假设一个人每天平均会进入厕所六到八次,则每个人一生可能有两到三年在厕所中度过,而因为厕所本身的通风状况不好或者是地面湿滑,会导致危险发生。在厕所中常常发生如摔倒、昏厥甚至于猝死等状况,厕所已经成为意外事件的高发地。由于厕所本身的私密性,很多厕所中发生的意外得不到及时治疗而导致了严重的后果。因此,及时发现厕所中的发生的意外情况非常重要,能够适应厕所私密性的要求,在不打扰用户的情况下实现对厕所中目标的监控很有现实意义。本文提出一种基于无线信道状态信息(Channel State Information,CSI)的非绑定式厕所活动识别与预警方法,利用商业无线设备对厕所环境中没有携带设备的目标进行监控并识别其活动,根据识别出的关键活动对可能发生的意外情况进行预警。本研究可以自动截取活动并且识别出活动,根据得到的活动进行活动分析,对可能发生或者已经发生的危险进行预警,帮助医护工作者进行及时的救助。本文主要完成了以下几个方面的研究。本文首先分析了厕所中容易发生的意外情况,并对如厕活动进行建模。本文将如厕活动分解为几个关键动作,通过识别出的这样几个关键动作来判断是否有意外发生。提出了一种基于信道状态信息的非绑定式的活动监测模型和预处理方法。基于人体活动对CSI信号的影响,设计了CSI数据采集方案,构建了一种能够适应实际环境的目标探测算法,当探测到目标后,开始进行数据处理。研究了针对环境噪音和内部噪音的CSI数据预处理方法,能够结合多个子载波的联系,利用主成分分析的方法进行降噪。构建了一种基于异常点检测的活动截取算法,采用基于距离的异常点检测算法,从而实现自动截取活动,满足实时性的要求。针对传统活动识别算法需要复杂的特征提取方法,对于不同的活动识别目标有不同的提取方案,传统特征提取方法需要经验和实验相结合,本文提出了基于卷积神经网络的活动识别方案。利用卷积神经网络能够增强特征和降噪的特点,直接将处理过的信道状态信息的频谱图作为输入,避免了繁复的特征提取过程,并且能适应不同的活动识别目标。频谱图的获得主要采用离散小波变换和短时傅里叶变换这两种方法。考虑本文分类活动的类别较少,不需要过于复杂的网络结构,本文采用LeNet-5的网络架构模型。将利用两种方法获得的频谱图和原始振幅矩阵作为特征图输入和训练。采取数据增量和Dropout的方法来避免过拟合现象。最后与传统的利用统计特征作为输入的支持向量机分类器进行了对比。发现卷积神经网络可以达到更高的精度,并且避免了复杂的特征提取。本文进行了大量的实验与评估,采集了大量真实可靠的数据,实验结果表明本文提出的基于卷积神经网络的活动识别方案精度可以达到约93%,相较于传统方法有很大地提高。实验结果验证了本文提出方法的有效性和可靠性,可以适应不同复杂的环境,并能够在可以容忍的时延下计算,实现实时性要求,最终达到令人满意的准确率。