文献阅读（5）

Gait Recognition Using WiFi Signals（UbiComp 2016）

针对的问题：利用商用的WiFi设备捕获人体的步态特征，从而进行人体识别

面临的挑战：如何利用CSI动态描述人体的步态特征（profile）；如何从谱图中提取最能表现人体运动的特征；

解决方案：将时域CSI波形变换到时频域的谱图（spectrogram），分离出不同身体部位的反射信号，同时采用谱图增强技术来降噪；对躯干反射的轮廓图进行自相关，从而测得步态周期，同时从谱图中提取谱指纹（spectrogram signature）进行人体区分；

实现细节：

1. WiFi信号处理
   
   1. CSI数据采集：2*3*30 CSI streams；2500 packets/s；仅利用幅度信息消除载波频移的影响（CFO）；
   2. 去噪：由于噪声密度高（high-level impulse and burst noises），低通滤波（如Butterworth）不可行，且由于不同CSI流的相位不同，不能直接相加（会互相抵消）；利用基于主成分的去噪算法，PCA可以自动挖掘CSI流之间的相关性并重组CSI流提取出由人体活动引起的变化成分（本文提取前20个主成分，去除剩余的有噪部分，不去除1st PCA？）；
   3. 谱图生成：利用短时傅里叶变换（STFT）将PCA去噪后的CSI波形转换到时频域的谱图；谱图包含三个维度：时间、频率和幅度，FFT的窗口大小决定了STFT的频率分辨率和时间分辨率之间的权衡，本文采用的FFT大小为1024，故频率分辨率为2500/1024=2.44 Hz；采用的滑动窗口步长为32，故时间分辨率为32/2500=12.8 ms；本文采用前80个FFT幅度表示0-146Hz范围内的能量强度；
   4. 谱图增强：获取每个时间块（chunk）上的能级，忽略能级过小的chunk，同时对各自的幅度进行归一化；频域去噪（减去本底噪声noise floor——谱图的long-term mean，“4s”）；谱图叠加（将20个PCA波形生成的谱图相加，没有去除1st PCA？）；2维高斯低通滤波（size 5， σ=0.8 ）；
2. 特征提取：提取步态特征——步速、步态周期、步长、躯干和腿的移动速度，以及谱图指纹
   
   1. 检测步行的开始（start detection）：利用人体运动引起的方差大这一特征（第二主成分方差），采用动态阈值（3*N(t)），指数移动平均
      N(t)=(1−αn)N(t−1)+αn∗var(t)
   2. 估计步态周期：步态周期指的是右脚连续两次击地之间的时间间隔，本文利用躯干反射的上轮廓估计步态周期，躯干上轮廓频率 ftc(t) 为：
      ftc(t)=max{f|F(f,t)∑fmax0F(f,t)>γ}
      并对提取出的轮廓进行低通滤波平滑；采用轮廓线而非能量最大的频率的原因是因为更抗噪；本文利用躯干轮廓曲线的自相关估计步态周期（比利用峰值估计周期更准确）：
      R(τ)=∑t(vtc(t)−μ)(vtc(t−τ)−μ)
   3. 估计躯干和腿的速度：利用多普勒雷达中的分位数方法（percentile method）：
      P(f,t)=∑f0F(f,t)∑fmax0F(f,t)
      躯干速度 P(f,t)≥50% ，腿速度 P(f,t)≥95% ，利用分位数进行速度估计方差较利用轮廓线小，适合步行速度估计，不适合周期时间估计；（疑问：关于图6的分布解释部分感觉解释得不是很清楚，不过意思应该就是提取的特征有distinguishability）
   4. 谱图指纹：利用预先指定的频点上的反射能量分布作为指纹，WiFiU共提取170个特征（步态周期，步长—躯干速度*周期时间，躯干和腿的速度的最大值、最小值、平均值和方差，半步态周期的4个阶段，每个阶段40个频点，1+1+4*2+4*40=170）
3. 训练和分类：LibSVM tool，识别单人采用一个二类分类器，识别多人，对每个用户都训练一个1对多的分类器，利用获得的fitness probability进行判别

4. 系统实现和评估

   1. 数据集：50人（36男14女），sender——NetGear JR6100 WiFi router（4根5dbi的全向天线，两根2.4GHz，两根5GHz），receiver——Thinkpad X200 laptop with Intel 5300 NIC；路由器工作在5GHz频段，20M带宽，802.11n；TX、RX高度为80cm，距离1.6m
   2. 评价指标：operational distance，effectiveness，robustness，efficiency；False Acceptance Rate (FAP)，False Rejection Rate (FRR)，Equal Error Rate (EER)；单用户识别——identification accuracy，多用户识别——top-k accuracy；

   结论：有效操作距离：检测有人走动14m，步态识别6m；平均准确率FAR=8.05%,FRR=9.54%；鲁棒性在人的外表和着装变化不大的情况下较好，且不受时间影响（four months）；时间效率高，实时性好，其中主成分操作最耗时；

WifiU的局限性：用户只能沿着指定路线和指定方向运动；只能实现单个运动用户的识别，不能存在多个用户同时运动（拟计划使用多个设备分离不同用户的步态信号）；需要的发包率太高了2500 pkts/s；

本文亮点：提出利用谱图来提取不同人体独特的步态特征，spectrogram signature是个很新颖的特征；关于时间效率的评价部分（efficacy）不错，在相关的文章中都没有怎么进行分析；还有各种特征提取方法：如自相关计算周期，百分位方法计算速度等；