学习笔记（十一）：MultiSense与多人呼吸感知（原理部分还没写，以后用的时候补充）

本文链接：https://blog.csdn.net/a_beatiful_knife/article/details/118863884

2020《MultiSense: Enabling Multi-person Respiration Sensing with Commodity WiFi》学习笔记

本文证明了反射信号在每个天线处线性混合，并提出将多人呼吸感测建模为盲源分离问题。然后利用独立分量分析对混合信号进行分离，得到每个人呼吸信号的修复信息。最终实现了三Tx三Rx下四人0.73bpm的平均呼吸速率误差。

PS：Multisense并不要求发射机和接收机都有多个天线。只要接收机端配备多根天线，如1Tx&3Rx可监测两人呼吸。

ToDo：学以致用RER和子载波选择和呼吸波形和背景噪声的去除。

一、现存问题和本文贡献

现存问题：

以往大多数基于WiFi的呼吸监测工作都是针对单人场景的，在多人场景下无法提取呼吸波形，此时CSI同时受到多人胸部运动的影响。

现有方法有多个明显的局限性:
(1)不能感知位于“盲点”的人的呼吸；单人场景的“盲点”问题已经在Farsense中解决，但该解决方案不能直接应用于多人场景。如fig3所示。
(2)当目标受试者具有相似的呼吸频率时不能分辨呼吸频率；如fig4所示。
(3)基于频谱的方法只能获得平均呼吸速率，而不能获得检测异常呼吸所必需的精细呼吸波形。如fig1所示（如学习笔记13）

本文贡献：
实验设置如fig2所示。
基于多人反射信号在每个接收器天线处线性混合这一现实，将问题建模为盲源分离(Blind Source Separation，BSS)问题。并（1）用CSI商在不破坏反射信号线性混合的关系下去除了CSI中存在时变相位偏移，（2）非目标背景信号的去除：接收器处的混合信号不仅包括从目标反射的信号，还包括从非目标静态物体(例如墙壁)反射的信号以及收发器之间的直接路径信号。

二、实验设置和系统概述

2.1 实验设置

实验设置：
在一对收发器，配备三个天线的场景下测试系统精度。

2.2 系统概述

系统概述：如fig8所示，Multusense由四个基本模块组成:(1)数据采集、(2)数据预处理、(3)多人呼吸分离和(4)呼吸波形段匹配。

2.2.1 数据采集

(1) 数据采集：

·Intel 5300 WiFi card
·中心频率 5.24 GHz （48HT20）
·发包率 200 Hz，发射功率15 dBm
· $N_{Tx}=3, N_{Rx}=3$
·采集到的CSI复数矩阵维度为 $3 \times 3 \times 30 \times T$

·PS:天线对的数量(上述条件中=9)大于人的数量时，Multisense可适应发射机或接收机少于三根天线的情况。

·Groundtruth：Neulog respiration belt
·场景设置：
收发器的天线水平放置在睡眠场景中，垂直放置在坐姿场景中

2.2.2 数据预处理

(2) 数据预处理

2.1当检测到大的运动时需要分割CSI流:

原因:

大运动时反射信号的到达角改变，两个天线对之间的反射路径的长度差改变，不同天线对的CSI读数不再像C4中那样彼此线性相关
运动的反射路径的信号幅度不能被认为是常数。

解决方法: 引入WiDetect 中的运动检测器，用于标记目标之一移动时的时间段。

2.2子载波选择：

发射机和接收机配备三个天线，在每个时间戳得到一个9 × 30的CSI矩阵，因此，30秒内以200赫兹的采样率测量的CSI是9 × 30 × 6000张量，如fig9所示：

每个子载波经历不同的多径衰落和阴影效应不同，不同子载波的CSI读数对呼吸感测灵敏度。因此，选取“好”的呼吸感应。基于：某个子载波的CSI读数的时间序列的低RER（Respiration Energy Ratio）表明它包含有用的呼吸信息的可能性低，因此应该排除它。

具体步骤：

对于每个天线对和子载波的CSI读数的时间序列，计算其RER
对于每个子载波，通过平均所有天线对的RER估计它的RER
假设所有30个子载波中的最大RER为 $ε$ ，只选RER大于 $0.8 ε$ 的子载波

2.3CSI处理：
对于每个选定的子载波，两个步骤处理CSI:

在N人呼吸的的情况下，为减少不必要的系统开销。用N + 1对天线对的原始信道状态信息除以参考信道状态信息，以抵消时变相位偏移。
估计背景静态信号并减去它以获得最终的CSI。系统在系统启动时记录背景信号作为初始估计，并且周期性地更新背景信号估计以处理变化的多径。

2.3 多人呼吸分离

（3）多人呼吸分离
3.1分离呼吸信号
对于每个选定的子载波，应用ICA(独立成分分析)分离源呼吸信号，并从复值呼吸信号中提取每个人的呼吸波形。进一步采用多子载波合并方案，得到鲁棒的呼吸模式。

fig10显示了7th子载波的两人场景中使用RobustICA算法的呼吸信号分离示例。如图所示，点是样本的时间序列，彩色线是经过Savitzky-Golay滤波后的去噪版本，可以有效保留原始波形的包络。真实呼吸速率为19 bpm和20 bpm。图10 (a)和图10 (b)给出了两个天线对的处理后的CSI。并且图10 ©和图10 (d)示出了鲁棒性的输出。可以观察到每个人呼吸信号的轨迹在复平面上是一个圆弧，符合预期。

PS：选择具有最大RER的子载波 $i$ 用于多人呼吸分离

3.2 呼吸波形提取：
1）使用Savitzky-Golay filter来平滑复数数据，然后使用farsense的投影法得到呼吸波形。

由于Farsense不能像商用设备一样得到呼气吸气的波形，本文中引入the extended differentiate and cross-multiply (DACM) algorithm用于评估呼吸信号在复平面中的旋转方向。该算法计算反正切解调相位信息的粗略导数，其中正导数正好对应于逆时针旋转方向，反之亦然。

2）应用PCA获得初始呼吸波形。
3）检查初始呼吸波形的趋势(向上或向下)是否与呼吸信号的旋转方向(逆时针或顺时针)匹配。在呼吸信号逆时针旋转(即吸气)但波形下降的情况下，将初始投影轴切换到相反的方向，并获得相应的呼吸模式。

PS:盲点不存在，不同的投影轴在感知呼吸方面具有不同的能力。

3.3 多个子载波组合
现有N个人在K个选定子载波上的呼吸波形，必须先识别同一个人的呼吸波形。

属于同一个人的不同子载波的呼吸模式现在是同相的，并且彼此非常相似。因此，来自具有较高相关性的不同子载波的两个模式更可能属于同一个人。
可以用基于相关性的呼吸波形的聚类分析。

在得到N×K对应的波形后，直接用波形和RER最大比合并。
$\mathbf{r}_{m s c}=\sum_{\mathbf{r} \in C} R E R(\mathbf{r}) \times \mathbf{r}$

2.2.4 呼吸波形片段匹配

(4) 呼吸波形片段匹配

多人呼吸分离后得到N个多个子载波组合(MSC)呼吸波形段，每个分段对应N个人(i.e.30秒CSI数据)。

fig13中呈现了两人场景中的呼吸片段匹配的示例。如图通过两个步骤来解决匹配问题:(1)对于每个片段，将选定子载波I的呼吸信号与MSC呼吸模式进行匹配；(2)匹配两个相邻片段上的子载波 $i$ 的呼吸信号。如图所示，实现了这两个步骤可 $\operatorname{match} \mathbf{r}_{m s c}\left(t_{1}, 1\right)$ with $\mathbf{r}_{m s c}\left(t_{2}, 1\right)$ 。
技巧：选择具有最大RER的子载波 $i$ 作为第一段。将子载波 $i$ 用于多人呼吸分离

具体步骤：

由于对于子载波中分离出的每人呼吸信号，能知道哪些参与了哪个人MSC呼吸模式的组合过程。换句话说，可以直接将子载波的每个呼吸信号与其参与组合的相应的MSC呼吸模式进行匹配，得到每个子载波上人的呼吸信号的id。
等看完原理部分后补充