基于WiFi信道状态信息的人员活动持续时间估计

刘立双 魏忠诚 张春华 王 巍 赵继军

摘 要：针对传统人员活动持续时间估计系统隐私性及灵活性较差的问题，分析信道状态信息（CSI）的幅度变化，提出了一个基于WiFi信道状态信息的人员活动持续时间估计系统。该系统重点将连续复杂的人员活动持续时间估计问题转化为离散简单的人员检测问题。首先，采集CSI信息并滤除异常值和噪声;其次，利用主成分分析法（PCA）进行子载波降维，获取主成分以及相应的特征向量;随后计算主成分方差和特征向量一阶差分均值，并将两者比值作为特征值训练反向传输神经网絡（BPNN）模型;然后，利用训练好的BPNN模型进行人员检测，并当检测出有人员活动时，进一步对CSI数据进行等宽分割;最后，针对所有分割后的CSI数据实现人员检测，并依据符合人员检测结果的数据来估计人员活动的持续时间。在真实室内环境中对系统进行实验评估，人员检测平均准确率可达到97%，活动持续时间误差不超过10%。实验结果表明，该系统能够有效估计出人员活动的持续时间。

关键词：人员活动持续时间;信道状态信息;反向传输神经网络;人员活动检测;WiFi

Abstract：Concerning the poor privacy and flexibility of traditional lifetime estimation for human motion， a lifetime estimation system for human motion was proposed， by analyzing the amplitude variation of WiFi Channel State Information （CSI）. In this system， the continuous and complex lifetime estimation problem was transformed into a discrete and simple human motion detection problem. Firstly， the CSI was collected with filtering out the outliers and noise. Secondly， Principal Component Analysis （PCA） was used to reduce the dimension of subcarriers， obtaining the principal components and the corresponding eigenvectors. Thirdly， the variance of principal components and the mean of first difference of eigenvectors were calculated， and a Back Propagation Neural Network （BPNN） model was trained with the ratio of above two parameters as eigenvalue. Fourthly， human motion detection was achieved by the trained BP neural network model， and the CSI data were divided into some segments with equal width when the human motion was detected. Finally， after the human motion detection being performed on all CSI segments， the human motion lifetime was estimated according to the number of CSI segments with human motion detected. In real indoor environment， the average accuracy of human motion detection can reach 97% and the error rate of human motion lifetime is less than 10%. The experimental results show that the proposed system can effectively estimate the lifetime of human motion.

Key words： human motion lifetime; Channel State Information （CSI）; Back Propagation Neural Network （BPNN）; human motion detection; WiFi

0 引言

行为识别是医疗健康和安全监控等领域的研究热点之一。其中，活动持续时间是人体行为识别的一个重要参数。例如，在医疗健康方面，通过活动持续时间可以量化人体活动与疾病之间的关系[1];在安防监控方面，可根据活动持续时间分析移动人员的异常行为等[2]。然而，现有的测量技术存在一定局限性。例如，基于视觉的方法涉及目标用户的隐私并受光线的影响;基于红外的方法容易被阻挡，而且红外设备需要固定在特定的位置，移动性差;可穿戴设备虽然很灵活，但需要目标人员主动配合将其佩戴在身上，极大降低了用户的舒适感等[3]。随着无线通信的发展，无线信号得到了广泛的覆盖，为无线行为识别的研究提供了重要的基础支撑。基于无线信号接收信号强度（Received Signal Strength， RSS）的行为识别技术通过信号波动特征实现检测。然而，RSS依赖于信号功率，对外部环境的变化异常敏感，影响检测效果。

近年来，研究人员通过修改无线网卡[4]，可以在普通商用WiFi设备上获取到信道状态信息（Channel State Information， CSI）。与RSS相比，CSI提供了多个子载波的幅度和相位信息[5]，因此，基于CSI的无线行为识别技术受到越来越多的关注。文献[6]利用CSI在不同子载波上的相关幅度变化，提取相应特征向量的一阶差分，实现可穿墙人体检测;文献[7]通过建立CSI-speed模型和CSI-activity模型量化CSI与人体活动速度以及人体活动速度与不同活动类别之间的关系;文献[8]利用静默分析模型描述静止状态，并提出一种基于距离的机制来挑选某些子载波，以便进行精确的运动检测。除了人员检测和活动识别之外，基于CSI的技术还被广泛地应用于室内定位[9]、跌倒检测[10-11]、击键识别[12]、生理监测[13]和计数[14]等。总体来说，CSI提供了更细粒度的多径传播信息，对人体运动更加敏感。

本文针对传统人员活动持续时间估计系统隐私性及灵活性较差的问题，提出一种基于WiFi信道状态信息的人员活动持续时间估计系统。该系统包括人员检测阶段和持续时间估计阶段。首先，采集CSI信息并提取不同状态的场景特征，即静态特征和动态特征，然后，引入反向传输（Back Propagation， BP）神经网络对被监控场景的特征进行分类，以此来判断监控场景内是否有人在活动。若有人活动，则采用分割方法来估计人员活动的持续时间。在典型室内环境的实验结果表明，人员检测平均准确率可达到97%，同时，人员活动持续时间误差不超过10%。

1 信道状态信息（CSI）

CSI是无线通信链路的信道属性，刻画了无线信号在每条传输路径上的衰弱因子[5]。具体地说，发射机发射无线信号，传播过程中经过反射、衍射和散射等现象到达接收机形成叠加信号。正交频分复用（Orthogonal Frequency Division Multiplexing， OFDM）技术将整个无线信道分成多个窄带正交子载波。基于OFDM技术的CSI可以从兼容IEEE 802.11a/g/n/ac的商用无线网卡中获取。每个数据包包含最大N=114个子载波的信道状态信息：

目前，获取CSI的工具主要有两种，即Intel CSI工具和Atheros CSI工具[4，15]。本文采用商用路由器TL-WDR3500作为发射机发送信息，同时，利用Atheros CSI工具和Atheros网卡进行系统设计并进行了性能评估。

2 人员检测及活动持续时间估计方法描述

本系统利用CSI的幅度变化进行人员检测以及活动持续时间估计。首先，利用Hampel滤波器对原始CSI數据进行异常值检测，并采用小波去噪方法对CSI数据进行去噪处理;为了降低系统计算复杂度，采用主成分分析法（Principal Component Analysis， PCA）进行降维处理;提取子载波的变化特征并作为BP神经网络（Back Propagation Neural Network， BPNN）的输入参数进行人员检测;若判断出有人员活动，则通过分割方法进一步估计人员活动的持续时间。

2.1 CSI数据预处理

无线信号在传送过程中因发射机和接收机之间的协议以及外部环境的干扰，导致采集的CSI数据中包含非人员活动引起的异常值。为保证系统准确性，采用Hampel滤波器[16]将异常值从CSI数据中滤除。具体地，Hampel滤波器通过分析CSI幅度值可以定位到超出区间[μ-γσ， μ+γσ]的异常值，其中， μ和σ分别表示数据序列的中位数和绝对中位差，而γ是一个依赖于应用的参数，本系统取常用值3[6]。图1表示静态场景下某个子载波的幅度变化，其中方框中的点为异常点。

在实验过程中发现，实验环境复杂，发射机和接收机之间的通信质量具有时变性，数据包会不同程度地丢失。为避免上述现象影响系统性能，对CSI数据进行插值处理。一维线性插值法操作简单并且可以满足实验要求，故系统采用一维线性插值方法对CSI数据进行处理，以确保监测环境CSI信息的完整性。

无线信号在传输过程中容易受到外部环境的干扰，导致接收端接收的CSI数据包含大量噪声。小波变换能够同时分析信号的时频域，具有多分辨率分析的能力，在不同的分解层次上，小波分析能够有效地区分信号和噪声信号的突变部分，实现去噪，因此，采用小波变换阈值去噪法消除杂乱噪声，平滑CSI数据。

小波变换是对空间频率的局部化分析，它通过尺度变换和平移运算对信号进行逐步细化，从而实现高频时域细分和低频频域细分。首先，利用小波对CSI数据进行分解，得到高频细节分量和低频近似分量;然后，利用阈值函数去除高频细节分量噪声;最后，利用小波重构处理后的分量，得到净化的CSI数据。图2表示动态环境下去噪前的CSI幅值变化以及利用小波变换去噪后的CSI幅值变化，可以看出，小波变换可以很好地去除高频噪声。

2.2 PCA降维

本系统采用TP-Link路由器TL-WDR3500进行数据采集并获取到114个子载波，而高维度的CSI增加了系统的计算复杂度，因此，采用PCA技术缩减CSI数据的维度，从而提升系统计算性能。PCA技术通过线性变换将原始数据变换为一组各维度线性无关的表示，可以在基本保留数据重要信息的基础上缩减原始数据的维度，进而提取数据的主要特征分量。另外，利用PCA观察子载波之间的相关性，并揭示不同子载波之间的变化。PCA降维过程如图3所示，具体描述如下。

2.3 环境特征提取

为提取对环境敏感的鲁棒性特征，分析PCA降维处理后的特征向量与相应主成分。通过实验分析，本系统发现第一主成分在静态环境与动态环境下均具有较大的波动性，且无法很好地区分环境状态，因此，本系统舍弃对第一主成分的考虑。此外，通过观察其余主成分对环境变化的敏感性，发现在静态环境下主成分的波动很小，但在动态环境下受人员活动影响，主成分的变化很大。与此同时，特征向量在静态环境中变化杂乱，而在动态环境中变化平缓。

一般地，方差可以度量数据的离散度，一阶差分可以反映相邻数据之间的关系，因此，本系统综合考虑主成分的方差与特征向量的一阶差分均值作为环境特征分析的核心参数。计算主成分的方差E2{pli}，以及特征向量的一阶差分的平均值D{eigi}，具体如下：

实验发现，主成分方差与特征向量一阶差分均值的比值F{pli，eigi}作为特征值对人员检测更加敏感，因此，将主成分方差与特征向量一阶差分均值的比值作为不同环境的特征：

综上所述，为加强系统对人员检测的敏感度，本系统重点关注除第一主成分的其余主成分，利用主成分的方差与一阶差分均值的比率作为反映子载波变化的特征。

2.4 人员检测

提取到静态环境与动态环境的特征后，本系统主要通过对环境特征进行分类实现人员检测。若分类结果为静态环境则系统判定当前环境处于无人状态;而若分类结果为动态环境则系统判定当前环境处于有人状态。为实现这一过程，分类器的选择显得尤为重要。在未确定输入与输出之间映射关系的前提下，人工神经网络通过自身的训练学习，得到某种规则下的训练模型，并在接下来给定输入值时能得到最接近期望输出值的结果。考虑到BPNN是目前中应用最广泛的人工神经网络，本系统利用BPNN作为环境特征的分类器，以实现人员检测。

在BPNN的构建中，隐含层数量问题决定分类器的应用效果。通常来说，多隐含层BPNN虽然容易学习，但容易陷入局部极小值，而具有单个隐含层的三层BPNN已经能够完成任意的复函数映射，因此，本系统采用最简单的三层BPNN作为环境特征分类的分类器，并采用变学习率动量梯度下降算法。具体分类操作可分为3个步骤：

1）將数据样本分成两类，即训练样本和测试样本;

2）选取训练样本的环境特征作为BPNN模型的输入，BPNN通过反复学习训练，不断调整权值和阈值，使误差沿梯度方向下降，当误差接近最小误差0.01时停止训练，得到BPNN训练模型;

3）将测试样本的环境特征利用BPNN训练模型进行分类，并根据分类判定准则实现人员检测。

此外，为增加系统鲁棒性，针对每个CSI数据流的人员检测结果，采用多数投票算法对分类结果进行融合处理，决策出最终人员检测结果。

2.5 活动持续时间估计

针对人员检测结果为动态环境（即有人状态）的情况，本系统将进一步对当前人员活动的持续时间进行估计。考虑到人员活动的持续时间具有连续性并且计算复杂，因此本系统将采用等宽分箱法的思想对人员活动的持续时间进行估计。基于此，连续并且复杂的持续时间估计问题将转化成离散简单的人员检测问题。具体操作可以分为5个步骤。

1）按照固定窗口大小，将预处理后的CSI数据流分割为多个CSI短序列。

2）针对每个CSI短序列，利用PCA算法进行降维，以改善系统计算复杂度，并得到除第一主成分之外的其余主成分及相应的特征向量。

3）利用CSI短序列的主成分和特征向量计算方差和一阶差分均值的比值，以获得每个CSI短序列的环境特征值。

4）与人员检测相同，通过训练好的BPNN训练模型对每个CSI短序列进行人员检测。同样地，利用多数投票算法对结果进行融合，决策出CSI短序列人员检测的最终结果，以提高系统检测精度。

5）整合所有CSI短序列的人员检测结果，结合固定窗口大小，估计当前CSI数据流所反映的动态环境中目标人员的持续时间Dr：

其中segNum表示人员活动的CSI短序列数目。

3 实验结果及分析

3.1 实验设置

在典型的室内环境对该系统的性能进行了评估。图4（a）和4（b）为实验场景，选取在研究室，大小为7.5m×13m。采用TP-Link无线路由器TL-WDR3500作为发射机，配备Atheros9382 NIC和开源工具Atheros-CSI-Tool的宏碁笔记本作为接收机，发射机和接收机之间组成一个2×2的多输入多输出（Multiple-Input Multiple-Output， MIMO）系统。实验频段采用5GHz，带宽为40MHz，并以每秒1000个包的速率收发信息[17]。

3.2 性能分析

实验在两种环境状态下进行数据采集：1）静态环境。监测场景内无人活动。2）动态环境。监测场景内有一个人在走动。样本总时间（St）为120s，目标人员活动的持续时间（Dr）分别为30s、60s、90s和120s。根据经验值窗口大小W设置为3s。

为准确验证系统的性能，分别从人员检测和活动持续时间评估两方面分析。针对人员检测的评估，主要对实验结果进行精确度（Accuracy）分析，包括有人活动的情况识别正确的概率以及无人活动的情况识别正确的概率;针对活动持续时间的评估，主要对实验结果进行误差（Error）分析，具体如下：

其中：TP和FN分别表示有人活动被识别正确的概率以及有人活动但未被检测到的概率;Mt和Rt分别表示人员活动持续时间估计值以及人员活动持续时间真实值。

3.2.1 人员检测评估

图5描述了不同活动持续时间的人员检测精度。从图5中可以看出，人员检测在不同活动持续时间的准确率均在95%以上，平均综合检测率为97%，具有较高的检测精度。

图6展示了在不同环境状态下特征值个数对人员检测的影响。如图6（a）所示，随着特征值个数的增加，动态环境下不同活动持续时间的检测准确率有所下降;而图6（b）所示，随着特征值个数的增加静态环境的检测准确率有所提高。整体来看，检测准确率均在0.9以上，可以根据不同场景要求来动态选择特征值个数进行人员检测。

图8展示了特征值个数对人员活动持续时间估计的影响。由图8可以看出，随着特征值个数的增加，不同活动持续数间的误差有所增加;在相同特征值个数情况下，活动持续时间越长，检测误差相对增大。

4 結语

本文针对传统人员活动持续时间估计系统隐私性及灵活性较差的问题，提出了一种适用于室内环境的人员检测及活动持续时间估计系统，利用商用WiFi设备采集CSI信息，并通过分析信号幅度变化进行人员检测，以及活动持续时间估计。该系统将复杂连续的持续时间估计问题转化为简单离散的人员检测问题，并在典型复杂室内场景对系统性能进行了评估。实验结果表明，人员检测平均识别率达到97%，同时活动持续时间误差不超过10%，均达到较好的识别效果。在下一步工作中，将考虑解决多目标人员活动持续时间估计问题。

参考文献 （References）

[1] BONOMI A G， GORIS A H， YIN B， et al. Detection of type， duration， and intensity of physical activity using an accelerometer[J]. Medicine and Science in Sports and Exercise， 2009， 41（9）： 1770-1777.

[2] LIN W， ZHANG Y， LU J， et al. Summarizing surveillance videos with local-patch-learning-based abnormality detection， blob sequence optimization， and type-based synopsis[J]. Neurocomputing， 2015， 155： 84-98.

[3] 杨雪，吕绍和，张闽，等.基于无线信号的行为识别技术综述[J].软件学报，2015，26（Suppl.（1））：39-48.（YANG X， LYU S H， ZHANG M， et al. A survey on activity recognition using wireless signals[J]. Journal of Software， 2015， 26（Suppl.（1））： 39-48.）

[4] HALPERIN D， HU W， SHETH A， et al. Tool release： gathering 802.11 n traces with channel state information[J]. ACM SIGCOMM Computer Communication Review， 2011， 41（1）： 53-53.

[5] 杨铮，刘云浩.Wi-Fi雷达：从RSSI到CSI[J].中国计算机学会通讯，2014，10（11）：55-60.（YANG Z， LIU Y H. Wi-Fi radar： from RSSI to CSI[J]. Communications of CCF， 2014， 10（11）： 55-60.）

[6] ZHU H， XIAO F， SUN L， et al. R-TTWD： robust device-free through-the-wall detection of moving human with WiFi[J]. IEEE Journal on Selected Areas in Communications， 2017， 35（5）： 1090-1103.

[7] WANG W， LIU A X， SHAHZAD M， et al. Device-free human activity recognition using commercial WiFi devices[J]. IEEE Journal on Selected Areas in Communications， 2017， 35（5）： 1118-1131.

[8] GU Y， ZHAN J， JI Y， et al. MoSense： a RF-based motion detection system via off-the-shelf WiFi devices[J]. IEEE Internet of Things Journal， 2017， 4（6）： 2326-2341.

[9] YANG Z， ZHOU Z， LIU Y. From RSSI to CSI： indoor localization via channel response[J]. ACM Computing Surveys， 2013， 46（2）： 1-32.

[10] HAN C， WU K， WANG Y， et al. WiFall： device-free fall detection by wireless networks[C]// Proceedings of the 2014 International Conference on Computer Communications. Piscataway， NJ： IEEE， 2014： 271-279.

[11] WANG Y， WU K， NI L M. WiFall： device-free fall detection by wireless networks[J]. IEEE Transactions on Mobile Computing， 2017， 16（2）： 581-594.

[12] ALI K， LIU A X， WANG W， et al. Recognizing keystrokes using WiFi devices[J]. IEEE Journal on Selected Areas in Communications， 2017， 35（5）： 1175-1190.

[13] ZHANG D， WANG H， WU D. Toward centimeter-scale human activity sensing with Wi-Fi signals[J]. Computer， 2017， 50（1）： 48-57.

[14] XU Y， YANG W， WANG J， et al. WiStep： device-free step counting with WiFi signals[C]// Proceedings of the 2018 ACM on Interactive， Mobile， Wearable and Ubiquitous Technologies. New York： ACM， 2018， 1（4）： Article No. 172.

[15] XIE Y， LI Z， LI M. Precise power delay profiling with commodity Wi-Fi[C]// Proceedings of the 2015 International Conference on Mobile Computing and Networking. New York： ACM， 2015：53-64.

[16] DAVIES L， GATHER U. The identification of multiple outliers[J]. Publications of the American Statistical Association， 1993， 88（423）： 782-792.

[17] XIN T， GUO B， WANG Z， et al. FreeSense： indoor human identification with Wi-Fi signals[C]// Proceedings of the 2016 IEEE Global Communications Conference. Piscataway， NJ： IEEE， 2016： 1-7.