Wi-Fi CSI 跌倒检测：有效的特征，以及必须处理的误报

2026-10-11 · 约 2 分钟

跌倒检测是 Wi-Fi 感知中商业价值最高的方向（养老看护，代表性工作见 WiFall ^[2] 与 WiCare ^[3]），也最容易做砸： "有人/没人"只需要看信道有没有被扰动，而跌倒检测必须把跌倒和坐下、放包、关门区分开。

1. 跌倒的 CSI 长什么样

所以判别特征是突发能量 + 频谱展宽 + 事件后的安静期，而不是简单的方差（CSI 感知的特征体系可参见综述 ^[1]）。

2. 可用特征集（可直接跑）

import numpy as np

FS = 95.0                                  # 实测条/秒（务必按时间戳重采样）
WIN = int(1.5 * FS)                        # 1.5 秒分析窗口

def fall_features(H):                      # H: (时间, 子载波) 幅度
    d = np.abs(np.diff(H, axis=0)).mean(axis=1)          # 运动包络
    win = d[-WIN:]
    energy = float(win.max())
    rise = float(win.max() - win[: len(win) // 4].mean())  # 起跳幅度
    quiet_after = float(win[-int(0.5 * FS):].mean())       # 事件后安静度
    z = np.fft.rfft(win - win.mean())                      # 粗估多普勒展宽
    spread = float(np.sum(np.abs(z) ** 2) / (np.abs(z).max() ** 2 + 1e-9))
    return dict(energy=energy, rise=rise, quiet_after=quiet_after, spread=spread)

先用显式阈值（rise > R 且 spread > S 且 quiet_after < Q），并要求 5 秒内二次确认。

3. 压住误报

加上一条事件前上下文（前 2–5 秒有行走特征）能去掉绝大多数单次误报——不必上深度学习。

4. 数据与评估

• 自采：跌倒/坐下/放物/行走各 30–50 次即可起步；
• 报告每类精确率/召回率与每天误报次数——养老场景真正关心的是后者；
• 发布数据时写清房间、距离、身高条件，否则别人无法复现。

5. 合规边界（必须写清）

跌倒检测紧贴医疗宣称，措辞要谨慎：

• 说"检测到疑似跌倒事件"，并注明不是医疗器械；
• 不要承诺"自动呼救"这类责任；
• 被监测者必须知情同意——没有摄像头也是监控。

相关：呼吸/心率检测 · Wi-Fi 感知 vs mmWave · 接入 Home Assistant