基于Wi-Fi物理層信息的人體行為識別研究綜述

曹慶潮，殷鋒，袁平

（1.四川大學計算機學院，成都 610065；2.西南大學計算機科學與技術學院，成都 610041；3.重慶大學數學與信息工程學院，重慶 400044）

0 引言

目前，在人體行為識別的研究中，比較成熟的技術大致可以分為基于計算機視覺的識別技術[1-3]和基于可穿戴傳感器[4]的識別技術。其中，基于計算機視覺的識別技術需要攝像頭等硬件設備，且只能在光照條件良好的場景下使用；基于可穿戴傳感器的識別技術則是一種侵入式的識別方式，會給用戶帶來諸多不便。

隨著無線技術的快速發展，Wi-Fi已經不再局限于作為一種傳輸媒介，而是被當成一種傳感器設備，被廣泛部署在家庭、商場、寫字樓和機場等地方，因此可以說基于Wi-Fi的無線傳感器網絡是世界上部署最廣泛的無線傳感器網絡。如果將Wi-Fi用于人體行為識別，將在易用性、普適性和成本等方面取得重要突破。

然而，將Wi-Fi信號用于人體行為識別，并非新鮮事物，目前在該領域的研究主要分為兩種：一種是使用Wi-Fi信號的接收信號強度（RSS）作為數據進行分析，而另一種則是使用Wi-Fi信號的信道狀態信息（CSI）作為數據進行分析[5]。RSS作為接收到的數據幀的信號強度，其以整數級為計量單位，分辨率很低，因此無法獲得細粒度的測量值，僅支持粗粒度的人體行為識別，不僅能夠識別的動作種類很少，而且準確度很低[6]。相比于RSS，信道狀態信息CSI作為物理層的信息，描述的是每個子載波的相位和振幅信息。由于每個子載波是相互獨立的，在不同子載波上的多徑效應導致測量到的相位和振幅存在明顯差異，這意味著物理環境中的微小運動也可能導致某些子載波CSI的改變，因此CSI具有更高的分辨率，能夠識別更細微粒度的動作，例如呼吸和心跳等[7]。

1 研究現狀

2015年，Wang等人提出的基于CSI的人體行為識別和監測系統CARM[8]，可以定量地建立CSI值與特定的人體行為之間的關聯，并通過將人體行為與最適合的圖譜進行匹配，來識別用戶的行為。為了檢測和提取代表人體行為發生的CSI片段，CARM設計了一種自適應檢測算法，然后對于每個片段的信號分析和特征提取，CARM在多個時間尺度上以多個分辨率提取頻率，最后為了分類和識別人體行為，CARM使用每個行為的訓練樣本的特征向量構建隱馬爾可夫模型。在實驗室和公寓等室內測試場景中，CARM可以識別跑步、走路等行為，平均精度大于96%。

同樣在2015年，Ali等人提出了一種按鍵識別系統Wi-Key[9]，該系統首次實現了使用Wi-Fi信號來識別用戶在鍵盤上敲擊了哪個按鍵。Wi-Key的原理是，當用戶的手和手指以獨特的形式和方向移動，同時鍵入特定的鍵時，在CSI值的時間序列中會產生獨特的波形，Wi-Key正是使用每個提取的擊鍵CSI波形作為它們的特征，進行分類。為了獲得每個擊鍵動作的CSI波形，Wi-Key系統先使用主成分分析（PCA）從信號中去除不相關的噪聲分量，然后使用離散小波變換（DWT）將每個擊鍵的CSI波形進行壓縮，同時保留大部分時間和頻域信息，從而有效降低了分類過程中的計算成本。在真實環境的實驗中，Wi-Key可以識別特定的連續型語句，準確率為93.5%。然而，雖然它在相對穩定的環境下運行良好，但仍然有許多限制，例如無干擾環境、設備的位置和CSI采樣率等。

同樣是Wang等人，在2016年提出了一個基于CSI的步態檢測系統Wi-Fi-U[10]。該系統通過檢測人的步態信息來進行身份識別，因為人的步態特征被證實像指紋和虹膜等生物特征一樣是唯一的。具體地，Wi-Fi-U通過從CSI波形中收集人的步行速度、步態周期、腳步長度以及軀干和腿部的移動速度等特征，來構建分類器。在數據處理階段，Wi-Fi-U使用了和Wi-Key[9]同樣的PCA方法從信號中去除不相關的噪聲分量。但是，與Wi-Key不同的是，CSI波形中混合了不同身體部位的信號反射，妨礙了人體步態信息的提取。為了解決這個問題，Wi-Fi-U使用短時傅立葉變換技術將波形轉換為頻譜圖，使得不同身體部位的CSI波形可以在時間—頻率域中分離，因為身體不同部位的移動速度是不同的，從而反射頻率也不同。Wi-Fi-U的實現展示了使用Wi-Fi設備進行步態檢測的可行性，但仍然存在一些限制。例如，用戶必須在預定義的直線路徑上以預定義的行走方向行走，并且多人在同一時間行走時，Wi-Fi-U無法工作。

2016年，Li等人提出的手勢識別系統Wi-Finger[11]，通過Wi-Fi信號實現了用手指畫出1-9這9個數字的手勢識別，并將用戶所做手勢應用到人機交互領域。在實現該系統時，數據預處理有三個步驟：首先，Wi-Finger使用Hampel濾波器來消除異常值；其次，巴特沃斯低通濾波器用于消除頻率在1Hz至60Hz之間的手勢的干擾；最后，引入Wi-Fall[12]中使用的加權移動平均法來進一步清除過濾后的CSI流。類似于Wi-Key，每個手勢的CSI流需要被分割成段，以提取特征作用分類的訓練樣本和識別單元。為了做到這一點，Li等人參考CARM[1]并設計了一種類似的自適應算法來檢測手勢的起始點和結束點。之后，通過對每6個子載波進行平均，并將它們連接起來組合成30個子載波，形成每個手勢的合成波形，將其作為特征向量來提取。實驗表明，Wi-Finger在相對穩定的環境下運行良好，例如實驗室或宿舍只有一個用戶時，可以實現高達90.4%的準確度。

2 應用領域

2.1 智能家居

智能家居的概念逐漸成為未來生活中不可或缺的一部分，其本質是人機交互技術的一種新穎的應用場景。到目前為止，已經提出的Wi-Fi識別系統為我們提供了智能家居中的另一種實現方案，如手勢識別系統[13-14]和步態識別系統[15]，都可以通過家中現有的Wi-Fi設備來實現，無需額外的特殊設備。在這些系統的幫助下，任何智能設備，如電視、音響、照明系統和溫度調節系統都可以通過我們的手勢隨時隨地進行控制。

2.2 安全

目前，對于寫字樓和家庭的監控，大多是采用攝像機來完成的。然而，攝像機監控視頻的質量受光照強度、視距和盲點等諸多環境因素的影響，而Wi-Fi信號卻沒有這些環境因素的限制。另外，家用攝像頭監控系統沒有足夠的安全性，因為它們可能被黑客入侵，導致私人監控視頻數據泄露。相比之下，Wi-Fi識別系統還可以通過識別人體行為來執行安全檢測功能，例如檢測家中的非法入侵。

2.3 災難搜救

在發生火災或地震等自然災害之后，災難現場環境極其復雜，嚴重阻礙了搜救工作的進展。因此，快速準確地探測生命體征并確定傷員的位置，可以在廢墟中挽救更多生命。Wi-Fi識別系統可以檢測到人的呼吸和心跳等生命體征，從而可以幫助救援人員找到幸存者，更有效地執行救援工作。然而，目前已有的系統僅僅是在實驗階段進行搜救的原型，為了達到真實救援的要求，系統必須對復雜的開放空間環境具有更強的魯棒性，同時檢測精度也要得到保證。

2.4 醫療保健

醫療健康監測不再局限于醫院等公立醫療機構，心率和血壓監測裝置已成為許多家庭的日常必需品，這意味著人們的健康意識正在逐漸提升。在家庭中，Wi-Fi識別系統可以實時提供所有家庭成員的生命體征監測信息，如呼吸頻率和心率等。這些收集到的數據可以幫助評估用戶的身體健康狀況，并為診斷可能的疾病提供有用的線索。另外，對于公立醫療機構而言，可以實現Wi-Fi識別系統的廣泛部署，以這些系統為基礎的醫療網絡的建設將改善對居民健康狀況的實時監測情況，并能對緊急情況下的醫療急救做出快速反應。

3 結語

本文提到的所有基于Wi-Fi物理層信息的人體行為識別系統都是基于一個原理，Wi-Fi信號的傳播受到人體行為的影響，導致CSI波形發生變化，因此可以從波形中提取出豐富的信息，進行相應的處理。雖然這些系統目前還都處于實驗室研究階段，只有在小規模可控的空間中初步完成概念模型，但從這一領域取得的成果來看，Wi-Fi識別系統在人工智能領域具有很大的應用潛力。隨著無線技術、數字信號處理技術和機器學習技術的不斷完善，其將會在許多商業領域創造更多新穎且有價值的應用。