基于信道狀態信息的無源室內人員日常行為檢測方法

黨小超，黃亞寧，郝占軍，司雄

（1. 西北師范大學計算機科學與工程學院，甘肅 蘭州 730070；2. 甘肅省物聯網工程研究中心，甘肅 蘭州 730070）

1 引言

隨著無線傳感網技術的發展，基于Wi-Fi信號的人體行為感知在各個研究領域的發展日新月異[1]，如心率檢測、跌倒檢測、步態識別、手勢識別、唇語識別、室內人員日常行為檢測等[2]，此類研究在入侵檢測、老人看護、智能購物等應用領域已蔚然成風，室內人體感知技術發展到今天，已經成為人和科技溝通的必備媒介，室內人員行為識別方面的發展方興未艾，室內人員日常行為檢測的研究如日方升。傳統的基于 RSSI (received signal strength indicator)[3]的人員摔倒檢測方法，具有高檢測率和高穩定性的特點，但是該檢測方法需要檢測人員攜帶專用電子設備[4]，因此在大多數復雜環境下的實用性不高。近年來，一些典型的基于 CSI（channel state information）的室內人體行為感知方法逐漸可以滿足人體感知更細粒度的應用需求，但大多實驗在進行特征提取時，需要特定的專業的實驗設施，這使系統的整體實用性、靈活性和健壯性不高。具備低成本、高效率、高實用性特點的被動式室內人員狀態識別應用，仍然是當前人們最為迫切的需求，而利用從商用 Wi-Fi設備中獲取的 CSI信號進行人員檢測，是一個較為理想的解決方法[5]。早在2010年，華盛頓大學提出多載波的CSI信號是一種較為新穎的電磁指示器[6]，該指示器再次證明與傳統的RSSI的方法相比，CSI信號是一種更為頑健、穩定的信號，在室內定位和人員狀態檢測方面的研究結果更優。

針對上述人員行為檢測存在的問題，本文提出了一種基于 CSI信號的室內人員日常行為檢測方法—— HDFi（human detection with Wi-Fi）。首先，在環境較為復雜的實驗室內和相對空曠的會議室內，如圖1所示的LOS (line of sight)和NLOS (non line of sight) 這2種場景下，通過商業Wi-Fi設備采集人員不同行為狀態的真實數據；其次，提取相對穩定的CSI相位特征值，在理想狀態下建立動作行為指紋庫；再次，分別在上述環境中進行測試，將實時采集的測試數據使用SVM（support vector machines）算法進行分類處理，建立一個室內人員日常行為檢測模型；最后，將實時采集且進行處理過的有效數據與已經建立好的指紋庫內的特征值進行匹配，完成了室內人員日常行為檢測的最終工作。本文通過多次重復實驗來驗證算法的有效性，與其他幾種較為傳統的室內人員檢測方法相比，本文所提方法取得了較高的檢測率，具有了頑健性強、穩定性高等特點。

圖1 2種實驗場景

2 相關理論

CSI較RSSI能更好地反映人員在Wi-Fi環境下引起的多徑效應，且對人體的各種運動也非常敏感，因此，近年來，利用CSI進行室內人體行為感知的研究備受關注[7]。室內人員活動對Wi-Fi信號傳播的影響原理如圖2所示。

圖2 室內人員活動對Wi-Fi信號傳播的影響

本文實驗數據均通過商用 Wi-Fi設備獲得，分別在5 GHz頻段和2.4 GHz頻段采集所需數據，由于 IEEE 802.11標準使用 OFDM（orthogonal frequency division multiplexing）調制信號，并且將調制后的信號通過多個正交子載波進行傳輸，從CSI中可以解析出子載波的信道測量信息[8]。每一組信道測量信息消息描述了不同子載波的幅度和相位[9]。經過多徑信道傳輸后，單個信道狀態的頻域模型表示為

其中，Y為接收端信號向量，X為發射端信號向量，H代表信道矩陣，為高斯白噪聲向量。那么所有的子載波CSI可以表示為

在頻域范圍內，CSI模型可以用 CFR(channel frequency response) 表示，當子載波數為56時，一組CFR可以表示為

其中，每個H(f)分別代表子載波f復數形式的振幅和相位的。單個子載波的CSI可以表示為

近幾年，大多數的研究人員都選擇振幅作為特征值進行室內人體感知的檢測，原因是振幅易獲取，但是振幅的易變性較強，實驗環境、測試人員等因素的改變會造成檢測性能不穩定，因此，為了提高室內人員日常行為檢測的精準性，本文選擇較為穩定且適用于人體感知的相位信息作為特征值。Zhou等[10]提出了一種基于 CSI的無源室內人員定位和檢測方法，該方法首先收集CSI的有效數據，然后利用PCA（principal component analysis）算法進行特征提取和降維，建立指紋庫，最后進行在線檢測。該方法分別在視距和非視距這2種典型環境下進行實驗，最終在視距環境下的檢測人存在的平均準確率高達97%，相比傳統的人員檢測的方法，很大程度上提高了檢測率。但是該方法未考慮環境的易變性會對檢測精度造成影響，并且沒有針對室內人員的具體動作進行分類檢測。與利用 RSSI的研究類似，大多數基于CSI的檢測方法還利用CSI測量中振幅信息的變化來推斷目標位置或存在。文獻[11]利用CSI來檢測人體的基本運動，將CSI運用到現實生活中。文獻[12]利用CSI根據人的嘴型可以判斷 9種元音字母，單人檢測率高達 91%。FIMD（fine-grained indoor motion detection）通過利用CSI在靜態環境中的時間穩定性，研究了被動人體檢測的全向傳感覆蓋，實現了精確的細粒度突發移動檢測[13]。但是該方法的實驗選用振幅信息作為特征值，沒有充分考慮到環境的遷移性，所以結果并不是最優，而且健壯性有待提高。Zhu等[14]利用CSI分析了人體運動對CSI一系列影響，提出了一種較為頑健的被動式人員運動檢測方法，該方法使用 PCA算法及利用多天線提供的空間分集，通過對各個天線質量的研究，選擇最佳的天線組合，來提高準確率。由于Wi-Fi信號極易受到多徑干擾的影響，而該方法未考慮遷移感知對檢測精度造成的影響，所以檢測率不是最優，頑健性不高。Qian等[15]利用CSI提出了一種新的無源人體運動檢測方法，在處理過程中使用 SVM 算法[16]及結合 MIMO(multiple-input multiple-output) 技術，在不同的場景下進行實驗，并且檢測精度較高，但是此方法并未充分利用CSI的優點，未充分考慮Wi-Fi本身的發射功率的調整、速率的變換、頻偏導致的信號變化以及抗干擾性較差，所以該方法的整體效果未達到最優。

綜上所述，盡管無線傳感網領域有很多都通過CSI進行人員行為感知的研究，但在目前很多檢測方法中，還是有很多問題需要解決：1) 大多數利用CSI的振幅信息作為特征值，但是振幅的易變性較強，很容易造成檢測率的不穩定；2) 僅用單一的測試環境，無法保證檢測方法的穩定性；3) 僅對一位測試人員進行實驗，無法保證方法的健壯性；4) 實驗僅采用少量的方法測試，無法保證方法整體性能的兼容性。此外，大多數方法都是在2.4 GHz頻段下進行實驗，而2.4 GHz頻段在室內環境中雖然具有抗衰減能力強、穿墻能力強等優點[17]，但也存在頻率低、空間損耗較低[18]、傳輸距離遠且家用電器的頻率基本都在2.4 GHz頻段等不足，所以干擾因素非常大，這會造成信號不穩定。而5 GHz頻段恰恰彌補了2.4 GHz頻段的不足，具有抗干擾能力強、能提供更大的帶寬、吞吐率高、擴展性強、無線環境中的頻段多、支持更高的無線速率、信號相對穩定、干擾源少等優點，采集的實驗數據更加穩定可靠，因此本文選擇在5 GHz頻段下進行室內人員日常行為檢測[19]，圖3(a)和圖3(b)分別是在2.4 GHz和5 GHz頻段下實時采集的數據，明顯可以看出5 GHz頻段下采集的數據更加穩定，相對來說異常值較少，更適合用于室內人員行為檢測。

本文所提的HDFi方法的創新點在于利用相位特征在5 GHz頻段下進行人員的日常行為檢測，該方法不僅在一定程度上解決了環境易變性的問題，而且在不同的實驗環境中使用同一套設備對實驗進行反復驗證，保證了所提方法的穩定性。本文方法與現有的方法的區別在于：1) 測試人員不需要攜帶任何設備，可以適用于多種實驗環境；2) 在已有的硬件設備基礎上，采用5 GHz頻段的實驗設備，實驗環境比較完備；3) 本文采用處理后的相位特征，使實驗數據更加精確，并在特征提取階段采用信號分段方法，提高了檢測率；4) 為了提高算法整體頑健性，實驗選擇從頻段、測試人員、環境、干擾等不同情況進行多次實驗。因此，本文方法與現有的一些室內人員狀態檢測方法相比，實用性較高，頑健性強，整體的穩定性也較好。

圖3 2.4 GHz頻段和5 GHz頻段實時采集的數據曲線

3 HDFi方法描述

3.1 方法流程

本文提出了一種基于CSI的室內人員日常行為檢測方法——HDFi，該方法具體流程如圖4所示。首先在環境復雜的實驗室內和相對較空曠的會議室內采集人員不同狀態的數據；然后使用低通濾波進行異常值的處理；接著提取相對穩定的相位信息作為特征值，建立指紋庫；最后，本文在2種實驗環境下實時檢測人員各類日常行為，在此階段，本文采用SVM算法對實時采集的數據進行分類處理，最終得到理想的室內人員日常行為檢測的結果。

3.2 數據采集

由于普通的商用Wi-Fi設備中的2.4 GHz頻段下很難獲取相位信息，且由于發送端與接收端之間的很多隨機噪聲始終不同步，即使獲取到也不易處理，導致相位沒有被廣泛應用[20]。為獲取有效的相位信息來提高室內人員日常行為檢測的頑健性和檢測率，本文實驗通過使用不同設備采集數據、分析數據及對數據進行分類訓練，最后發現在5 GHz頻段下獲得相位信息較為容易，并且相比于振幅信息區別度更高，可以使整體實驗更加健壯。為了進一步證實相位信息的可用性，在特定的室內實驗場景下無人時的狀態，隨機選擇一組數據，圖像顯示原始相位在實驗區域內表現得極其隨機和雜亂，僅僅對原始相位而言，沒有任何利用價值。實驗結果如圖5所示。為了進一步提高室內人員日常行為檢測的頑健性，需要得到可用的相位信息。通過對原始相位數據進行線性變換處理后可以消除隨機相位偏移，明顯觀察出在室內無人時，處理后的相位信息平緩且穩定，因此本文HDFi方法實驗選擇相位作為特征值。

圖4 HDFi方法整體流程

圖5 室內空曠無人時的相位信息

本文實驗數據來源于LOS和NLOS這2種特定的實驗場景中，實驗數據主要為9種常見的日常行為：走路、喝水、掃地、伸懶腰、站立、打斗、刷牙、關門和深蹲。以深蹲和打斗為例，實驗結果如圖6所示，圖6是在LOS和NLOS這2種場景中采集的相位信息，測試者是一名身高168 cm的女生和一名身高188 cm的男生，2名測試者在不同場景中做出深蹲和打斗的動作，并將測試數據分組按類別存儲，為了更好地區分不同種類的檢測動作，所以在不同時間段內大量重復進行測試，尋找規律。圖6為隨機選擇的2組測試數據分組內的相位曲線。首先，圖6(a)和圖6(b)是在LOS場景下的測試，圖 6(a)是讓女生獨自在檢測區連續做深蹲的動作，該動作較為緩慢。圖6(b)是讓2位測試者做出打斗的動作，該類動作較為劇烈，因此信號波動較大。可以看出，當測試人員做出的動作較為緩慢時，相位信號較平穩，反之相位信號波動較大。

圖6(c)和圖6(d)是在NLOS場景下，測試者做出同樣的2種動作進行測試，與圖6(a)和圖6(b)相比，無論是緩慢動作的信號還是劇烈動作的信號，相位信號的平穩性都沒有LOS環境下的效果好，原因是LOS環境相對空曠，無過多的多徑干擾。相反，NLOS環境中有較多的多徑干擾，如辦公桌、電腦等辦公家具造成的干擾。可見，不同的場景下，相位信號的變化是很敏感且可區分的。

3.3 數據預處理

本文實驗在2種不同場景下采集CSI數據，數據均是從商用Wi-Fi設備中獲取真實數據。由于環境本身固有噪聲和一系列電磁干擾，使數據不穩定[21]，因此本文采用低通濾波技術來降低環境噪音。濾除環境噪聲后，原始噪聲的CSI變得更清晰，更穩定。

圖6 LOS和NLOS環境下人員不同動作對應的相位信息

通過3.2節的介紹可知，當有人員在商用Wi-Fi環境下活動時，相位信息比振幅信息更敏感，因此，在下文中，本文使用相位信息作為特征值進行實驗[22]。第i個子載波的相位可以表示為

其中，φi表示原始相位；N代表快速傅里葉變換采樣數，在 IEEE 802.11 a/g/n協議中N的取值為64[23]；δi表示因時鐘不同步而在接收端引起的定時偏移；β為未知的恒定相位誤差；Zi為測量噪聲；ki代表第i個子載波的索引；和φi分別代表相位信息的測量值和真實值。由于上述未知的參數δi、β、Zi的影響，商用Wi-Fi設備很難獲取到真實的相位信息。文獻[24]中分析得到了相位誤差與第i個子載波呈線性相關的關系，通過線性變換的方式減少了隨機相位偏移造成的誤差，攝取出較為穩定的相位信息。本文采用該方法消除抗干擾因素β和Zi，得到CFR的真實相位，首先，定義2個線性相關項a和b，a為斜率，b為偏移量，分別為

其中，a和b分別包含了真實相位，n表示子載波數。假設子載波頻率是對稱的，即子載波的總數為零，那么b可以表示為，為了消除β和Zi，計算相位的近似斜率和截距，然后，減去線性項aki+b，可以得到一個真實相位的線性組合，表示為，如式(8)所示。Zi是商用Wi-Fi設備固有的測量誤差，且在噪聲中干擾較小，因此本文在隨機相位偏移處理中忽略Zi的影響。

最后，線性變換后的相位可表示為

其中，n代表子載波數。通過以上處理，可以得到真實可用且穩定的相位值。從圖7可以看出，與原始相位分布相比，線性變換后的相位去除了環境的噪聲后，分布相對穩定，因此，處理后的相位有較高的利用價值，這將為接下來特征提取了奠定堅實的基礎。

圖7 線性變換前后的相位信息對比

3.4 特征提取與分析識別

3.4.1 特征提取

為了得到更好的檢測效果，將信號按不同的類別存儲，不同類別分別對應的是9種不同的日常動作，由于每一個動作對信號的影響是不同的，對應做出不同動作的信號有較明顯的差異，采集的數據也會有相應差別。通過3.3節所述的方法進行數據預處理后得到的數據中既包含有效動作信號，也包含一些無效信號，原因是采集到的CSI原始信號是連續存儲的。本文實驗要提取有效信號，去除無效信號，因此需要對信號進行分段處理，將與人員行為對應的有效信號提取出來。采用文獻[25]中所提方法，根據OFDM子載波間信號相關性原理，求出子載波間相關矩陣，得到相關矩陣的特征向量和特征值。在實驗中，當沒有動作出現時，相關的矩陣特征向量q就在相鄰子載波之間隨機變化。當測試人員進行日常動作時，此時的子載波之間會呈現相關性，并且特征向量q變化區域平穩，相鄰載波之間特征向量的差值δq會隨之變小，具體計算式如式(10)所示。

其中，Nc為CSI的子載波個數，為相鄰子載波的系數差，l表示載波序列，設定特征向量的主成分為h，當實驗中的9種動作依次出現時，會導致主成分h的方差變大，因此可以作為判斷實驗所需的一系列動作是否出現的標準。最后，針對各個不同日常行為分類提取特征，建立一個有效的指紋庫。由于不同的動作對應的信號特征是不同的，對應的每個動作的CSI是不同的，因此，本文將每個動作對應的CSI作為特征指紋信息，將9種不同的日常動作數據訓練得到的特征值存入指紋庫，為后續實時采集的各個日常動作信號進行匹配做好準備。

3.4.2 在線檢測

本文實驗的日常動作包括走路、喝水、掃地、伸懶腰、站立、打斗、刷牙、關門和深蹲。通過3.4.1節和3.4.2節的數據預處理，利用SVM算法建立室內人員狀態檢測的模型。首先，在2個實驗場景下，實時采集的9種日常動作的大量樣本；然后，采用SVM進行訓練學習，得到SVM回歸函數，將樣本進行分類；最后，將實時采集的測試數據放入分類模型，將待測動作合理地判斷分類。

由于SVM算法是使用非線性映射算法將空間線性不可分的低維輸入轉化為高維空間中線性可分的問題，即輸入實時采集的CSI特征數據，從而在高維空間利用線性算法對非線性的特征進行劃分，所以SVM算法具有較理想的分類性質，也比較適合于本文的實驗。

4 實驗結果與仿真分析

4.1 實驗設置及實驗評估指標

本文實驗使用5 GHz的商用Wi-Fi設備，將一臺配備 Intel i3-4150 CPU的臺式計算機作為發送端，另一臺聯想G50型號筆記本作為接收端。所用的發射端和接收端都安裝了支持IEEE 802.11n協議的AtherosAR 9380網卡，通過使用Xie等[26]開發的開源驅動程序Atheros-CSI-tool，可以從實驗設備中獲取所需CSI信號。

本文在真實的實驗場景下對本文方法進行性能分析，實驗環境為噪聲干擾較多的實驗室，面積為8 m×9 m；相對空曠的會議室，面積為6 m×4 m。其中，實驗室有辦公桌、電腦等家具，并且有人員干擾。實驗場景示意如圖8所示，在2個場景中分別部署發送端和接收端，令測試人員在該實驗場景中反復進行實驗。

本文HDFi方法在實驗過程中的實驗類別、每個類別包含的數據分組，即采集次數和測試人數如表1所示，以及各類性能分析的指標如表2所示。

表1 室內人員不同的日常動作

表2 性能分析的不同指標

圖8 室內人員日常活動檢測實驗環境

4.2 2.4 GHz頻段與5 GHz頻段的檢測率比較

本文主要針對 5 GHz頻段下的室內人員日常行為檢測，因此，為驗證5 GHz頻段更有利于人體感知識別，分別對常見的9種動作進行反復測試。測試動作主要分為2類，對信號干擾較小的為一類，如站立、喝水等；對信號干擾較大的為一類如打斗、奔跑等。上述實驗分別在2.4 GHz和5 GHz頻段下進行，并在LOS和NOLS這2種場景下對比2種不同頻段對檢測率的影響，為了保證實驗效果的穩定性，在2種場景實驗過程中保持測試者和實驗設備統一，并且在相同時間段進行測試。實驗結果如圖 9所示，5 GHz頻段下采集的信號特征更加穩定，其中，LOS場景下的檢測率較2.4 GHz頻段約平均高出2.8%；NLOS場景下的檢測率較2.4 GHz頻段平均高出3.5%，因此5 GHz頻段更適合于室內人體行為感知檢測。

4.3 窗口大小對檢測率的影響

本節比較了HDFi與其他2種方法的檢測率，這2種系統為HPMD（passive burst human motion detection system）系統和FIMD（fine-grained indoor motion detection system）系統。為保證實驗結果穩定，3個不同位置的實驗均選取干擾較少的環境，相同的測試人員和實驗設備。本文分別在不同的位置進行實驗，選出3組對比較為明顯的實驗數據，3種方法包括HDFi、HPMD系統和FIMD系統。HPMD系統利用 CSI的相位來檢測室內人員的行為[23]，FIMD則利用CSI的幅值來檢測人體運動，如圖10所示，可以明顯觀察出3種方法的差別。HDFi的整體性能最好，這是因為本文實驗是在5 GHz頻段下進行，所采集的數據更加穩定，且將相位特征進行線性變換，因此整體性能較高。其次是HPMD，該系統也利用相位特征進行最后的實驗，但是該實驗是在2.4 GHz頻段下進行，因此檢測率較低。最差的是FIMD系統，原因是該系統僅用幅度作為特征值進行實驗，而相位較幅度而言更加適合人員狀態檢測，因此該系統實驗結果并不是最優。由圖10可以看出，位置A的檢測率在200～300 ms 的窗口范圍內不斷增長，位置B和位置C的檢測率隨著窗口大小的增長整體呈上升趨勢，這是因為位置A受環境干擾較多，所以當窗口大小大于300 ms時，檢測率下降。總體而言，HDFi方法在位置A、B、C的最高檢測率分別可以達到95%、97.4%、97.6%。和其他2種方法相比是相對較高的，達到較優的檢測狀態。

4.4 LOS和NLOS這2種場景下CIR的分布偏度

圖9 2.4 GHz頻段與5 GHz頻段下人員不同動作的檢測率對比

圖10 不同檢測方法中LOS場景下窗口大小與檢測率的比較

為證明在2種不同的場景下的CIR的偏度分布情況，本文實驗在相同時間段內讓同一位測試者分別在LOS和NLOS場景下進行測試。在實驗過程中，分別進行了60次測試，每次測試采集1 000個數據分組，每一次的測量分別包括 30個視距環境主導條件和30個非視距環境主導條件。從圖11（a）和圖11(b)可以明顯看出，視距環境下的偏度分布較非視距環境更為偏負，為進一步驗證LOS環境下的識別性能，于是在視距環境下，通過驗證FP/FN和窗口大小的相關性對其進行評估。如圖11(c)所示，隨著窗口大小的變化，可看出有較高的FP率和較低的FN率。這就表明當時間窗尺寸較大時，特征值的方差相應增大，對人體的運動也相對敏感，因此FP較高。結合圖10和圖11(b)可知，當窗口大小為200 ms時，FP/FN的平均值為12%。HDFi在LOS環境下3種不同位置的平均檢測率為93%。

4.5 不同環境下的檢測率

在此部分，本文HDFi方法與FIMD系統進行比較，FIMD系統是利用CSI的振幅信息作為人員檢測的特征值，其整體性能較穩定。為充分驗證檢測率的有效性和方法的穩定性，在同等條件下，分別在實驗室與會議室進行實驗。為體現本文方法的性能，在2種場景中讓2位測試者在5 GHz頻段下進行測試。該實驗環境如圖8所示，通過實驗發現，在5 GHz頻段下采集的CSI數據更有利于室內人員行為檢測，因此從圖12(a)明顯觀察出，HDFi的檢測率優于HPMD和FIMD方法，并且HDFi方法可以測試多種日常行為，而其他2種方法的檢測動作體現出單一性，因此HDFi方法更有利于室內人員的日常行為檢測，整體性能更好。為進一步驗證本文所提HDFi方法的有效性，分別在2種實驗環境下，隨機選擇一種日常動作特征，通過觀察正樣本率（FP rate）對檢測率的影響而反復進行測試，從圖12(b)可以明顯看出，當正樣本率在0～0.1時，會議室環境下的檢測率在 40%～83%，在正樣本率為0.15及以上時，檢測率平均在92%以上，同理，當正樣本率在0～0.1時，實驗室環境下的檢測率達到20%～76%，當正樣本率為0.2及以上時，其檢測率平均高達 90%以上。實驗結果表明，HDFi方法的頑健性強，算法性能穩定，實用性強。

4.6 HDFi頑健性驗證

圖11 LOS和NLOS環境下CIR的偏度分布

圖12 2種不同實驗環境下的檢測率

顯然，較高的頑健性是HDFi方法的優勢之一，為了充分證明該方法的高頑健性和保證實驗結果的可參考性，本文實驗在設備和測試動作統一的條件下，測試不同的外界干擾因素對性能的影響。本節選擇2種較典型的不同情況進行詳細闡述，圖 13分別是不同的測試者對在2種場景中對檢測率的影響，以及對不同的日常動作采用不同的算法，從而分析不同算法與TPR的關系。由圖13(a)可明顯觀察出，無論是在實驗室還是會議室，不同的測試人員（圖 13(a)中“A”～“I”）進行實驗，在實驗室環境下的檢測率達到88%以上，在會議室環境下的檢測率在92%以上，其中由于會議室環境較空曠，因此檢測率更高。圖13(b)中對比了HDFi和PCA-based這2種不同方法下的TPR，從圖中可以看出HDFi的TPR均高于90%，并且HDFi方法的性能和時效優于 PCA-based方法，原因是PCA-based方法在數據處理階段僅采用PCA算法進行數據降維，對原始數據的處理未達到最優，HDFi方法在數據預處理階段采用了相位線性變換和低通濾波算法，更有效地分析了CSI數據特征，同時，HDFi方法能夠在不同情況下獲得較高的檢測率，能夠充分考慮各類因素的影響，所以其頑健性高，更適合用于各類室內應用。

圖13 不同情況下HDFi方法的頑健性驗證

5 結束語

本文針對無線傳感網領域的人體感知需要提高檢測率的問題提出了一種基于信道狀態信息的無源室內人員日常行為檢測方法——HDFi。通過利用相位信息作為特征值，首先進行信號采集、數據處理、特征提取等步驟，然后利用SVM算法對特征值建立分類模型，最終與指紋庫數據進行匹配。此外，本文分別在2.4 GHz頻段和5 GHz頻段下進行實驗，實驗結果證明在 5 GHz頻段下所采集的CSI信號更有利于室內人員狀態識別。接著在文章實驗結果與分析部分，分別在2種典型的室內環境下進行多次實驗，并且與其他傳統的室內人員動作檢測方法進行對比。考慮環境、設備、測試人員等不同因素對檢測結果的影響等。實驗結果表明，本文提出的HDFi方法在整體性能、檢測率、實用性等方面都優于其他方法，并且本文方法比其他傳統的方法的頑健性更高。

為更進一步地實現室內人員日常活動檢測的優化和提高檢測率與算法的整體性能，還需要更深入地對以下問題進行研究。

1) 考慮在Wi-Fi環境下，噪聲干擾更多時人員各類行為檢測過程中的降噪問題。

2) 考慮當多人一起活動時，信號提取階段中的特征信息如何高效分段問題。

3) 考慮如何利用更有效的算法，從信號波形中匹配人體各類動作相關的特征信息，從而提取更高層次的特征信息。