基于Wi-Fi物理层信息的人体行为识别研究综述

曹庆潮，殷锋，袁平

（1.四川大学计算机学院，成都 610065；2.西南大学计算机科学与技术学院，成都 610041；3.重庆大学数学与信息工程学院，重庆 400044）

0 引言

目前，在人体行为识别的研究中，比较成熟的技术大致可以分为基于计算机视觉的识别技术[1-3]和基于可穿戴传感器[4]的识别技术。其中，基于计算机视觉的识别技术需要摄像头等硬件设备，且只能在光照条件良好的场景下使用；基于可穿戴传感器的识别技术则是一种侵入式的识别方式，会给用户带来诸多不便。

随着无线技术的快速发展，Wi-Fi已经不再局限于作为一种传输媒介，而是被当成一种传感器设备，被广泛部署在家庭、商场、写字楼和机场等地方，因此可以说基于Wi-Fi的无线传感器网络是世界上部署最广泛的无线传感器网络。如果将Wi-Fi用于人体行为识别，将在易用性、普适性和成本等方面取得重要突破。

然而，将Wi-Fi信号用于人体行为识别，并非新鲜事物，目前在该领域的研究主要分为两种：一种是使用Wi-Fi信号的接收信号强度（RSS）作为数据进行分析，而另一种则是使用Wi-Fi信号的信道状态信息（CSI）作为数据进行分析[5]。RSS作为接收到的数据帧的信号强度，其以整数级为计量单位，分辨率很低，因此无法获得细粒度的测量值，仅支持粗粒度的人体行为识别，不仅能够识别的动作种类很少，而且准确度很低[6]。相比于RSS，信道状态信息CSI作为物理层的信息，描述的是每个子载波的相位和振幅信息。由于每个子载波是相互独立的，在不同子载波上的多径效应导致测量到的相位和振幅存在明显差异，这意味着物理环境中的微小运动也可能导致某些子载波CSI的改变，因此CSI具有更高的分辨率，能够识别更细微粒度的动作，例如呼吸和心跳等[7]。

1 研究现状

2015年，Wang等人提出的基于CSI的人体行为识别和监测系统CARM[8]，可以定量地建立CSI值与特定的人体行为之间的关联，并通过将人体行为与最适合的图谱进行匹配，来识别用户的行为。为了检测和提取代表人体行为发生的CSI片段，CARM设计了一种自适应检测算法，然后对于每个片段的信号分析和特征提取，CARM在多个时间尺度上以多个分辨率提取频率，最后为了分类和识别人体行为，CARM使用每个行为的训练样本的特征向量构建隐马尔可夫模型。在实验室和公寓等室内测试场景中，CARM可以识别跑步、走路等行为，平均精度大于96%。

同样在2015年，Ali等人提出了一种按键识别系统Wi-Key[9]，该系统首次实现了使用Wi-Fi信号来识别用户在键盘上敲击了哪个按键。Wi-Key的原理是，当用户的手和手指以独特的形式和方向移动，同时键入特定的键时，在CSI值的时间序列中会产生独特的波形，Wi-Key正是使用每个提取的击键CSI波形作为它们的特征，进行分类。为了获得每个击键动作的CSI波形，Wi-Key系统先使用主成分分析（PCA）从信号中去除不相关的噪声分量，然后使用离散小波变换（DWT）将每个击键的CSI波形进行压缩，同时保留大部分时间和频域信息，从而有效降低了分类过程中的计算成本。在真实环境的实验中，Wi-Key可以识别特定的连续型语句，准确率为93.5%。然而，虽然它在相对稳定的环境下运行良好，但仍然有许多限制，例如无干扰环境、设备的位置和CSI采样率等。

同样是Wang等人，在2016年提出了一个基于CSI的步态检测系统Wi-Fi-U[10]。该系统通过检测人的步态信息来进行身份识别，因为人的步态特征被证实像指纹和虹膜等生物特征一样是唯一的。具体地，Wi-Fi-U通过从CSI波形中收集人的步行速度、步态周期、脚步长度以及躯干和腿部的移动速度等特征，来构建分类器。在数据处理阶段，Wi-Fi-U使用了和Wi-Key[9]同样的PCA方法从信号中去除不相关的噪声分量。但是，与Wi-Key不同的是，CSI波形中混合了不同身体部位的信号反射，妨碍了人体步态信息的提取。为了解决这个问题，Wi-Fi-U使用短时傅立叶变换技术将波形转换为频谱图，使得不同身体部位的CSI波形可以在时间—频率域中分离，因为身体不同部位的移动速度是不同的，从而反射频率也不同。Wi-Fi-U的实现展示了使用Wi-Fi设备进行步态检测的可行性，但仍然存在一些限制。例如，用户必须在预定义的直线路径上以预定义的行走方向行走，并且多人在同一时间行走时，Wi-Fi-U无法工作。

2016年，Li等人提出的手势识别系统Wi-Finger[11]，通过Wi-Fi信号实现了用手指画出1-9这9个数字的手势识别，并将用户所做手势应用到人机交互领域。在实现该系统时，数据预处理有三个步骤：首先，Wi-Finger使用Hampel滤波器来消除异常值；其次，巴特沃斯低通滤波器用于消除频率在1Hz至60Hz之间的手势的干扰；最后，引入Wi-Fall[12]中使用的加权移动平均法来进一步清除过滤后的CSI流。类似于Wi-Key，每个手势的CSI流需要被分割成段，以提取特征作用分类的训练样本和识别单元。为了做到这一点，Li等人参考CARM[1]并设计了一种类似的自适应算法来检测手势的起始点和结束点。之后，通过对每6个子载波进行平均，并将它们连接起来组合成30个子载波，形成每个手势的合成波形，将其作为特征向量来提取。实验表明，Wi-Finger在相对稳定的环境下运行良好，例如实验室或宿舍只有一个用户时，可以实现高达90.4%的准确度。

2 应用领域

2.1 智能家居

智能家居的概念逐渐成为未来生活中不可或缺的一部分，其本质是人机交互技术的一种新颖的应用场景。到目前为止，已经提出的Wi-Fi识别系统为我们提供了智能家居中的另一种实现方案，如手势识别系统[13-14]和步态识别系统[15]，都可以通过家中现有的Wi-Fi设备来实现，无需额外的特殊设备。在这些系统的帮助下，任何智能设备，如电视、音响、照明系统和温度调节系统都可以通过我们的手势随时随地进行控制。

2.2 安全

目前，对于写字楼和家庭的监控，大多是采用摄像机来完成的。然而，摄像机监控视频的质量受光照强度、视距和盲点等诸多环境因素的影响，而Wi-Fi信号却没有这些环境因素的限制。另外，家用摄像头监控系统没有足够的安全性，因为它们可能被黑客入侵，导致私人监控视频数据泄露。相比之下，Wi-Fi识别系统还可以通过识别人体行为来执行安全检测功能，例如检测家中的非法入侵。

2.3 灾难搜救

在发生火灾或地震等自然灾害之后，灾难现场环境极其复杂，严重阻碍了搜救工作的进展。因此，快速准确地探测生命体征并确定伤员的位置，可以在废墟中挽救更多生命。Wi-Fi识别系统可以检测到人的呼吸和心跳等生命体征，从而可以帮助救援人员找到幸存者，更有效地执行救援工作。然而，目前已有的系统仅仅是在实验阶段进行搜救的原型，为了达到真实救援的要求，系统必须对复杂的开放空间环境具有更强的鲁棒性，同时检测精度也要得到保证。

2.4 医疗保健

医疗健康监测不再局限于医院等公立医疗机构，心率和血压监测装置已成为许多家庭的日常必需品，这意味着人们的健康意识正在逐渐提升。在家庭中，Wi-Fi识别系统可以实时提供所有家庭成员的生命体征监测信息，如呼吸频率和心率等。这些收集到的数据可以帮助评估用户的身体健康状况，并为诊断可能的疾病提供有用的线索。另外，对于公立医疗机构而言，可以实现Wi-Fi识别系统的广泛部署，以这些系统为基础的医疗网络的建设将改善对居民健康状况的实时监测情况，并能对紧急情况下的医疗急救做出快速反应。

3 结语

本文提到的所有基于Wi-Fi物理层信息的人体行为识别系统都是基于一个原理，Wi-Fi信号的传播受到人体行为的影响，导致CSI波形发生变化，因此可以从波形中提取出丰富的信息，进行相应的处理。虽然这些系统目前还都处于实验室研究阶段，只有在小规模可控的空间中初步完成概念模型，但从这一领域取得的成果来看，Wi-Fi识别系统在人工智能领域具有很大的应用潜力。随着无线技术、数字信号处理技术和机器学习技术的不断完善，其将会在许多商业领域创造更多新颖且有价值的应用。