Wi-Fi CSI 跌倒检测：可用的低频特征、误报控制与证据边界

作者 Wu Jun · 更新于 2026-10-29 · 约 7 分钟

跌倒检测是 Wi-Fi 感知里商业价值很高的方向，也是最容易把「有剧烈变化」误写成「可靠识别跌倒」的方向。 WiFall 与 WiCare 证明了 CSI 可以捕获与跌倒相关的无线信号变化 ^{[1] [2]}， 但这些论文的硬件、采样率、房间和受试者条件不能自动复制到一台约 12.64Hz 独立快照率的家用路由器上。

本文给出一个诚实的研究基线：利用慢运动包络、事件前上下文和事件后恢复期，先做「疑似跌倒事件」检测； 不声称医疗级准确性，也不把 8 条链记录当成 95Hz 微多普勒。

1. 先划清能力边界

本项目 10 分钟抓包证明 256 子载波 CSI 能稳定采集，57,293 条链记录按 bit15 得到 7,609 个测量组， 独立快照率约 12.64Hz ^{[3] [4]}。它没有跌倒事件标签，因此不能用于计算 跌倒准确率。

2. 为什么不能把 95.5 条记录/秒当采样率

一次 CSI 测量最多包含 8 条 tx/rx 链记录，它们共享接近相同的时间点。8 条链提供空间/频率多样性， 不是 8 个连续时间采样。若把 57,293 条记录按 95.5Hz 串成相位序列，会产生两个错误：

1. Nyquist 范围被人为扩大；
2. 同时刻链路差异被误读为时间演化。

正确顺序是：

1. 按 chain_info bit15 闭合测量；
2. 每个测量组选一条有效链或构造稳定的多链特征；
3. 按 file_ts 排序并重采样；
4. 明确报告独立快照率、最大空档与可用组比例。

12.64Hz 可以描述一次持续数百毫秒到数秒的身体运动包络，但不足以恢复 5GHz 下 1m/s 运动约 33Hz 的 真实步行微多普勒。算法必须针对这个限制设计，而不是靠改一个 FS=95 常量绕过。

3. 可解释的事件特征

跌倒不是一个孤立帧，而是一段事件：

事件前：有人走动/站立
事件中：短时大幅变化
事件后：坐下可能继续调整，跌倒后可能出现一段低运动期

因此特征应包含上下文与恢复期，而不是只看单个方差峰值。下面的代码假设 H 是每次测量选一条链后的 幅度矩阵，t 是对应时间戳，事件候选时刻为 event_t：

import numpy as np

def resample_rows(H, t, fs=20.0):
    t = np.asarray(t, dtype=float)
    order = np.argsort(t)
    t, H = t[order], np.asarray(H)[order]
    tu = np.arange(t[0], t[-1], 1.0 / fs)
    Hu = np.column_stack([
        np.interp(tu, t, H[:, i]) for i in range(H.shape[1])
    ])
    return Hu, tu

def event_features(H, t, event_t, fs=20.0):
    H, t = resample_rows(H, t, fs)
    motion = np.abs(np.diff(H, axis=0)).mean(axis=1)
    tm = t[1:]

    pre = motion[(tm >= event_t - 8) & (tm < event_t - 2)]
    event = motion[(tm >= event_t - 1) & (tm <= event_t + 1.5)]
    post = motion[(tm > event_t + 1.5) & (tm <= event_t + 5)]
    if min(len(pre), len(event), len(post)) < 10:
        return None

    baseline = float(np.median(pre))
    peak = float(np.max(event))
    quiet = float(np.mean(post))

    # Low-frequency event-band share, not micro-Doppler.
    x = event - event.mean()
    power = np.abs(np.fft.rfft(x * np.hanning(len(x)))) ** 2
    freqs = np.fft.rfftfreq(len(x), 1.0 / fs)
    mask = (freqs >= 0.5) & (freqs <= 4.0)

    return {
        "pre_motion": baseline,
        "event_peak": peak,
        "peak_ratio": peak / (baseline + 1e-9),
        "recovery_ratio": quiet / (peak + 1e-9),
        "low_band_ratio": float(power[mask].sum() / (power.sum() + 1e-12)),
    }

这里的 low_band_ratio 只是 0.5–4Hz 的运动能量占比，不是多普勒展宽。若要使用真实多普勒，必须先证明 硬件独立快照率足够，并引入已知速度/事件真值。

4. 从特征到状态机

建议先做简单状态机，而不是一上来用不可解释的深层模型：

1. 事件前 2–8 秒出现持续行走/站立活动；
2. 事件峰值显著高于同一 session 的静止基线；
3. 事件上升沿足够陡，但允许 0.4–1.5 秒的人体动作时间；
4. 事件后 1.5–5 秒运动低于峰值，形成恢复期；
5. 触发后进入 30 秒不应期，避免同一事件重复告警；
6. 输出 suspected_fall_event、证据字段和前后各 10 秒原始数据；
7. 由人工复核或受控规则决定是否告警。

阈值应来自你自己的带标签数据：

limits = {
    "min_peak_ratio": 0,     # calibrate from negatives
    "max_recovery_ratio": 1, # calibrate from positives/negatives
    "min_low_band_ratio": 0,
}

示例中的 0/1 只是占位，不能直接部署。必须用空房、坐下、放包、关门、宠物和模拟跌倒数据选择阈值， 并报告误报与漏报。

5. 采集协议

跌倒研究首先是人因与安全问题。只能使用软垫模拟跌倒，不应让受试者执行危险真实跌倒。

5.1 最小数据集

5.2 场景变量

• 至少 2 名受试者、2 个身高/体型范围和 2 个位置；
• 至少两种家具布局与两种链路方向；
• 记录 AP 高度、距离、朝向、信道、带宽、TX 功率；
• 记录 RSSI、SNR、独立快照率、最大空档和有效组比例；
• 事件标签包含起点、峰值、恢复时间和是否人工复核；
• 数据按 session 与受试者切分，不能把重叠窗口随机分到训练和测试集。

5.3 标签示例

session,subject,event_t,class,position,recovered_s,reviewed
s01,u01,2026-11-01T10:03:22Z,simulated_fall,p1,3.8,true
s01,u01,2026-11-01T10:06:10Z,sit,p1,,true

不要只保存处理后特征。保留原始 CSI、时间戳和质量统计，才能复核算法是否真的用了正确的数据。

6. 评估指标

跌倒事件极稀疏，单看 accuracy 没有意义。至少报告：

• 事件级 precision、recall、F1；
• 每类混淆矩阵：跌倒、坐下、放包、关门、空房；
• 每天误报次数；
• 漏报次数与检测延迟；
• 监测时长与有效覆盖率；
• 按受试者、房间、距离分组的结果；
• 置信区间与失败 session。

如果系统每天产生 20 次告警，即使离线 accuracy 是 95%，实际使用也会失败。养老场景首先关心的是误报负担 和人工复核成本。

7. 常见失败模式

8. 证据与合规边界

WiFall 与 WiCare 等工作说明该方向有研究价值 ^{[1] [2]}；CSI 特征体系可参考 系统综述 ^[5]。但这些论文不能替代你所在硬件、房间和人群上的验证。

产品措辞必须是：

• 「检测到疑似跌倒事件」，不是「确认跌倒」；
• 「研究/辅助功能」，不是「医疗器械」；
• 「通知人工复核」，不是自动承诺救护响应；
• 明确知情同意、数据保存、删除和关闭方式；
• 没有摄像头也属于监控，必须说明隐私影响。

9. 下一步需要的数据

本项目当前公开数据只能用于运动包络和解析器验证，不能证明跌倒准确率。真正下一步应采集：

1. 至少 5 名受试者、2 个房间、3 个位置；
2. 软垫模拟跌倒与坐下、放包、关门、宠物等负样本；
3. 同步视频或人工事件标记作为真值，视频需获得同意并限制访问；
4. 每次采集保存原始 CSI、固件版本、快照率和质量报告；
5. 先建立事件级规则基线，再与机器学习模型比较。

10. 结论

• 当前约 12.64Hz 的独立快照率适合事件级运动包络，不足以恢复完整冲击微多普勒；
• 可用特征是事件前上下文、突发能量、恢复期和多链路一致性；
• 先做可解释规则和事件级指标，再考虑复杂模型；
• 每天误报次数、漏报与人工复核成本，比漂亮的离线 accuracy 更重要；
• 没有带标签数据与合规审查，就不能宣传医疗级跌倒检测。

相关：呼吸/心率检测 · Wi-Fi CSI 雷达边界 · 接入 Home Assistant