阅读笔记：Understanding and Modeling of WiFi Signal Based Human Activity Recognition

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

1. 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。

2. 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。

3. 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。

4. 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。

5. 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$X(f,t)$为发送信号的频域表示，$Y(f,t)$为接收信号的频域表示，f为载波频率。这两个信号与等式$$Y(f,t)=H(f,t)\times X(f,t)$$有关，其中，$H(f,t)$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$N_{Tx}$和$N_{Rx}$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$N_{Tx}\times N_{Rx}$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$30\times N_{Tx}\times N_{Rx}$