英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料
基于WiFi信道状态信息的行为识别综述
Siamak Yousefi, Hirokazu Narui, Sankalp Dayal, Stefano Ermon, and Shahrokh Valaee
摘要
本文综述了利用商业WiFi系统的信道状态信息（CSI）进行室内人行为识别的研究进展。人体各部分的运动引起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数据流，并将其与存储的模型进行比较，从而可以识别出人类的行为。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。本文所介绍的技术具有很好的性能，但是，我们建议使用诸如长-短期记忆（LSTM）递归神经网络（RNN）等深度学习技术来代替这些工作中使用的机器学习技术，并显示出改进的性能。我们还讨论了环境变化、帧速率选择和多用户场景等不同的挑战，最后提出了未来工作的可能方向。
传统活动识别系统的背景
近年来，人体行为识别技术因其在室内监测人体运动和行为的众多应用而备受关注。其中包括老年人健康监测和跌倒检测[1]、情境感知、智能家居能效活动识别[2]和许多其他基于物联网（IoT）的应用[3]在内。
在现有的系统中，个人必须佩戴装备有运动传感器的设备，如陀螺仪和加速度计。传感器数据在可穿戴设备上进行局部处理或传输到服务器进行特征提取，然后使用监督学习算法进行分类。这种类型的监视称为活动监视。这样一个系统的性能在识别诸如睡觉、坐、站、走和跑等活动时显示为90%左右[4]。
然而，总是戴着一个设备是笨重的，在各种活动中，有的人可能没有携带任何传感器或无线设备。虽然基于摄像机的系统可用于智能活动识别，但视线（LOS）要求是此类系统的主要限制。此外，基于摄像机的方法存在隐私问题，不能在许多环境中使用。因此，一种基于无线信号的、不侵犯人身隐私的被动监测系统是人们所期望的。
由于WiFi在室内的普遍可用性，近年来WiFi已经成为活动识别领域的研究热点。这种系统包括一个WiFi接入点（AP）和位于环境不同部分的一个或多个支持WiFi的设备。当一个人从事一项活动时，身体的运动会影响无线信号并改变系统的多径轮廓。
基于Wi-Fi信号功率的技术
接收信号强度（RSS）已成功地用于无线设备的主动定位中，其主要使用WiFi指纹技术，如[5]所述。RSS也被用作移动目标被动跟踪的度量标准[6]。当人位于WiFi设备和AP之间时，信号被衰减，因此观察到不同的RSS。尽管RSS使用简单，易于测量，但它不能捕捉到由于人的移动而引起的信号的真正变化。这是因为即使环境没有动态变化，RSS也不是一个稳定的指标[7]。
需要改进WiFi硬件的技术
为了使用RSS以外的其他度量，在某些系统中，WiFi系统被修改，以便从信号中提取额外的信息。WiFi通用软件无线电外围设备（USRP）软件无线电系统是一个改进的WiFi硬件，已用于WiTrack中的3D被动跟踪[7]。其思想是利用调频载波（FMCW）技术测量人体运动引起的正交频分复用（OFDM）信号中的多普勒频移。由于多普勒频移与距离有关，因此可以估计目标的位置。使用与WiTrack相似的思想，在WiSee[2]中，USRP系统被用来测量由于人体运动而引起的OFDM信号的多普勒频移。身体各部分向接收器的移动导致正多普勒频移，而身体各部分的移动导致负多普勒频移。例如，对于速度为0.5m/s的手势，在5ghz系统中，多普勒频移约为17hz[2]。因此，需要在系统中检测到如此小的多普勒频移。在WISE中，接收信号被转换成几赫兹的窄波段脉冲，WISE接收器跟踪这些脉冲频率的多普勒频移。宽带改造后802.11对于窄带脉冲，WISE中接下来的步骤如下。
多普勒提取：为了提取多普勒信息，怀斯通过在半秒的时间窗内对样本进行快速傅里叶变换（FFT），然后将时间窗移动5ms并继续此过程来计算频率-时间多普勒分布。这项技术也被称为短时傅里叶变换（STFT），它也被用于其他技术中[8，9]。由于人体运动的速度一般为0.25 m/s至4 m/s，因此5ghz下的多普勒频移在8hz至134hz之间，因此仅考虑该频率范围内的FFT输出。
分割：下一步是分割STFT数据以区分不同的模式。例如，一个手势可以由一个具有正、负多普勒频移的片段组成，或者由两个或更多个具有正、负多普勒频移的片段组成。检测一个片段是基于一个小持续时间的能量检测。如果能量比噪声级高3db，则找到该段的开始，如果能量小于3db，则该段已结束。
分类：分类的概念很简单。每一段都有三种可能：只有正的多普勒频移，只有负的多普勒频移，以及同时有正和负频移的段，根据这三个数字分配给它们。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。
怀斯还声称，该系统可以检测到多个移动目标，并通过将每个移动目标的反射视为来自无线发射器的信号来识别它们的活动。因此，利用多输入多输出（MIMO）接收机所采用的思想，可以分离由于不同的人在该区域移动而产生的反射信号。问题是找到权重矩阵，当与每个天线的每个段对应的多普勒能量相乘时，使每个段的多普勒最大。为此，采用了迭代算法。
与Wise等需要专用USRP软件无线电的技术不同，这项技术已经有几项努力采用商业WiFi接入点，而无需修改WiFi系统。为了表示由于人体运动而引起的环境动态变化，现阶段还采用了其他指标，例如信道状态信息（CSI），下面将对其进行更详细的描述。
WiFi系统的WiFi信道状态信息CSI
IEEE 802.11n/ac标准中的无线设备使用MIMO系统。通过使用MIMO技术，可以增加分集增益、阵列增益和复用增益，同时减少co信道干扰[10]。IEEE 802.11中使用的调制方式是OFDM，其中频带宽度在多个正交子载波之间共享。由于带宽较小，各子载波所面临的衰落被建模为平坦衰落。因此，利用正交频分复用（OFDM）技术可以降低信道的小规模衰落特性。
设MT表示设备处的发射天线数-na，MR表示AP处的接收天线数。任何时刻的MIMO系统都可以建模为yi=Hixi ni，因为i{ 1，hellip;，S}，其中S是OFDM子载波的数目，而席氏RMT和Yi·RMR代表第i子载波的发送和接收信号矢量，而Ni是噪声矢量。由复数组成的第i副载波Hi的信道矩阵可以通过将输出信号与已知的输入序列（也称为导频）分开来估计。信道矩阵也被称为CSI，因为它显示了输入符号如何受到到达接收机的信道的影响。在OFDM系统中，每个子载波都面临一个窄带衰落信道，通过获取每个子载波的CSI，可以发现观测到的信道动态存在差异。这是与RSS相比使用CSI的主要优势，在RSS中，所有WiFi带宽上的变化都是平均的，因此无法捕获特定频率下的变化。在一些商用网络接口卡（NIC）中，如Intel NIC 5300，可以使用[11]中提供的工具收集CSI。
WiFi系统的局限性和错误
CSI的幅度通常是用于特征提取和分类的可靠度量中，它可以随传输功率和传输速率自适应而变化。如后文所述，通过使用滤波技术，可以降低突发噪声[9]。然而，与幅度相比，WiFi系统的相位受到多种误差源的影响，如载波频率偏移（CFO）和采样频率偏移（SFO）。CFO的存在是因为发射机和接收机时钟之间的中心频率不同（缺乏同步）。5ghz WiFi频段50ms的CFO可以高达80khz，导致8p的相位变化，因此，在CSI相位上看不到物体移动引起的相位变化，通常小于0.5p。另一个误差源SFO由接收机模数转换器（ADC）产生。SFO也因子载波索引而变化；因此，每个子载波面临不同的错误。
由于CFO和SFO未知，使用原始阶段信息可能没有用处。然而，在[12]中提出了一种线性变换，使得CFO和SFO可以从校准相位中移除。此过程也称为阶段消毒。在图1中，对于WiFi发射机和接收机在LOS条件下彼此相邻的情况，绘制CSI幅度、CSI相位和消毒CSI相位与子载波索引的关系图。如观察到的，CSI振幅相对稳定，但形成了一些团簇，如[12]所述。由于SFO随副载波索引而增长，因此原始相位随副载波索引而增加，如图1b所示。在相位消去之后，如图1c所示，由SFO引起的相位变化将减小。
Subcarrier index Subcarrier index Subcarrier index
(a) (b) (c)
30
25
20
15
10
5
0
30
25
20
15
10
5
25
20
0 5 10 15
RX antenna A RX antenna B RX antenna C
-4
-6
RX antenna A RX antenna B RX antenna C
RX antenna A RX antenna B RX antenna C
4
2
0
-2
50
40
30
20
10
0
-10
0
30
35
30
25
20
15
10
5
图1三个天线在视距条件下测量的CSI与副载波指数的关系：（a）CSI的幅度；（b）CSI的相位；（c）CSI的消光相位。
Packet index Packet index
(c)
800 1000
600
400
200
0
-5 -5
0 200 400 600 800 1000 0
0
5
5
10
10
15
15
20
20
Sit down
Walk
Packet index
(b)
Packet index
-4 -4
0 200 400 600 800 1000 0 200 400 600 800 1000
RX antenna A
RX antenna B RX antenna C
-2
RX antenna A
RX antenna B RX antenna C
-2
0
0
2
2
Packet index Packet index
(a)
Walk Sit down
4 4
800 1000
600
400
200
0
-10 -10
0 200 400 600 800 1000 0
0
10
10
20
20
30
30
Sit down
Walk
RX antenna B RX antenna C
RX antenna A
RX antenna B RX antenna C
RX antenna A
RX antenna A
RX antenna B RX antenna C
RX antenna A
RX antenna B RX antenna C
图2人体运动时CSI的变化：（a）三根天线的CSI振幅随时间变化；（b）三根天线的CSI相位随时间变化；（c）三根天线的消毒CSI相位随时间变化。
人体运动对无线信道的影响
人和物体的运动改变了无线信道的多径特性，因此估计的信道将具有不同的幅度和相位。图2a示出了一个子载波和所有天线的CSI振幅，该CSI振幅与在WiFi发射机和接收机之间行走和坐下的人有关。该人在前400个包中静止，但随后开始行走或坐下。如观察到的，当人不移动时，所有天线的CSI振幅相对稳定；然而，当活动开始时，CSI开始急剧变化。在这个实验中，行走的时间比坐着的时间长，因为当人坐下时他她保持静止。
如前所述，由于CFO和SFO的原因，接收的相位非常失真。这可以在图2b中观察到。但是，使用相位消毒技术，可以消除相位误差的影响。校准相位可在图2c中观察到。
基于WiFi的GSI行为识别
在本节中，我们将总结商用WiFi网卡的技术。图3示出了使用WiFi CSI的活动识别系统的一般图。
Sleeping
No activity Walking
Running
NIC 5300
Machine learning
Features
Feature extraction
De-noised signal
CSI signal de-noising
CSI stream
Sitting
<em
剩余内容已隐藏，支付完成后下载完整资料</em
资料编号：[414353]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
