CSI
文章平均质量分 92
不讲魔法讲道理
这个作者很懒,什么都没留下…
展开
-
学习笔记(十八):MoRe-Fi用深度学习网络从非线性信号中恢复呼吸波形
《MoRe-Fi: Motion-robust and Fine-grained Respiration Monitoring via Deep-Learning UWB Radar》学习笔记本文要点:利用商用IR-UWB雷达实现无接触传感深度学习(新型变分译码网络)恢复出由身体运动以非线性方式调制呼吸波形MoRe-Fi在肺部疾病诊断中的潜在应用新知识点:使用环回过滤器[2014.3D Tracking via Body Radio Reflections]来消除静态背景的影响。使原创 2021-12-30 20:21:57 · 1841 阅读 · 0 评论 -
学习笔记(十七):位置和方向未知的wifi手势识别
2017《Position and Orientation Agnostic Gesture Recognition Using WiFi》本文贡献:提出了configuration这一原创 2021-12-01 10:14:09 · 3049 阅读 · 0 评论 -
学习笔记(十六):商用Wi-Fi的功率延迟分布
2019《Precise Power Delay Profiling with Commodity Wi-Fi》读书笔记 功率延迟分布(Power Delay Profile,PDP)刻画多径特性,在动作感知方面意义重大。使用Wi-Fi设备时,功率时延谱的分辨率受信道带宽限制,同时CSI由于信道衰减和硬件噪声产生失真。 本文提出了一种通过拼接来自多个Wi-Fi频段的CSI测量值获得高分辨率的功率时延谱的方法和一套分离硬件误差的方法。目录1. PDP定义及作用1. PDP定义及作用背景:无原创 2021-11-04 17:23:22 · 3315 阅读 · 2 评论 -
学习笔记(十五):基于WiFi的步态速度检测
2020《GaitWay: Monitoring and Recognizing Gait Speed Through the Walls》读书笔记 本文通过一对商用WiFi收发设备监测个人的步态速度,实现了自动识别稳定的步行周期,提取物理上可信的和环境无关的速度特征,并据此识别受试者。 实验环境和结果:典型室内空间,对11名受试者进行了为期6个月的8个阶段的数据收集,结果是> 5000例步态实例,本文方法的速度估计误差中值为0.12 m/s, 90%为0.35 m/s,步长平均误差为3.3原创 2021-10-25 08:55:51 · 1761 阅读 · 1 评论 -
学习笔记(十四):基于位置无关感知策略的WIFI手势识别
2021《Towards Position-Independent Sensing for Gesture Recognition withWi-Fi》读书笔记原创 2021-09-29 10:28:14 · 2286 阅读 · 4 评论 -
学习笔记(十三):基于呼吸监测的人员计数和身份识别
2020《Respiration Tracking for People Counting and Recognition》 本文连续跟踪多人的呼吸速率,并利用估计的呼吸频率实现身份匹配。主要通过以下技术实现了多人呼吸速率监测:自适应子载波组合方法(提高呼吸信号信噪比)迭代动态规划算法轨迹拼接算法(连续跟踪多个用户呼吸频率) 实验结果,四人及四人以下的计数中平均准确率可达到86%。在97.9%的测试案例中,人群数量估计的绝对误差小于1。该系统在智能家居案例中的人物识别平均准确率达到85.原创 2021-09-05 16:58:26 · 1493 阅读 · 0 评论 -
杂文笔记(三):CSI的线性相位去噪及其python实现
目录1. CSI相位信息2. 线性相位去噪(两步:解卷绕+线性变换)1. CSI相位信息 测量到的第i个子载波上的CSI相位信息θ~i\tilde{\theta}_{i}θ~i:θ~i=θi+2πKiΔtN+β+Zf\tilde{\theta}_{i}=\theta_{i}+\frac{2 \pi K_{i} \Delta t}{N}+\beta+Z_{f}θ~i=θi+N2πKiΔt+β+Zf其中θi\theta_{i}θi为真实相位,Δt\Delta tΔt为定时误差,β\be原创 2021-07-30 15:27:17 · 7822 阅读 · 23 评论 -
学习笔记(十二):Widetect与无线运动监测
2018《WIDETECT: A Robust And Low-Complexity Wireless Motion Detector》读书笔记 WiDetect, 一款高精度、免校准、低复杂度的无线运动检测器。利用电磁波的统计理论在CSI的自相关函数和环境中的运动之间建立了联系。目录1. 现有工作及其局限性2. 基于电磁波统计理论的CSI统计建模2.1 CSI测量2.2 信号项μ(t,f)\mu(t, f)μ(t,f)的建模2.3 CSI功率响应的建模3. Widetect详细设计3.1 运动统原创 2021-07-30 14:22:37 · 616 阅读 · 0 评论 -
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)
2020《MultiSense: Enabling Multi-person Respiration Sensing with Commodity WiFi》 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。目录一、实验设置和系统概述一、实验设置和系统概述实验设置:一对收发器,都配备有三个天线。系统概述:Multisense由四个基本模块组成:(1)数据采集、(2)数据预处理、(3)原创 2021-07-22 17:02:19 · 2731 阅读 · 7 评论 -
杂文笔记(二):小波变换
本文概述:小波变换原理:小波直傅里叶变换的基(无限长的三角函数基)换成了有限长的会衰减的小波基。。小波变换用途:用于时频分析、突变信号分析。目录1.小波变换的提出背景2. 小波变换相关原理3. 小波变换在CSI处理中有什么用1.小波变换的提出背景 傅里叶变换处理非平稳信号有天生缺陷。它只能获取一段信号总体上包含哪些频率的成分,无法获知各成分出现的时刻。2. 小波变换相关原理参考文章《形象易懂讲解算法I——小波变换》3. 小波变换在CSI处理中有什么用可以用于信号去噪ToDo:原创 2021-07-15 15:14:31 · 1589 阅读 · 0 评论 -
学习笔记(十):PCA投影
本文目标:PCA方法寻找CSI商序列的最大投影方向:输入:30个子载波上的CSI商输出:30个子载波各自的最大投影方向 p(θ)⃗=[cos(θ) sin(θ)]\vec{p(\theta)}=[cos(\theta) \,\,\,\, sin(\theta)]p(θ)=[cos(θ)sin(θ)]目录1. PCA原理2. PCA用于寻找CSI商的最大投影1. PCA原理背景概述: 在多变量大数据集的背景下,许多变量存在相关性,要想既完全利用数据中的信息又降低分析的复原创 2021-07-14 13:29:53 · 1853 阅读 · 0 评论 -
学习笔记(九):呼吸状态和异常检测
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目录1. preliminaries(预备知识)1.1 CSI 模型1.2 CSI共轭消除相位误差2. 人体存在检测模块(略原创 2021-07-12 15:49:58 · 1334 阅读 · 1 评论 -
学习笔记(八):FingerDraw与WiFi手势追踪
2020《FingerDraw: Sub-wavelength Level Finger Motion Tracking with WiFi Signals》读书笔记 本文基于基于感知微小运动的CSI商模型和指画分割与重建技术,实现误差为1.27cm的任意二维手势绘制。如图(1)所示:FingerDraw1. WiFi手势识别现状2. 仅用原始CSI当作输入的基于识别的方法不能感知亚波长级手指运动的原因2.1 手指运动和CSI信号变化之间在菲涅耳区背景下的映射2. 实验验证相似手势CSI波形的巨原创 2021-07-08 21:18:55 · 1560 阅读 · 1 评论 -
学习笔记(七):FFT零填充的应用及如何用FFT bin衡量时间序列的周期性
代码没有技术含量所以懒得放。PS:麻了,相关概念好难找,Farsense给的参考资料是一整本书。无能ing,该读书了555目录1. 背景2. FFT 相关概念及零填充的意义3. FFT bin1. 背景 在Farsense读书笔记5.2.2节中定义有短期呼吸噪声比(BNR,short term breathing-to-noise ratio),物理意义为呼吸能量与总能量的比,可用于衡量时间序列的周期性。 在论文2018《Extracting Multi-Person Respiratio原创 2021-07-03 14:33:01 · 1689 阅读 · 3 评论 -
学习笔记(六):菲涅尔衍射模型与WiFi呼吸检测
2018《From Fresnel Diffraction Model to Fine-grained Human Respiration Sensing with Commodity Wi-Fi Devices》读书笔记摘要:(1)本文利用菲涅耳衍射模型来量化衍射增益和人体胸部的细微位移之间的关系,成功将第一菲涅耳区(FFZ,the First Fresnel Zone)中障碍物的衍射转化为有益的传感能力。(2)本文通过将正面的胸部位移以及背面的细微位移结合,获得与理论图惊人匹配的结果,明确解释了呼吸原创 2021-06-29 21:34:35 · 3504 阅读 · 1 评论 -
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 本文介绍了FarSense——第一个能够在目标远离WiFi收发器对时可靠监控人体呼吸的实时系统。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。目原创 2021-06-13 23:09:05 · 3908 阅读 · 16 评论 -
学习笔记(四): S(leep)M(onitoring)A(mbient)R(adio)S(ignals)
《SMARS: Sleep Monitoring via Ambient Radio Signals》读书笔记 SMARS建模时考虑了反射和散射多径,实现了高度准确的瞬时呼吸估计。在此基础上,SMARS识别不同的睡眠阶段,包括入睡期、快速动眼期(快速眼动)和非快速眼动(NREM),结果表明,SMARS产生的中值绝对误差为每分钟0.47次呼吸,呼吸估计的95%误差仅为每分钟2.92次呼吸,并且即使当一个人距离链接10米或在墙后时,也能鲁棒地检测到呼吸。SMARS实现了88%的睡眠分期精度。目录Sle原创 2021-06-12 14:42:58 · 1273 阅读 · 4 评论 -
学习笔记(三):WiFi-Sleep
学习笔记(三):使用商用无线网络设备的睡眠阶段监控《WiFi-Sleep: Sleep Stage Monitoring Using Commodity Wi-Fi Devices》读书笔记 本文利用来自多天线的CSI信息,以信号处理方法来提取准确的呼吸和身体运动信息。并引入深度学习方法,结合临床睡眠医学先验知识,在有限的数据源(即只有呼吸和身体运动信息)下实现阶段睡眠监测。结果表明,以多导睡眠图(黄金参考标准)来衡量WiFi-Sleep的性能时,WiFi-Sleep达到81.8%的准确性,相当于雷原创 2021-06-06 15:06:17 · 2506 阅读 · 7 评论 -
Widar2.0:SAGE算法和SAGE算法在在无线信道参数估计中的应用
Widar2.0:SAGE算法和SAGE算法在在无线信道参数估计中的应用C1 本文背景C2 SAGE算法C2.1 EM算法C2.2 SAGE算法C2.3 SAGE算法和SAGE算法在在无线信道参数估计中的应用C2.3.1 模型C 2.3.2 模型中的完整数据空间和隐藏数据空间C 2.3.3 确定整体问题的最大化函数C 2.3.4 分解后的期望函数和最大化函数C 2.3.5 初始化C 3 后续打算写在开头,我不知道其他复现Widar2.0的人有没有碰到我这样的问题,如果我不是个例,希望这篇文章能帮助大家少原创 2021-05-12 21:27:39 · 8854 阅读 · 13 评论 -
学习笔记(二):WiFi-无接触感知与菲涅尔区
学习笔记(二):WiFi-无接触感知与菲涅尔区《毫米级的 Wi-Fi 无接触感知:从模式到模型》笔记目录学习笔记(二):WiFi-无接触感知与菲涅尔区1. 基于Wi-Fi的无接触感知2. 基于菲涅尔区模型的感知理论2.1 菲涅尔区1. 基于Wi-Fi的无接触感知应用:穿墙统计人数,感知行走方向及定位,检测手势和呼吸心跳 等生理活动特征。原理:在接收信号的特征与人体活动状态之间建立映射。常见模型及其特点路径衰减模型 (path loss model):原理:将接收信号能量的波动归结为原创 2021-05-29 16:45:57 · 10323 阅读 · 6 评论 -
学习笔记(一):RSSI与CSI
学习笔记(一):RSSI与CSI目录学习笔记(一):RSSI与CSI1. RSSI及其所反映的物理信道的特征2. CSI及其所反映的物理信道的特征3. CSI和RSSI的对比1. RSSI及其所反映的物理信道的特征定义:接收信号强度指示 (Received Signal Strength Indicator, RSSI)。反映了多径信号叠加的总幅度。用途:(一) RSSI 适用于无线信号传播模型,可以估算信号传播距离。(二) RSSI 可以充当无线信号的特征指纹,结合机器学习等方法完成一些判原创 2021-05-28 14:24:54 · 4933 阅读 · 5 评论