近日，我院在老年人健康监测领域取得重要研究进展，题为 “实时跌倒检测：融合智能手机加速度计与Wi-Fi信道状态信息” 的论文已被中国科学院二区期刊 IEEE Sensors Journal 录用。

随着人口老龄化的加剧，跌倒已成为威胁老年人健康的重大风险之一。针对这一问题，该研究提出了一种实时跌倒检测系统，融合智能手机惯性测量单元（IMU）与优化的 Wi-Fi 信道状态信息（CSI），以提升检测准确率并降低设备能耗。

研究方法：

• IMU模块：通过三轴加速度计和陀螺仪构建多维运动特征空间，采用多层感知机（MLP）进行运动模式分类。该算法基于加速度幅值、角速度阈值及姿态角变化率等参数建立决策边界，实现对跌倒行为的初步筛选。

• CSI模块： 采用 Kalman 滤波和主成分分析（PCA）进行降噪处理，并利用卷积神经网络（CNN）提取时频域特征，有效缓解多径效应导致的信号畸变问题。

实验结果： 研究团队构建了包含 10 类日常活动（如坐起、站立、快走等）的测试集。实验表明，基于 CNN 的 CSI 模型检测准确率高达 99%，显著优于仅依赖 IMU 的方法，并在区分跌倒与非跌倒活动方面展现出较强的鲁棒性。

本研究不仅提升了跌倒检测的精准度，还有效降低了智能手机平台的能耗，具有较高的应用价值。值得一提的是，该研究已成功应用于与 OPPO 公司合作的横向项目 “基于 Wi-Fi 信道状态的动作识别 APP”，并顺利结题。

成果论文题目为“Real-Time Fall Detection Using Smartphone Accelerometers and WiFi Channel State Information”，我院2021级物联网工程专业本科生汪凌云为第一作者，何昕副教授与祝玉军副教授为共同通讯作者，安师大为第一完成单位。

图(1): CSI数据在跌倒阶段的相位、幅度和多普勒频移特征

图(2) 经过DWT变换后的CSI数据

图3(a) IMU检测为跌倒 图3(b) CSI检测到的跌倒为可自救的跌倒 图3(c) CSI判断检测到的跌倒为不可自救的跌倒 图3(d) IMU误判为跌倒，CSI复核为非跌倒

IEEE Sensors Journal 为工程、电子与电气领域的重要学术期刊，2023 年影响因子为 4.3。论文已正式发表，可通过 IEEE Xplore 网站查阅：

https://doi.org/10.1109/JSEN.2025.3547060