过一个养老改造项目装了十几块压力垫老人家属反馈像走在机关上体验很差。这几个方案的痛点是共通的要么依赖老人主动配合要么侵入感太强要么覆盖面积太小。因此当看到用商用WiFi做非接触跌倒检测这个思路时我意识到它瞄准的正是传统方案的空白地带——不依赖佩戴、没有镜头、能覆盖整个房间。1.2 商用WiFi设备为什么能当传感器很多人第一次听WiFi感知会觉得玄幻。其实底层逻辑不复杂WiFi信号在室内传播时会经过直射、墙面反射、人体反射等多条路径到达接收端这些路径叠加出独特的信道状态。当房间里没有人时多径分布是相对稳定的一旦有人走动、坐下、跌倒身体会反射、散射WiFi信号导致信道状态发生可观测的变化。跌倒这种大幅度、短促、伴随静止的动作会在信道信息中留下非常明显的签名。关键是这套感知并不需要改造路由器也不需要定制设备。市面上大量普通商用WiFi网卡和路由器本身就在持续估计信道信息用于通信优化。项目做到的核心工作之一是把这个底层信息采集出来从通信系统的内部数据变成感知系统的输入信号。这和用麦克风听房间声音类似——麦克风本来是为通话设计的但我们可以从音频里分析出环境事件WiFi信道信息同理属于同一类信号复用思路。1.3 我对这个项目的第一反应和验证思路刚拿到17-TMC-RT-Fall的需求书时我其实专门挑过刺。前两代无线感知方案我多少有些了解最大的质疑点是稳定性WiFi信号极易受环境影响同一套参数在会议室跑得好好的换个房间就失灵。但项目需求里有两个字让我决定认真做下去实时。过去很多跌倒检测研究停留在离线分析跌倒发生后半天才出结果这在应急场景里毫无意义。如果能在几百毫秒级延迟内完成采集、识别和告警这个方向就有讨论价值。我的验证思路分四步第一步确认商用设备能稳定拿到用于感知的信道信息第二步采集跌倒、行走、蹲起、静坐等活动的数据第三步设计实时处理链路把识别延迟压到秒级第四步做一套持续数周的长稳测试统计误报率和漏报率。整个过程下来我对无线感知的判断从理论上可以变成了工程上可用但中间的坑也不少下面慢慢展开。2. 从无线电波到跌倒两个动作的距离核心原理拆解2.1 物理层基础RSSI做不了这件事网上很多IoT教程喜欢用RSSI接收信号强度做人体存在检测比如人走过信号强度下降了几个dB这其实是个非常粗糙的思路。RSSI只是一个平均能量值相当于你去听一场交响乐最后只能报出整体音量多大但分不清是小提琴在响还是鼓在敲。人体跌倒引发的信号变化在RSSI上通常只有几个dB的波动开门、窗帘飘动、甚至天气变化带来的起伏都比这大误报根本压不住。所以17-TMC-RT-Fall项目从第一行设计开始就确定要用CSI信道状态信息作为感知基础。CSI描述的是信号在多个频率子载波上的幅值和相位响应简单理解就是RSSI是房间整体音量CSI则记录了每个频率分量在传播路径上经历了什么。人体动作对每条路径的影响不一样反映在各子载波上的变化也不一样这就给了识别算法更丰富的输入。从信号处理的角度看CSI把人体动作从强度变化升级成了高维时空模式分类能力完全不同。2.2 CSI才是高级货幅相信息与多径CSI数据里最常用的是幅度信息也就是每个子载波上的衰减程度。理论上相位信息也很有价值但实际使用时要格外小心。商用WiFi设备的时钟不同步、载波频偏等问题会让相位数据混入随机偏差直接拿Raw Phase做分析基本没法用。业内常用做法是做了线性变换去除相位误差后再提取有效信息。我们在项目里一开始图省事只用了幅度后来发现某些动作在相位上区分度更好才又把变换后的相位补充进来。多径效应是这个系统的物理基础但也是最大的变量。我把WiFi接收过程类比成听回音壁同一句话经过直接传播、墙面反弹、人体反射以不同时间先后到达耳朵。人体一动作参与叠加的路径就变化最终收到的信号波形就跟着变。商用WiFi设备通常有2根或3根天线每根天线收到的多径组合不同这些天线的数据放在一起相当于在多个位置同时听同一个动作空间信息量就出来了。2.3 跌倒信号长什么样时频特征与静态基线在这个项目里我们采集了三种典型活动做对照正常行走、快速蹲下、真正跌倒。从原始CSI序列看跌倒是先出现剧烈高频波动随后迅速趋于平静的形态。剧烈波动来自身体快速下落对多径的冲击轮故事高频成分远高于行走而趋于平静是因为人倒地后基本不动信道恢复稳定。这个剧烈变化后接长时静止的形态是跌倒区别于行走、转身的关键签名。但是光看波形还不够。为了工程上可判别我们把每个活动窗口切成时域特征和频域特征两类。时域特征包括短时能量、均值方差、峰值持续率频域特征则看能量在0-150Hz范围内如何分布。跌倒动作的能量集中在较宽频带静坐的能量集中在极低频行走则有一个相对稳定的节奏峰值。把这两类特征合并后数据维度大约40个足够喂给分类器也远不到过拟合的量级。3. 实时系统的完整工程链路3.1 数据采集与同步别小看这一层很多文章讲WiFi感知都从特征提取开始但实际搭建时首先被卡住的是数据采集。商用WiFi设备的信道信息并不是默认输出的需要用专门工具从网卡固件里提取。我在设备选型上确认过两套方案一套用某款开源CSI采集工具配合特定型号的无线网卡能在普通台式机上跑起来另一套用厂商SDK直接读取嵌入式平台的信道信息。前者灵活度高适合快速验证后者集成度好适合后续产品化。实时系统有个采集层常见坑数据包速率不均匀。WiFi本身是共享介质信道信息随报文到达速率可能出现波动。算法要处理时间戳对齐问题不能想当然认为相邻两个CSI帧的间隔是稳定的。我在预处理里加了重采样步骤先把非均匀序列插值到固定时间轴再做后续分析否则后面的特征计算会引入虚假的频谱峰值。3.2 预处理去噪与活动窗口检测原始CSI序列噪声很多强干扰下信噪比能掉到让人想砸键盘的程度。预处理我做了三件事首先去除静态背景分量。房间空置时的CSI可以看作环境基线用滑动平均估计出来然后从当前信号里减掉剩下来的就是人体活动引起的动态扰动。其次做频带滤波因为跌倒动作的主要能量集中在中低频段保留有效频带、滤掉高频毛刺效果比单纯加平滑窗更好。最后是去异常跳变路由器偶发的速率调整会导致CSI突变这类突变通常只在极短瞬间出现用中值滤波就能压下去。活动窗口检测决定了系统的时序粒度。我们做过对比如果用固定3秒窗口做滑动推理延迟太大如果窗口太短信息不足。实测下来1.5秒的分析窗口加0.5秒的重叠是比较舒服的配置。这样每0.5秒产出一次判断而一次跌倒过程从发生到静止大概持续2秒至少能被两个窗口捕捉足够识别算法发挥。3.3 特征与分类从规则到模型我最后怎么选最初我想用纯规则判断先看短时能量是否突破阈值再看后续是否静止。这个方案实现快、可解释性强但很快暴露短板——蹲下捡东西和坐倒这两个动作的能量特征和跌倒几乎一样规则阈值怎么调都分不开。这说明在信道信息层面不同动作的原始特征可能高度重叠必须让模型从更多维度里找区分度。之后我测试了随机森林、轻量梯度提升和一个小型时序卷积网络。从实测结果看随机森林在处理40维特征时的速度最快单次推理在几毫秒量级准确率也不错时序网络理论上更强但在我们的数据规模下没有体现出明显优势反而推理耗时更高。最终线上使用的是轻量梯度提升模型因为它对特征混合的适应力好还能输出概率值方便后续时序确认模块做二次过滤。这个选型顺序我建议后来者也可以参考先上规则验证数据可用性再上树模型衡量上界有更重需求再换深度学习。3.4 时序确认把误报率真正压下去的最后一环单帧分类做到再准直接实时输出告警也会被误报淹没。一次误报可能触发电话通知或者现场声光报警频繁误报会让家人和老人两边的信任迅速崩塌。所以我在分类器后面加了一个时序确认层思路是不着急等确认。只有当模型在连续若干个分析窗口里多次输出跌倒概率超过阈值并且随后检测到长时间静止才判定为真实跌倒并发出告警。时序确认层的参数直接影响误报和漏报的平衡确认窗口太短还是容易误报太长紧急场景又等不起。我这边的经验值是特征窗口1.5秒、重叠0.5秒模型连续2次判定为跌倒且后续有持续静止信号整个端到端才发出告警。算下来从动作发生到报警大约需要2-3秒这个延迟在老人跌倒场景里是可以接受的换来的误报率降低非常显著。4. 实际部署时的硬件选择与环境校准4.1 路由器/网卡怎么挑天线怎么摆很多教程把WiFi感知说得像随便拿台路由器就能跑实际上硬件对效果影响很大。采购实验设备时我盯三个点一是信道信息是否可读这决定你能不能拿到CSI二是天线数量三根天线比两根天线在空间维度上有本质提升三是部署位置灵活度网卡形态的设备比一体化路由器更容易摆到合适位置。天线布局是最容易出效果也最容易被忽略的环节。我测试过几种布局结论是接收端不宜贴着墙面离地0.8到1.2米、朝向活动区域是比较理想的位置。发送端则最好放在房间中轴线附近这样人体活动时遮挡和反射路径最丰富。如果放在角落里覆盖区域会出现明显方向性老人往另一个方向一走就出了感知盲区后面自动告警就失效了。实验时我在两个相邻房间各部署了一套收发装置调度程序统一控制效果明显优于单房间部署。4.2 环境校准模型换布局要不要重新训WiFi感知被诟病最多的就是环境迁移性。茶几下搬家、窗帘换厚款、桌子换位置都可能影响信号分布。这个问题的根源是深度学习模型容易记住环境指纹而非动作本身。我的处理策略是校准而非重训采集少量新环境下空置房间的数据重新估计静态背景基线再用一个简单迁移层适配不同环境的特征分布。这样老人在新房间走动时系统不需要重新收集大量跌倒数据最多让老人做几次行走和蹲起把阈值校准一下就能用。但有一个现象让我比较谨慎不同房间的绝对CSI幅度差异非常大直接把模型从一个房间硬搬到另一个房间灵敏度会明显下降。所以我对部署规范的建议是每个房间务必单独做快速校准。校准动作不用太复杂按我这里总结的方案是站立几秒、行走一段、下蹲一次三个动作大约3分钟就能完成换来识别准确率的大幅回升这笔时间花得非常值。4.3 覆盖与盲区为什么我建议多接收端单接收端方案最大的问题是盲区。人体对WiFi信号的方向性反射很强如果接收端和人体之间隔着厚墙体或者大型金属家具信号衰减会直接把动作签名磨平。卫生间这类瓷砖墙体环境更严重信号多次反射后能量被吸收CSI信噪比下降跌倒识别几乎失效。多接收端是标准的应对思路。不是简单多买几套设备而是利用空间分集同一动作在多个位置接收的信号模式不同综合判断能还原出更完整的动作轮廓。我在一处模拟卫生间场景部署了双接收端一组信号被浴室柜遮挡时另一组往往还能捕捉到清晰的活动签名最终识别准确率提升约5个百分点。代价是多接收端的同步和汇聚稍微复杂但这些开销在边缘网关上都扛得住。5. 实测效果与踩坑记录那些论文没写的东西5.1 评估口径灵敏度和特异性要分开看做过监测类系统的人都懂只看准确率是自欺欺人。跌倒检测本质是极不平衡的分类问题一个老人一天中的正常活动次数远远多于跌倒次数。如果模型把所有样本都判成正常准确率也能轻松超过99%但这个系统毫无用处。我们采用的标准口径包括灵敏度所有真实跌倒中被正确报警的比例、特异性所有正常活动中被正确忽略的比例和端到端报警延迟。在我进行的连续数周测试中系统的灵敏度和特异性都维持在97%上下端到端延迟中位数在2.8秒左右。这个结果对于单房间、固定环境来说是可用的但距离真实复杂家庭环境的全天候运行还有距离主要差距恰好来自下面几个误报场景。5.2 高频误报场景蹲下捡东西、猫跳上桌子、窗帘摆动我复盘了误报样本发现主要来自于三类场景。第一类是蹲下捡东西和快速坐倒这两类动作的CSI动力学特征和跌倒高度相似区别主要在于跌倒后的持续静止状态不同。第二类是小动物和家电干扰猫跳上桌子会产生一个短促的高能量冲击空气净化器或者电扇转动则会在固定频段制造持续波动。第三类是窗帘摆动这类环境变化它虽然没有强冲击但会造成低频波动给活动检测层带来虚假触发。对这三类场景我的处理策略不一样。蹲下捡东西靠跌倒后静止规则拦截家电干扰用频带特征滤除净化器的转速频率相对固定与跌倒的宽频特征差异明显窗帘摆动则需要通过多接收端分集判断——环境变化对所有接收端的影响是类似的而人体动作通常会在某个接收端留下更突出的签名。把这些规则叠加进时序确认层后误报次数从最初一周十几降到几乎清零。5.3 无线干扰与人体遮挡的识别难度WiFi是共享介质旁边房间有人开视频会议、下载大文件都会造成信道信息的波动。测试中我发现最棘手的情况是窄带干扰例如微波炉工作时会产生周期性脉冲在频域上形成伪特征。这类干扰的频段与跌倒特征重叠时模型很容易被带偏。我的解法是在预处理阶段加干扰识别分支先判断当前频谱是否出现强周期窄带脉冲如果是则对这个窗口的特征做置信度衰减不给时序确认层投票权。人体遮挡问题同样值得单独说。老人坐在沙发上前方茶几挡住部分路径此时接收到的CSI能量基线会下降。真正让我纠结的是老人紧贴接收端睡觉这类场景身体离天线太近信号幅度进入饱和区动作反而分辨不出来。后来我把接收端部署高度调高并在系统里做了近场饱和检测一旦发现连续多帧CSI幅度异常稳定且偏大就让系统自动提醒家人把设备挪一下位置。5.4 隐私与合规数据不出本地做跌倒检测方案时隐私设计不是加分项而是生存项。无线感知的技术优势很大程度建立在非接触、无镜头上但CSI数据本身仍然包含个人活动信息必须当敏感数据处理。我在原型系统里做了一个纯本地的处理闭环数据采集、特征提取、模型推理都运行在家庭网关或本地小主机上只有最终的跌倒告警事件外发到家人手机。原始信道数据不出设备权重文件也不走云端同步。这样的设计顺带解决了另一个问题网络延迟不影响系统的实时性判断。本地推理的耗时可以做到毫秒级告警推送的延迟主要取决于家庭网络与运营商通道但这是事后消息不会拖累核心识别链路。对用户而言隐私边界清晰了接受度会高很多对开发者而言如果不涉及云端合规的复杂度也低一截。6. 从Demo到可用的最后一段路6.1 端到端延迟怎么控制如果只看模型推理时间轻量梯度提升单次预测不到5毫秒似乎可以吹毫秒级实时但真实系统不是这么算的。端到端延迟包含数据采集的窗口长度、特征计算时间、推理时间、时序确认投票时间以及告警传播时间。我实测之后发现延迟的最大头其实在采集窗口本身——一个动作必须积累足够时长的信号才能可靠判断这就决定了延迟有物理下限。控制延迟的思路是让各环节流水化而不是串行等待。数据采集线程持续滚动特征计算是增量式的不需要重新计算整个窗口只更新最新一段数据。我把整个流程拆分成采集、预处理、推理三个并行线程中间用有界队列连接。优化流水线后端到端延迟从最初接近4秒压缩到2.5至3秒而识别效果没有可见损失。如果未来需要更快可以考虑把窗口缩短并辅以更复杂的确认策略但方块速度要拿误报率换需要按场景取舍。6.2 与现有家庭设备联动的做法识别到跌倒之后告警只是第一步真正的价值在联动。我们接入了三类下游动作声光提醒、语音呼叫、远程通知。系统检测到跌倒后先触发现场声光提醒这是给神志尚清醒的老人一个确认机会。如果在设定时间内检测到老人自行起身活动则自动撤销告警避免虚惊。只有确认持续静止才向紧急联系人推送带位置和时间的通知。联动里有一个容易被忽视的细节告警撤销机制。实际生活中经常出现老人只是滑了一下但没有真正受伤很快站起来继续活动。如果系统一旦告警就死锁每次都要手动解除家人会烦到关掉整个系统。我的做法是把跌倒后恢复活动也建模成一种可识别事件一旦检测到起身动作和后续行走立即解除告警。这个设计在家人反馈里评价很高因为大幅减少了无效打扰。6.3 后续可能的扩展呼吸监测、多房间覆盖、迁移模式这套系统的底层能力是无线信道感知跌倒检测只是调用方式之一。同一个CSI数据流还可以做生命存在检测比如在静坐状态下提取呼吸引起的微弱周期波动用于判断房间内是否有人、甚至生命体征是否正常。我在实验中发现呼吸信号在CSI幅度谱上虽然微弱但稳定和跌倒检测完全兼容可以作为系统的常开功能这也是非接触方案相比摄像头的额外优势。多房间覆盖是更现实的扩展方向。我们目前能做到单房间高可靠多个房间需要逐步部署接收端并且各个房间的模型参数需要分别校准。一个理想的终态是整屋部署三到四个接收节点由一个边缘网关统一汇聚推理全屋无盲区。这会带来更大的工程复杂度但商业价值明显高一大截。给同行一个建议如果想快速落地先从老人最容易出事的卫生间和床旁这两个点位开始跑顺了再逐步铺开比一上来做全屋覆盖更稳。最后分享一个我在此过程中比较深刻的体会WiFi感知这个方向关键瓶颈从来不是算法有多深而是工程细节有多少。信道数据采集不稳再好的模型也是空中楼阁环境一变就失灵再高的准确率也是实验室数字。我在这套系统上最大的收获不是调出了多完美的分类器而是建立了一套从原始CSI到可告警事件的完整工程思维。跌倒检测做的是黄金几分钟的生意系统的每一毫秒延迟、每一次误报漏报背后都可能是一个真实的紧急时刻。把每一步踩扎实比追逐更花哨的模型重要得多。