emmm,这篇读完收获很小。
2019《Contact-free In-home Health Monitoring System with Commodity Wi-Fi》读书笔记
本文的主要贡献为:
- 用机器学习的方法检测人体的存在性
- 利用 Respiration-to-Noise Ratio和提出一种子载波选择方法来衡量呼吸状态
- 引入峰值检测方法和基于机器学习的呼吸暂停检测方法来实现异常检测和疾病分类
1. preliminaries(预备知识)
1.1 CSI 模型
H ( f , t ) = H s ( f , t ) + H d ( f , t ) = H s ( f , t ) + ∑ i ∈ G d α i ( t ) e − j 2 π f τ i ( t ) (1) \begin{aligned} H(f, t) &=H_{s}(f, t)+H_{d}(f, t) \\ &=H_{s}(f, t)+\sum_{i \in G_{d}} \alpha_{i}(t) e^{-j 2 \pi f \tau_{i}(t)} \end{aligned}\tag{1} H(f,t)=Hs(f,t)+Hd(f,t)=Hs(f,t)+i∈Gd∑αi(t)e−j2πfτi(t)(1)其中 G d G_{d} Gd是动态路径集合。
1.2 CSI共轭消除相位误差
H c m ( f , t ) = H 1 ( f , t ) H ^ 2 ( f , t ) = H 1 , s H ^ 2 , s + H 1 , d H ^ 2 , d + H 1 , s H ^ 2 , d + H 1 , d H ^ 2 , s (2) \begin{array}{l} H_{c m}(f, t)=H_{1}(f, t) \hat{H}_{2}(f, t) \\ =H_{1, s} \hat{H}_{2, s}+H_{1, d} \hat{H}_{2, d}+H_{1, s} \hat{H}_{2, d}+H_{1, d} \hat{H}_{2, s} \end{array}\tag{2} Hcm(f,t)=H1(f,t)H^2(f,t)=H1,sH^2,s+H1,dH^2,d+H1,sH^2,d+H1,dH^2,s(2)第一项可以直流滤波消除,第二项可以忽略,三四项包含有所需信息。
2. 人体存在检测模块(略)
3. 呼吸状态监测模块
① CSI共轭数据噪声的处理:
先对CSI进行共轭,然后Hample滤波器Ⅰ去除(1)中的静态成分,其hample窗和阈值分别为100和0.1。Hample滤波器Ⅱ滤除异常值,其hample窗和阈值分别为20和3。
② BNR 的衡量:
人体呼吸频率范围10-37bpm,通过FFT变换计算计算30个子载波的CSI数据的2*3 0 RNR值。具有最大RNR值的子载波是对呼吸信号最敏感的子载波。