基于WiFi信道狀態信息的人員活動持續時間估計

劉立雙 魏忠誠 張春華 王 巍 趙繼軍

摘 要：針對傳統人員活動持續時間估計系統隱私性及靈活性較差的問題，分析信道狀態信息（CSI）的幅度變化，提出了一個基于WiFi信道狀態信息的人員活動持續時間估計系統。該系統重點將連續復雜的人員活動持續時間估計問題轉化為離散簡單的人員檢測問題。首先，采集CSI信息并濾除異常值和噪聲;其次，利用主成分分析法（PCA）進行子載波降維，獲取主成分以及相應的特征向量;隨后計算主成分方差和特征向量一階差分均值，并將兩者比值作為特征值訓練反向傳輸神經網絡（BPNN）模型;然后，利用訓練好的BPNN模型進行人員檢測，并當檢測出有人員活動時，進一步對CSI數據進行等寬分割;最后，針對所有分割后的CSI數據實現人員檢測，并依據符合人員檢測結果的數據來估計人員活動的持續時間。在真實室內環境中對系統進行實驗評估，人員檢測平均準確率可達到97%，活動持續時間誤差不超過10%。實驗結果表明，該系統能夠有效估計出人員活動的持續時間。

關鍵詞：人員活動持續時間;信道狀態信息;反向傳輸神經網絡;人員活動檢測;WiFi

Abstract：Concerning the poor privacy and flexibility of traditional lifetime estimation for human motion， a lifetime estimation system for human motion was proposed， by analyzing the amplitude variation of WiFi Channel State Information （CSI）. In this system， the continuous and complex lifetime estimation problem was transformed into a discrete and simple human motion detection problem. Firstly， the CSI was collected with filtering out the outliers and noise. Secondly， Principal Component Analysis （PCA） was used to reduce the dimension of subcarriers， obtaining the principal components and the corresponding eigenvectors. Thirdly， the variance of principal components and the mean of first difference of eigenvectors were calculated， and a Back Propagation Neural Network （BPNN） model was trained with the ratio of above two parameters as eigenvalue. Fourthly， human motion detection was achieved by the trained BP neural network model， and the CSI data were divided into some segments with equal width when the human motion was detected. Finally， after the human motion detection being performed on all CSI segments， the human motion lifetime was estimated according to the number of CSI segments with human motion detected. In real indoor environment， the average accuracy of human motion detection can reach 97% and the error rate of human motion lifetime is less than 10%. The experimental results show that the proposed system can effectively estimate the lifetime of human motion.

Key words： human motion lifetime; Channel State Information （CSI）; Back Propagation Neural Network （BPNN）; human motion detection; WiFi

0 引言

行為識別是醫療健康和安全監控等領域的研究熱點之一。其中，活動持續時間是人體行為識別的一個重要參數。例如，在醫療健康方面，通過活動持續時間可以量化人體活動與疾病之間的關系[1];在安防監控方面，可根據活動持續時間分析移動人員的異常行為等[2]。然而，現有的測量技術存在一定局限性。例如，基于視覺的方法涉及目標用戶的隱私并受光線的影響;基于紅外的方法容易被阻擋，而且紅外設備需要固定在特定的位置，移動性差;可穿戴設備雖然很靈活，但需要目標人員主動配合將其佩戴在身上，極大降低了用戶的舒適感等[3]。隨著無線通信的發展，無線信號得到了廣泛的覆蓋，為無線行為識別的研究提供了重要的基礎支撐。基于無線信號接收信號強度（Received Signal Strength， RSS）的行為識別技術通過信號波動特征實現檢測。然而，RSS依賴于信號功率，對外部環境的變化異常敏感，影響檢測效果。

近年來，研究人員通過修改無線網卡[4]，可以在普通商用WiFi設備上獲取到信道狀態信息（Channel State Information， CSI）。與RSS相比，CSI提供了多個子載波的幅度和相位信息[5]，因此，基于CSI的無線行為識別技術受到越來越多的關注。文獻[6]利用CSI在不同子載波上的相關幅度變化，提取相應特征向量的一階差分，實現可穿墻人體檢測;文獻[7]通過建立CSI-speed模型和CSI-activity模型量化CSI與人體活動速度以及人體活動速度與不同活動類別之間的關系;文獻[8]利用靜默分析模型描述靜止狀態，并提出一種基于距離的機制來挑選某些子載波，以便進行精確的運動檢測。除了人員檢測和活動識別之外，基于CSI的技術還被廣泛地應用于室內定位[9]、跌倒檢測[10-11]、擊鍵識別[12]、生理監測[13]和計數[14]等。總體來說，CSI提供了更細粒度的多徑傳播信息，對人體運動更加敏感。

本文針對傳統人員活動持續時間估計系統隱私性及靈活性較差的問題，提出一種基于WiFi信道狀態信息的人員活動持續時間估計系統。該系統包括人員檢測階段和持續時間估計階段。首先，采集CSI信息并提取不同狀態的場景特征，即靜態特征和動態特征，然后，引入反向傳輸（Back Propagation， BP）神經網絡對被監控場景的特征進行分類，以此來判斷監控場景內是否有人在活動。若有人活動，則采用分割方法來估計人員活動的持續時間。在典型室內環境的實驗結果表明，人員檢測平均準確率可達到97%，同時，人員活動持續時間誤差不超過10%。

1 信道狀態信息（CSI）

CSI是無線通信鏈路的信道屬性，刻畫了無線信號在每條傳輸路徑上的衰弱因子[5]。具體地說，發射機發射無線信號，傳播過程中經過反射、衍射和散射等現象到達接收機形成疊加信號。正交頻分復用（Orthogonal Frequency Division Multiplexing， OFDM）技術將整個無線信道分成多個窄帶正交子載波。基于OFDM技術的CSI可以從兼容IEEE 802.11a/g/n/ac的商用無線網卡中獲取。每個數據包包含最大N=114個子載波的信道狀態信息：

目前，獲取CSI的工具主要有兩種，即Intel CSI工具和Atheros CSI工具[4，15]。本文采用商用路由器TL-WDR3500作為發射機發送信息，同時，利用Atheros CSI工具和Atheros網卡進行系統設計并進行了性能評估。

2 人員檢測及活動持續時間估計方法描述

本系統利用CSI的幅度變化進行人員檢測以及活動持續時間估計。首先，利用Hampel濾波器對原始CSI數據進行異常值檢測，并采用小波去噪方法對CSI數據進行去噪處理;為了降低系統計算復雜度，采用主成分分析法（Principal Component Analysis， PCA）進行降維處理;提取子載波的變化特征并作為BP神經網絡（Back Propagation Neural Network， BPNN）的輸入參數進行人員檢測;若判斷出有人員活動，則通過分割方法進一步估計人員活動的持續時間。

2.1 CSI數據預處理

無線信號在傳送過程中因發射機和接收機之間的協議以及外部環境的干擾，導致采集的CSI數據中包含非人員活動引起的異常值。為保證系統準確性，采用Hampel濾波器[16]將異常值從CSI數據中濾除。具體地，Hampel濾波器通過分析CSI幅度值可以定位到超出區間[μ-γσ， μ+γσ]的異常值，其中， μ和σ分別表示數據序列的中位數和絕對中位差，而γ是一個依賴于應用的參數，本系統取常用值3[6]。圖1表示靜態場景下某個子載波的幅度變化，其中方框中的點為異常點。

在實驗過程中發現，實驗環境復雜，發射機和接收機之間的通信質量具有時變性，數據包會不同程度地丟失。為避免上述現象影響系統性能，對CSI數據進行插值處理。一維線性插值法操作簡單并且可以滿足實驗要求，故系統采用一維線性插值方法對CSI數據進行處理，以確保監測環境CSI信息的完整性。

無線信號在傳輸過程中容易受到外部環境的干擾，導致接收端接收的CSI數據包含大量噪聲。小波變換能夠同時分析信號的時頻域，具有多分辨率分析的能力，在不同的分解層次上，小波分析能夠有效地區分信號和噪聲信號的突變部分，實現去噪，因此，采用小波變換閾值去噪法消除雜亂噪聲，平滑CSI數據。

小波變換是對空間頻率的局部化分析，它通過尺度變換和平移運算對信號進行逐步細化，從而實現高頻時域細分和低頻頻域細分。首先，利用小波對CSI數據進行分解，得到高頻細節分量和低頻近似分量;然后，利用閾值函數去除高頻細節分量噪聲;最后，利用小波重構處理后的分量，得到凈化的CSI數據。圖2表示動態環境下去噪前的CSI幅值變化以及利用小波變換去噪后的CSI幅值變化，可以看出，小波變換可以很好地去除高頻噪聲。

2.2 PCA降維

本系統采用TP-Link路由器TL-WDR3500進行數據采集并獲取到114個子載波，而高維度的CSI增加了系統的計算復雜度，因此，采用PCA技術縮減CSI數據的維度，從而提升系統計算性能。PCA技術通過線性變換將原始數據變換為一組各維度線性無關的表示，可以在基本保留數據重要信息的基礎上縮減原始數據的維度，進而提取數據的主要特征分量。另外，利用PCA觀察子載波之間的相關性，并揭示不同子載波之間的變化。PCA降維過程如圖3所示，具體描述如下。

2.3 環境特征提取

為提取對環境敏感的魯棒性特征，分析PCA降維處理后的特征向量與相應主成分。通過實驗分析，本系統發現第一主成分在靜態環境與動態環境下均具有較大的波動性，且無法很好地區分環境狀態，因此，本系統舍棄對第一主成分的考慮。此外，通過觀察其余主成分對環境變化的敏感性，發現在靜態環境下主成分的波動很小，但在動態環境下受人員活動影響，主成分的變化很大。與此同時，特征向量在靜態環境中變化雜亂，而在動態環境中變化平緩。

一般地，方差可以度量數據的離散度，一階差分可以反映相鄰數據之間的關系，因此，本系統綜合考慮主成分的方差與特征向量的一階差分均值作為環境特征分析的核心參數。計算主成分的方差E2{pli}，以及特征向量的一階差分的平均值D{eigi}，具體如下：

實驗發現，主成分方差與特征向量一階差分均值的比值F{pli，eigi}作為特征值對人員檢測更加敏感，因此，將主成分方差與特征向量一階差分均值的比值作為不同環境的特征：

綜上所述，為加強系統對人員檢測的敏感度，本系統重點關注除第一主成分的其余主成分，利用主成分的方差與一階差分均值的比率作為反映子載波變化的特征。

2.4 人員檢測

提取到靜態環境與動態環境的特征后，本系統主要通過對環境特征進行分類實現人員檢測。若分類結果為靜態環境則系統判定當前環境處于無人狀態;而若分類結果為動態環境則系統判定當前環境處于有人狀態。為實現這一過程，分類器的選擇顯得尤為重要。在未確定輸入與輸出之間映射關系的前提下，人工神經網絡通過自身的訓練學習，得到某種規則下的訓練模型，并在接下來給定輸入值時能得到最接近期望輸出值的結果。考慮到BPNN是目前中應用最廣泛的人工神經網絡，本系統利用BPNN作為環境特征的分類器，以實現人員檢測。

在BPNN的構建中，隱含層數量問題決定分類器的應用效果。通常來說，多隱含層BPNN雖然容易學習，但容易陷入局部極小值，而具有單個隱含層的三層BPNN已經能夠完成任意的復函數映射，因此，本系統采用最簡單的三層BPNN作為環境特征分類的分類器，并采用變學習率動量梯度下降算法。具體分類操作可分為3個步驟：

1）將數據樣本分成兩類，即訓練樣本和測試樣本;

2）選取訓練樣本的環境特征作為BPNN模型的輸入，BPNN通過反復學習訓練，不斷調整權值和閾值，使誤差沿梯度方向下降，當誤差接近最小誤差0.01時停止訓練，得到BPNN訓練模型;

3）將測試樣本的環境特征利用BPNN訓練模型進行分類，并根據分類判定準則實現人員檢測。

此外，為增加系統魯棒性，針對每個CSI數據流的人員檢測結果，采用多數投票算法對分類結果進行融合處理，決策出最終人員檢測結果。

2.5 活動持續時間估計

針對人員檢測結果為動態環境（即有人狀態）的情況，本系統將進一步對當前人員活動的持續時間進行估計。考慮到人員活動的持續時間具有連續性并且計算復雜，因此本系統將采用等寬分箱法的思想對人員活動的持續時間進行估計。基于此，連續并且復雜的持續時間估計問題將轉化成離散簡單的人員檢測問題。具體操作可以分為5個步驟。

1）按照固定窗口大小，將預處理后的CSI數據流分割為多個CSI短序列。

2）針對每個CSI短序列，利用PCA算法進行降維，以改善系統計算復雜度，并得到除第一主成分之外的其余主成分及相應的特征向量。

3）利用CSI短序列的主成分和特征向量計算方差和一階差分均值的比值，以獲得每個CSI短序列的環境特征值。

4）與人員檢測相同，通過訓練好的BPNN訓練模型對每個CSI短序列進行人員檢測。同樣地，利用多數投票算法對結果進行融合，決策出CSI短序列人員檢測的最終結果，以提高系統檢測精度。

5）整合所有CSI短序列的人員檢測結果，結合固定窗口大小，估計當前CSI數據流所反映的動態環境中目標人員的持續時間Dr：

其中segNum表示人員活動的CSI短序列數目。

3 實驗結果及分析

3.1 實驗設置

在典型的室內環境對該系統的性能進行了評估。圖4（a）和4（b）為實驗場景，選取在研究室，大小為7.5m×13m。采用TP-Link無線路由器TL-WDR3500作為發射機，配備Atheros9382 NIC和開源工具Atheros-CSI-Tool的宏碁筆記本作為接收機，發射機和接收機之間組成一個2×2的多輸入多輸出（Multiple-Input Multiple-Output， MIMO）系統。實驗頻段采用5GHz，帶寬為40MHz，并以每秒1000個包的速率收發信息[17]。

3.2 性能分析

實驗在兩種環境狀態下進行數據采集：1）靜態環境。監測場景內無人活動。2）動態環境。監測場景內有一個人在走動。樣本總時間（St）為120s，目標人員活動的持續時間（Dr）分別為30s、60s、90s和120s。根據經驗值窗口大小W設置為3s。

為準確驗證系統的性能，分別從人員檢測和活動持續時間評估兩方面分析。針對人員檢測的評估，主要對實驗結果進行精確度（Accuracy）分析，包括有人活動的情況識別正確的概率以及無人活動的情況識別正確的概率;針對活動持續時間的評估，主要對實驗結果進行誤差（Error）分析，具體如下：

其中：TP和FN分別表示有人活動被識別正確的概率以及有人活動但未被檢測到的概率;Mt和Rt分別表示人員活動持續時間估計值以及人員活動持續時間真實值。

3.2.1 人員檢測評估

圖5描述了不同活動持續時間的人員檢測精度。從圖5中可以看出，人員檢測在不同活動持續時間的準確率均在95%以上，平均綜合檢測率為97%，具有較高的檢測精度。

圖6展示了在不同環境狀態下特征值個數對人員檢測的影響。如圖6（a）所示，隨著特征值個數的增加，動態環境下不同活動持續時間的檢測準確率有所下降;而圖6（b）所示，隨著特征值個數的增加靜態環境的檢測準確率有所提高。整體來看，檢測準確率均在0.9以上，可以根據不同場景要求來動態選擇特征值個數進行人員檢測。

圖8展示了特征值個數對人員活動持續時間估計的影響。由圖8可以看出，隨著特征值個數的增加，不同活動持續數間的誤差有所增加;在相同特征值個數情況下，活動持續時間越長，檢測誤差相對增大。

4 結語

本文針對傳統人員活動持續時間估計系統隱私性及靈活性較差的問題，提出了一種適用于室內環境的人員檢測及活動持續時間估計系統，利用商用WiFi設備采集CSI信息，并通過分析信號幅度變化進行人員檢測，以及活動持續時間估計。該系統將復雜連續的持續時間估計問題轉化為簡單離散的人員檢測問題，并在典型復雜室內場景對系統性能進行了評估。實驗結果表明，人員檢測平均識別率達到97%，同時活動持續時間誤差不超過10%，均達到較好的識別效果。在下一步工作中，將考慮解決多目標人員活動持續時間估計問題。

參考文獻 （References）

[1] BONOMI A G， GORIS A H， YIN B， et al. Detection of type， duration， and intensity of physical activity using an accelerometer[J]. Medicine and Science in Sports and Exercise， 2009， 41（9）： 1770-1777.

[2] LIN W， ZHANG Y， LU J， et al. Summarizing surveillance videos with local-patch-learning-based abnormality detection， blob sequence optimization， and type-based synopsis[J]. Neurocomputing， 2015， 155： 84-98.

[3] 楊雪，呂紹和，張閩，等.基于無線信號的行為識別技術綜述[J].軟件學報，2015，26（Suppl.（1））：39-48.（YANG X， LYU S H， ZHANG M， et al. A survey on activity recognition using wireless signals[J]. Journal of Software， 2015， 26（Suppl.（1））： 39-48.）

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

[5] 楊錚，劉云浩.Wi-Fi雷達：從RSSI到CSI[J].中國計算機學會通訊，2014，10（11）：55-60.（YANG Z， LIU Y H. Wi-Fi radar： from RSSI to CSI[J]. Communications of CCF， 2014， 10（11）： 55-60.）

[6] ZHU H， XIAO F， SUN L， et al. R-TTWD： robust device-free through-the-wall detection of moving human with WiFi[J]. IEEE Journal on Selected Areas in Communications， 2017， 35（5）： 1090-1103.

[7] WANG W， LIU A X， SHAHZAD M， et al. Device-free human activity recognition using commercial WiFi devices[J]. IEEE Journal on Selected Areas in Communications， 2017， 35（5）： 1118-1131.

[8] GU Y， ZHAN J， JI Y， et al. MoSense： a RF-based motion detection system via off-the-shelf WiFi devices[J]. IEEE Internet of Things Journal， 2017， 4（6）： 2326-2341.

[9] YANG Z， ZHOU Z， LIU Y. From RSSI to CSI： indoor localization via channel response[J]. ACM Computing Surveys， 2013， 46（2）： 1-32.

[10] HAN C， WU K， WANG Y， et al. WiFall： device-free fall detection by wireless networks[C]// Proceedings of the 2014 International Conference on Computer Communications. Piscataway， NJ： IEEE， 2014： 271-279.

[11] WANG Y， WU K， NI L M. WiFall： device-free fall detection by wireless networks[J]. IEEE Transactions on Mobile Computing， 2017， 16（2）： 581-594.

[12] ALI K， LIU A X， WANG W， et al. Recognizing keystrokes using WiFi devices[J]. IEEE Journal on Selected Areas in Communications， 2017， 35（5）： 1175-1190.

[13] ZHANG D， WANG H， WU D. Toward centimeter-scale human activity sensing with Wi-Fi signals[J]. Computer， 2017， 50（1）： 48-57.

[14] XU Y， YANG W， WANG J， et al. WiStep： device-free step counting with WiFi signals[C]// Proceedings of the 2018 ACM on Interactive， Mobile， Wearable and Ubiquitous Technologies. New York： ACM， 2018， 1（4）： Article No. 172.

[15] XIE Y， LI Z， LI M. Precise power delay profiling with commodity Wi-Fi[C]// Proceedings of the 2015 International Conference on Mobile Computing and Networking. New York： ACM， 2015：53-64.

[16] DAVIES L， GATHER U. The identification of multiple outliers[J]. Publications of the American Statistical Association， 1993， 88（423）： 782-792.

[17] XIN T， GUO B， WANG Z， et al. FreeSense： indoor human identification with Wi-Fi signals[C]// Proceedings of the 2016 IEEE Global Communications Conference. Piscataway， NJ： IEEE， 2016： 1-7.