基于信道状态信息子载波特征差分的人体移动检测方法*

刘文远，刘紫娟，王 林*，厉斌斌，3

（1.燕山大学信息科学与工程学院，河北秦皇岛066004；2.河北省计算机虚拟技术与系统集成重点实验室，河北秦皇岛066004；3.燕山大学经济管理学院，河北秦皇岛066004）

基于信道状态信息子载波特征差分的人体移动检测方法*

刘文远1，2，刘紫娟1，王 林1*，厉斌斌1，3

（1.燕山大学信息科学与工程学院，河北秦皇岛066004；2.河北省计算机虚拟技术与系统集成重点实验室，河北秦皇岛066004；3.燕山大学经济管理学院，河北秦皇岛066004）

无线信号在室内易受到多径效应、小尺度衰落等影响，使得现有基于射频信号的人体移动检测方法无法保证缓慢行为识别的鲁棒性和可靠性。该文通过分析人体行为与CSI子载波的相关性发现不同子载波对人体行为存在敏感差异性，进而提出基于离散小波变换的信道状态信息子载波特征差分算法，设计设备无关的人体移动检测。在多径丰富和稀疏两种室内场景下的实验结果表明，该方法对人体移动检测的平均精度可达到93%。

信道状态信息；子载波；特征差分；人体移动检测；缓慢移动

人体移动检测系统 IDS（Intrusion Detection System）可分为面向信息系统和面向物理空间两类。其中面向物理空间的IDS广泛应用于楼宇监控、文物保护、边界检测以及火灾或地震中存活人员的检测等。基于特定硬件设备的人体移动检测方法已得到普遍应用，如加速度计、摄像头［1-2］、压力传感器［3］、红外传感器等，这类方法易受到物理空间约束，不适合大规模广泛部署。随着WiFi广泛部署，基于射频信号的人体移动检测方法得到研究人员的广泛关注，在不影响WiFi网络数据通信前提下，实现无需人体携带任何硬件设备的被动人体移动检测［4］。近年来，WiFi信号分析成为设备无关被动式人体移动检测的重要技术［5-7］，研究人员利用人体行为引起接收信号强度RSS（Received Signal Strength）的物理特征变化来判定入侵行为，但商业设备接收到的RSS具有很低的分辨率，且RSS稳定性差，环境细微变化都会对其产生很大影响使得其存在较高的误报率和漏报率［8-9］。由于RSSI仅表示接收数据包的多路信号混合能量信息，为获取更细粒度的信息，人们把目光移向基于正交频分复用（OFDM）的信道状态信息CSI（Channel State Information）［10］。

CSI与RSS相比抗干扰能力强，对于不同的传播环境可呈现不同的子载波幅值和相位特征，而对于相同的传播环境整体结构特征则可保持相对稳定［10］。Xiao等人［11］提取CSI数据包相关系数矩阵最大特征值，

实现设备无关的室内运动检测系统FIMD，与基于RSS的RASID系统［6］相比，获得了更高的检测率。文献［12-14］利用CSI指纹的方法来检测人类行为和检测方向，但是CSI指纹在动态环境中变化很大，特别是多人环境［15］，指纹信息无法精确的判定人的入侵行为。而且信号的采集和传输过程中，不可避免的会受到各种随机噪声、窄带干扰等诸多因素的影响，引起突发脉冲、信号失真等［16］。WiHear［17］使用特殊的全向天线捕获人类唇部运动对无线信号产生的影响来识别语言，但是WiHear没有对CSI值进行有效的去噪，因此它必须使用特殊的定向天线来达到可接受的精度。常规的去噪方法如低通滤波器、均值滤波器等，当环境中个体移动缓慢时，检测结果不明显，会产生一定程度的误报［18］。因此，如何从含各种噪声信息的CSI中提取鲁棒的特征获得行为信息仍是一个亟待解决的问题。

本文首先通过无人时的静态环境和有入侵时的动态环境中CSI单个子载波对同一行为敏感差异性的观察，利用单个子载波时域和振幅信息构造二维的CSI帧，然后基于帧差法思想提出基于离散小波变换的信道状态信息子载波特征差分算法有效滤除背景噪声，最后用移动方差阈值方法实现设备无关人体移动检测方法DfID（Device-free Intrustion Detection）。在实验室和大厅两种典型室内环境中的实验结果显示，DfID对入侵目标的平均检测精度达93%以上，本文也在实验室对多人环境进行实验，实验结果表明即使检测环境中有3个正常工作的人员，系统检测结果也在85%以上。

本文的主要贡献是：第一，分析信道状态信息子载波的敏感差异性；第二，提出基于离散小波变换的信道状态信息子载波特征差分算法获得人体移动信息；第三，通过建立方法模型，实现实时监控，验证了利用无线信号进行人体移动检测的可行性并使用现有商业设备实施评估系统，实验结果展示了方法的有效性。

1 人体移动检测方法描述

1.1 CSI敏感性分析

对无线感知环境来说，无线信号可以通过感知环境，确定环境中是否有障碍物，以及利用无线感知环境来判断视距和非视距［19］。当环境中有人运动时，人类行为对无线信号会产生影响，相当于一个运动的障碍物，不同人类行为对CSI产生不同的影响，如图1所示。CSI对人类行为十分敏感，无人时的静态环境和有行为发生时的动态环境CSI幅值变化很大。CSI数据流不仅随行为而改变而且可以看出CSI数据流是相关的。对于任一天线对，在CSI数据流中子载波具有相似的“波峰”和“波谷”。

图1 不同行为对CSI数据流的影响

图2画出了个体行为对独立子载波的影响，通过实验发现30#子载波与10#子载波相比变化更为敏感。在其他子载波中也存在这样的现象，不同子载波对同一行为的敏感性不同。造成这一现象的原因是不同子载波对身体的不同部分敏感性不同。当环境中有行为发生时，一部分子载波可能对身体的胳膊敏感，一部分子载波可能对腿部的运动敏感，因此不同的子载波在同一行为发生时，可能包含不同信息。

图2 不同子载波敏感性

CSI单一子载波对行为的敏感性不稳定，随时间动态变化。因为个体行为姿势不同，入侵者不会保持一个相同的姿势，姿势改变会导致子载波对个体行为的敏感性改变。

通过以上分析发现：①CSI不同子载波具有相关性但是敏感性不同；②CSI不同子载波敏感性是动态变化的。因此，如何从时变的、独立的子载波中提取个体行为信息实现人体移动检测，需要详细的设计。

1.2 模型的提出

人类行为不是唯一影响无线信号的因素，无线信号会受到各种随机噪声、窄带干扰等诸多因素的影响。利用所有的子载波进行人体移动检测不可取，因为一些子载波可能对噪声更敏感，而遮蔽了个体行为对子载波的影响。选择对个体行为敏感的子载波可以提高检测精度，但是根据之前的发现，不同子载波对人体不同部位敏感性不同，而且子载波的敏感性会因环境微妙的变化而动态变化，因此提前选择某些特定的子载波是不可行的。

从动态子载波中提取个体行为信息，面临着从包含非个体行为信息的子载波中提取鲁棒特征获得个体行为信息的挑战。为了解决这个挑战，提出基于离散小波变换的CSI子载波特征差分的方法。离散小波变换将CSI序列分解为近似成分和细节成分。静态环境与动态环境的背景相同，区别在于是否存在个体，因此将细节成分CSI序列转换为CSI帧进行特征差分分析。

CSI帧由于噪声一般表现为高频信号，存在于细节信息中，为了降低突发噪声的影响，首先采用阈值法去除噪声，对小波分解出的高频系数进行门限阀值量化处理。然后将细节成分CSI序列转化为CSI帧，如图3所示。用时间窗口T将CSI时域序列分为连续的时间段，每个子载波包含N个样本，这样，每帧图像中包含M×N个像素，M是子载波的个数。每帧图像中的Pm,n为m子载波tn时刻的CSI幅值。

图3 CSI序列转化为CSI帧

子载波特征分析人体移动检测需要一个与功率无关，与CSI变化有关的一个特征，因为无线设备发送功率参数在不同场景中会自适应变化。由图1可以看出，动态环境的CSI幅值变化比静态环境大，基于以上的观察，发现幅值是一个很好地衡量是否存在个体的指标，但是幅值的变化不能直接用来检测行为，因为幅值的变化依赖于发送功率，因此在不同场景不能很好地区分静态环境和动态环境。

人体移动检测需要提取一个特征，不仅能够自动、精确地区分静态环境和动态环境，而且无论视距、非视距，在多种环境下均可以有效区分静态环境和动态环境，且保证算法快速收敛。

建立特征分布模型图1显示静态时无人环境与个体移动时动态环境对CSI幅值有一定影响，无人时CSI幅值平稳，个体存在时CSI幅值波动比较大。因此，本文采用方差对CSI帧特征进行建模，方差描述了像素P的离散程度，对个体移动敏感，能很好地分辨静态环境和动态环境。

对CSI帧计算滑动窗口ω内幅值的方差，计算公式为式（1）：

子载波特征差分特征差分d由式（2）计算得出：

对两个相邻滑动窗口ω和ω-1的所有子载波进行差分分析，其中最大值为特征差分。随着滑动窗口的移动，将会得到一个一行n/ω列的矩阵Y，如式（3）所示。

1.3 算法的提出

无源被动式检测一般采用两种方法：聚类和基于阈值的方法。前者将收集到的CSI数据分为若干个簇，然后通过比较各聚类中心的距离来区分不同的状态（存在或不存在个体）。后者根据部分预收集的数据寻求一个一般的阈值，根据预设的阈值进行状态识别。虽然聚类的方法避免了环境校准和阈值训练，但是至少要求两种状态，否则一个集群或者几个集群对应一个状态，导致假阳性和假阴性。因此本文采用聚类方法建模，采用阈值方法检测入侵行为。

对静态环境建立背景模型后，CSI文件会因无线设备位置移动、时间推移等周围环境微妙变化而改变，因此DfID需要自适应更新CSI文件。DfID采用支持向量机［20］对不同场景采用半监督的方法进行聚类，对收集到的CSI文件标记静态环境和动态环境，将相同类型的CSI测量值聚在一起，一旦文件被检测到发生了重大改变，根据用户反馈来自适应更新。当系统启动没有任何CSI文件时，也可用此方法构建模型。

个体入侵改变信号传播路径，即使个体缓慢移动，个体状态的自相似总是远远小于静态动态环境的差异，这奠定了个体检测的基础［19］。将矩阵Y作为输入，应用移动方差阈值法，表示为式（4）：

滑动窗口大小为m，检测阈值为θ，对窗口m内的数据计算方差，若方差大于θ说明存在个体，判定为入侵。反之，环境中无人，继续进行监督。θ值选取太大，会造成漏报，太小容易造成误报，根据经验确定预校准阈值为2，预校准阈值适应各种场景包括不同传播距离、信号衰减、不同个体入侵姿势等。

2 实验评估

2.1 实验环境

本文使用CISCO WRVS4400N无线路由作为AP发送数据，Intel 5300 NICs作为MP接收数据。为评估DfID的可扩展性，实验分别在两种典型室内环境中进行：实验室环境和大厅。首先在实验室典型多径室内环境中进行实验，如图4（a）所示，实验室长为8.2 m，宽为7.4 m，布置有电脑、桌子、椅子等办公设备，是一个典型的多径环境。AP和MP的位置如图中位置所示，分别在静态和动态两个环境下采集CSI，本实验设计为志愿者在室内缓慢移动。其次在多径相对比较少的空旷的大厅进行实验，大厅长为13.8 m，宽为6 m。在这个环境中，AP和MP分别位于大厅的两端，如图4（b）所示。

图4 实验环境

本文使用假阳性、假阴性和检测率分析检测性能。①假阳性FP（False Positive），即实际环境中没有人的静态环境，系统误判为有人情况，即误报；②假阴性FN（False Negative），即实际环境中有人，系统误判为无人静态环境，即漏报；③检测率DR（Detection Rate）指当有入侵行为发生时，做出正确判断的概率，可用如下式（5）表示：

其中，TP指正确检测到入侵行为。

为了评估本方法的有效性和正确性，本文对DfID和FIMD［11］在上述两个实验场景中进行对比实验，实验结果如图5和图6所示。

图5 单人检测率对比

图6 多人检测率对比

当单人入侵时，两个实验场景中DfID具有更高的检测精度，检测精度在93%以上。FIMD具有较低的检测精度，主要原因在于当环境中人移动速度极其缓慢时，会造成一定程度的误报、漏报。本文也在相同环境不同场景下进行试验，实验结果表明即使检测环境中有3个正常工作的人员，DfID的检测结果也在85%以上，如图6所示。

2.2 不同参数的检测性能

阈值θ的设定阈值θ是人体移动检测的判定值，阈值的选取直接影响检测性能，为了寻找合适的阈值，本文将θ从0到5依次取值，并对不同θ下检测性能做了评估，如图7所示。θ值取0时，容易造成误报，即假阳性比较高；θ值选取太大，会造成漏报，即假阴性比较高。从图中观察，θ值取2时，假阳性和假阴性都比较低，是最优的值。

图7 阈值选取

滑动窗口对检测性能的影响滑动窗口越大，系统检测性能越好。图8表示当人在实验室环境行走时不同窗口大小的平均检测率，窗口越大，实验检测结果越灵敏；另一方面，窗口太小时，当人缓慢移动系统不易检测到人的存在，降低系统的检测率，不容易区分静态环境和动态环境。本文与其他两个系统作比较，发现检测率随窗口增大逐渐上升。但是这一趋势并非一成不变，当滑动窗口大小超过某一阈值时，缓慢移动引起的CSI幅值波动相对稳定，窗口太大反而不易区分静态动态环境，且易造成较大时延，使检测率上升趋势逆转。

图8 滑动窗口大小与检测率的关系

不同数据流个数对检测性能的影响无线信号在室内直线传播，会在地板、天花板、墙壁、设备等地方发生折射、反射等。当个体入侵时改变无线信号的传播路径，由于每对天线对的数据流经过的路径不同，所以人的移动对不同数据流的影响程度有区别。因此多数据流联合检测可以提高系统检测率，在一定范围内数据流个数越多，系统检测性能越好。图9说明了不同数据流情况下的平均假阳性、假阴性大小。随着数据流个数的增加，假阳性、假阴性有所下降。当数据流个数达到4后，性能有一个小的提升。假阳性、假阴性的变化是由于不同的天线具有不同的多径效应，不同天线接收端接受的数据包不同，因此为了降低算法复杂度且保证检测精度，选择4个数据流最佳。

图9 不同数据流个数对系统性能的影响

小波分解不同层次对检测性能的影响小波分解不同层次对得到的近似信号和细节信号影响很大，随着分解尺度的不断增加，高频信息包含的细节越来越多，而近似信号中包含的个体行为高频信息越来越少，本文对近似信号和细节信号进行分析，检测结果如图10所示。

图10 不同分解层次的检测率

入侵位置对检测性能的影响研究发现发送端与接收端视线传播路径发生人体移动行为时，系统性能最优。以AP-MP视线传播路径为中心，随着入侵点位置到AP-MP视线传播距离的增大系统检测率下降。检测结果如图11所示。可以清楚看到随着距离的增大，三种检测系统的检测率都有所下降，因为视线传播路径上，个体行为引起的信号多径效应的改变更明显。同时可以发现，DfID系统性能优于其他两个系统，因为FIMD采用滑动窗口滤除异常值后对数据进行融合，当人缓慢入侵距离AP-MP直线传播路径较远时，检测结果不明显，RASID系统的检测率只有20%左右，这主要由于RSS本身不稳定，人的移动引起的RSS变化被它本身的变化隐藏。

图11 不同距离的检测率

动态速度对检测性能的影响运动速度对系统性能有着很大的影响，速度越快，对CSI的影响越大。如图12所示，为入侵者分别以快速、中速、慢速进入监控区域时DfID、FIMD和RASID检测性能对比。当人体移动速度缓慢时，FIMD和RASID系统性能都有所下降，但DfID检测性能几乎没有改变。当人体快速移动时，CSI更为敏感。

图12 不同速度的检测率

3 结论

针对室内人体移动检测鲁棒性问题，相比传统接收信号强度，物理层信道状态信息细粒度地描述了人体行为对无线信号多径传播的影响。CSI子载波具有一定相关性但对同一行为感知存在差异性，通过对静态环境和动态环境CSI子载波的分析，提出了一种有效的基于离散小波变换的信道状态信息子载波特征差分算法，从含各种信息的CSI中提取特征获得个体行为信息，实现鲁棒性更高的人体移动检测。

［1］Aggarwal J K，Ryoo M S.Human Activity Analysis：A Review［J］.ACM Computing Surveys（CSUR），2011，43（3）：16.Luhandjula T，Djouani K，Hamam Y，et al.A Visual Hand Motion Detection Algorithm for Wheelchair Motion［M］//Human-Computer Systems Interaction：Backgrounds and Applications 2.Springer Berlin Heidelberg，2012：433-452.

［2］Rangarajan S，Kidane A，Qian G，et al.The Design of a Pressure Sensing Floor for Movement-Based Human Computer Interaction［M］//Smart Sensing and Context.Springer Berlin Heidelberg，2007：46-61.

［3］Youssef M，Mah M，Agrawala A.Challenges：Device-Free Passive Localization for Wireless Environments［C］//Proceedings of the 13th Annual ACM International Conference on Mobile Computing and Networking.ACM，2007：222-229.

［4］Yang J，Ge Y，Xiong H，et al.Performing Joint Learning for Passive Intrusion Detection in Pervasive Wireless Environments［C］//INFOCOM，2010 Proceedings IEEE.IEEE，2010：1-9.

［5］Kosba A E，Saeed A，Youssef M.Rasid：A Robust Wlan Device-Free Passive Motion Detection System［C］//Pervasive Computing and Communications（PerCom），2012 IEEE International Conference on.IEEE，2012：180-189.

［6］Zhang Dian，Liu Yunhuai，Guo Xiaonan，et al.Rass：A Real-Time，Accurate，and Scalable System for Tracking Transceiver-Free Objects［J］.IEEE Transactions on Parallel and Distributed Systems，2013，24（5）：996-1008.

［7］朱海，肖甫，孙力娟，等.基于信道状态信息的WiFi环境感知技术［J］.南京邮电大学学报（自然科学版），2016，36（1）：94-103.

［8］吴哲夫，周言.基于信道状态信息的无源被动定位［J］.传感技术学报，2015，28（5）：677-683.

［9］杨峥，刘云浩.WIFI雷达：从RSSI到CSI［J］.中国计算机协会通讯，2014，11（10）：55-59.

［10］Xiao Jiang，Wu Kaisun，Yi Youwei，et al.FIMD：Fine-Grained Device-Free Motion Detection［C］//Parallel and Distributed Systems（ICPADS），2012 IEEE 18th International Conference on.IEEE，2012：229-235.

［11］Zhou Zimu，Yang Zheng，Wu Chenshu，et al.Towards Omnidirectional Passive Human Detection［C］//INFOCOM，2013 Proceedings IEEE，2013：3057-3065.

［12］Heba Abdel-Nasser，Reham Samir，Ibrahim Sabek，et al.MonoPHY：Mono-Stream-Based Device-free WLAN Localization via Physical Layer Information［C］//Wireless Communications and Networking Conference（WCNC）.2013.

［13］I Sabek，M Youssef.MonoStream：A Minimal-Hardware High Accuracy Device-Free WLAN Localization System［C］//arXiv：1308.0768.Sen S，Choudhury R R，Radunovic B，et al.Precise Indoor Localization Using PHY Layer Information［C］//Proceedings of the 10th ACM Workshop on Hot Topics in Networks.ACM，2011：18.

［14］Wang Wei，Liu A X，Shahzad M，et al.Understanding and Modeling of WiFi Signal Based Human Activity Recognition［C］//Proceedings of the 21st Annual International Conference on Mobile Computing and Networking.ACM，2015：65-76.Wang Guanhua，Zou Yongpan，Zhou Zimu，et al.We Can Hear You with Wi-Fi!［C］//Proceedings of the 20th Annual International Conference on Mobile Computing and Networking.ACM，2014：593-604.

［15］Liu Wenyuan，Gao Xi，Wang Lin，et al.Bfp：Behavior-Free Passive Motion Detection Using PHY Information［J］.Wireless Per sonal Communications，2015，83（2）：1-21.

［16］Zhou Zimu，Yang Zheng，Wu Chenshu，et al.Lifi：Line-of-Sight Identification with WiFi.［C］//INFOCOM，2014Proceedings IEEE.IEEE，2014：2688-2696.

［17］Qian Kun，Wu Chenshu，Yang Zheng，et al.PADS：Passive Detection of Moving Targets with Dynamic Speed Using PHY Layer Information［C］//Parallel and Distributed Systems（ICPADS），2014 20th IEEE International Conference on.IEEE，2014：1-8.

刘文远（1968-）男，博士，教授，博士生导师，研究方向为移动计算、网络安全、无线局域网、无线传感器网络。分别于1991年和1993年在东北重型机械学院获得计算机应用技术学士和硕士学位，2000年于哈尔滨工业大学获得计算机科学与技术博士学位。自1996年起在燕山大学信息科学与工程学院任教。CCF、IEEE和ACM会员；

刘紫娟（1991-）女，燕山大学信息科学与工程学院硕士研究生，主要研究方向为无线传感网络；

王 林（1981-）男，博士，副教授，硕士生导师，主要研究方向为网络感知、移动计算、轨迹数据挖掘。CCF、IEEE和ACM会员，wlin@yse.edu.cn。

Human Movement Detection Method Based on Subcarrier Characteristic Difference with Channel State Information

LIU Wenyuan1，2，LIU Zijuan1，WANG Lin1*，LI Binbin1，3
（1.School of Information Science and Engineering，Yanshan University，Qinhuangdao Hebei066004，China；2.The Key Laboratory for Computer Virtual Technology and System Integration of HeBei Province，Qinhuangdao Hebei066004，China；3.School of Economics and Management，Yanshan University，Qinhuangdao Hebei066004，China）

Wireless signal can be easily affected by multipath effects and small scale fading in the room，which makes the existing human movement detection methods based on radio frequency signals can not guarantee the robustness and reliability of the slow movement behavior recognition.This paper finds that different subcarriers have sensitive difference to human behavior by analyzing the correlation between human behavior and CSI subcarrier.Then the channel state information subcarrier characteristic difference algorithm based on the discrete wavelet transform is proposed，and the device-free human movement detection is designed.The experimental results show that the average detection accuracy of this method can reach 93%in two kinds of indoor scenes with rich and sparse multipath.

channel state information；subcarrier；characteristic difference；human movement detection；slow movement；

TP391

A

1004-1699（2016）12-1839-07

��7230

10.3969/j.issn.1004-1699.2016.12.010

项目来源：国家自然科学基金项目（61272466，61303233，61672448）；河北省自然科学基金项目（F2014203062，F2016203176）；河北省留学人员择优项目（CL201625）；燕山大学基础研究专项课题青年项目（16LGA009）

2016-05-18修改日期：2016-06-07