【论文学习笔记1】WiDetect: Robust Motion Detection with a Statistical Electromagnetic Model

最新推荐文章于 2024-05-17 15:25:17 发布

再不学习就会变成xzy姐姐那样！

最新推荐文章于 2024-05-17 15:25:17 发布

阅读量407

点赞数 3

文章标签：概率论

本文链接：https://blog.csdn.net/weixin_44444340/article/details/120339552

版权

原文链接：https://dl.acm.org/doi/10.1145/3351280

0.概括

与以前提取以数据为导向的特征、或假设一些反射多路径的方法不同，本文通过考虑室内所有多路径的情况，从电磁波的统计理论的角度来对问题进行建模。利用电磁波的统计理论，建立了物理层信道状态信息(CSI)的自相关函数与环境中目标运动之间的联系。在此基础上，设计了一种独立于环境、位置、方向和受试者的新的运动统计量，然后对运动检测进行假设测试。

1. 现有技术及缺陷

在这里插入图片描述

有限的覆盖范围 (通常是LOS区域)。CSI中测量噪声过于显著，扩展覆盖范围会立即降低其性能；
依赖于已知的环境信息；
CSI噪声很大，它们会产生较高的误警率和较低的检出率。

总之，以往的工作在现实场景中的性能有限，主要是由于其不现实的几何模型——其简化了信号传播模型，假设只存在一条或有限多条路径（失去了对远处和微小运动的敏感度）。但是，当涉及到足够多的多径分量时，利用电磁波的统计理论，可以对运动产生的CSI的统计特征变化进行分析。

2. CSI统计建模

2.1. 环境中有运动物体时的CSI

其实实际测量时，同步误差非常大，这些误差对H(t,f)的相位影响很大。但是对于幅值影响不大。因此，WiDetect只利用测量到的CSI振幅来进行运动传感。令G(t,f)为功率响应，则有：
在这里插入图片描述
其中，μ(t，f)表示信号传播产生的影响，ε(t，f)表示测量噪声。

2.2. 噪声项建模

分析ε(t，f)的统计特性，可以得出如下结论：

高斯分布，均值0，方差σ2(f )；
白噪声；
统计独立。

首次利用实验统计证实了该噪声为独立同分布的高斯白噪声。

2.3. 信号项建模

在这里插入图片描述
典型的室内空间是一个现实的丰富散射环境，在那里可能有数百或数千条路径。图3说明了一个典型的场景，其中一对Tx和Rx被放置在环境中，两者都配备了全向天线。环境中的各种物体都充当了散射体。作者提出的模型是建立在对这种富散射环境下，电磁波传播的统计特性的深入理解的基础上建立的。所提出的运动检测统计模型的关键结果如下：

环境中没有运动的物体时，G(t，f)的ACF近似为0；
有运动的物体时，G(t，f)的ACF保持0以上，且与环境、运动位置和方向以及物体种类皆无关。

【具体分析】
每个动态散射体可以被视为一个“虚拟天线”，将接收到的电磁波向各个方向扩散，然后这些电磁波在从墙壁、天花板、家具等反射回来后，在接收天线处叠加在一起，那么μ ( t , f ) 从物理意义上来看，即为Rx接收到的电场的功率。
按动静分量分解Rx上的接收电场ERx(t，f)：
在这里插入图片描述
μ(t,f)由电磁波的传播造成，而ε(t,f)是由CSI的不完美测量造成。但是他俩不相关。

2.4. 运动对CSI的影响的建模

还是觉得手写比较舒服。
在这里插入图片描述
【总之就是】

由互易定理，将Rx视作Tx，转而分析第i个散射体“接收”到的电场；
进行空间坐标分解，得出Ei沿u方向的电场分量；
将Ei²(f)表示为第i个散射体的辐射功率，Es,u²(f)为所有静态散射体在u方向产生的辐射功率Ed²(f)为μ(t, f )的方差。由此可以估计得出ρμ (τ , f )。该参数量化了每个运动的散射体对电磁波传播的影响；
观察数据（图4），发现τ=0时趋近于1，由此可以得出Ed²(f)的表达式，它反映了所有动态散射体所反射的功率——>可以表示为每个独立的动态散射体所反射的功率的函数;
然后是推导G(t, f )的自相关函数和时间自相关系数，发现当Ts很大时，最小时间单位上取的值在有运动、无运动时呈现出完全不同的分布；
基于该分布，进行二元判决，并计算误警率（原文中Q函数前面的系数不太对）。

在这里插入图片描述

3. 个人想法

3.1. 关于CSI

我不是非常确定我理解的正不正确，但也因为怕被骂不敢问TuT。首先，我觉得，wireless sensing这一块很多时候是在做一个信道估计。

通信工程中，我所了解的信道估计，是利用导频，即利用某种已知信号/序列通过信道后的输出，估计信道参数。但是这样一来就降低了频谱效率。wireless sensing这一块则是直接需要获得信道信息，并从信道信息中提取有用的参数，从而获知人的活动、房屋结构等特征。
然后就是，论文里面一直没有说用到多载波调制方法，这个可能已经是一个大前提了，正常人都知道，但是我真的看了好久才发现。反正就是发送端叠加所有OFDM子载波信号，接收端FFT还原。

然后就是CSI了。CSI其实描述了无线信号在发射机和接收机之间“发生了什么”。信号在路上，可能发生了幅度衰减、相位移动、频率失真…这一系列影响被蕴含在了信道状态函数H中。实际上，H是一个矩阵，是每个子载波信道信息的集合。

Y=HX+N， H=[H1,H2,…HN]t （N为子载波个数）

其中每个Hi代表一个子载波的幅度和相位变化。虽然这么看上去很美好，但是载波频率偏移这些东西，会使得相位测量误差特别大（接收机变频时产生频率偏移，ADC也会产生采样频率偏差），所以，从CSI中提取出来的原始相位信息是不能直接拿来用的。

以我愚见来看，CSI就像一个信道的身份证。它具有比较好的稳定性（外界环境不变的话，幅度稳定），以及外界环境变化时的敏感性（人的行走、室内陈设的改变）。

3.2. 利用统计方法研究CSI

这个是让我觉得非常豁然开朗的一个地方。在MAVL中，利用的是几条（3条）主要路径，并计算其重叠区域（cone），此时，多径效应是一种干扰，其和有用路径的相干性较强，难以规避其影响。而在WiDetec中，就化敌为友了。多径，不是很多吗，全都拿来吧你，被用来做统计特性分析。如原文所言：
The key breakthrough lies in our investigation from a statistical perspective towards hundreds of scattering multipath components indoors. Although it is not possible to separate all multipath components indoors in the time domain due to insufficient bandwidth on commodity WiFi, we observe that, when a sufficiently large number of multipath components are involved, the statistical behaviors of the motion-induced CSI dynamics can be mathematically characterized by exploiting the statistical theory of electromagnetic waves. Inspired by this, we build a statistical model that comprehensively leverages all existing multipath components for motion detection. To the best of our knowledge, we are the first to explore such statistical behaviors, rather than geometrical properties, of CSI for motion sensing.

3.3. 噪声

其实还有一个地方我一直想不明白，这也是一个增加我对CSI的疑惑的点。就是这个噪声。在这里插入图片描述
这个G是功率相应，所以应该就是|Y(t, f)|²/|X(t, f)|²。且Y(t, f) = H(t, f)*X(t, f)+N(t, f)，N符合高斯分布的零均值加性高斯白噪声。然而这个ε的着实使我感到迷惑。如果它表征一个AWGN产生的噪声功率，不应该是功率谱密度为常数(N0/2)的分布情况吗？

但是它对噪声特性的分析还是让我收获颇丰的。首先利用Q-Q图确定其与正态分布非常接近。然后利用G(t, f)的ACF，验证其是白噪声。最后利用交叉相关矩阵验证了，对于不同的子载波，该加性噪声是独立的。

“Note that although previous works also explicitly or implicitly assume that the measurement noise is Gaussian, we are the first to formally and experimentally verify the soundness.”