相关研究
现有的无设备人体活动识别和定位工作可分为四类:基于接收信号强度指示器(RSSI)的、基于专用硬件的、基于雷达的和基于CSI的。
其中基于CSI的人类活动识别系统主要依靠WiFi信号的统计特征(如多普勒运动方向和信号强度分布)来区分不同的人类活动,缺乏能够将CSI动态和人类活动定量关联的模型。这样的模型很难理解WiFi信号动力学与人类活动之间的关联,限制了基于WiFi的人类活动识别技术的进一步发展。此外,很难对这类系统的性能进行优化,我们不得不采用试错法进行性能优化。
CSI介绍
环境中人体活动时,CSI流的幅度与相位会发生变化。
(1)
(1)相位
原理
,则 。上式说明路径长度的变化会导致WiFi信号在该路径上的相位发生变化。当路径长度改变一个波长时,接收机在接收的子载波中经历2π的相移。我们可以将相位变化与波长相乘,得到路径长度的变化。由于反射信号从反射器经过往返,因此在这种情况下路径长度变化大约是反射器的移动距离的两倍。
局限
理论上,在发送方和接收方完全同步的系统中,精确测量路径的相位是可能的。但CSI的相位不仅于传播距离有关,还受到频率漂移影响。由于硬件缺陷和环境变化,商用WiFi设备有不可忽略的子载波频率偏移(CFO),导致CSI值的快速相位变化。中心频率通常每秒漂移数十Hz,这使得很难预测CFR相位,也很难将时钟漂移引起的相位变化与身体运动引起的微小相移分开。并且相位消毒方法不适用于我们的情况,因为相位消毒过程也去除了身体运动引起的相移。
(2)幅度
子载波频偏(CFO)会导致接收信号的相位值发生变化,因此很难区分改变的相位值是由CFO引起的,还是由人体运动引起的。因此我们使用CSI信号功率(幅度的平方)来推断身体运动。我们发现CSI信号功率不受CFO的影响,但保留了有关身体运动速度的信息。
模型
(1)CSI-Speed
关于CSI值动态与人体运动速度之间的关系,我们的模型显示高速的身体部位运动会产生CSI值的高频变化。
为了了解CFR功率与路径长度变化的关系,我们首先将CFR表示为动态CFR和静态CFR之和。动态CFR为长度随人类移动而变化的路径的CFR之和,是具有时变相位和振幅的向量的叠加。静态CFR则为常量。
(2)
让对象以恒定速度移动使得路径的长度在短时间内以恒定速度变化,设是在时间的第条路径的长度。因此,。时间的CFR功率可表示为
公式(3)提供了一个重要的结论:总的CFR功率是一个恒定偏移量和一组正弦信号的和,其中正弦信号的频率是路径长度变化速度的函数,通过测量这些正弦信号的频率并将其与载波波长相乘,就可以得到路径长度变化的速度。这样,我们就可以建立一个CSI速度模型,将CSI功率的变化与移动速度联系起来。
我们可以使用时频分析工具,如短时傅立叶变换(STFT)或离散小波变换(DWT)在频域中分离分量,得到每个频率分量的能量并对人类活动进行建模。光谱图显示了每个频率分量的能量是如何随时间演变的,其中高能分量用红色标示。在步行活动的频谱图中,有一个大约35∼40 Hz频率的高能波段。在波长为5.15 cm的情况下,在考虑往返路径长度变化后,这些频率分量代表0.9∼1.0m/s的移动速度。这与人体躯干行走时的正常运动速度不谋而合。
(2)CSI-Activity
关于人体不同部位的运动速度与人体活动的关系,以跌倒活动为例,我们的模型可以描述为人体运动速度在不到1秒的时间内突然增加。
HMM
我们提出使用隐马尔可夫模型(HMM)来建立由多个运动状态组成的CSI活动模型。例如,我们观察到坠落动作由图5(E)中的几种状态组成。
假设活动对应的观察特征向量序列由马尔可夫模型生成,马尔可夫模型是一个有限状态机,每个时间单位改变一次状态。每次进入一个状态,一个特征向量就会从一个叫做输出概率密度的概率密度中生成。HMM能够从所有训练样本中获取信息,因此即使在类内方差较大的情况下也能很好地工作。假设有一个活动的足够数量的有代表性的训练样本,就可以构建一个隐式模型,该模型针对该活动中固有的多种可变因素。与长期使用统计特征的现有工作相比,基于HMM的模型利用活动中的过渡,提供活动的更多细节。
挑战
(1)CSI-Speed的可行性,即如何由CSI值估计人体运动速度
在复杂的室内环境中,身体部位的反射可能会经过不同的路径。从公式(3)可以看出,CFR功率是所有反射路径的线性组合,并且在组合过程中保持频率就会保持不变(路径长度变化的速度)。因此,我们使用离散小波变换(DWT)来分离代表不同运动速度的频率分量。
(2)建立适合不同人群的CSI-Acticity模型
对于同一项活动,在一定程度上,不同的人表现不同,甚至同一个人在不同的时间表现也不同。为了应对这一挑战,我们提出了一种基于隐马尔可夫模型(HMM)的人类活动识别方法。我们使用不同活动的运动速度模式来构建相应的基于HMM的模型。
(3)CSI去噪
因为WiFi设备很容易受到周围电磁噪声的影响。此外,WiFi设备的内部状态变化(例如,传输速率自适应和传输功率自适应)经常在CSI值中引入脉冲和突发噪声。
PCA
通用去噪方法,如低通滤波器或中值滤波器,在去除这些脉冲和突发性噪声方面表现不佳,本文提出了一种基于主成分分析(PCA)的CSI去噪方法。
我们的去噪方法利用了这样一个事实,即通过身体运动在所有CSI流中引入的变化是相关的。不同副载波的CSI流是同一组时变信号的线性组合,因此它们高度相关。例如,如果发送方WiFi网卡将传输功率增加0.5dB,则所有数据流的功率都会增加0.5dB。WiFi信道中副载波的波长之间的差异很小。
我们的测量结果证实了CSI流是相关的这一观察结果。图8显示了当一个人四处走动时,NT x=2和NRx=3链路的180个CSI流。我们将CSI流分组在它们的发送/接收天线对中,例如,流1∼30是用于发送天线1和接收天线1的30个子载波。每个CSI流是类似于图5(A)中的曲线,其中CSI值的幅度由颜色表示,即,红色是曲线中的“峰”,蓝色是曲线中的“谷”。我们在CSI的溪流中观察到了以下情况。首先,CSI流是相关的。在跨越不同天线对和不同子载波的所有CSI流中,“峰”和“谷”具有相似的形状。此外,CSI流的相位在同一天线对中的不同子载波(例如,流1∼30和流151~180)上平滑地改变,因为同一天线对上的子载波仅在它们的频率(波长)上略有不同。其次,没有单的“好”CSI流。虽然在2.5∼2.6和2.8∼2.9秒之间的时间,我们可以在流151∼180中看到明显的“峰”和“谷”,但是对于同一组流,在时间2.9∼3秒期间,测量结果的变化是模糊的。反而我们观察到流1∼30在时间2.9∼3秒内给出明显的CSI波动。这意味着我们需要结合不同的流来获得运动中的最佳观测结果。第三,简单地使用CSI流的加权平均不能提供好的结果。不同CSI流的相位是不同的,所以如果我们简单地将它们相加,它们可以相互抵消,因为一个流的“峰值”的时间点可能是其他流的“谷”。因此,找到一种组合CSI流的好方法非常重要。
为了解决合并CSI流的挑战,我们应用PCA来发现CSI流之间的相关性。通过主成分分析,我们可以跟踪CSI流之间的时变相关性,并将其优化组合以提取CSI流的主成分。