A Study on WiFi CSI-Based Human Fall Detection = WiFi CSI를 이용한 인간 낙상 탐지에 관한 연구

다국어 초록 (Multilingual Abstract)

Radio frequency (RF)-based fall detection systems have been actively studied over the past decade due to their low privacy concerns and convenient non-wearable nature. In particular, WiFi channel state information (CSI)-based solutions offer the additional benefit of requiring no specific hardware due to the widespread deployment of WiFi. However, WiFi CSI-based systems typically suffer from severe performance degradation in cross-domain scenarios, non-line-of-sight (NLOS) and/or through-the-wall (TTW) environments. For successful real-world deployment, a fall detection system must be able to provide reasonably good performance even in such poor conditions. This thesis proposes two new WiFi CSI-based fall detection systems: one based on CSI amplitude, called AmFall, and another based on CSI phase, called PhaFall. These systems effectively address the aforementioned challenges.
To cope with NLOS/TTW situations, AmFall selectively uses the subcarriers and principal components containing valuable information. Considering that the continuous wavelet transform (CWT) is suitable for time-frequency analysis of non-stationary signals, such as those generated during falls, AmFall generates a scalogram by applying CWT to the resulting CSI signal with a novel denoising algorithm and extracts the speed information for segmentation. The segmented scalograms are fed into a deep learning-based classifier. This thesis also suggests a simple yet effective dataset augmentation method to generate multiple scalograms from a single CSI observation. AmFall, implemented on commercial WiFi devices, achieves a high fall detection accuracy of 95.28% to 99.67% in TTW and cross-domain environments, outperforming state-of-the-art WiFi-based methods.
PhaFall is designed under the assumption of harsher real-world conditions, specifically targeting fall detection through a thick concrete wall—referred to as through-the-concrete-wall (TTCW) scenarios. To achieve this goal using CSI phase, the thesis proposes a method to extract motion-induced CSI phase information by removing various phase offsets, and then utilizes the cleaned phase data to detect falls using techniques developed in AmFall. As a result, PhaFall achieves up to 93.1% fall detection accuracy in the TTCW environment, where AmFall struggles to perform effectively.

국문 초록 (Abstract)

최근 10여 년간, 무선 주파수(RF) 기반 낙상 탐지 시스템은 개인정보 침해 우려가 적고 착용형 장비 없이도 편리하게 사용할 수 있다는 장점으로 활발히 연구되어 왔다. 그 중에서도 WiFi 채널 상태 정보(CSI)를 활용한 방법은 추가적인 전용 하드웨어 없이, 기존의 광범위하게 보급된 WiFi 인프라를 활용할 수 있다는 점에서 추가적인 이점을 제공한다. 그러나 CSI 기반 시스템은 훈련-테스트 환경 불일치 상황 (크로스 도메인), 비가시선(NLOS) 환경, 벽을 통한 탐지(TTW) 환경 등에서 성능 저하가 심각하게 발생하는 한계가 있다. 실제 환경에서의 성공적인 적용을 위해서는 낙상 탐지 시스템이 이러한 열악한 조건에서도 일정 수준 이상의 성능을 유지할 수 있어야 한다. 이에 본 논문에서는 WiFi CSI 기반의 두 가지 새로운 낙상 탐지 시스템을 제안한다. 첫 번째는 CSI 진폭 정보를 기반으로 하는 AmFall, 두 번째는 CSI 위상 정보를 기반으로 하는 PhaFall이다. 제안된 두 시스템은 위에서 언급한 다양한 문제들을 효과적으로 해결하는 것을 목표로 설계되었다.
NLOS/TTW 상황에 대응하기 위해, AmFall은 유용한 정보를 포함하는 서브캐리어와 주요 성분(principal components)을 선택적으로 사용한다. 낙상 중 발생하는 신호와 같이 비정상(non-stationary) 신호의 시간-주파수 분석에 연속 웨이블릿 변환(CWT)이 적합하다는 점을 고려하여, AmFall은 CWT를 적용한 후, 제안한 잡음 제거 알고리즘을 통해 잡음이 제거된 스케일로그램을 생성하고, 이를 기반으로 속도 정보를 추출하여 사람의 행동을 포함하는 유효한 부분만을 사용하기 위해 분할(segmentation)한다. 이렇게 분할된 스케일로그램은 딥러닝 기반 분류기에 입력된다. 본 논문에서는 또한 단일 CSI 관측으로부터 다수의 스케일로그램을 생성할 수 있는 간단하지만 효과적인 데이터셋 증강 방법도 제안한다. 상용 WiFi 장치에 구현된 AmFall은 TTW 및 크로스 도메인 환경에서 95.28%에서 99.67%에 이르는 높은 낙상 감지 정확도를 달성하였으며, 기존 WiFi 기반 최신 기법들보다 우수한 성능을 보였다.
PhaFall은 보다 열악한 실제 환경을 가정하여 설계되었으며, 특히 두꺼운 콘크리트 벽을 사이에 둔 낙상 탐지, 즉 Through-the-concrete-wall (TTCW) 시나리오를 주요 대상으로 한다. 이를 CSI 위상을 기반으로 실현하기 위해, 본 논문에서는 다양한 위상 오프셋을 제거함으로써 움직임에 의해 유도된 CSI 위상 정보를 추출하는 방법을 제안하며, 이렇게 정제된 위상 데이터를 AmFall에서 개발된 기법에 적용하여 낙상을 감지한다. 그 결과, AmFall의 성능이 저하되는 TTCW 환경에서도 PhaFall은 최대 93.1%의 낙상 탐지 정확도를 달성하였다.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1 Background and Motivation 1
• 1.2 Related Works 6
• 1.3 WiFi CSI for Fall Detection 9
• 1.4 Organization 11
• Chapter 2. AmFall: WiFi CSI Amplitude-Based Fall Detection 13
• 2.1 Introduction to AmFall 13
• 2.2 AmFall Methodology 15
• 2.2.1 Dataset Augmentation 16
• 2.2.2 CSI Preprocessing 18
• 2.2.3 Scalogram Processing 21
• 2.2.4 Segmentation and Speed Extraction 30
• 2.2.5 Classification 32
• 2.3 Evaluation 34
• 2.3.1 Experimental Setup 34
• 2.3.2 Classification Results with CNNs 37
• 2.3.3 Competitive Comparisons 49
• 2.3.4 Computational Time and Parameter Size of CNN Models 51
• 2.3.5 Comparison with Other Fall Detection Methods 53
• Chapter 3. PhaFall: WiFi CSI Phase-Based Fall Detection 58
• 3.1 Introduction to PhaFall 58
• 3.2 CSI Phase Model 60
• 3.3 PhaFall Methodology 62
• 3.3.1 CSI Phase Extraction 62
• 3.3.2 PhaFall Procesing Steps 65
• 3.4 Evaluation 67
• 3.4.1 TTCW Dataset 67
• 3.4.2 Intra-domain 69
• 3.4.3 Cross-domain 70
• 3.4.4 Speed Estimate 72
• 3.4.5 Evaluation Using Dynamic Component 73
• 3.4.6 Evaluation Using Both of AmFall and PhaFall Images 74
• Chapter 4. Conclusion 77
• Bibliography 79
• Abstract 93