基于穿墻信道狀態(tài)信息的行為識別方法

蒙倩霞，余 江，常 俊，浦 鈺，陳 澄

（云南大學(xué) 信息學(xué)院，昆明 650500）

0 概述

傳統(tǒng)行為識別方法主要依賴計算機視覺［1］、穿戴式傳感器［2］、雷達(dá)［3］等方法，然而計算機視覺的方法不能監(jiān)測光線盲區(qū)且隱私無法得到保障。傳感器方法對于特殊人群來說會增加危險指數(shù)，基于雷達(dá)的方式造價較高，低價雷達(dá)監(jiān)測距離又受限，僅幾十厘米。基于信道狀態(tài)信息（Channel State Information，CSI）的行為識別是一種保密隱私、安全、無需攜帶設(shè)備且價格實惠的方法，可以工作于煙霧和黑暗環(huán)境中，僅依靠Wi-Fi信號能夠透過障礙物對非視距目標(biāo)進行監(jiān)測，無需監(jiān)測人員攜帶任何傳感器和部署專用監(jiān)控設(shè)備。利用Wi-Fi信號廣泛覆蓋的特點，相比于其他方法可以大幅減小部署成本。

近年來，基于CSI 的行為識別得到了廣泛研究。Wi-Fall［4］分析不同行為CSI幅值變化情況，提出一種跌倒檢測系統(tǒng)。Emosens［5］從CSI 識別用戶的情緒狀態(tài)，同樣使用幅值特征。文獻［6］提出一種基于CSI 幅度相位混合信息的人體運動識別方法Wi-SD。文獻［7］提出一種吸煙檢測系統(tǒng)，用于室內(nèi)環(huán)境吸煙行為檢測。CARM［8］利用CSI 速度模型和CSI 活動模型來識別不同的活動。Wi-Fiu［9］和Wi-Run［10］使用CSI 值通過捕獲不同人類的步態(tài)模式來識別人類。Wi-HACS［11］利用子載波的相關(guān)性檢測不同環(huán)境中人類活動。Wi-Act［12］探討了人體運動與CSI 中的幅值信息之間的相關(guān)性，進而對不同活動進行分類。文獻［13］將CSI 作為圖像處理進行定位和活動識別，文獻［14］同樣利用CSI 的圖像特征來識別駕駛員的注意力狀態(tài)。盡管上述方法具有較好的識別結(jié)果，但沒有考慮信號穿墻的情況。然而，在實際生活的室內(nèi)環(huán)境總免不了墻體的出現(xiàn)，大部分的家庭僅有一個無線接入點，信號在穿過墻壁之后會嚴(yán)重衰弱。現(xiàn)有的噪聲技術(shù)（例如低通濾波器、主成分分析等）都不能很好地處理墻壁帶來的信號衰減問題。如果不考慮信號穿墻情況，那么信號的利用率就會下降，但若考慮信號穿墻情況，則以往的系統(tǒng)在進行識別時效果就會下降。更重要的是可能因為上述情況而導(dǎo)致對老人以及特殊人員的監(jiān)測不及時而帶來事故。文獻［15］提出一種穿墻識別的結(jié)構(gòu)，但僅限理論分析。文獻［16］在穿墻的場景下進行行為識別，但是該方法預(yù)處理多且使用復(fù)雜的雙向循環(huán)神經(jīng)網(wǎng)絡(luò)，計算量大，且過程復(fù)雜。

穿墻的最大問題是Wi-Fi 信號穿墻后嚴(yán)重衰落，而這種衰落對CSI 數(shù)據(jù)的影響比行為影響的程度要大得多。如果將墻壁和室內(nèi)環(huán)境的影響視為靜態(tài)數(shù)據(jù)，將行為的影響視為動態(tài)數(shù)據(jù)，那么穿墻行為識別只有通過消除CSI 中的靜態(tài)背景信息才能把人體行為產(chǎn)生的動態(tài)數(shù)據(jù)提取出來，進行有效的行為識別。為解決上述問題，本文提出一種簡單的基于CSI 的穿墻行為識別的方法。通過捕獲原始CSI 數(shù)據(jù)矩陣的低秩性并對其進行低秩分解，消除無用靜態(tài)CSI分量，分離出行為引起的動態(tài)CSI 分量。由于CSI 數(shù)據(jù)的高維特性，如果直接計算復(fù)雜度較高，會出現(xiàn)維度災(zāi)難，因此利用時間反演（Time Reversal，TR）算法來解決CSI 數(shù)據(jù)維度過高的問題。最后對非穿墻和穿墻不同場景下的坐站、走動、跳躍、深蹲、跌倒5 種日常行為進行識別。

1 總體設(shè)計

1.1 CSI 數(shù)據(jù)模型

無線通信鏈路信道的特性常用信道狀態(tài)信息來衡量。在IEEE 802.11n 標(biāo)準(zhǔn)中，利用正交頻分復(fù)用技術(shù)可以從物理層解析得到CSI 數(shù)據(jù)。在MIMO系統(tǒng)中，設(shè)NTX為發(fā)射端的天線數(shù)量，NRX為接收端的天線數(shù)量［17］。對于每個采樣時刻t，CSI 值構(gòu)成NTX×NRX×L維的一個矩陣，其中，L為Wi-Fi 的子載波數(shù)。

在無線信號傳播環(huán)境中，人體作為反射和散射點，由于無線信號從多個路徑到達(dá)接收天線，因此人類行為特征被嵌入到多路徑CSI 配置文件中，不同行為的多徑分布是不同的，當(dāng)行為發(fā)生變化時，此時反射路徑會有相應(yīng)的改變，每個行為對路徑的不同影響都可以作為區(qū)分與其他行為的身份證。然而，與墻壁、家具等靜態(tài)物體相比，人體行為的變化可能只引入少量多徑CSI，這些CSI 能量相對較小，特別是信號穿過墻壁后會更大程度的損耗，因此行為特征會被掩蓋。假設(shè)與人體行為相關(guān)的第n根天線的CSI 可以建模為環(huán)境所影響的靜態(tài)CSI 分量和受行為影響的動態(tài)CSI 分量的總和：

當(dāng)人體發(fā)生變化時，在接收端可以接收到一個N×L的原始CSI矩陣：

相應(yīng)的行為特征矩陣為：

其中：N代表發(fā)射機和接收機之間的總路徑。

1.2 識別流程

在行為識別的過程中，希望保留的是由行為引起的動態(tài)CSI 分量，但是由于CSI 原始數(shù)據(jù)中靜態(tài)CSI 分量和動態(tài)CSI 分量是未知的，無法直接提取動態(tài)分量，如果直接識別原始CSI，誤差很大，當(dāng)信號穿墻時無法識別。此外，CSIi和ΔCSIi都是N×L的復(fù)值矩陣，維度較高，直接進行分類具有很高的計算復(fù)雜度較高。為解決以上2 個問題，本文提出基于穿墻信道狀態(tài)信息的行為識別方法，具體流程如圖1 所示。

圖1 CSI 識別流程Fig.1 CSI identification procedure

2 數(shù)據(jù)預(yù)處理

2.1 相位校準(zhǔn)

在實際采集數(shù)據(jù)過程中，存在時間同步誤差以及噪聲的影響，預(yù)測的CSI 會受到初始相位和由行為帶來線性相位的影響。通過實驗結(jié)果可以得出：無論是靜態(tài)還是動態(tài)環(huán)境的相位分布都是沒有規(guī)律性的。為獲得正確的行為特征Δcsi，首先要對原始CSI 的相位進行校準(zhǔn)。可以將每個CSI 值建模為：

其中：φ*是線性相位的斜率；φ0是初始相位，每個CSI值的φ*和φ0都不同。但是在實際的測量中，φ*和φ0的值是未知的，為了解決相位誤差的問題，本文參考文獻［18］的線性相位相消法。跌倒動作相位校準(zhǔn)前后的差別如圖2 所示。

圖2 前后相位校準(zhǔn)的跌倒動作Fig.2 Before and after phase calibration of fall action

2.2 靜態(tài)CSI 分量減除

在實際中，相比靜態(tài)CSI 分量，動態(tài)CSI 分量顯得較微弱，特別是信號在穿過墻壁等障礙物時。為消除靜態(tài)環(huán)境帶來的影響只留下與行為密切相關(guān)的動態(tài)CSI 分類，本文利用PRCA 算法對原始CSI 進行低秩矩陣分解，從而將靜態(tài)分量消除。低秩矩陣分解原理如下［19］：

假設(shè)D=U+V，其中：D是已知矩陣；U是低秩矩陣；V是稀疏矩陣。將D分解成U和V，可以轉(zhuǎn)化為凸優(yōu)化問題：

其中：‖U‖*是矩陣U的核范數(shù)；α是加權(quán)因子，表示稀疏矩陣的權(quán)重。

本文采用增廣拉格朗日算子法對凸優(yōu)化問題進行求解，其中：Y表示拉格朗日乘子；β表示一個正標(biāo)量。具體算法主要步驟如圖3 所示。

圖3 PRCA 算法過程Fig.3 PRCA algorithm process

由式（5）可知，要利用低秩矩陣分解消除靜態(tài)分量，那么式（2）就要滿足是低秩特征是一個稀疏矩陣。如果滿足這2 個條件，則可以采用低秩矩陣分解來分離復(fù)雜的靜態(tài)CSI 分量。具體方法如下：

圖4 人體對路徑的影響Fig.4 Influence of human body on the path

在時間t內(nèi)，當(dāng)信號的傳播路徑由dk(0)變化到dk(t)時，那么變化的路徑Δk(t)=dk(t)-d0(t)，其中d0(t)是路徑的初始長度，設(shè)φ0=e-j2πΔft為子載波的初始相位，那么在Δt時刻副載波n的相位可以表示為：

考慮到Wi-Fi 信道中子載波的波長之間的差異很小，即2 個不同子載波的波長存在λ1≈λ2的關(guān)系，且Δk(t)很小，那么就可以得到：

因為初始路徑長度d0(t)遠(yuǎn)大于Δk(t)，所以即使波長略有不同，2個子載波之間的初始相位差仍不可忽略。從以上的證明可以看出：當(dāng)Δk(t)很小時，對于不同的副載波CFR，是具有不同初始相位的同一組時變波形的線性組合，即那么就可以證明當(dāng)Δk(t)=0 時的靜態(tài)環(huán)境下，可以排除Δk(t)帶來的動態(tài)影響。因此，可以得出結(jié)論矩陣是相關(guān)的。對于不同天線的矩陣，可以獲得類似的結(jié)果。本文測試了暗室、半封閉式走廊、會議室環(huán)境的幅值和相關(guān)矩陣。

圖5 暗室子載波幅值和相關(guān)矩陣Fig.5 Darkroom subcarrier amplitude and correlation matrix

（1）CSI 的采集是對Intel 5300 網(wǎng)卡固件進行修改，采集數(shù)據(jù)非均勻采樣，所以猜想動作對CSI 的子載波的影響可能會有差異。基于這樣的猜想，本文分別測試了走廊和會議室2 種場景下的走動和跌倒動作對子載波的影響，相對來說，走動持續(xù)較長時間，跌倒時間較短。在走廊場景下走動發(fā)生時，發(fā)現(xiàn)對天線1 的所有子載波影響較小，對天線2 的某些子載波影響較微薄，對天線3 的所有子載波都影響較大，如圖6 所示，箭頭表示影響較小的子載波；在會議室場景下跌倒發(fā)生時，發(fā)現(xiàn)對天線1 幾乎全部受影響，而天線2 只受到了很小的影響，天線3 的某些子載波影響較大。本文還測試了走廊跌倒和實驗室走動對子載波的影響，得出的結(jié)論相似。這表明無論是不同環(huán)境下的同一動作還是同一場景下的不同動作，對子載波的影響是有選擇性的，只是小范圍內(nèi)的某些子載波受到了較大的影響。

圖6 走動對子載波的影響Fig.6 Influence of ambulate on subcarriers

（2）通過實驗可近似測量同一環(huán)境下同樣數(shù)據(jù)量的CSI 總量和靜態(tài)CSI 分量那么根據(jù)之前的分析動態(tài)CSI 分量的值就可以通過簡單的矩陣減法得到，即：

那么，式（9）就可以寫為：

如圖7 所示，本文分別采集了走廊和會議室2 種環(huán)境下走動、跌倒、彎腰動作的CSI 值，并統(tǒng)計了10 個稀疏因子。實驗結(jié)果表明的稀疏因子幾乎都小于0.05。

圖7 矩陣稀疏因子Fig.7 Sparse factors of matrix

（3）從時間維度分析，盡管不同的行為持續(xù)的時間有差異，但是從實驗數(shù)據(jù)可以得到，行為引起CSI 值變化的時間和整個測量時間相比相對較短，在實際應(yīng)用中，還可以根據(jù)不同的行為來調(diào)節(jié)時間窗口的長度，也就是說，從時間維度來分析，動態(tài)CSI分量的稀疏性是可受人為控制的。

圖8 跌倒動作消除前后的效果Fig.8 Effect before and after the fall action is eliminated

3 時間反演算法

3.1 時間反演空間

如圖9 所示，在一個物理空間內(nèi)，存在A、B 2 個收發(fā)器，當(dāng)收發(fā)器B 向A 發(fā)送1 個信號時，可以得到此時狀態(tài)下的多徑配置文件CSI 為h(t)。假設(shè)對到達(dá)A 的信號進行時間反轉(zhuǎn)和共軛得到的標(biāo)簽g，且g(t)=h（-t），然后將g(t)發(fā)送回B，g(t)和原來的h(t)應(yīng)該遵循同樣的多徑路程。根據(jù)多徑效應(yīng)的唯一性，R=g(t)×h(t)的值會在預(yù)期的位置B 由于時空共振出現(xiàn)1 個峰值。TR 時空共振可以看作是電磁場對環(huán)境的共振，這種現(xiàn)象稱為TR 聚焦效應(yīng)。

圖9 時間反演示意圖Fig.9 Schematic diagram of time inversion

3.2 時間反演共振能量

TR 時空共振可以捕獲多徑信道中的微小變化，通過時間反演共振強度（Time Reversal Resonance，TRRS）來量化不同的多徑分布，TRRS 也稱為信道信息響應(yīng)相關(guān)聯(lián)的2 個物理事件或位置之間的相似性，2 個CSI 信號csi1和csi2在頻域的TRRS 定義如下：

其中：gcsi2(k)=csi2（-k），k=0，1，…，L-1，從式（13）可以得出，TR(csi1，csi2)的值越大，csi1和csi2越相似。設(shè)任意2 個CSI 值為CSIa和CSIb，可以得到1×N的TRRS 矢量矩陣：

那么，2 個CSI 矩陣CSIa和CSIb之間的TRRS 可定義為：

通過TR 算法的處理，將CSI 測量中嵌入的高維復(fù)值行為特征映射到TR 空間，特征維數(shù)由L×N維降為1 維。對于待測試行為CSIx，若給定樣本指紋數(shù)據(jù)庫CSIi，那么可以根據(jù)TRRS 定義此行為的標(biāo)簽為：

其中：x^ 是最大值索引；x^=0 時表示未識別到此行為。

如上所述，當(dāng)墻阻擋了發(fā)送器和接收器之間的所有直接和反射傳播路徑時，由人類活動引起的CSI值變化將變得非常微弱。因此，靜態(tài)環(huán)境和噪聲的相關(guān)性會嚴(yán)重干擾人類活動與CSI 值變化之間的CSI 相關(guān)性，由對無線電影響的人體行為特征引起的ΔCSI很小，不同的行為的可能變得非常相似，這樣會降低識別的精度。為了提高性能，本文的思想就是從測量的CSI 值中刪除靜態(tài)分量，得到僅有行為引起的ΔCSI。在消除了靜態(tài)分量后，基于式（16）TRRS 分類的問題變?yōu)椋?/p>

對無線電影響的人體行為特征完善有助于提高TRRS 對類似行為進行區(qū)分的敏感性。本文提出的基于低秩矩陣分解的背景扣除算法抑制了不同類別之間CSI 的時空共振，同時在同一類別內(nèi)保持了強烈的共振，可以提高識別的精度。

4 實驗評估

4.1 實驗部署

實驗的收發(fā)裝置為2 臺配有Intel 5300 網(wǎng)卡的主機，其中發(fā)射機天線網(wǎng)卡上配有1 根全向天線，接收機天線網(wǎng)卡上均配有3 根全向天線，為得到穩(wěn)定且采樣率較高的CSI 數(shù)據(jù)，采用Linux 802.11n CSI tool Monitor 模式對網(wǎng)卡固件進行修改，帶寬頻率為40 MHz。

實驗場景的平面圖如圖10 所示，本文分別采集室內(nèi)視距（LOS）、室內(nèi)非視距（NLOS）和穿墻（TW）場景下的數(shù)據(jù)。3 種場景實驗都把收發(fā)裝置置于距地50 cm的書桌上，距離始終保持3.5 m，門始終處于關(guān)閉的狀態(tài)。本文實驗邀請了3 名志愿者，分別進行坐站、走動、跳躍、深蹲、跌倒5個動作，每次采集時間為30 s，第15秒時開始做動作，第30 秒時停止。每個行為采集150 次，每個場景總的樣本量為750個，總共采集2 250個數(shù)據(jù)。最后每個位置的各個行為的數(shù)據(jù)以2∶1 的比例進行指紋庫和測試集的驗證。

圖10 實驗場景平面示意圖Fig.10 Schematic diagram of experimental scene scene

4.2 實驗結(jié)果分析

4.2.1α對實驗的影響

實驗測量得到的CSI 值由靜態(tài)分量和動態(tài)分量組成，這2 個量的分離由加權(quán)因子α決定［20］，由文獻［20］可知實際情況下α的取值為但是在本文的實驗中，所要提取的是動態(tài)CSI 分量代表的稀疏矩陣，既要除去靜態(tài)分量，又要保留動態(tài)CSI 分量，所以α的取值變得異常關(guān)鍵。人類活動的相關(guān)性通過分離后的稀疏矩陣得到，稀疏矩陣彼此之間的相關(guān)性直接決定分類結(jié)果的準(zhǔn)確性，因此α的取值會影響系統(tǒng)的性能。本文計算了α取不同值時室內(nèi)LOS 場景、NLOS 場景和TW 場景5 種行為的平均準(zhǔn)確率，如圖11 所示，根據(jù)α取值的經(jīng)驗值，計算得到理論分離矩陣最好的α值為0.1，但是在本文的實驗中發(fā)現(xiàn)在α=0.1 時并不能取得很好的識別效果，這是因為把原來代表行為特征的有相關(guān)性的CSI值也分離在代表靜態(tài)分量的低秩矩陣中，導(dǎo)致稀疏矩陣特征減少無法正確識別。經(jīng)過實驗可發(fā)現(xiàn)，當(dāng)α>0.125 時，識別精度會下降，當(dāng)α=0.125 時，3 種場景識別度都最高。另一方面，如2.2 節(jié)所述，本文實驗采用1×3 的發(fā)射模式，但是已證明同一根天線的子載波高度相關(guān)，同時又和其他2 根有差異，所以理論上成矩陣的秩應(yīng)該為3，在α=0.125 代入時，通過驗證發(fā)現(xiàn)，此時分離出的靜態(tài)矩陣秩恰好為3。所以，本文以下的實驗均選取α為0.125 作為加權(quán)因子。

圖11 α 值對實驗的影響Fig.11 Influence of α value on the experiment

4.2.2 背景消除對實驗結(jié)果的影響

消除靜態(tài)CSI 分量可以使不同行為的訓(xùn)練與測試CSI 數(shù)據(jù)之間的TRRS 得到很大的抑制，相同行為的TRRS 突顯。LOS、NLOS 和TW 場景下消除靜態(tài)CSI 分量的識別結(jié)果如圖12 所示。實驗結(jié)果表明，LOS 場景5 個動作的識別結(jié)果分別提升了11.3%、9.8%、9.1%、11.7%、10.1%，識別結(jié)果平均提高了10.4%，平均識別率為94.1%。NLOS 場景識別結(jié)果分別提升了12.8%、11.9%、10%、14.1%、11.7%，識別結(jié)果平均提高了12.7%，平均識別率為92.3%。TW場景識別結(jié)果分別提升15.7%、12.3%、16.1%、13.6%、14.5%。識別結(jié)果平均提高14.4%，平均識別率為90.7%。相對來說，走動和跌倒行為相比其他行為來說識別結(jié)果較好。而另外4 個動作識別效果相對較低，這是因為這4 個行為極為相似，影響CSI 的程度相當(dāng)，在分類時更容易出現(xiàn)交叉誤報。但是識別效果就消除靜態(tài)分量之前而言，LOS、NLOS 和TW 場景下的識別結(jié)果都有較大提升，且在TW 場景下的識別結(jié)果達(dá)到90.7%，說明本文方法可以實現(xiàn)穿墻識別行為識別。

圖12 不同場景下消除靜態(tài)CSI 分量的識別結(jié)果Fig.12 Recognition results of eliminating static CSI components in different scenarios

4.2.3 其他因素對識別結(jié)果的影響

本文對相位校準(zhǔn)、天線數(shù)量以及指紋庫數(shù)據(jù)量對結(jié)果的影響做了比較分析。首先根據(jù)采集的數(shù)據(jù)量，每個行為指紋庫數(shù)據(jù)量最多為100 個。然后分析了無相位校準(zhǔn)的TR-1 根天線、TR-2 根天線和TR-3 根天線以及經(jīng)相位校準(zhǔn)的TR-Phase-1 根天線、TR-Phase-2 根天線和TR-Phase-3 根天線。TW 場景下平均識別結(jié)果如圖13 所示。

圖13 不同因素對實驗結(jié)果的影響Fig.13 Influence of different factors on experimental results

從圖13 可以看出，在經(jīng)過相位校準(zhǔn)消除相位誤差后，無論單天線還是多天線，識別結(jié)果都明顯得到提升。這也說明了CSI 中的相位承載了行為信息，合理地利用相位信息能提高行為識別精度。同時，從實驗結(jié)果也可以看出多天線的識別結(jié)果總高于單天線。一方面，CSI 數(shù)據(jù)的采集是對Intel 5300 網(wǎng)卡固件進行修改：采集數(shù)據(jù)非均勻采樣，動作對CSI 的子載波的影響可能會有差異以及信道的選擇性衰弱等因素。當(dāng)行為發(fā)生時，到底哪幾個子載波受影響，受影響大小的情況都是不確定的。當(dāng)只利用1 根天線時，可能恰好這根天線受行為影響比較小，在識別的過程中可能會誤分，但隨著天線數(shù)量的增加，受行為影響的子載波會大幅增加，加大了各行為之間的差別度，從而提高了識別精度。另一方面，增加天線數(shù)量相當(dāng)于從更多角度去分析行為特征，這也類似于從多個角度觀察物體更能透徹地了解物體一樣，可以理解為增加天線數(shù)量導(dǎo)致分辨率提高，使各個行為的特征更加清晰，更容易識別。

4.2.4 識別結(jié)果分析對比

從圖11 可以看出，在不同的場景下識別效果有差異，識別準(zhǔn)確率SLOS>SNLOS>STW，在LOS下接收的功率最大，動態(tài)CSI 值得到了更好的體現(xiàn)。在TW 場景下信號穿墻后會大幅度的損耗，但是TW實驗時會帶入更多的走廊多徑以及物體反射的額外路徑信息，CSI 包含的路徑越多，嵌入到行為特征中信息量就越大。所以，在消除靜態(tài)分量之后，TW 場景下也得到了較好的識別結(jié)果。為進一步說明本文方法的有效性，將識別結(jié)果與Wi-SD［6］系統(tǒng)、NotiFi系統(tǒng)［21］和Wi-Act系統(tǒng)［12］的算法進行了對比，如表1 所示。

表1 不同方法識別結(jié)果對比Table 1 Comparison of different methods recognition results

從表1 可以看出，在使用相同數(shù)據(jù)集進行實驗的情況下，LOS 場景下的識別結(jié)果大同小異。但是對于NLOS 和TW 場景，本文方法結(jié)果明顯優(yōu)于另外幾種系統(tǒng)，尤其對于TW 場景下，平均識別精度分別提高了15.5%、15.7%、11.5%。這也說明經(jīng)過消除靜態(tài)分量后，信號穿墻后行為特征得到了保留和顯現(xiàn)，使得TW 場景下識別精度更好。從方法來看，其他系統(tǒng)的方法預(yù)處理步驟較為繁雜，計算量也大，同時也都只考慮了CSI幅值的特點，而忽略了CSI 相位帶來的信息。但是本文方法預(yù)處理簡單，不需要進行復(fù)雜的計算，同時也把相位信息考慮在其中，充分利用了CSI 承載的信息。從運行時間來看，本文方法低于其他系統(tǒng)運行時間。綜合來看，本文方法在具有簡單算法的基礎(chǔ)上還獲得了較好的識別結(jié)果，具有更大的優(yōu)勢。

5 結(jié)束語

本文提出一種簡單的基于CSI 的穿墻行為識別方法。通過對CSI 矩陣性質(zhì)的分析證明其符合低秩特性進而利用低秩矩陣分解，消除靜態(tài)CSI 分量分離出動態(tài)CSI 分量，利用TR 算法解決CSI 數(shù)據(jù)高維度的問題，使復(fù)雜計算變得更簡化，最終對非穿墻和穿墻不同場景下的5 種日常行為進行識別。實驗結(jié)果表明，與Wi-SD、NotiFi 等系統(tǒng)相比，該方法在穿墻情況下的識別率大幅提升，達(dá)到了較好的識別效果。但是本文實驗僅考慮了混凝土墻的實驗場景，比較單一，下一步將探究不同材質(zhì)的墻體對實驗結(jié)果的影響。