2021《Towards Position-Independent Sensing for Gesture Recognition with Wi-Fi》读书笔记
本文针对活动识别的位置依赖问题（用户相对于收发器的位置和方向发生变化时，同一活动的接收信号不一致，导致传感性能不稳定的现象），提出了一种位置无关感知策略，并在手势识别中验证了有效性。
思想：将观测从传统的收发器视图转移到面向手的视图，并提取不考虑位置特定因素的特征。如手势，用户在不同的位置执行相同的手势时，手的移动方向变化模式是一致的。
主要贡献： 引入独特的原始特征 MNP，Motion Navigation Primitive，捕捉手的移动方向变化模式。分析肢体的模式变化，将肢体运动转化为一系列的笔画（线弧角等）
1. 现有问题和本文策略
问题 :
the position-dependency challenge: many existing solutions use machine learning or deep learning-based techniques to learn and extract features from the CSI signals that can be used to recognize human actions and activities. These features capture information related to not only the action itself but also the location and orientation of the action
解决思想：
手势可通过相对于之前的位置( a “hand-oriented view")来描述手的动作。从面向手的角度来看，手的运动可以一致地描述为四个部分:{顺时针旋转，直走，逆时针旋转和直走}。
本文贡献：
- 提供了一致的位置独立的知识，避免在不同位置和方向下的密集训练。
- 位置无关特征——Motion Navigation Primitive, MNP
- 构建了wigesture原型系统，其优于现有手势识别系统
2. 基础知识
CSI + Fresnel zone（解释不同位置下手势运动产生的CSI波形模式差异来源）
3. 基于手方向视图的手势感知策略
如何转化为手方向的视图+如何描述位置无关特征+如何提取这一特征
思路：
手势速度投影为任意两个非平行方向上的两个速度分量。 当运动方向改变时，两个速度分量的比值会同步改变。估计出速度分量的比值，就能描述手的运动方向的变化。
设置：
1Tx-2Rx，对于每个链路构建一个焦点为发射器和接收器的椭圆（link只需要不平行即可）。
前人工作[13. Daqing Zhang. 2021. Understanding WiFi Signal Frequency Features for Position-Independent Gesture Sensing]表明Wi-Fi信号主要受沿椭圆法向的速度分量的影响。因此，将手的速度v投影到两个椭圆的法线方向上.当手的移动范围远小于LoS时，假设 v 1 , n v_1,n v1,n和 v 2 , n v_2, n v2,n保持不变。
存在问题：如果收发机位置未知，无法获得法线方向速度投影
解决办法：使用反射路径更改来替换每个链接的 v n v_n vn。图6中由于物体P运动的 v n v_n vn导致反射路径长度变化（ Δ d \Delta d Δd in Δ t \Delta t Δt），其对长度 ∣ T x − P ∣ |T x-P \mid ∣Tx−P∣影响为 v n cos α Δ t v_{n} \cos \alpha \Delta t vncosαΔt，对长度 ∣ R x − P ∣ |R x-P| ∣Rx−P∣ 影响为 v n cos β Δ t v_{n} \cos \beta \Delta t vncosβΔt目标：获得 v 2 , n ( t ) v 1 , n ( t ) \frac{v_{2, n}(t)}{v_{1, n}(t)} v1,n(t)v2,n(t)
已知： ∣ Δ d Δ t ∣ = ∣ v n ∣ ( cos α + cos β ) \left|\frac{\Delta d}{\Delta t}\right|=\left|v_{n}\right|(\cos \alpha+\cos \beta) ∣∣ΔtΔd∣∣=∣vn∣(cosα+cosβ)
假设：在短时间窗内，cosα+cosβ不变。 d i ( t ) ， i = 1 , 2 d_{i}(t)，i = 1,2 di(t)，i=1,2表示第i对收发机上的反射路径长度
结论： Δ d 2 ( t ) Δ d 1 ( t ) ∝ v 2 , n ( t ) v 1 , n ( t ) \frac{\Delta d_{2}(t)}{\Delta d_{1}(t)} \propto \frac{v_{2, n}(t)}{v_{1, n}(t)} Δd1(t)Δd2(t)∝v1,n(t)v2,n(t)TODO_1: 两条链路的 cosα+cosβ 一样？？？
3.1 MNP M(t) 在时刻t的定义
M
(
t
)
=
arctan
Δ
d
2
(
t
)
Δ
d
1
(
t
)
M(t)=\arctan \frac{\Delta d_{2}(t)}{\Delta d_{1}(t)}
M(t)=arctanΔd1(t)Δd2(t)对比值进行arctan处理，可避免分母很小时出现异常值。
上式中反射路径表达式为：
d
(
t
)
=
λ
2
π
∠
(
H
(
f
,
t
)
−
H
s
(
f
,
t
)
A
(
f
,
t
)
)
d(t)=\frac{\lambda}{2 \pi} \angle\left(\frac{H(f, t)-H_{s}(f, t)}{A(f, t)}\right)
d(t)=2πλ∠(A(f,t)H(f,t)−Hs(f,t))实际情况中
H
(
f
,
t
)
=
H
s
(
f
,
t
)
+
H
d
(
f
,
t
)
=
H
s
(
f
,
t
)
+
A
(
f
,
t
)
e
−
j
2
π
d
(
t
)
λ
H(f, t)=H_{s}(f, t)+H_{d}(f, t)=H_{s}(f, t)+A(f, t) e^{-j 2 \pi \frac{d(t)}{\lambda}}
H(f,t)=Hs(f,t)+Hd(f,t)=Hs(f,t)+A(f,t)e−j2πλd(t)，因为手的移动范围远小于LoS，
H
s
(
f
,
t
)
H_{s}(f, t)
Hs(f,t) and
A
(
f
,
t
)
A(f, t)
A(f,t)可视为常量，得到：
Δ
d
(
t
)
=
λ
2
π
∠
Δ
H
(
f
,
t
)
\Delta d(t)=\frac{\lambda}{2 \pi} \angle \Delta H(f, t)
Δd(t)=2πλ∠ΔH(f,t)
∠
Δ
H
(
f
,
t
)
\angle\Delta H(f, t)
∠ΔH(f,t)即CSI的动态相量分量的相变。
所以：
M
(
t
)
=
arctan
∠
Δ
H
2
(
f
,
t
)
∠
Δ
H
1
(
f
,
t
)
M(t)=\arctan \frac{\angle \Delta H_{2}(f, t)}{\angle \Delta H_{1}(f, t)}
M(t)=arctan∠ΔH1(f,t)∠ΔH2(f,t)其中
H
i
(
f
,
t
)
,
i
=
1
,
2
H_{i}(f, t), i = 1,2
Hi(f,t),i=1,2分别是链路i上的CSI。通过从接收到的CSI中求出动态相位变化，就可以在不事先知道其位置的情况下，用两对非平行位移的收发器获得MNP。
3.2 MNP的提取
动态相位变化→MNP→去除手部的shaking→鲁棒性更强的MNP
step1: 做CSI商去除 Channel Frequency Offset (CFO) and Sample Frequency Offset (SFO).
PS：在误差可容忍的情况下，CSI的动态相位可以用CSI商的旋转角度φ来粗略表示。一个映射嘛。
step2: 复杂平面上的原点样本分散，需要采用Savitzky-Golay(S-G)滤波器对构成CSI比率圆形形状的样本进行平滑处理
step3：测量去噪CSI比值的切线在复平面上的斜率变化来计算φ。PS: 在CSI商中圆弧的圆心是不断变化的，因此很难准确地确定旋转角度和计算动相位φ
step4：通过对动态相进行微分，可以得到动态相变化量∆φ。如7（c）所示，各子载波动态相位φ的动态相变会在相位跳变时引起异常峰值，这些异常值是需要消除的。
ToDo_2: 如果不消除有什么影响？
step5：采用一个动态的时间切片选择方案，选择质量最好的信号。
思想：每0.25s划分一个时间段， Ψ t \Psi_{t} Ψt表示一个从时间开始持续τ的动态相位变化。 Ψ t = argmin var ( ψ i , t ) ∑ i = 1 30 var ( ψ i , t ) \Psi_{t}=\operatorname{argmin} \frac{\operatorname{var}\left(\psi_{i, t}\right)}{\sum_{i=1}^{30} \operatorname{var}\left(\psi_{i, t}\right)} Ψt=argmin∑i=130var(ψi,t)var(ψi,t)，相位差变化约平滑，表示信道质量越好，变化用方差来衡量。
step6： M = arctan ψ t , 2 ψ t , 1 M=\arctan \frac{\psi_{t,2}}{\psi_{t,1}} M=arctanψt,1ψt,2，在实践中，手和手臂抖动导致移动方向的变化与手势无关。
思想：手部shaking时，短时间运动方向反复横跳。利用动态相位来分析MNP序列的单调性，具体来说在至少一个接收机数据上标记∆Φ的正负，并挑选备选点，在这些点上Φ单调变化，MNP的变化也单调。对于shaking片段，MNP现为一个非常短的片段，与相邻片段相比具有相反的单调性。之后粗暴移除这些片段即可。
step7：在整体上应用S-G过滤器，使MNP更平滑
4. 基于MNP的手势识别机制
MNP捕捉到移动方向变化的波形时，如果移动方向变化较快，相应的MNP序列也呈现出快速变化的趋势，反之亦然。此外，MNP是增加还是减少取决于方向是顺时针还是逆时针。MNP波形的不同趋势表明了移动方向的变化速度和手势的顺时针方向。
思路：使用
[
t
0
,
t
1
]
[t_0,t_1]
[t0,t1]表示用户在执行一个手势时的一小段时间。用
δ
θ
δθ
δθ表示
[
t
0
,
t
1
]
[t_0,t_1]
[t0,t1]的运动方向变化率。利用阈值划分笔画：
(1)Type-Line:∆θ is less than a small threshold k1.In that case, we believe that the moving direction of the hand has hardly changed and users are waving a line.
(2)Type-Arc:∆θ is larger than the k1 but smaller than a very high threshold k2. We believe that the moving direction of the hand monotonically and moderately changes and users are waving an arc.
(3)Type-Corner:∆θ is larger than the thresholdk2, which means the moving direction of the hand has undergone a very quick change, and the users are drawing a corner.
- 根据经验实验的ground truth，可以将k1,k2大致设置为0.3 rad/s和6 rad/s。
- 从MNP趋势中提取笔画的时钟方向性。当MNP系列呈现增加趋势时，手势笔划方向为逆时针方向；当MNP减小时，手势笔画的方向顺时针变化。
手势识别思想：每个手势的唯一时间识别序列。对于任何预定义的手势，都可以利用先验知识作为参考轮廓来生成对应的序列。然后对任何输入手势，只需要将生成的识别序列与参考进行匹配并最终识别，如图figure20。
5. 实验验证及部分结果
优势是采集的样本少。每个手势的参考序列只需要在一个位置和方向执行一次手势即可。
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
