学习笔记（五）：FarSense与CSI商模型

《FarSense: Pushing the Range Limit of WiFi-based Respiration Sensing with CSI Ratio of Two Antennas》读书笔记

  本文介绍FarSense，第一个能够在目标远离WiFi收发器时，能可靠监控人体呼吸状况的实时系统。其贡献在于：（1）使用来自两个天线的CSI读数的商，其噪声大部分被除法运算抵消，以显著增加感测范围；(2)除法运算能够利用相位信息。正交幅度和相位的组合可解决“盲点”问题，并进一步扩大检测范围。

  看了大佬@勃兰登堡公爵的评论后我改了表述，把大佬的评论放开头吧，嘿嘿。“1.CSI-ratio并没有直接提取出来动态相位变化，因为这里面的莫比乌斯变换不是线性的。只是可以在波长级相位周期能够对应起来 2.目前呼吸检测主要是还原呼吸的频率，提取周期性，所以不需要方向，但是当考虑其他行为时，CSI商的方向就需要用起来。
  1.是针对4.2PS中的表述（现已更改）
  2.是针对我当时看论文的一些疑惑然后在5.2中写下的碎碎念

FarSense:基于WiFi的呼吸检测

1. 呼吸监测的意义、现状问题

意义：

1. 呼吸是一种重要的健康指标，柯用于跟踪许多领域的疾病，如睡眠、肺病学和心脏病学。
2. 从人类呼吸中提取的特征提供关于个体心理状态的有用见解，呼吸率这一特征尤其重要，例如，异常的呼吸频率，过高(呼吸急促)，过低(呼吸缓慢)，不存在(呼吸暂停)，是生理痛苦的敏感指标，需要立即进行临床干预。

现有研究缺点：

1. 短距感测：WiFi的通讯范围可以是几十米，现有呼吸监测感应范围限制在2-4米。主要原因是无线传感依赖于微弱的反射信号，呼吸引起的细微信号变化很容易被噪声掩盖。
2. 感知盲点：即使目标靠近感测设备，在某些位置也不能有效地检测到呼吸

本文贡献：
  在商用AP上以两根天线来提高性能。两个天线，构建了新度量标准——两个天线的CSI读数之比，即CSI商。从而将呼吸感应范围从当前的2-4米提升到住宅水平(8-9米)，弥合了实验室原型和实际部署之间的差距。并消除了盲点问题（the “blind spots” issue）。

2.相关工作（略过，如果要用再看）

3.CSI商精度实证（略过）

4.CSI商模型

  本章包含CSI基础、人体运动与CSI的关系、CSI商模型的建立以及可用于人类感知的CSI商的三个关键性质这四个部分。

4.1 CSI基础

理论建模中：
$$H(f,t)=H_s(f,t)+H_d(f,t)=H_s(f,t)+A(f,t)e^{-j2\pi \frac{d(t)}{\lambda }}$$

  CSI可分为静态成分$H_s(f,t)$和动态成分$H_d(f,t)$，理想情况下，CSI动态成分写作历经衰落后的复振幅$A(f,t)$ 和由于路径传播导致的相移$e^{-j2\pi \frac{d(t)}{\lambda }}$的组合形式。
  当人体小幅移动小段距离时，动态分量中$A(f,t)$ 可以看作常量。因为信号幅度由路径长度决定。当路径长度d(t)以米为单位时，路径长度厘米级别的变化对信号幅度的影响很小。
  d(t)增加一个波长，方程中的CSI 值H(f，t)顺时针旋转2π，如图4所示。注意相移项中的负号，d（t）变大导致动态相位变小。并且，$H(f，t)$的平移、缩放、旋转都不会改变CSI轨迹的运动方向、几何形状。如图5所示.。


注意，呼吸传感和手指跟踪等传感应用引起的路径长度变化小于一个波长。在这种情况下，d(t)增加不到一个波长，CSI顺时针旋转不到2π，因此它的轨迹只是整个圆(圆弧)的一部分。

现实情况下：

  商用WiFi设备，由于发射机和接收机时间不同步，每个CSI样本中有一个随时间变化的随机相位偏移$e^{-j{\theta }_{\text{offset }}}$，这种随机相位偏移阻止了我们直接使用CSI相位信息进行细粒度检测。
$$H(f,t)=e^{-j{\theta }_{\text{offset }}}\left(H_s(f,t)+A(f,t)e^{-j2\pi \frac{d(t)}{\lambda }}\right)$$

4.2 CSI熵的引入

观察结果：

1. 对于商用无线网卡，如英特尔5300，无线网卡上不同天线的时变相位偏移相同，因为它们共享相同的射频振荡器。
2. 当目标移动一小段距离(几厘米)时，两个近距离天线上的两个反射路径长度变化之差$d_2(t)-d_1(t)$可视为常数$\Delta d$。

  基于以上观察，提出两个天线之间CSI比率如下：
$$\begin{array}{rl}\frac{H_1(f,t)}{H_2(f,t)}& =\frac{e^{-j{\theta }_{offset}}\ast \left(H_{s,1}+A_1{e}^{-j2\pi \frac{d_1(t)}{\lambda }}\right)}{e^{-j{\theta }_{offset}}\ast \left(H_{s,2}+A_2{e}^{-j2\pi \frac{d_2(t)}{\lambda }}\right)}\\ & =\frac{A_1{e}^{-j2\pi \frac{d_1(t)}{\lambda }}+H_{s,1}}{A_2{e}^{-j2\pi \frac{\Delta d}{\lambda }}{e}^{-j2\pi \frac{d_1(t)}{\lambda }}+H_{s,2}}\\ & =\frac{\mathcal{A}\mathcal{Z}+\mathcal{B}}{C\mathcal{Z}+\mathcal{D}}\end{array}$$其中$H_1(f，t)$是第一天线的CSI，而$H_2(f，t)$是第二天线的CSI。为了简化方程以便于说明，我们采用$\mathcal{A}、\mathcal{B}、\mathcal{C}、\mathcal{Z}$来表示这些项:$A_1=\mathcal{A},H_{s,1}=\mathcal{B},A_2{e}^{-j2\pi \frac{\hat{d}d}{\lambda }}=C,H_{s,2}=\mathcal{D};e^{-j2\pi \frac{d_1(t)}{\lambda }}=\mathcal{Z}$表示当$d_1(t)$增加时顺时针旋转的单位圆。
  进一步将其分解为以下形式:
$$\frac{H_1(f,t)}{H_2(f,t)}=\frac{\mathcal{B}C-\mathcal{A}\mathcal{D}}{C^2}\cdot \frac{1}{\mathcal{Z}+\frac{\mathcal{D}}{C}}+\frac{\mathcal{A}}{C}$$  在上式中，由于人体运动造成的动态相位变化有如下复平面映射：

(i) $\mathcal{Z}\mapsto \mathcal{Z}+\frac{\mathcal{D}}{C}$, 平移$\frac{\mathcal{D}}{C}$;
(ii) $\mathcal{Z}\mapsto \frac{1}{\mathcal{Z}}$, 取复数的倒;
(iii) $\mathcal{Z}\mapsto \frac{\mathcal{B}\mathcal{C}-\mathcal{A}\mathcal{D}}{C^2}\mathcal{Z}$, 复数乘以一个复数常 $\frac{\mathcal{B}\mathcal{C}-\mathcal{A}\mathcal{D}}{C^2}$，等价于幅值放缩和角度旋转;
(iv) $\mathcal{Z}\mapsto \mathcal{Z}+\frac{\mathcal{A}}{\mathrm{C}}$, 再次平移 $\frac{\mathcal{A}}{\mathrm{C}}$.

  数学上，点$z=r{e}^{i\theta }$ 是 $\frac{1}{r}{e}^{-i\theta }$倒数，新幅度是原始幅度的倒数，新相位与原始相位相反。图6 (a)示出了单位圆外的点z如何映射到它旁边的点1/z.:相不变长变，长变完相对称。（$\mathcal{Z}=e^{-j2\pi \frac{d_1(t)}{\lambda }}$）$\mathcal{Z}$和$\tilde{\mathcal{Z}}$如果零点不在$\mathcal{Z}$中，则两个圆圈转动方向相同（因为长度和角度的变化都改变了旋转方向）,如图6（b）所示。如果零点在$\mathcal{Z}$中，则两个圆圈的转动方向相反（长度变化不改变旋转方向，角度变化改变旋转方向），如图6（c）所示。

  如上图（b）所示，在不包含原点时CSI商$\frac{\mathcal{A}Z+\mathcal{B}}{CZ+\mathcal{D}}$与$\frac{1}{Z+\frac{D}{C}}$(同时也和$\mathcal{Z}+\frac{\mathcal{D}}{C}$)具有相同的旋转方向。大多数时候人类的感知也是如此: 静态分量$|\mathcal{D}|=\left|H_{s,2}\right|$的幅度大于动态分量$|\mathcal{C}|=\left|A_{s,2}\right|$。所以在WiFi感知的场景中，$\left|\frac{\mathcal{D}}{C}\right|=\left|\frac{H_{s,2}}{A_2}\right|>1$，$\mathcal{Z}+\frac{\mathcal{D}}{C}$不包含原点。
（注：此处推荐一位知乎大佬的复变函数笔记，不过应该没必要复习，正常看也能看懂）

总结：

P1：当反射路径长度改变几个波长时，CSI商在复平面上沿着一个圆变化。
P2：如果反射路径长度增加 :当静态分量的幅度大于动态分量的幅度时，CSI商顺时针旋转；否则，它会逆时针旋转。
P3：如果反射路径长度正好改变一个波长，CSI商在复平面上形成一个弧度正好为2π的整圆。 如果反射路径长度变化小于一个波长，CSI商形成弧度与反射路径长度变化大致匹配的圆弧。

  CSI商模型中的这三个性质将反射路径长度的变化与CSI商的变化联系起来。
PS：CSI商把动的相位Z和其他常量ABCD分离了，其他的系数都是短时期内可以视作不变的成分。牛批啊。

4.3 实验验证CSI商模型（略过）

5 从CSI商中提取呼吸特征

  在本节介绍从CSI商中提取远距目标呼吸引起的细微信号变化。本节首先介绍如何将前一节中介绍的CSI比率模型应用于人体呼吸检测。接下来，提出通过结合CSI比率的幅度和相位来更精确地提取呼吸模式，以实现更远的感测范围和更高的精度。

5.1 基于CSI商模型的呼吸监测

  呼吸感测可以假设存在一条来自人胸部的主要反射路径。所以\CSI商公式可以直接应用于呼吸检测。由于呼吸引起的胸部位移在5 mm到12 mm 之间，反射路径长度变化小于一个波长(5.24 GHz为5.7 cm)，那么呼吸时CSI比的轨迹只是一个圆弧(一整圆的一部分)。如图11所示，目标吸气和呼气时，动态反射路径长度相应地增加和减少。

CSI商旋转方向对应了吸气和呼气，通过分析顺时针和逆时针旋转之间的时间间隔，我们可以获得呼吸速率。 由于在呼吸期间，旋转方向不改变呼气和吸气之间的时间间隔，所以呼吸可以不考虑方向。
（ToDo：方向在哪些场景需要用上，在呼吸中真的不能用上吗？）

5.2 CSI商的幅度和相位

CSI商幅度和相位的作用：

  CSI商的引入保证了两个天线之间的相位差是稳定的(随机相位偏移被抵消)。结合CSI商的相位和幅度可消除“盲点”问题，并进一步扩展检测范围。

原理：

  复数可表示为$a+bi$ 和 $A{e}^{i\theta }$，其中$a、b$分别是是实部$(I)$和虚部$(Q)$，$A、\theta$分别是振幅和相位。
  CSI商的正交$I$和$Q$分量对于呼吸感测有互补性：在某位置I分量对于感测可能是不好的，但Q分量是好的。

结合相位和幅度进行呼吸监测的思路：

组合了用于感测的I、Q分量，这相当于组合振幅和相位。组合方案由两个步骤组成:
(1)通过给I/Q分量分配不同的权重来生成多个组合候选项进行组合；
(2)从候选中选择一个作为最终提取的呼吸模式

此处留待总结，以后看到不同的应用了补充过来：

  首先，CSI商是和每根天线上的CSI数据同维度的复数矩阵。对于一个呼吸周期所对应的CSI序列，由前面可知，应该画出一段圆弧，并且i深呼吸画出的圆弧会比浅呼吸画出的圆弧更长。

CSI商的相位

(1)能反映反射路径的ToF的变化（因为Δd和相位存在对应关系$e^{-j2\pi \frac{d_1(t)}{\lambda }}=\mathcal{Z}$），这点能用于WiFi手势识别和WiFi室内定位。

CSI商的幅度能反映？？？

CSI商的实部能反映？？？

CSI商的虚部能反映？？？

5.2.1 生成匹配空间

匹配空间是什么：

  传统方法通常选取I分量或Q分量中好的那一个用于检测呼吸波形（区分好坏的依据应该是对呼吸波形的检测效果）。本文通过在复平面的轴上投影复值CSI商线性组合I/Q分量。图12示出了点$z=a+bi$如何投影到轴上$[\cos \theta \sin \theta ]$以得到一个新的点$z’$,其中$\theta$是投影轴的角度。由几何关系有:
$$\begin{array}{rl}{\mathbf{o}\mathbf{z}}^{\prime }& =[\cos \theta \sin \theta ][ab{]}^T\\ & =a\cos \theta +b\sin \theta \end{array}$$ ${\mathbf{o}\mathbf{z}}^{\prime }$即z点的I-Q分量的线性组合。在这种组合中，I、Q分量分配的权重是cosθ和sinθ。(个人理解即把复数投影成一个实数)

类似地，对于CSI商数据的时间序列， x = { x 1 , x 2 . . . x T } \boldsymbol{x}={\{x_1,x_2...x_T\}} x={x1​,x2​...xT​}，其投影 y = { y 1 , y 2 . . . y T } \boldsymbol{y}={\{y_1,y_2...y_T\}} y={y1​,y2​...yT​}定义如下：
$$\mathbf{y}=[\cos \theta \sin \theta ][\mathfrak{R}(\mathbf{x})\mathfrak{J}(\mathbf{x}){]}^T$$其中$\mathfrak{R}(\mathbf{x})$ ,$\mathfrak{J}(\mathbf{x})$分别是$\mathbf{x}$的实部、虚部。通过$\theta$从$0$到$2\pi$以固定的步进生成匹配空间。

匹配空间有什么用：

从上图中看到，取匹配空间中不同的值时，CSI商的投影的幅度不同，搜索整个空间可以找到使得呼吸波形幅度最大的combination candidates（$[\cos \theta \sin \theta ]$）。

5.2.2 匹配值的选定

如何从匹配空间中选出最好的θ值，以生成最佳的呼吸波形？

  短期呼吸噪声比(BNR，short term breathing-to-noise ratio)，定义为呼吸能量与总能量的比率，它可以用于衡量周期性。本文首先对combination candidates进行快速傅立叶变换来计算BNR。
  目标：选择最大BNR所对应的combination candidates
步骤：
(1) 本文投影的窗口长度被设置为12秒，这对应于1200个样本（发包率100Hz）。
(2) 接下来，找到在人类呼吸范围(10 bpm到37 bpm)内能量最大的FFT箱。这里，我们通过零填充(zero-padding)将样本数量增加到8192个(即时域信号附加6992个零值样本）。零填充不能提高频谱分辨率，但可以揭示频谱中更精细的细节，从而更容易定位具有最大能量的FFT bin[16]。
(3) 然后，通过将该bin的能量除以所有FFT bin的能量和来计算BNR。
(4) 在所有候选组合中选择BNR值最大的一个。
  优点：基于方差的选择在目标原理收发设备时可能会失败，因为呼吸引起的信号变化现在小于噪声水平，并且在这种情况下，方差主要由环境噪声引起。基于周期性的选择策略仍然尽量结合输入输出来提取短周期内的准周期性呼吸波形。

6. 系统设计

6.1 数据收集（设备设置）

配置：

(0) 一根天线安装在发射器(Tx)上，两根天线安装在接收器(Rx)上。
(1) 中心频率5.24 GHz，带宽20 MHz。请注意，英特尔5300无线网卡在总共56个子载波中的30个子载波上提供CSI
(2) 采样速率/CSI发包率：理论上大于10Hz即可，实验中采用了30Hz和100Hz。
(3)使用商用设备(Neulog呼吸监测仪皮带记录器传感器NUL-236)收集受试者自然呼吸时的ground truth

6.2 数据预处理

(1) 首先将来自同一接收机的两个天线的两个复CSI读数相除，以获得仍然是复值的CSI比率。
(2) 引入运动检测器，当有大的运动时标记时间段，并排除这些时间段用于感测。
(3) 最后，应用Savitzky-Golay滤波器在这些稳定的时间周期内平滑每个子载波的信干比数据，并将其用于进一步的处理。

6.3 呼吸特征提取（步长设置）

（1）在本模块中，我们提取了30个子载波的呼吸模式。对于每个子载波通过所有的投影轴参数θ(如步长$\frac{\pi }{50}$)来生成100个候选，并选择一个BNR最大的候选作为最终提取的呼吸模式，即5.2.2部分。
（2）配备Intel Xeon 处理器 E3 1505M V6 和 8 GB内存的DELL Precision 5520，所有30个子载波以给定步长$\frac{\pi }{50}$搜索θ($0$至$2\pi$)的时间成本约为0.54秒，对实时呼吸监控系统来说是可以接受的。也可以通过增加搜索的步长来进一步降低时间成本。

6.4 呼吸速率估计

  该模块通过组合来自多个子载波的结果来估计呼吸速率。自相关方法在低信噪比情况下表现良好。呼吸的周期性提供了获得自相关峰值可能。首先对每个子载波的呼吸模式应用自相关。然后，我们组合来自多个子载波的自相关结果，以获得最终的呼吸速率估计。

6.4.1 自相关应用于呼吸模式（略）

6.4.2 多个子载波组合（略）

挺像最大比合并的思路。

7. 实验设置

7.1 场景

7.2 和以前的设备的对比

传感范围:定义为检测率高于95%的最大距离
详细呼吸波型
整体检测率

7.3 性能

呼吸速率的绝对误差

8. 讨论

（1）有两种方法可以解决无线网络中具有挑战性的多目标感知问题。一是增加带宽，二是增加无线收发器的天线数量。例如，802.11n WiFi的带宽为40 MHz，时域分辨率仅为25 ns。这意味着如果两个信号的路径长度差在7.5米(25纳秒3 108米/秒)以内，则两个信号不能在时域中被分离。幸运的是，在未来的无线网络标准中，预计会有更大的带宽，可以用来进一步提高传感分辨率。如[47，51，61]所示，对于多人呼吸感测，盲源分离或快速傅立叶变换技术也可用于分离一组不同频率的源信号。
（2）另一种可能的解决方案是，我们可以使用天线阵列(多个天线)来分离来自空间域中不同方向的信号。实际上，所提出的信干比模型可以与多天线技术相结合，以增加感测范围和分辨率。在多天线设置的基础上，可以利用先进的信号处理技术，如MUSIC(多信号分类)和多维信息融合[57]来进一步提高信号分离分辨率。