Recent studies corroborate Wi-Fi Channel State Information (CSI) usability to monitor patients remotely and obtain health information non-invasively and with low-cost. In addition to monitoring vital signs, this technology can also be applied to presence detection, subject recognition, position and movement identification, among other uses. Despite its wide range of potential applications, there is a lack of CSI datasets that cover multiple activities and include participants’ phenotype information to help develop, test, and compare new solutions. This study highlights the importance of building a robust public Wi-Fi CSI dataset. Therefore, we present eHealth CSI , a CSI dataset that includes a variety of Wi-Fi CSI data from more than 100 people in various activities in a controlled room. We also include CSI data collected in the same room without the presence of participants. This dataset was made publicly available online to other researchers under request. In this work, we introduce CSI technology and describe the data collection setup. In addition to CSI data, our dataset includes participants’ phenotype information and heartbeat rate monitoring data using a smartwatch.
Simulation is a useful and common technique to evaluate the performance of networks when the implementation of a real scenario is not available. Specifically for Wireless Body Area Networks (WBAN), it is crucial to perform evaluations in environments as close as possible to the real conditions of use. To achieve that, simulations must include different protocol layers involved in WBAN and models close to reality to create realistic simulation environments for e-health applications. To satisfy these needs, this work presents the BNS framework, a flexible tool for WBAN simulations. The proposal is an extension of the Castalia framework, which includes: (1) a new wireless channel model considering real radio-propagation over the human body; (2) an updated implementation of the WBAN MAC protocol in Castalia, with functionalities and requirements in accordance with the IEEE 802.15.6 standard; (3) a new comprehensive and configurable mobility model for simulating intra-WBAN communication; (4) a temperature module based on the Pennes bioheat transfer equation, to model the temperature of a WBAN node based on the activity of the node; and (5) a Healthcare Application Layer that implements data representation and a communication protocol between Personal Health Devices (PHD) following the ISO/IEEE 11073 standard. Three use cases are presented, where WBAN scenarios are simulated and evaluated using the proposed BNS framework. Results show that BNS is a valid and flexible tool to evaluate WBAN solutions through simulation.
Ao capturar e interpretar sinais Wi-Fi em ambientes internos, o CSI pode ser usado para detectar atividade física, quedas ou movimentos diários de um paciente, permitindo que cuidadores e profissionais de saúde monitorem pacientes sem a necessidade de sensores vestíveis ou câmeras invasivas. Portanto, este artigo propõe uma metodologia chamada MPA-CSI para identificar a atividade de uma pessoa em uma sala por meio da análise de dados CSI e um conjunto de dados usado para sua avaliação. O MPA-CSI usa modelos Transformer desenvolvidos para processar dados de séries temporais. O MPA-CSI é capaz de identificar a atividade de pessoas que não participaram da fase de treinamento do modelo. A acurácia da identificação de movimento é de 96,67% usando um conjunto de dados CSI de 59 voluntários.
O uso de informações de estado do canal para reconhecimento de atividades humanas é promissor na área da saúde, especialmente para monitoramento remoto de pacientes. Ao capturar e interpretar sinais Wi-Fi em ambientes internos, o CSI pode ser usado para detectar atividade física, quedas ou movimentos diários de um paciente, permitindo que cuidadores e profissionais de saúde monitorem pacientes sem a necessidade de sensores vestíveis ou câmeras invasivas. O CSI tem grande potencial no atendimento a idosos. Portanto, este artigo propõe uma metodologia chamada DVC-CSI para identificar a atividade de varrer de uma pessoa em uma sala por meio da análise de dados CSI e um conjunto de dados usado para sua avaliação. O DVC-CSI usa modelos Transformer desenvolvidos para processar dados de séries temporais com uma estrutura que permite capturar dependências temporais. O DVC-CSI é capaz de identificar a atividade de pessoas que não participaram da fase de treinamento do modelo. A acurácia da identificação da atividade de varrer dentro de um conjunto de dados de 17 atividades é de 88,89% usando um conjunto de dados CSI de 86 voluntários (60 participantes para treinamento, 17 participantes para validação e 9 participantes para teste).