笔记--基于WiFi信道状态信息的行为识别研究综述_基于wifi信号的行为识别研究现状

1.Abstract

利用商用WiFi系统的信道状态信息（CSI）在室内区域进行被动人类行为识别的最新进展。人体的运动导致无线信号反射的变化，从而导致CSI的变化。通过分析不同活动的CSI的数据流，并将其与存储的模型进行比较，可以识别人类行为。这是通过从CSI数据流中提取特征并使用机器学习技术来构建模型和分类器来实现的。建议使用深度学习技术，如长短期记忆（LSTM）递归神经网络（RNN）。

     2.现状

主动监控：佩戴装有陀螺仪和加速度计等运动传感器的设备。

基于相机的系统可以用于被动活动识别，但视线（LOS）要求是此类系统的主要限制。相机的方法存在隐私问题，并且不能在许多环境中使用。

    3.WiFi识别

系统由WiFi接入点（AP）和位于环境的不同部分的一个或多个支持WiFi的设备组成。当一个人从事某项活动时，身体运动会影响无线信号，并改变系统的多路径轮廓。

接收信号强度（RSS）：当人位于WiFi设备和接入点（AP）之间时，信号将被衰减，因此观察到不同的RSS。尽管RSS使用起来非常简单，而且可以很容易地测量，但它无法捕捉到由于人的运动而导致的信号的真实变化。

这是因为即使在环境中没有动态变化的情况下，RSS也不是一个稳定的指标。

WIFI系统硬件修改：为了使用除RSS之外的一些其他度量，WiFi系统被修改，使得可以从信号中提取额外的信息。WiFi USRP软件无线电系统是一种改进的WiFi硬件，已用于WiTrack中的3D被动跟踪。其想法是使用一种称为调频载波（FMCW）的技术来测量正交频分复用（OFDM）信号中的多普勒频移，该频移是由于人体的运动而引起的。由于多普勒频移与距离有关，因此可以估计目标的位置。

1. 多普勒提取：为了提取多普勒信息，WiSee通过在半秒的窗口内对样本进行FFT，然后将窗口移动5ms并继续此过程来计算频率-时间多普勒轮廓。该技术也称为短时傅立叶变换（STFT）。
2. 分割：对STFT数据进行分割，以区分不同的模式。例如，手势可能由一个具有正和负多普勒频移的片段组成，或者由两个或多个片段组成，每个片段都具有正和负多普勒频移。检测分段是基于小持续时间内的能量检测。如果能量比噪声电平高3dB，则找到分段的开始，如果能量小于3dB，那么分段已经结束。
3. 分类：每个段有三种可能性：只有正多普勒频移，只有负多普勒频移以及同时具有正频移和负频移的段，基于这三种可能性为它们分配三个数字。因此，每个手势都由一系列数字表示。分类任务是将获得的序列与训练期间使用的序列进行比较

系统可以检测多个移动目标，并使用来自每个移动目标的反射可以被视为来自无线发射机的信号的想法来识别它们的活动。因此，使用多输入多输出（MIMO）接收器中使用的思想，可以分离由于不同的人在该区域中移动而引起的反射信号。问题是找到当与每个天线的每个分段对应的多普勒能量相乘时使每个分段的多普勒最大化的权重矩阵。为此，采用了迭代算法。

   4.CSI

    1）信道矩阵

     也称为CSI，因为它显示了输入符号如何受到到达接收器的信道的影响。在OFDM系统中，每个子载波都面临窄带衰落信道，通过获得每个子载波的CSI，将在观测到的信道动态中存在多样性。

    2）WiFi系统的优势：CSI的幅度通常是用于特征提取和分类的可靠度量，尽管它可以随着传输功率和传输速率自适应而变化

    3）WiFi系统的局限性：载波频率偏移（CFO）和采样频率偏移（SFO）。CFO的存在是由于发射机和接收机时钟之间的中心频率差异（缺乏同步）。5GHz WiFi频带的50µs周期的CFO可以高达80KHz，导致8π的相位变化。因此，由于物体运动而产生的相位变化，通常小于0.5π，从相位变化中无法观察到。另一个误差源SFO是由接收机模数转换器（ADC）产生的。SFO也因子载波索引而变化，因此，每个子载波都面临不同的误差。

     4）阶段消毒：由于未知的CFO和SFO，使用原始相位信息可能没有用处。使CFO和SFO可以从校准阶段中去除。这个过程也称为阶段消毒。

在图中，针对WiFi发射机和接收机在LOS条件下彼此相邻的情况，绘制了CSI幅度、CSI相位和净化后的CSI相位与子载波索引的关系。如所观察到的，CSI幅度相对稳定，但形成了一些簇。原始相位随着子载波索引而增加，因为SFO随着子载波指数而增加，如图所示（b）。阶段消毒后如图（c）所示，由于SFO引起的相位变化将减少。

    5）人体运动对无线信道的影响

人体运动对无线信道的影响人体和物体的运动会改变无线信道的多径特性，因此估计的信道将具有不同的振幅和相位。一个子载波和所有天线的CSI幅度，与一个人在WiFi发射机和接收机之间走动和坐下有关，如图所示。（a）。该人在前400包中静止不动，但随后开始走路或坐下。如所观察到的，当人不移动时，所有天线的CSI幅度相对稳定，然而，当活动开始时，CSI开始急剧变化。如前所述，由于CFO和SFO的原因，接收相位非常失真。这可以在图2-（b）中观察到。使用相位净化技术，可以消除相位误差的影响(c)。

 

    5.基于WI-FI-CSI的行为识别

1)基于直方图的技术

其中一种技术是E-Eyes[13]，其中CSI直方图被用作数据库中的指纹。在测试阶段，通过将获得的CSI的直方图与数据库进行比较，可以找到最接近的直方图，从而可以识别活动。预处理步骤是进行低通滤波和调制编码方案（MCS）索引滤波。前者是去除可能不是由于人类运动引起的高频噪声所必需的，而后者是减少不稳定的无线信道变化所必需的。尽管该技术的性能良好且计算成本低，但直方图技术对环境变化敏感，因此对于变化的环境可能表现不佳。

2）CARM

CSI去噪：CSI是有噪声的，对于不同的活动可能不会显示出明显的特征。因此，有必要首先滤除噪声，然后提取一些特征，使用机器学习技术进行分类。有不同的方法来过滤噪声，例如巴特沃斯低通滤波器。然而，由于CSI中存在具有高带宽的突发和脉冲噪声，低通滤波器无法产生平滑的CSI流。

已经表明，有更好的技术可以用于此目的，如主成分分析（PCA）去噪[9]。主成分分析是一种用于大维系统降维的技术，使用的思想是关于信号的大多数信息集中在一些特征上。在CARM中，第一个主分量被丢弃以减少噪声，接下来的五个主分量用于特征提取。通过去除第一主分量，由于来自移动目标的动态反射而产生的信息不会丢失，因为它也被捕获在其他主分量中。对CSI数据进行PCA去噪后，提取出一些特征，用于分类。下面将讨论特征提取。

特征提取：从信号中提取特征的一种方法是将其变换到另一个域，例如频域。快速傅立叶变换（FFT）是离散傅立叶变换（DFT）的有效实现，可用于此目的。为此，选择一定数量的CSI样本的窗口大小，然后通过滑动窗口将FFT应用于每个片段。这种技术被称为短时傅立叶变换（STFT），它可以检测信号随时间的频率变化。在图4中，显示了以1KHz速率收集的CSI数据的不同活动的CSI的STFT（频谱图）。如图6所示，4，涉及剧烈运动的活动，如步行和跑步，在频谱图中以高频显示出高能量。

在[3]、[9]、[14]中，采用DWT从CSI中提取作为时间函数的特征。DWT为高频活动提供高时间分辨率，为低速活动提供高频率分辨率。DWT的每个级别表示一个频率范围，其中较低级别包含较高的频率信息，而较高级别包含较低的频率。[9]中提到的DWT与STFT的优点是：

•DWT可以在时域和频域中提供很好的折衷;

•DWT也减少了数据的大小，因此适合于机器学习算法。在CARM中，使用12级DWT来分解五个主分量（在去除第一个主分量之后）。然后对DWT的五个值进行平均。于每200ms，CARM提取一个27维特征向量，包括三组特征;

•每个小波级别中的能量，表示不同速度的运动强度;

•连续200ms间隔之间每个水平的差异;

•使用多普勒雷达技术估计的躯干和腿部速度[8]。

用于分类的机器学习：不同的机器学习技术可以用于基于提取的某些特征的多类分类。一些流行的分类技术是逻辑回归、支持向量机（SVM）、隐马尔可夫模型（HMM）和深度学习。由于活性数据是一个序列，CARM使用HMM，结果表明可以获得令人满意的结果。

3）使用深度学习进行行为识别活动：识别的问题在某种程度上类似于语音识别过程，传统上使用HMM进行分类。然而，深度递归神经网络（RNN）被认为是HMM的对应物。训练RNN是困难的，因为它存在梯度消失或爆炸的问题，然而，[15]中已经表明，使用RNN的长短期记忆（LSTM）扩展，可以实现迄今为止语音识别的最佳精度。因此，我们建议使用LSTM进行活动识别，而不是使用其他传统的机器学习技术，如HMM，尽管特征提取与CARM不同。使用LSTM有两个优点。首先，LSTM可以自动提取特征，换句话说，不需要对数据进行预处理。其次，LSTM可以保存活动的时间状态信息，即LSTM具有区分类似活动的潜力。

6、不同方法的评估

7、结论与未来工作

原文

A Survey on Behavior Recognition Using WiFi Channel State Information | IEEE Journals & Magazine | IEEE Xplore

数据

GitHub - Hirokazu-Narui/LSTM_wifi_activity_recognition