基于信道狀態信息的非合作式室內人體運動檢測

史 白，莊 杰，龐 宏

(電子科技大學 通信與信息工程學院，成都 611731) (*通信作者電子郵箱806223677@qq.com)

基于信道狀態信息的非合作式室內人體運動檢測

史 白*，莊 杰，龐 宏

(電子科技大學 通信與信息工程學院，成都 611731) (*通信作者電子郵箱806223677@qq.com)

針對用攝像頭、傳感器等運動檢測手段的設備部署復雜、昂貴、有盲區等缺點，提出一種利用無線保真(WiFi)信號進行人體運動檢測的方法。首先，使用無線網卡接收被檢測環境中WiFi的信道狀態信息(CSI)；其次，使用局部離群因子檢測(LOF)算法和Hampel濾波器去除異常的CSI數據；然后，用線性回歸算法去除因網卡時鐘不同步造成的頻移誤差，再用主成分分析(PCA)降維和樸素貝葉斯算法分類不同情況下的CSI數據，生成用于判斷人體運動狀況的模型；最終用生成的模型對人體運動狀態進行判斷。在實驗中該方法能快速判斷并達到95.62%的正確率。實驗結果表明該方法能很好檢測識別人的運動。

無線保真；信道狀態信息；非合作式；運動檢測；異常檢測；相位矯正

0 引言

人體運動檢測是指利用特定設備或手段，對人體的運動狀態進行判定。現在，人體運動檢測技術主要分為3類：基于傳感器(Sensor-based)、基于視覺(Vision-based)和基于無線射頻(RF-based)。基于傳感器的運動檢測是研究時間最長的一種方式，被測人體需要佩戴指定的傳感器以獲取各種體態信息[1-2]，例如慣導傳感器和陀螺儀，其缺點是被檢測者必須能配合檢測方(即主動式)，并且攜帶傳感器有時候也很不方便。基于視覺的運動檢測主要利用攝像頭進行信息采集，成熟的產品有微軟公司的Kinect和Leap公司Leap Motion[3]，它們都可以進行很高精度的運動檢測；但是該方法對光學環境敏感，只能工作在視距場景和光學條件較好的場景，并且可能泄漏隱私，大規模部署的成本也很高。基于無線射頻的運動檢測主要用電磁波的特性進行運動檢測[4-8]，例如軍用雷達；但該方式在日常生活中并沒有成熟的產品或系統。

同時，無線保真(Wireless Fidelity， WiFi)遍布生活中的各處，商店、學校、辦公室、地鐵都能順暢地使用到WiFi，它已經無可爭議地成為民用無線局域網的最主流技術。到目前為止，WiFi技術也僅僅是用于短距離通信。一些學者已經提出，利用WiFi也可以進行探測、識別，并取得了很不錯的成果。

另外，運動檢測方式主要分合作式和非合作式。所謂的“合作式”檢測，就是被檢測者需要攜帶特定設備，如各種傳感器。相反，“非合作式”檢測，類似被動雷達的概念，就是不需要被測者攜帶任何設備或要求被測者作出任何配合動作，也不需要在特定的環境下，可以在被測者完全不知情的時候就進行檢測。顯而易見，非合作式人體運動檢測更加方便、隱蔽、廉價，應用場景更廣泛。

本文將采用非合作式方式，利用WiFi信號的CSI信息進行人體運動檢測，但相比昂貴的軟件無線電設備USRP，本文采用了更為廉價、易于部署的WiFi商用網卡來進行CSI信息收集；然后通過局部離群因子檢測(Local Outlier Factor， LOF)算法和Hampel濾波器進行異常點處理，之后經過相位矯正算法、主成分分析(Principal Component Analysis， PCA)進行特征抽取；最后用樸素貝葉斯算法進行分類預測，得到人體運動狀態判定結果。為了達到正確分類的目的，本文主要有以下工作：

1)由于商用網卡精度不高，時鐘同步不夠理想，并且CSI數據是一組對環境敏感的數據，因此，本文引入多種異常檢測手段，排除因環境和設備偶然性造成的誤差。

2)提出一種新的相位矯正方法。該方法利用機器學習中的線性回歸方法，來對CSI樣本值進行矯正。該方法可以作為現有CSI相位矯正方法的一種補充。

3)嘗試了多種分類算法并仿真，得到混淆矩陣和仿真時間，然后分析、比較它們在本實驗中的性能。

1 相關研究

利用WiFi進行運動檢測是一個比較新穎的研究熱點，相關的研究大致可以分為以下兩類：

1)利用WiFi進行定位。最常見的是利用WiFi指紋算法進行定位。其中，杜克大學(Duke University)的學者將室內劃分成一個一個小方格，利用被檢測者WiFi的RSSI與構建好的WiFi指紋庫匹配來獲得被檢測者的具體位置[18]，取得了很不錯的成果。另外，麻省理工學院(Massachusetts Institute of Technology, MIT)的科研者[6]于2014年提出一種“WiTrack”技術，引入了調頻載波(Frequency Modulated Carrier Wave， FMCW)技術使得接收天線上能提取飛行時間(Time-Of-Flight， TOF)，利用無線信號在3根接收天線上不同的TOF，就可以進行人體定位。

2)利用WiFi信號對人體探測。MIT的學者提出Wi-Vi(WiFi Vision)系統[4]，利用多入多出(Multi-Input Multi-Output， MIMO)天線體系中的干擾消除技術能夠識別墻體后的人體姿態。華盛頓大學的學者利用WiFi和USRP進行物體成像[19]。倫敦大學學院(University College London， UCL)的Woodbridge等[15-17]研究了利用USRP去搭建被動雙基站雷達系統。香港理工大學和香港科技大學的學者研究了使用WiFi信號監控人體的睡眠模式和監聽人們的發音[20]。

2 總體設計

2.1 CSI數據模型

由于人體運動會導致WiFi信號的多普勒頻移，改變WiFi信道的CSI值，所以本文將采用CSI信息進行人體運動檢測。首先，設定一個時間窗w=5 s，以這個時間窗為一個單元，劃分CSI矩陣，判斷在這段時間內的運動狀態。而WiFi采用正交頻分復用(Orthogonal Frequency Division Multiplexing， OFDM)調制技術，將信號調制到一系列間隔為312.5 kHz的子載波上進行通信，本文能獲取WiFi信號每根天線的Num=30個子載波的CSI信息。假設k∈[1,Num]為子載波序數，發射的信號為X(fk)，fk∈{-58,-54,-50,…,50,54,58}為子載波頻點，Y(fk)為接收天線的信號，那么在第k個子載波上，信道頻率響應H(fk)表示為：

H(fk)=‖H(fk)‖ei∠H(fk)

(1)

其中：‖H(fk)‖是第k個子載波的CSI幅度信息,∠H(fk)是第k個子載波的CSI相位信息，如圖1。

圖1 第一個子載波CSI的幅值和相位信息

接收信號為：

Y(fk)=H(fk)X(fk)

(2)

由于本實驗采用2天線路由來發射信號，3天線無線網卡接收信號，于是，在一個頻點上有6個H(fk)值。另外，無線網卡CSI信息是通過收集每個數據包中的數據來得到的，因此不同時刻有著不同的H(fk)值，所以將收集來的CSI信息H(fk)整理成一個三維矩陣，得到H。定義CSI信息三維矩陣H的每個元素Ht,a,k為：

Ht,a,k=Ht,a(fk)

(3)

三個坐標軸分別為時間t∈[0,w]，天線序號a∈[1,6]，子載波序號k∈[1,Num]。

2.2 CSI信息異常檢測與剔除

2.2.1 局部離群因子檢測算法檢測異常點

收集的未經處理的CSI信息不僅存在有用的信道信息和測量誤差等正常誤差，還存在一定量的由于儀器或者不確定因素干擾形成的異常值，這些異常值不僅會增加計算量、降低整體算法運行效率，還會破壞CSI信息整體性和連續性，對使用CSI信息判斷運動狀態造成干擾，因此從數據挖掘算法中引入一種有效的異常處理算法——局部離群因子檢測(LOF)算法[21]。

到目前為止，異常檢測算法[22]分為基于統計的算法、基于距離的算法、基于密度的算法和基于偏差的算法等。Breunig等[21]提出基于密度的局部異常檢測算法，給出了局部異常因子的概念，LOF算法是其中的一種。

鄰域查詢是基于密度的算法中最基本的概念。對于數據集D，計算某對象p與D內所有對象之間的距離并獲取其中符合一定條件的對象集合，該過程稱為針對對象p的一次鄰域查詢。

而LOF異常檢測算法相比之前的各種異常檢測算法最大的不同之處在于，該方法的檢測結果并不是直接給出該點是否被判定為異常點，而是給出一個異常因子來衡量該點為異常點的概率有多大。

LOF算法定義了以下概念。

定義1 對象p的MinPts距離鄰域，即所有與對象p的距離不超過MinPts-distance(p)的對象組成的集合。形式化表示為MinPts-dist(p)={q∈D{q}|d(p,q)≤MinPts-dist(p)}，簡寫為NMinPts(p)，其中，MinPts-distance(p)表示對象p的MinPts距離。

當某對象o滿足如下條件：

1)至少存在MinPts個對象s∈D{p}，使得d(p,s)≤d(p,o)；

2)至多存在MinPts-1個對象s∈D{p}，使得d(p,s)≤d(p,o)；

則對象p與o的距離d(p,o)記為MinPts-distance(p)，簡寫為MinPts-d(p)。

定義2 對象p的局部可達密度lrdMinPts(p)表示如下：

(4)

其中，reach-distMinPts(p,s)表示對象p相對于s的可達距離，定義為：

reach-distMinPts(p,s)=max{MinPts-d(s),d(p,s)}

(5)

定義3 對象p的局部異常因子，其計算公式為：

(6)

由定義3可知，對象p的異常因子即為該點的MinPts距離鄰域內的所有對象的局部可達密度的均值與該點的局部可達密度數值的比例。不難發現，對象p點的局部可達密度越低，其鄰域內所有對象的局部可達密度越高，對象p的局部異常因子的值也會越高。

按照定義給出的公式和步驟，即可得到每一個點的LOF值。根據用戶指定的LOF閾值，將LOF值高于該閾值的對象判定為異常。遍歷所有點，并去除LOF值高于閾值的點，就得到去除異常的CSI信息。

2.2.2 濾波器濾除誤差

Hampel濾波器屬于基于決策的濾波器中一種，它能找出數據序列中的異常數據點，并以更有代表性的數值取代[23]。Hampel濾波器是基于中值絕對偏差的濾波器，利用一個滑動窗口來計算這個窗口內的均值并用平均絕對偏差(Mean Absolute Deviation， MAD)估計窗口內每一個值標準差，如果窗口內某個值遠離均值，就判定為異常點，并用均值替代[24]。

這個濾波器是一種異常點檢測并矯正的算法。經過LOF后，CSI數據中偏離很大的異常點被去除了，然后再使用Hampel濾波器算法對CSI信息進行小幅度修正，得到一組異常值較少的CSI信息。圖2為濾波前后的對比，可明顯看出，圖2(a)中時間序號約為8，22，57，73，80，85，90，95有幾個異常點，在圖2(b)中被去除并被均值替代。

圖2 Hampel濾波前后CSI幅值對比

2.3 CSI信息相位處理

由圖3可以看出，由于噪聲和收發機時鐘不同步，未經處理的相位顯得雜亂無章，不可直接使用，其中一個原因是商用網卡的相位精確度較差。Sen等[18]提出一種很好的相位處理方法，如下所示。

(7)

(8)

Sen等[18]認為ΔφfΔk、Δβ、ΔZ是均值為零的隨機變量或者相對于因接收機時間偏移產生的相位誤差是較小量，可以忽略。于是：

(9)

取：

(10)

(11)

(12)

至此，得到了矯正后的相位。

本文提出另一種思路來解決這個問題。根據式(8)、(9)、(11)，假設:

(13)

c=(φfk-φf1)+Δβ+ΔZ

(14)

那么：

(15)

其中Δk=k-1，k∈[1,Num]。

根據式(15)，引入線性回歸算法，求得a和c，即求得時間偏移τ。

線性回歸算法是用一條直線y=wx+b去擬合當前的一系列樣本(x,y)。線性回歸有多種算法，本文采用基于最小均方誤差規則下最小二乘法來求得w和b，即：

(16)

其中：(xi,yi)為第i個樣本對；w、b為直線的斜率和截距。

然后使用最小二乘法，即可得到w和b的閉式解，即可求出a、b，得到線性回歸的方程，去除不同步、噪聲等誤差。矯正后結果如圖3。

圖3 一根天線上30個子載波相位

2.4 CSI信息特征抽取

經過以上數據處理，得到去除異常和誤差的CSI數據。CSI數據是從WiFi OFDM的30個子載波上收集到的，那就意味著單位時間(每一個數據包)內，一種運動狀態標簽(靜止或運動)label∈{0,1}對應的CSI數據含有30個特征值xi,1,xi,2,…,xi,30(i為第i個數據包)。雖然不同子載波收集的數據有差異，從多個方面反映了因為運動導致的CSI信息的變化，但是不同子載波的CSI數據并不是完全不相關的，甚至是相關性比較大的，這些CSI信息會增大計算量，影響算法效率，因此，本文需要對CSI信息進行降維處理。PCA算法是一種將高維數據投影到低維空間的一種算法。在該算法中計算矩陣的協方差矩陣，然后計算協方差矩陣的特征值和特征向量，選取一定數量的特征值和對應特征向量來近似表示原矩陣，達到降維的目的。

本文采取PCA方法對CSI信息進行特征抽取。首先CSI矩陣H分成幅值矩陣A和相位矩陣Φ，然后分別計算它們的協方差矩陣cov(A)和cov(Φ)，再分別計算其最大特征值α=max(eig(cov(A)))、β=max(eig(cov(Φ)))并組成一個特征對(α，β)。

2.5 CSI信息特征抽取

經過以上算法，在一個時間窗w內獲取了一對特征參數(α，β)，假設收集的CSI數據分成了m個時間窗，即有m對特征(α，β)，i∈[1,m]。為了檢測運動狀態(靜止或運動)，需要構建特征-標記對。假設靜止狀態label=0，運動狀態label=1，將靜止狀態下收集的CSI數據經過以上算法處理后得到的特征(αi,βi)添加標記label，得到特征-標記對(αi,βi,label=0)，同理得到運動狀態下特征-標記對(αi,βi,label=1)，得到兩個特征-標記矩陣S、M，如圖4所示。

圖4 CSI的幅值最大特征值和相位最大特征值

利用構建好的兩個矩陣進行運動檢測需要利用分類算法，有些學者采用人為設定門限進行CSI信息歸類，取得了很好的成果。但是，使用這種方法的劣勢是在門限的選取這個問題上，需要大量的經驗和調試。另一種方法是采用學習分類的方法，這種方法采用算法和大量樣本去決定門限值來進行分類，很好地規避了因為人為因素而產生的誤差，因此本文采取這種方法來進行分類。由于本文所涉及的運動檢測只有靜止和運動兩種狀態，屬于二分類問題，并且有狀態的特征數量是2，所以一些復雜的模型(如神經網絡、深度學習等)會增加算法復雜度和降低運算效率，因此一些基本的分類算法是很好的選擇。已經有學者用支持向量機(Support Vector Machine, SVM)、K最鄰近節點(K-Nearest Neighbor，KNN)等算法很好地訓練了模型，并得到很高的分類正確率，本文選擇用樸素貝葉斯分類器來對運動狀態進行分類。

相比SVM算法的參數敏感和核函數選取困難的缺陷，KNN算法高計算量、樣本敏感、輸出可解釋性不強等缺點，樸素貝葉斯算法有著良好的數學基礎(根據貝葉斯概率進行數學建模)，對分類結果有很好的數學解釋，具有算法復雜度低、效率高、樣本不敏感等優勢。而樸素貝葉斯算法的缺點是有著非常嚴格的假設(各個特征之間條件獨立)，但是由于CSI數據的相位和幅值本身有良好的獨立性，并且在之前的數據處理中將各個特征處理成了近似獨立，所以很好地規避了樸素貝葉斯算法的缺陷，因此，本文選取樸素貝葉斯算法作為分類算法。

3 實驗結果與分析

3.1 實驗設備、環境布置與實驗實施

為了驗證以上算法并評估整個系統的性能，本實驗采用一臺普通聯想臺式PC，Ubuntu操作系統，安裝Intel 5300網卡作為接收機，網卡上裝有3根接收天線，天線成“一”字排布，每根天線相距6 cm。發射機采用TP-Link WR742N路由器，有2根發射天線。設置工作模式于2.4 GHz頻段，采用802.11n協議、40 Mb帶寬模式。整個收發機組成一個2×3 MIMO系統。實驗環境和天線具體布置如圖5所示。

圖5 實驗場所平面圖

整個實驗室共有3排卡座，共3條水平方向走道、1條豎直方向走道。路由器和PC所成直線和水平方向的夾角大致為π/4。整個設備部署已經完成。

實驗邀請一名志愿者，從門處開始，在4條走道內，以大約0.5～2 m/s的速度自由行走。所謂自由行走，就是指方向隨機，速度在0.5～2 m/s這個范圍內隨機變化的運動。打開計算機進入Ubuntu系統，加載開源Intel 5300網卡驅動，該驅動會共享WiFi的CSI數據[25]。本文一共收集4組數量大致相等數據，2組靜止數據和2組運動數據。其中1組靜止和1組運動數據作為訓練數據，剩下2組作為測試數據。每隔時間w分別對2組訓練數據取一次數據，再將數據整理為CSI數據矩陣H，依次使用LOF算法、Hampel濾波器、相位矯正、PCA算法加以處理。處理完所有訓練數據后使用分類算法分類并生成模型。最后，使用測試數據對模型進行檢測與驗證。

3.2 實驗結果

經過以上實驗步驟和算法處理，得到如下數據。其中：表1展示了各種算法的總體情況；表2是各種算法的混淆矩陣。根據混淆矩陣，可以更詳細地知道這些算法的假陽性、假陰性等指標。

表1 4種算法的錯誤率和時間性能比較

表1是4種算法總的錯誤率和運行時間對比。其中KNN算法獲得最小錯誤率4.22%，但耗時最長；樸素貝葉斯算法獲得第二小的錯誤率4.38%，并且耗時最短；而高斯SVM比其他3種算法的錯誤率高了約3倍。

表2詳細給出了每個狀態被正確和錯誤分類的概率。可以看出，KNN、樸素貝葉斯、線性SVM算法中行走狀態被錯誤分類為靜止狀態或者靜止狀態被錯誤分類為行走狀態的概率都在6.50%以內，而高斯SVM算法靜止狀態被分類為行走狀態的概率高達24.53%，行走狀態被分類為靜止狀態的概率為0.62%。這表明高斯SVM算法生成的模型不能平衡地分類行走和靜止狀態，而KNN、樸素貝葉斯、線性SVM算法生成的模型能較為平衡地分類。

因此，在本實驗條件下，經過LOF算法、Hampel濾波器、相位矯正、PCA算法處理CSI數據后，根據在保證較高準確率的條件下選取算法效率最高的模型的原則，認為樸素貝葉斯算法能在最短時間判斷運動狀態，達到第二高的正確率95.62%(即第二小的錯誤率4.38%)，為最優算法。

表2 4種算法的混淆矩陣對比

總的來說，本實驗成功地實現利用WiFi信號的CSI進行非合作式人體運動檢測，準確率高達95.62%。

4 結語

本文提出了一個完整的基于WiFi CSI的非合作式人體運動檢測的方法，能判別室內人是否在行走，正確率達到95.62%。針對CSI數據處理，提出了一些異常數據處理方法和矯正無線網卡時鐘不同步產生的誤差的方法，并對比了各種分類器在本實驗中的性能，選擇了樸素貝葉斯算法生成用于判斷人體運動的模型。當然，在檢測多人運動和人體復雜運動情況檢測方面本方法略顯不足，將致力于充分利用WiFi信號的CSI來解決這個問題。

References)

[1] 汪亮.基于可穿戴傳感器網絡的人體行為識別技術研究[D].南京：南京大學,2014:1-2.(WANG L. Research on wearable sensor network based human activity recognition technologies [D]. Nanjing: Nanjing University, 2014: 1-2.)

[2] 肖玲.無線體域網中人體動作監測與識別若干方法研究[D].長沙：湖南大學,2014:1-3.(XIAO L. Research on key technologies of human activity monitoring and recognition in wireless body sensor networks [D]. Changsha: Hunan University, 2014: 1-3)

[3] Leap Motion. Leap motion controller [EB/OL]. [2014- 12- 28]. https://www.leapmotion.com.

[4] ADIB F, KATABI D. Seeing through walls with WiFi! [C]// Proceedings of the ACM SIGCOMM 2013 Conference. New York: ACM, 2013: 75-86.

[5] ADIB F, KABELAC Z, KATABI D, et al. 3D tracking via body radio reflections [C]// Proceedings of the 11th USENIX Conference on Networked Systems Design and Implementation. Berkeley, CA: USENIX Association, 2014: 317-329.

[6] ADIB F, KABELAC Z, KATABI D. Multi-person motion tracking via RF body reflections [C]// NSDI 15: Proceedings of the 12th USENIX Symposium on Networked Systems Design and Implementation. Berkeley, CA: USENIX Association, 2015: 279-292.

[7] PU Q, GUPTA S, GOLLAKOTA S, et al. Whole-home gesture recognition using wireless signals [C]// Proceedings of the 19th Annual International Conference on Mobile Computing & Networking. New York: ACM, 2013: 27-38.

[8] SIGG S, BLANKE U, TROSTER G. The telepathic phone: frictionless activity recognition from WiFi-RSSI [C]// Proceedings of the 2014 IEEE International Conference on Pervasive Computing and Communications. Piscataway, NJ: IEEE, 2014: 148-155.

[9] BEDER C, KLEPAL M. Fingerprinting based localisation revisited: a rigorous approach for comparing RSSI measurements coping with missed access points and differing antenna attenuations [C]// Proceedings of the 2012 International Conference on Indoor Positioning and Indoor Navigation. Piscataway, NJ: IEEE, 2012: 1.

[10] JIANG Z P, ZHAO J Z, HAN J S, et al. Wi-Fi fingerprint based indoor localization without indoor space measurement [C]// Proceedings of the 2013 IEEE 10th International Conference on Mobile Ad-Hoc and Sensor Systems. Piscataway, NJ: IEEE, 2013: 385.

[11] 王鳳.基于聚類的射頻指紋定位技術研究[D].北京：北京郵電大學,2014:2-4.(WANG F. Research on radio fingerprints localization techniques based on cluster analysis [D]. Beijing: Beijing University of Posts and Telecommunications, 2014: 2-4)

[12] 王淑婷.基于位置指紋的Wi-Fi定位算法研究[D].長春:吉林大學，2015:7-8.(WANG S T. Research on WiFi positioning algorithm based on location fingerprint [D]. Changchun: Jilin University, 2015: 7-8.)

[13] 朱劍,趙海,孫佩剛,等.基于RSSI均值的等邊三角形定位算法[J].東北大學學報(自然科學版),2007,28(8):1094-1097.(ZHU J, ZHAO H, SUN P G, BI Y G. Equilateral triangle localization algorithm based on average RSSI [J]. Journal of Northeastern University (Natural Science), 2007, 28(8): 1094-1097.)

[14] 詹杰,劉宏立,劉述鋼,等.基于RSSI的動態權重定位算法研究[J].電子學報,2011,39(1):82-88.(ZHAN J, LIU H L, LIU S G, et al. The study of dynamic degree weighted centroid localization algorithm based on RSSI [J]. Acta Electronica Sinica, 2011, 39(1): 82-88.)

[15] WOODBRIDGE K, CHETTY K, YOUNG L, et al. Development and demonstration of software-radio-based wireless passive radar [J]. Electronics Letters, 2012, 48(2): 120-121.

[16] CHETTY K, SMITH G E, WOODBRIDGE K. Through-the-wall sensing of personnel using passive bistatic WiFi radar at standoff distances [J]. IEEE Transactions on Geoscience & Remote Sensing, 2012, 50(4): 1218-1226.

[17] CHETTY K, TAN B, WOODBRIDGE K. Data processing for real-time wireless passive radar [C]// Proceedings of the 2014 IEEE Radar Conference. Piscataway, NJ: IEEE, 2014: 455-459.

[18] SEN S, RADUNOVIC B, CHOUDHURY R R, et al. You are facing the Mona Lisa: Spot localization using PHY layer information [C]// Proceedings of the 10th International Conference on Mobile Systems, Applications, and Services. New York: ACM, 2012: 183-196.

[19] HUANG D, NANDAKUMAR R, GOLLAKOTA S. Feasibility and limits of Wi-Fi imaging [C]// Proceedings of the 12th ACM Conference on Embedded Network Sensor Systems. New York: ACM, 2014: 266-267.

[20] WANG G H, ZOU Y P, ZHOU Z M, et al. We can hear you with Wi-Fi![J]. IEEE Transactions on Mobile Computing, 2016, 15(11): 593-594.

[21] BREUNIG M M, KRIEGEL H P, NG R T, SANDER J. LOF: identifying density-based local outliers [C]// Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data. New York: ACM, 2000: 93-104.

[22] JIN W, ANTHONY K H T, HAN J W. Mining top-nlocal outliers in large databases [C]// Proceedings of the 7th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2001: 293-295.

[23] 張吉先,鐘秋海,戴亞平.一種基于小波變換的去噪新算法[J].北京理工大學學報,2003,23(6):741-742.(ZHANG J X, ZHANG Q H, DAI Y P. A new de-noising algorithm based on wavelet transform [J]. Transactions of Beijing Institute of Technology, 2003, 23(6): 741-742.)

[24] 蔣賢海,謝存禧,鄒焱飚.一種強噪聲下的監護信息降噪方法[J].華南理工大學學報(自然科學版),2011,39(4):66-67.(JIANG X H, XIE C X, ZOU Y B. A denoising method of monitoring information under strong noise [J]. Journal of South China University of Technology (Natural Science Edition), 2011, 39(4): 66-67.)

[25] HALPERIN D, HU W, SHETH A, et al. Tool release: gathering 802.11n traces with channel state information [J]. ACM SIGCOMM Computer Communication Review, 2011, 41(1): 53.

This work is partially supported by Science & Technology Department of Sichuan Province (2017JY0223), China Postdoctoral Science Foundation (2015M580785).

SHIBai, born in 1994, M. S. candidate. His research interests include signal processing of wireless communication, machine learning.

ZHUANGJie, born in 1976, Ph. D., associate professor. His research interests include signal processing, artificial intelligence, Multi-Input Multi-Output (MIMO) communication.

PANGHong, born in 1968, M. S., lecturer. Her research interests include data mining, computer communication security.

Non-cooperativeindoorhumanmotiondetectionbasedonchannelstateinformation

SHI Bai*, ZHUANG Jie, PANG Hong

(SchoolofCommunicationandInformationEngineering,UniversityofElectronicScienceandTechnologyofChina,ChengduSichuan611731,China)

Concerning that using camera and sensor to detect human motion has the shortcomings of difficult deployment, expensive device and blind zone, a method of human motion detection using Wireless Fidelity (WiFi) signal was proposed. Firstly, the wireless network card was used to receive the Channel State Information (CSI) of the WiFi in the detected environment. Secondly, the Local Outlier Factor (LOF) algorithm and the Hampel filter were used to remove the abnormal CSI data. After the frequency shift caused by the rough synchronization of the network card clock was removed by the linear regression algorithm, the Principal Component Analysis (PCA) was used to reduce dimension and Naive Bayes algorithm was used to classify the CSI data in different cases, which generated a model for judging human movement states. Finally, the model was used to judge the state of human motion. In the experiment, the proposed method can quickly determine the state of human motion and reach the correct rate of 95.62%. The experimental results show that the proposed method can detect and identify the movement of people well.

Wireless Fidelity (WiFi); Channel State Information (CSI); non-cooperative; motion detection; outlier detection; phase rectification

Signal Strength Indication, RSSI)進行探測[8-11]，因為RSSI數據在無線網卡、智能設備上非常容易獲得。RSSI有著環境敏感的特性，目標物體的運動會導致RSSI值變化，因此可以很容易地在WiFi環境下探測目標。很多學者已經使用RSSI數據和相應算法(指紋算法[12]、等邊三角形定位算法[13]、動態權重定位算法[14]等)精確地定位人的位置。近年來，利用信道狀態信息(Channel State Information， CSI)來進行探測逐步興起。相比RSSI，CSI不僅包含幅值信息，還有相位信息，并且精確到每一個子載波的信道信息。很多學者已經在通用軟件無線電外設(Universal Software Radio Peripheral， USRP)上利用CSI數據進行成像、運動檢測，取得了良好的效果[15-17]。

TP399

:A

2016- 12- 07;

:2017- 02- 16。

四川省科技廳應用基礎研究面上課題(2017JY0223)；中國博士后基金第58批面上項目一等資助項目(2015M580785)。

史白(1994—)，男，江西贛州人，碩士研究生，主要研究方向：無線通信中的信號處理、機器學習； 莊杰(1976—)，男，四川成都人，副教授，博士，主要研究方向：信號處理、人工智能、多入多出通信； 龐宏(1968—)，女，四川成都人，講師，碩士，主要研究方向：數據挖掘、計算機通信安全。

1001- 9081(2017)07- 1843- 06

10.11772/j.issn.1001- 9081.2017.07.1843