Page 152 - 《软件学报》2021年第10期

3124 Journal of Software 软件学报 Vol.32, No.10, October 2021

且预定义好的固定路线行走.WiDir [11] 基于多载波菲涅尔区模型来实现人行走方向的识别.不同子载波由于波
长不同,其构成的菲涅尔区大小也不相同.人在行走过程中依次穿越各个子载波的菲涅尔区,造成延时.延时同
时又与行走的方向有关,不同的行走方向会产生不同的延时效果.WiDir 通过捕捉这种延时,进而实现了人行走
方向的判别,但是由于需要积累足够长时间的信号以计算子载波间的延时,所以 WiDir 要求人走动一段时间后
才能得知人行走的方向.WiStep [12] 利用 CSI 信号的时域相关性,将走动与原地活动做区分,需要事先离线采集大
量数据以训练机器学习模型.同时,它提取人行走时波动幅度最大的子载波对应的短时能量变化和频率变化来
统计人行走的步数,但却需要采用定向天线,因而影响了 Wi-Fi 的正常数据通信.
然而,上述这些方法在识别行走行为时,均假设人在行走前后会保持静止,利用信号从稳定到剧烈波动这一
变化过程实现行走的识别.因此,为了能够获得可以区分行走和静止状态时信号差异的阈值,这些方法都需要耗
费大量的人力进行离线的训练和学习.此外,在日常生活中,这一假设本身也往往很难满足.在自然生活状态下,
人们通常在走路前后并不一定处于静止状态,往往伴随着其他的原地活动.像一个人起床后,他会首先在床边叠
被子,然后紧接着行走到卫生间洗漱.这种常见的原地活动与行走连在一起的系列活动,会使这些基于信号波动
性来识别行走行为的系统产生大量的误报.另一方面,为了实现行走参数的估计,目前的工作或是对人的行走方
式进行严格的要求,或是对现有的 Wi-Fi 设备做出硬件上的修改,当人的行走路线、速度、所处环境发生变化或
者采用商用 Wi-Fi 设备时,行走参数估计的性能将大为下降.
到目前为止,现有方法为了从 Wi-Fi 信号中提取出反映人行走信息的信号特征,主要依赖于大量的经验观
察,所提取的信号波动性、时域相关性等特征与行为间的映射关系较为间接;且由于缺乏理论指导,所提取的特
征中往往会包含与环境和感知目标相关的多余信息,造成系统学习成本高、鲁棒性较差.不同于以往工作,本文
通过分析人在行走过程中产生的多普勒效应和 Wi-Fi 信道状态信息之间的关系,建立了多普勒速度运动模型,
揭示了行走行为和信道状态信息变化之间的理论关联,从而在不需要任何学习的情况下,实现了行走识别和行
走速度、方向、步数和步长等参数的估计.具体地,为了将走路与其他原地活动区分开,一个基本观察是:人在进
行原地活动时,他的位置是在一个很小的范围内无规律的变化,而人在走动时,其位置会在特定方向上连续变
化,位置的变化范围较大.基于该观察,我们通过从 Wi-Fi 信号中提取出由于人活动引起的多普勒频移,并将其转
化为多普勒速度.由于多普勒速度和人的活动具有直接的映射关系,所以利用多普勒速度,我们可以进一步获得
一段时间内人的位置变化范围,从而将行走与其他原地活动区分开,实现了对行走行为的识别.此外,为了估计
行走的参数,本文分析了多普勒速度和人的行走速度之间的关系,然后通过结合两个 Wi-Fi 设备上获得的多普
勒速度,实现了人行走速度和行走方向的估计.最后,由于人在行走时,其身体在每一步表现为一个先加速后减
速的过程,所以行走速度将会先增大然后再减小.基于这种速度变化的规律,我们实现了精准的步数和步长
估计.
本文第 1 节回顾相关工作.第 2 节分析人的活动引起的多普勒速度和信号信道状态信息之间的关系.第 3
节具体介绍如何根据多普勒速度实现行走的识别和估计行走参数.第 4 节从行走的识别和行走参数的估计两
个角度用实验充分评估系统性能.最后,第 5 节总结全文内容.

1 相关工作

近几年,研究人员提出了各种各样的用于室内人体感知的技术,例如现在流行的基于计算机视觉的感知技
术、基于周围环境设备的感知技术、基于红外线的感知技术和基于穿戴传感器的感知技术等.然而,基于计算
机视觉的感知技术 [5,6] 一般是通过一组高分辨率的摄像头记录人活动时的录像,并通过图像分析和处理技术实
现对人的行为感知,需要较好的光照条件;并且因为家具、物品的遮挡,存在视觉的死角.另外,在家庭等室内环境
安装摄像头会带来比较严重的隐私问题;基于周围环境设备的感知技术试图分析环境中声音、振动传感器或雷
[3]
达设备的信号变化来感知人的行为 ,这种方法虽然解决了隐私、光线、遮挡等方面存在的问题,但需要将特定
的设备植入到环境中,一方面成本非常高,另一方面会受到环境中其他传感压力源或周围一些物体噪声的影响;
[2]
基于穿戴传感器的感知技术利用加速传感器去感知速度和加速度 ,但需要感知目标时刻携带手机、穿戴传感