论文下载:Understanding and Modeling of WiFi Signal Based Human Activity Recognition
Abstract
提出CARM,基于CSI地人体行为识别监控系统。
理论基础:CSI速度模型(CSI-speed model),量化CSI值动态与人体运动速度的联系;CSI活动模型(CSI-activity model),量化肢体运动速度与特定动作之间的联系。
1 Introduction
1.1 Motivation
依靠图像的方法的弊端:需要充足的光线,会侵犯个人隐私;
依靠雷达的方法:作用范围小;
依靠穿戴的传感器:不方便。
基于WiFi信号的方法:WiSee利用USRP捕获OFDM信号,并测量人体反射信号的多普勒频移来识别九个手势;E-eyes使用通道状态信息(CSI)直方图作为识别日常人类活动(如刷牙)的指纹。WiHear使用专门的方向天线来获取由嘴唇运动引起的CSI变化来识别口语单词。与基于相机和传感器的方法相比,它们的主要优点是不需要照明,提供更好的覆盖,可以通过墙壁操作,保护用户隐私。
1.2 之前工作的限制
缺乏一个能够定量关联CSI动态和人类活动的模型。
1.3 提出的方法
提出CARM。包括两个商业WiFi设备,一个用于连续发送信号(可以是路由器),一个用于连续接收信号(可以是笔记本电脑)。有人在两个设备之间活动时,接收器的CSI值变化,由此识别动作。通过CSI速度模型和CSI活动模型,建立起CSI值变化与人的特定活动之间的联系。
1.4 技术难点和解决方法
-
难点:从CSI值上评估人体移动速度。困难在于CSI混合多通道的WiFi信号;同一个动作,不同肢体的速度也不一样。
我们发现这些信号是线性混合的,所以频率是保留的,因此我们使用离散小波变换(DWT)来分离表示不同速度的频率分量。 -
难点:对不同的人建立鲁棒的CSI活动模型。不同人做相同动作,同一个人不同时候做相同的动作,都会表现得不同。
使用隐马尔可夫模型(HMM)。我们使用不同活动的移动速度模式来构建相应的基于HMM的模型。我们用来推断速度模式的特征只受身体运动速度的影响,不太受环境变化得影响。HMM能够识别不同速度下得相同动作。 -
难点:CSI有太多噪声而不能直接使用。即使是静态环境,也会收到电磁噪声、WiFi设备本身的影响。通用的降噪方法效果不好。
我们提出主成分分析法(PCA)。该模型基于一项观察,即CSI值的所有子载波中由身体运动引起的信号波动都是相关的。 -
第四个挑战是在载波频率偏移(CFO)存在的情况下捕捉身体的运动。CFO是一对WiFi设备之间载波频率的动态变化差异,这是由于硬件上的微小物理差异以及温度变化等因素造成的。CFO导致接收到的信号的相位值发生变化,使得很难区分相位值的变化是由于CFO造成的还是由于人体运动造成的。
为了解决这个问题,我们使用CSI信号功率来推断身体的运动。我们证明CSI信号功率不受CFO的影响,而是保留了身体运动速度的信息。 -
第五个挑战是自动检测人类活动的开始和结束。
我们使用PCA获得的特征向量,通过计算特征向量的高频能量,获得特征向量的平滑度,并将其与动态自适应阈值进行比较,得到特征向量的启动和结束。
3理解WIFI多通道
3.1 CSI概述
令 X ( f , t ) X(f,t) X(f,t)为发送信号的频域表示, Y ( f , t ) Y(f,t) Y(f,t)为接收信号的频域表示,f为载波频率。这两个信号与等式 Y ( f , t ) = H ( f , t ) × X ( f , t ) Y(f,t)=H(f,t)\times X(f,t) Y(f,t)=H(f,t)×X(f,t)有关,其中, H ( f , t ) H(f,t) H(f,t)是在时间t所测得的载波f的复值信道频率响应(CFR),CSI的测量基本上包括这些CFR值。令 N T x N_{Tx} NTx和 N R x N_{Rx} NRx分别表示发送和接收的天线数量。由于CSI是在30个已选的OFDM子载波中测量的,每个CSI的测量都包括30个 N T x × N R x N_{Tx}\times N_{Rx} NTx×NRx维度的矩阵。每个矩阵的输入是天线对之间在特定时间以某个OFDM副载波频率的CFR值。然后,我们将给定天线对和OFDM子载波的CFR值的时间序列称为CSI流。因此,一个时间序列的CSI值中有 30 × N T x × N R x 30\times N_{Tx}\times N_{Rx} 30×NTx×NRx