WiFinger: Leveraging Commodity WiFi for Fine-grained Finger Gesture Recognition (MobiHoc 2016)
针对的问题: 利用商用WiFi设备(单个AP-WiFi device对)进行手指姿态的识别,现有的识别系统存在各种缺陷,如WiKey需要极高的包传输速率(2500 pkts/s)
面临的挑战:由于手指活动引起的信号变化较小,且环境噪声会影响检测效果;此外,执行动作的个体的多样性,以及单个用户执行动作的不一致性也会影响检测(individual diversity and gesture inconstitency)
解决方案:利用比RSS更细粒度的CSI信息进行感知;设计环境噪声去除机制,消除环境变化引起的信号动态;利用手指姿态的固有特征(intrinsic gesture behavior)解决个体多样性和动作不一致的问题;
实现细节
数据预处理
- 带通滤波:2阶butterworth filter ( [0.2Hz-5Hz] )
- 数据归一化:消除WiFi设备发送功率的影响
环境噪声去除
- 多径抑制:将CSI从频域变换到时域(IFFT),再通过移除与手势不相关的长时延的信号成分,以减轻环境变化(椅子等移动)和人体移动引起的多径变化;(疑问:图5中移除横轴10以后的信号,是因为10*50ns=500ns?其中50ns是由20MHz带宽计算出来的时间分辨率。)
- 小波滤波:利用离散小波变换去除高频噪声,其中threshholding部分采用动态阈值,4层Symlet小波;
- 不同手势之间存在静态间隔,利用滑动窗口内的累积幅度差分实现不同手势之间的分段
手势特征提取
- 主要成分识别(principal component identification): 通过寻找同一手势的不同测量数据之间的最佳对齐(best alignment)发现手势的固有特征(intrinsic gesture behavior)。原理来自指纹认证的思想,识别出CSI测量中保持稳定的成分(invariant across the same set of finger gestures)作为信号的主要成分,从而给予较大的权重。(疑问:文中的主要成分获取是利用两组信号额直接匹配部分(direct matching samples),这里的直接匹配是指cost matrix中的对角线成分么,若是,识别出来的主要成分的下标应该是一样的吧,为何图7c中感觉并不是这么回事,若不是,直接匹配是怎么判定的?)
- 关键子载波选择:不同子载波对手指姿态的敏感度不同,利用CSI的方差量化敏感度,选择方差大的进行感知。
手势识别:利用多维动态时间规整(MD-DTW),克服不同的速度问题,如E-eyes。
- 系统实现:WiFi device——Dell LATITUDE E5540 Laptop,AP——LINKSYS E2500 N600,2.4GHz, 20M带宽,20pkts/s(疑问:未描述AP和device之间的距离,为描述AP的高度;图1b和图10的手势描述有矛盾)
结论:不受环境变化,个体差异,训练数据大小,发包率(10pkts/s的beacon信号即可)以及非视距的影响,验证了各个实现部分的有效性。训练也可superivised或semisupervised。
思考:关于系统有效性的覆盖范围