文献阅读（2）

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

1. 数据预处理

   1. 带通滤波：2阶butterworth filter ( [0.2Hz-5Hz] )
   2. 数据归一化：消除WiFi设备发送功率的影响

2. 环境噪声去除

   1. 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。）
   2. 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；
   3. 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

3. 手势特征提取

   1. 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？）
   2. 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。

4. 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。

5. 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