Page 153 - 《软件学报》2021年第10期
P. 153

李晟洁  等:基于 Wi-Fi 信道状态信息的行走识别与行走参数估计                                              3125


                 器等特定的设备,并且需要定时地为设备进行充电.因为现有技术的不足,研究人员开始尝试寻求新的、低成本
                 的、非接触的技术来实现行走的识别和行走参数的估计.
                    相比于其他技术,逐渐兴起的 Wi-Fi 感知技术因其感知范围广、非侵扰、保护隐私等优势,吸引了大量科研
                 工作者开始研究无线信号变化和人行为活动之间的关系.特别是从商业 Wi-Fi 设备上获取的信道状态信息
                 (channel state information,简称 CSI)在正交频分复用(orthogonal frequency division multiplexing,简称 OFDM)子
                 载波的层次上揭示了比传统 MAC 层接收到的信号强度 RSS(received signal strength,简称 RSS)更加细粒度的多
                 路径传播特性,使得利用无线信号刻画行为活动的信息更加丰富.利用 CSI 的振幅和相位信息以及在 MIMO
                 (multiple input and multiple output)系统中多天线上 CSI 的差异性,基于 Wi-Fi CSI 的人体行为感知工作可以分为
                 三大类:第 1 类是对目标存在性的感知,像最开始出现的一系列通过从 CSI 振幅、相位信号中提取特征(如信号
                 的时域相关性、滑动方差、直方图分布等)来探测感知目标是否存在于感知环境中的工作                                [1317] ;第 2 类是对人
                 位置信息的感知,像室内定位          [18,19] 、室内追踪 [21,22] ;最后一类是对人体行为状态的感知工作         [712,2336] ,由于与行
                 走行为较相关,所以我们将对这一类展开介绍.大量的对人体行为状态的感知工作根据感知行为的粒度,进一步
                 又可以分为两个子类.
                       第 1 类是对小尺度行为活动的感知:像 Wikey          [23] 利用敲击键盘时引起的不同子载波上 CSI 振幅变化的
                        相关性,实现了对人的不同击键行为的识别;WiFinger             [24] 利用不同的手指运动对 CSI 振幅的影响不同,
                        通过提取 CSI 的振幅随时间变化的特征,结合机器学习算法实现了不同的手指手势识别;WiHear                            [25] 则
                        是利用人在说话时嘴唇和舌头运动方式的不同,会造成 CSI 振幅产生不同频率的波动,以此来识别人
                        发出的具体音节;除此之外,Wi-Fi 信号也被用来感知人的心跳和呼吸等生理特征                          [26,27,30] ,其主要原理
                        是:人在呼吸时,胸部的起伏会导致 CSI 振幅产生规律性的波动,通过对振幅信号进行频率分析就可以
                        获得呼吸的频率.类似地,人的心脏跳动也会引起对应心跳频率的信号变化;
                       第 2 类是对大尺度行为活动的感知:像 WiFall          [31] 和 RTFall [32] 分别利用了振幅和相位差作为基本信号,
                        实现了跌倒行为的识别;WiFit       [33] 利用不同的健身行为在信号上产生的不同的多普勒频移特征,实现了
                                                                                           [7]
                        对 3 种健身运动的识别.除了这些工作,Wi-Fi 信号也被尝试用来感知人的行走.E-eyes 系统首先利用
                        信道状态信息(CSI)的方差来识别行走的开始和结束,并且利用 CSI 振幅的变化特征来实现行走轨迹
                        的识别.然而,该系统需要首先进行离线采集大量数据进行学习,才能实现行走的识别与轨迹判断.
                             [8]
                        CARM 系统则搭建了一个行为识别系统来区分行走、跑、坐下、摔倒等日常行为,然而该系统假设
                        不同行为之间存在一段静止状态从而实现行为的切分,且需要通过学习建立分类模型后才能进行行
                                        [9]
                        走行为的识别.WifiU 系统同样利用 CSI 信号波动的方差来识别行走,并从 CSI 振幅的时频特征中识
                        别步态.WiWho  [10] 系统则利用 Wi-Fi 信号在频域的能量差异来区分行走和其他行为,然后根据 CSI 振幅
                        的变化来识别不同人的步态,实现不同人的身份识别.然而,WifiU 和 WiWho 都要求人沿固定的一条路
                        线行走,当人沿其他路线行走时,其识别性能将大为下降.WiDir                  [11] 系统利用人在沿不同方向穿越菲涅
                        尔区时,不同子载波信号变化延时的不同,实现了对人行走方向的识别,但需要人在走动一定时间之后
                        才能判别出人的行走方向,且无法获得细粒度的行走步数、速度等信息.WiStep                        [12] 系统通过提取 Wi-Fi
                        CSI 信号的时域和频域特征,然后结合机器学习算法实现了行走的识别和步数的统计,需要定向天线
                        将信号能量集中在人的行走区域内.
                    一方面,为了实现行走行为的识别,以上这些工作利用 CSI 振幅或相位信号的波动性或时域相关性,所以需
                 要人在行走前后保持静止状态来维持信号的稳定,最后通过与事先离线学习获得的阈值进行比较来实现对行
                 走的识别;另一方面,为了实现行走参数的估计,大量工作依据经验观察提取了行走状态相关的信号特征,但是
                 由于所提取的特征与人的行走行为的映射关系模糊,所以需要对人的行走方式、感知环境或感知设备进行限
                 制,以尽量保证映射的稳定性.与上述工作相比,本文期望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,从模型的角度揭示行走行为和 CSI 变化之间的理论关联,从而在不需要任何学习的
                 情况下,实现行走识别和行走速度、方向、步数等参数的估计.
   148   149   150   151   152   153   154   155   156   157   158