基于信道状态信息相位差的人员入侵检测方法*

周启臻,邢建春*,杨启亮,2

(1.陆军工程大学国防工程学院,南京 210007;2.清华大学建筑信息模型联合研究中心,北京 100084)

随着人们安全意识的提升,入侵检测技术得到了广泛的研究。然而在实际应用当中,现有的入侵检测技术仍存在诸多不足,比如摄像头[1]的检测精度受光照影响大且容易造成隐私泄露;基于红外线[2]的入侵检测技术工作范围有限,同时需要特定的硬件支持;基于传感器网络[3]的技术需要部署密集的传感器节点。随着Wi-Fi商用设备的普及,通过捕捉目标引起的无线信号变化,进而实现高精度、低成本、大范围的入侵检测成为了可能。基于无线信号强度RSS(Received Signal Strength)的被动入侵检测技术通过检测方便易得的RSS信号波动来实现异常行为的检测[4]。然而,粗粒度的RSS信息受背景噪声的影响严重,使得微小动作引起的信号强度变化无法被准确识别。

相比起RSS,基于OFDM(正交频分复用)技术的信道状态信息CSI(Channel State Information)因其提供细粒度的子载波信息而得到越来越多的关注[5]。针对入侵检测问题,文献[6]提出一种基于子载波特征差分算法,实现了对人体移动的实时监测。文献[7]利用幅值和相位信息,结合MIMO系统的多天线特性得到了稳定的变化特征,实现了不同速度下物体的被动检测。文献[8]利用人员行走的步态特征,提出一种基于CSI幅值特征的步态识别方法。然而,上述工作缺少对静止时入侵人员的检测,限制了入侵检测系统的精度。针对静止时人员呼吸检测问题,文献[9-10]利用CSI的幅值信息分别实现了不同姿态下人员的睡眠呼吸检测和吸烟检测;文献[11]利用幅值和相位信息对人员的运动状态进行区分,同时利用呼吸波动产生的幅值变化实现了对静止人员的呼吸检测。然而幅值容易受到位置信息的影响,而目前又缺少利用相位信息检测呼吸的相关工作。

针对上述工作的不足,本文提出一种基于信道状态信息相位差的人员入侵检测方法,实现了对运动和静止人员的被动检测。本文首先对相位信息的稳定性、敏感性、位置独立性(Location Independent)进行了实验性研究,验证了利用相位差实现人员入侵检测的可行性。然后,利用了两次Hampel滤波[12]提取出有效的相位差信息并采用轻量级的互相关系数对人员运动情况进行判定;对判定无人运动的实验场景,采用递归分析法RQA(Recurrence Quantification Analysis)[13]对周期性强且变化显著的子载波进行挑选,利用小波变换提取出特定频率的呼吸信号,并用峰值检测法判定是否有静止人员呼吸。在教室(多径干扰严重)和空旷走廊进行的实验结果表明,本文提出的入侵检测方法对有人入侵和静止人员呼吸检测的精度都在90%以上,显著提升了入侵检测系统的适用范围,同时对影响系统检测性能的实验参数进行了讨论分析。

本文主要的贡献有3个方面:(1)首次提出只利用普适的Wi-Fi设备相位差信息实现运动和静止状态下的人员入侵检测;(2)用实验验证了相位差的稳定性、敏感性和位置独立性;(3)提出适用于入侵检测的滤波方法,子载波挑选法和特征识别方法,并用实验验证了文章所提出方法的有效性。

后续内容安排如下,第1节介绍了CSI背景知识并验证相位差的可行性,第2节给出了入侵检测的思路和具体实现方法,第3节给出了具体的实验结果,第4节是文章的结论与下一步工作。

1 信道状态信息与相位差

1.1 信道状态信息

目前,基于OFDM(正交频分复用)的信道状态信息CSI已经可以从Intel 5300商业网卡中提取出来[14]。每个数据包中都包含了来自N=30个子载波的信道状态信息:

H=[H(f1),H(f2),…,H(fN)]

(1)

每个分量都包含了相应OFDM信号的幅值和相位,即:

H(fk)=‖H(fk)‖ej∠H(fk)

(2)

式中:‖H(fk)‖和∠H(fk)分别表示第k个中心频率为fk的子载波的幅值和相位。

1.2 相位差

本文利用三根天线之间的相位差信息进行人员入侵的检测,主要有三方面的原因:

It was shown that hyperphosphatemia is an independent factor determining the unfavorable prognosis,accelerating the progression of IHD,aggravating systolic hypertension and LVH,increasing the risk of arrhythmia,as well as acute and congestive HF in patients on LTH[56].

(3)

(4)

图1 运动时原始相位和校正后相位信息

(5)

式中:Ai表示第i个子载波的方差扩张系数,范围在0.5-1.5之间。而提取出来的相位差方差可以表示两根天线相位差方差的和,即:

(6)

因此两根天线相位差的方差大于一根天线的相位差的方差。实验结果如图2和图3所示,在静止环境下,图2相位差方差与图3单根天线的相位方差小,表示受到环境的干扰小;而在有人员入侵时,相位差方差显著大于单根天线的相位方差。因此,相位差信息对于人员行为更加敏感。

图2 相位差方差

图3 单根天线相位方差

图4 静止人员呼吸的递归图

③相位差受人员位置干扰更小。目前基于CSI的人员入侵检测方法大多依赖于幅值特征[6,11],但是幅值信息受环境影响较大,不仅是非视距路径(NLOS)环境会对幅值信息产生干扰,而且人员的位置变化,信号传输距离以及多径效应也会对系统的精确度造成影响。而相位差会随着传播距离的变化发生周期性的改变,受人员位置变化影响小,因此用相位差信息来判断人员入侵更加鲁棒。如图4所示,本文在非视距路径环境下检测静止时入侵人员的呼吸行为,利用递归图来分析幅值差序列和相位差序列的周期性,观察到相位差递归图4(b)的连续程度大于幅值差递归图4(a),由此反映相位差的位置独立性强于幅值差。

2 基于相位差的人员检测方法描述

本文提取商业网卡中3根天线的90个子载波的相位差信息进行精确的人员入侵检测。首先,利用两次Hampel滤波对原始的相位差信息进行去直流和去高频,利用轻量级的相位差方差指标对是否有人运动进行判断,若有人活动,则启动报警;若判断没有人活动,则进一步是否是静止的入侵者:利用递归分析法挑选出周期性最好且变化显著的子载波,利用离散小波变换获取目标频段的信号,通过对峰值个数进行计数以进一步识别呼吸信号。

图5 静止人员呼吸的相位差

2.1 CSI预处理

以10 Hz的采样频率获取了90个子载波的相位差信息后,我们发现微弱的呼吸信号容易湮没在直流分量和高频噪声中,严重影响我们后续的子载波挑选和呼吸计数,如图5(a)所示。文献[11]利用带宽滤波对呼吸信号进行去直流,然而带宽滤波尽管去除了噪声,但是同时也模糊了运动微小的变化趋势[9]。因此,我们首先采用一次Hampel滤波对全部的原始相位差信息进行“去势”,使得去直流后的相位信息保留尽可能多的运动细节信息。其中,我们设置窗口大小为80,阈值参数为0.001,去直流的效果如图5(b)所示。我们发现90条子载波的相位差呈现出一定的周期性,但是仍然存在高频噪声干扰。我们再次选用窗口大小为5,阈值大小为0.1的Hampel滤波对异常值进行剔除。如图5(c)所示,发现90条子载波的相位差对于人体运动十分敏感且呈现出大体相似的变化趋势。因此,将两两天线之间相位差的互相关系数的中位值作为轻量级的指标来判定是否有人员入侵。当该指标超过经验阈值时,触发入侵警报。其原因在于,当人员入侵时所有子载波会呈现相似的能量变化,其互相关系数会显著高于无人环境。若该指标低于环境阈值,则对静止时的入侵人员的呼吸进行检测。

2.2 子载波挑选

从图4(c)中我们观察到90个相位差信息对于运动的具有一定相关性,但是不同波长的子载波对于不同的运动、同一运动的不同身体部位、同一身体部位的不同变化速率,敏感程度都有所不同。因此,我们选择挑选周期性强且信号变化明显的相位差信号来检测静止人员的呼吸。先前的工作运用自相关分析来刻画步态[8]、吸烟[10]、呼吸[11]等周期性的运动,然而自相关分析并不适用于人员入侵检测,其原因在于人员入侵时,环境往往十分复杂,导致接收到的相位差信号非平稳且包含了不相关的动作信息。本文采用递归量化分析来量化CSI相位差的周期性特征[13,17]。如图3所示,人们往往利用递归图RP(Recurrence Plot)来量化时间序列X=[x(1),x(2),…,x(n)]内第k个片段x(k)复现程度。其数学表达式为:

Ri,j(ε)=Θ(ε-‖xi-xj‖)

(7)

式中:Ri,j是第i,j个时间片段的相似矩阵,Θ和‖·‖分别指代Heaviside函数和Euclidean范式,ε是截断阈值,即当xi与xj的范式距离小于阈值ε时,Ri,j=1,RP图上在(i,j)处生成相应白点。片段间的相似程度越高,对角线的线性程度越好。为了进一步分析RP图的结构模型,我们采取基于递归点构成斜线比例的DET(Determinism)变量。这是由于随机的噪声干扰基本仅仅伴随少量的短斜线,而周期性的运动过程会产生更长的斜线和更高的递归点比例,其数学表达式如式(8)所示:

(8)

式中:Pε(l)={li;i=1,2,…,N},表示RP图角联结构中对角线li的频率分布情况,dmin表示用于排除短斜线的阈值。在文中的参数设定中,我们设置嵌入维为7,延时时间为9,固定的近邻数量为100,最短斜线阈值为2。如图6所示,采用方差最大的子载波,尽管变化显著,但是也意味着容易受到环境噪声的干扰,比如在12 s处产生了一个伪峰。而利用本文子载波挑选法获得的相位差曲线周期性强,波峰波谷变化显著。

图6 子载波挑选性能对比

2.3 呼吸信号提取与识别

我们利用多分辨率的离散小波变换将挑选出的相位差信号分解成不同尺度下的各个分量,其变换过程相当于重复使用一组高通低通滤波器将信号分解成近似系数和细节系数。近似系数表示输入相位差信号的基本变化趋势,细节系数则包含潜在的高频噪声和细粒度的细节信息。设信号f(t)在第j个尺度上的细节系数向量为cDj,近似系数相量为cAj,进行单支重构后获得各尺度下的信号分量及所处频带范围是:

aj:[0,2-(j+1)Fs],dj=[2-(j+1)Fs,2-jFs]

(9)

式中:Fs为采样频率,则信号可以分解为:

f(t)=a1+d1=aj+dj+…+d1

(10)

图7 小波变换提取的呼吸信号

本文利用简单的峰值检测法即可对提取出来的呼吸信号速率进行进一步识别。尽管基于FFT的检测方法也能够对提取呼吸信号的频率进行估计,但是,该方法的精度依赖于滑窗的大小而且不能够保证实时性。我们利用一个窗口大小为50,步长为30的滑窗对当前时间内的最大值进行提取。令获取的峰值间平均时间间隔为T,估计的呼吸速率即可用60/T进行表示。当估计的信号速率落入10 bpm～40 bpm的范围内,即可判定是有人员潜伏,可以启动报警模式。

3 实验评估

3.1 实验设置

在实验中,我们利用ThinkPad X200(单根天线)作为发射端,Lenovo T460(三根天线)作为接收端,以10 Hz的低采样率进行数据传输。两台笔记本电脑都装有Intel 5300网卡和csitool[14],并设置成Monitor模式工作在5 GHz的165信道下。我们安排了5个志愿者分别在两个典型环境:(1)多径干扰严重的教室内(NLOS),(2)空旷的走廊内(LOS)进行实验。每个志愿者被要求在无线环境中的不同位置自然呼吸1 min,随后沿着预设轨迹以不同的速度走动1 min。

本文使用真实检测率TDR(True Detection Rate)和误报率FAR(False Alarm Rate)来评估实验性能,TDR表示实际环境中有人入侵或潜伏时,系统能正确报警的概率;FAR表示实际环境中没人,系统错误预警的概率。

3.2 实验性能

为了准确评估实验的准确性和鲁棒性,实验将本文方法与PADS[7]和基于RSSI的方法在两个不同试验场景下进行性能比较。首先,我们比较3种方法对于粗粒度人员入侵的检测效果。如图8(a)所示,在LOS环境下,3种方法效果都具有较高的检测精度,这是因为无线信号对于粗粒度的人员移动十分敏感。然而在NLOS环境下,3种方法的检测精度都受到了不同程度的影响。其中,基于RSSI的方法受多径干扰严重,真实检测率从0.88下降到0.74;PADS的在两个实验环境下的入侵检测精度都略好于本文,这是由于PADS对实验环境中的入侵特征进行分类训练,提高了部署成本;而本文的方法利用敏感的相位差信息和轻量级指标即可实现类似的入侵检测精度。

其次,我们进一步对静止环境下的人员呼吸检测进行评估。如图8(b),基于RSSI的人员呼吸检测精度十分不理想,这主要是因为粗粒度的RSSI信息无法捕捉到微弱的呼吸变化;PADS在视距路径环境下能实现0.78的检测精度,但是在非视距路径情况下仅能达到0.64。这是因为PADS仅仅只利用了线性变化后的相位信息,微弱的呼吸运动信息湮没在较强的直流信号中,因此受到位置信息的影响较大,只有在发射路径附近才能够检测到呼吸的运动。而本文的方法在LOS环境下达到了0.94的检测精度,在NLOS环境下也能达到0.88。

最后,我们对无人环境下3种检测方法的误报率进行检测。如图8(c),基于RSSI的方法在两种实验环境下误报率都较高,这是因为RSSI受环境噪声影响较大。本文的方法与PADS在两种实验环境下的误报率相近,在LOS环境下的误报率为0.02,在NLOS环境下的误报率为0.05,其误差主要来源于错误地将环境波动识别成静止的人员呼吸。

图8 实验性能比较

3.3 参数设置的影响

①互相关阈值对于入侵检测的影响:互相关阈值的设定决定了人员入侵检测的性能。如图9所示,当互相关阈值较低时,容易造成较高的误报率;当互相关阈值逐渐增大时,误报率逐渐降低,而真实检测率先提升,在阈值超过0.7时逐渐下降。因此,在实验中我们选择阈值参数为0.7。

图9 互相关阈值对入侵检测的影响

②静止位置对呼吸检测的影响:我们进一步对不同实验环境下发射端-接收端链路中垂线上不同距离人员的呼吸进行检测,即对系统的检测范围进行评估。如图10所示,我们发现在LOS实验环境中并非越靠近链路,呼吸检测的效果就会越好,距离1 m～2 m的真实检测率在0.95左右,略高于站在视距路径中间。这可能是因为身体的遮挡影响了某根天线信号的传输,影响了对天线子载波的挑选。随着距离的增加,真实检测率有不太明显的下降,在2 m～6 m范围内平均精度在0.93左右,说明利用相位差能实现大范围且鲁棒的静止人员检测。。而在NLOS实验环境下,在0～5 m范围内的真实检测率至少在0.8,而在距离6 m的位置,检测率迅速下降到0.65。这是由于在多径干扰严重的环境下,信号有效的传输距离减小。

图10 静止位置对呼吸检测的影响

图11 天线摆放高度的影响

③天线摆放高度对呼吸检测的影响:如图11所示,我们在不同实验环境下设置发射机-接收机的高度,来探究对呼吸检测的影响效果。在两个实验环境中,当天线高度逐渐升高至1.4 m时,真实检测率逐渐提升,当天线高度超过1.4 m时,真实检测率又会出现不同程度的下滑。而NLOS环境下天线高度对于实验结果的影响更为显著。这是因为受试者的平均胸腔高度在1.3 m～1.4 m范围内,处于这个高度范围内的天线接收到最强的呼吸反射信号;而且由于在多径干扰严重的教室内,桌椅摆放高度在0.8 m～1.0 m之间,也一定程度影响了呼吸检测的精度。

4 结论

针对现有基于Wi-Fi的入侵检测系统中存在的不足,提出一种基于信道状态信息相位差的人员入侵检测方法。本文首先验证了将相位差用于入侵检测的可行性,通过二次Hampel滤波提取出有效的相位差信息,并利用轻量级的互相关信息对人员的运动情况进行判断。针对静止人员的呼吸检测问题,本文提出一种基于递归量化分析的子载波挑选方法,利用小波变化提取出呼吸信号,并用简单的峰值检测法实现了呼吸信号的识别。本文在两种典型的室内环境下对所提出的方法进行实验评估。实验结果显示在NLOS环境中的人员运动检测率和呼吸检测率分别为0.91和0.88,在LOS环境中的则能达到0.93和0.94,验证基于相位差的人员入侵检测系统的可行性。在下一步工作中,将考虑解决多人的呼吸识别问题以及轨迹追踪问题。

[1] Milanesi G,Sarti A,Tubaro S. Real-Time Video Analysis for Intrusion Detection in Indoor Environments[C]//Signal Processing Conference,2002 11th European. IEEE,2002:1-4.

[2] Want R,Hopper A,Falcao V,et al. The Active Badge Location System[J]. ACM Transactions on Information Systems(TOIS),1992,10(1):91-102.

[3] Kaltiokallio O,Bocca M. Real-Time Intrusion Detection and Tracking in Indoor Environment Through Distributed RSSI Processing[C]//IEEE,International Conference on Embedded and Real-Time Computing Systems and Applications. IEEE,2011:61-70.

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

[5] Xiao J,Wu K,Yi Y,et al. Fimd:Fine-Grained Device-Free Motion Detection[C]//2012 IEEE 18th International Conference on Parallel and Distributed Systems(ICPADS). IEEE,2012:229-235.

[6] 刘文远,刘紫娟,王林,等. 基于信道状态信息子载波特征差分的人体移动检测方法[J]. 传感技术学报,2016,29(12):1839-1845.

[7] Qian K,Wu C,Yang Z,et al. PADS:Passive Detection of Moving Targets with Dynamic Speed Using PHY Layer Information[C]//IEEE International Conference on Parallel and Distributed Systems. IEEE,2014:1-8.

[8] Wang W,Liu A X,Shahzad M. Gait Recognition Using Wifi Signals[C]//Proceedings of the 2016 ACM International Joint Conference on Pervasive and Ubiquitous Computing. ACM,2016:363-373.

[9] Liu X,Cao J,Tang S,et al. Wi-Sleep:Contactless Sleep Monitoring Via WiFi Signals[C]//Real-Time Systems Symposium(RTSS),2014 IEEE. IEEE,2014:346-355.

[10] Zheng X,Wang J,Shangguan L,et al. Smokey:Ubiquitous Smoking Detection With Commercial WiFi Infrastructures[C]//IEEE INFOCOM 2016—The 35th Annual IEEE International Conference on Computer Communications. IEEE,2016:1-9.

[11] Wu C,Yang Z,Zhou Z,et al. Non-Invasive Detection of Moving and Stationary Human with WiFi[J]. IEEE Journal on Selected Areas in Communications,2015,33(11):2329-2342.

[12] Davies L,Gather U. The Identification of Multiple Outliers[J]. Journal of the American Statistical Association,1993,88(423):782-792.

[13] Ouyang G,Li X,Dang C,et al. Using Recurrence Plot for Determinism Analysis of EEG Recordings in Genetic Absence Epilepsy Rats[J]. Clinical Neurophysiology,2008,119(8):1747-1755.

[14] Halperin D,Hu W,Sheth A,et al. Predictable 802.11 Packet Delivery from Wireless Channel Measurements[C]//ACM SIGCOMM Computer Communication Review. ACM,2010,40(4):159-170.

[15] Xie Y,Li Z,Li M. Precise Power Delay Profiling with Commodity WiFi[C]//Proceedings of the 21st Annual International Conference on Mobile Computing and Networking. ACM,2015:53-64.

[16] Wang H,Zhang D,Wang Y,et al. RT-Fall:A Real-Time and Contactless Fall Detection System with Commodity WiFi Devices[J]. IEEE Transactions on Mobile Computing,2017,16(2):511-526.

[17] Zhou Z,Yang Z,Qian K,et al. Tracking Synchronous Gestures with WiFi[C]//The 25th International Conference on Computer Communication and Networks,Waikoloa,Hawaii,USA. 2016.