摘要——在室内跌倒检测的迫切需求的推动下，探索基于 WiFi 的跌倒检测技术取得了重大进展，该技术利用商业 Wi-Fi 信号收集的信息来推断跌倒，而无需携带专用设备。现有的基于商业 Wi-Fi 的跌倒检测系统虽然在某些情况下产生了相当好的性能，但面临着重大挑战。到达接收设备的 Wi-Fi 信号通常携带大量特定于发生跌倒环境的信息。由于这个原因，在一个特定环境中训练的跌倒检测模型在另一个环境中不能很好地工作。此外，在每个新环境中获取足够的数据并重建跌倒检测模型是一项劳动密集型和耗时的工作。为了应对这一挑战，我们提出了 TL-Fall，一种基于迁移学习的设备自由落体检测系统。具体来说，跌倒检测模型使用标记数据进行训练，以在旧环境中获取知识。有了派生的知识，在新环境中工作的跌倒检测模型可以只用少量标记数据进行训练。有效的跨环境知识重用减轻了环境影响并保持了令人满意的跌倒检测精度。广泛的实验是在典型的室内环境中对 TL-Fall 进行的。实验结果证明了TL-Fall的优越有效性，跌倒检测灵敏度平均为86.83%，跌倒检测特异性平均为84.71%。
需要少量目标域标记数据
2)SVMT L 可用性：跌落和非跌落活动将在连续的 CSI 流中标记。上述8个提取的特征，记为F，连同对应的标签，记为L，输入SVM分类器训练SVM模型。为了解决非线性分类问题，将输入样本投影到高维特征空间，以找到最大边距超平面。超平面由 f(x) = w T x + b 表示，其中 w 是决定超平面方向的权重向量，b 是指距原点的偏置距离，x 是特征向量。一般情况下，如果 SVM 分类器直接使用目标域中的少量标记数据进行训练，则 SVM 分类器会因为缺乏足够的样本数据而表现不佳 [27]。因此，为了解决这个问题，TL-Fall 采用基于参数的迁移学习方法来提高 SVM 分类器在目标域中的性能。在源域训练 SVM 分类器后，可以将重要参数 ws 导出到目标域。然后将其带入 SVMT L 的目标函数，制定如下优化问题：
公式看论文
