QGesture: quantifying gesture distance and direction with wifi signals
本文主要介绍利用CSI来测量和量化估计手势移动的距离和方向。换句话说，就是手势移动了多远，来哪个方向移动。这是很细粒度的估计。
具体应用： 游戏系统中，通过手势调节声音、选择游戏等。这个时候需要通过距离和方向来量化手势，因此需要估计手势引起的距离和方向。
解决方法：
1.相位校准算法移除CSI测量中的相位噪音
2.提出了LEVD算法估计动态环境产生的影响并且把这个影响移除。
效果：
1.移动距离估计平均精度为3厘米；在一维层面上，95%精度能够侦测到移动方向
2.在二维层面上，方向误差15度，移动距离3.7厘米
**********************************************************************************************************************************************
四个关键性的挑战：
1. 重构CSI测量的相位，即去掉CFO和SFO的影响,由于设备的缺陷导致CFO和SFO。（CFO：carrier frequency offset; SFO: sampling frequency offsets）
解决方法：分析不同天线对的相位，设计相位矫正算法，估计出移动行为引起的真实相位，进而确定移动方向。
2.分离手势产生的变化与身体其它部分产生的变化。具体来说就是手势（手臂）与躯干部分对信号产生的不同频率信号，该如何区分。
解决方法：找到手势引起的信号变化的频率， 根据此提出LEVD算法，进而消除动态环境的影响
3.区分手势与日常动作
设定了一个preambles，使用一个具有独特特点的简单动作作为preambles 来表示手势的开始。识别preamble的精度为92.5%，误判率为3.2%
4.容忍任意角度的移动（accommodate arbitrary pushing angles
）
********************************************************************************************************************************************
相关工作：
简单分为两大类：基于RF的识别/跟踪；非RF的识别/跟踪
然而根据调研可知，基于RF的识别/跟踪可分为：使用COTS hardware,使用特殊设备（specialized devices）
1.COTS hardware 识别/跟踪
Wikey, WiFinger, WiGest这三个经典工作利用RSSI， CSI来识别细粒度变化。共性：识别的细粒度变化都是提前设定的细粒度行为，并没有考虑移动的距离和方向。
WiDir使用CSI来估计身体移动的方向，例如walking，误差大概在10度左右；
WiDraw 使用AOA获得5厘米的跟踪精度。但是基于AOA的方法存在一个距离限制（2feet=0.6米)，因此，该方法不能用于远程遥控的人机接口应用。
2.Specialized devices识别/跟踪
这里的specialized devices是指：USRP, WARP, FMCW
WiSee使用USRP识别和分类9个手势动作来控制用电器例如台灯或者电视机的开关等。
WiTrack使用FMCW跟踪一个人或者多个人行为，甚至实现隔墙跟踪也能取得很好的效果。
（While these system provided valuable insights on the dynamic of the wireless signal, tracking with the coarse-grained CSI measurements requires a different set of signal processing algorithms）
3.非RF的识别/跟踪
非RF的识别/跟踪形式：计算机视觉、穿戴设备、声波。这是三种比较常见的形式。
**基于视觉的手势识别：摄像头或者红外传感器
***在1米内，通过深度信息估计距离精度达到1毫米；
***在5米内，精度达到几厘米级别
限制：
***viewing angle 视角
***lighting conditions光线
***privacy concerns隐私保护
**基于声波的跟踪
***声波可以估计移动距离，也可以估计速度
***手持设备，基于声波的距离测量精度为几厘米级别；
***device-free 的估计，则需要使用doppler effect
总结：目前细粒度跟踪解决方法只能工作在50厘米的近距离环境下。（However, our long-range WiFi gesture tracking system needs to handle the phase noise and interferences from nearby movements which can be ignored in short-range sound-based systems）
*********************************************************************************************************************************************
系统模型
pathA是静态部分
pathB是动态部分
因此，CFR如下表示：
这个细节部分说的比较清晰。路径变化与手臂移动距离之间的比率即为a,这个设定比较有意思。
以上推理出的公式都是在理想情况下满足。
如果把我们收集到的数据也应用到这个理论模型，那么就需要对收集到的数据（CSI振幅和相位）去噪。
CSI测量值包含三类噪音，其两种是相位噪音，后一种是振幅噪音。（描述比较详细，可以细致的阅读）
针对噪音的类型，去噪也分为两步：相位校准和振幅校准
*相位校准
*振幅校准：oversampling(2500 samples per second)+low pass moving average filter with window size of 80 samples
******************************************************************************************************************************************
系统设计（system design）
LEVD（Local Extreme Value Detection Algorithm）移除静态信后部分，然后利用相位-距离关系估计距离和方向。(具体细节可以阅读这篇文献。)
Measuring movement distance and direction(测量移动距离和方向)
PCI:principle component identification
针对一个子载波，选择一个对手臂移动最敏感或者相位变化最大的那个子载波作为对象，侦测移动方向。
PCI算法能够保留CSI相位信息，进而能够侦测移动的方向。当移动非常靠近收发设备时，PCI的效果依然很好。
PCA:principle component analysis
针对所有子载波，振幅。选择第二大主成分并利用hilbert transform技术从振幅层面上复原相位信息，最后利用这个复原的相位信息来估计移动距离。
手臂距离收发设备1.5米远时，PCA效果更好。PCA具有放大细微变化的作用。
***********************************************************************************************************************
limitations：
*preamble也可以使用其他动作表示，必须做前导动作才可以控制用电器，这很麻烦。目前还无法做到没有前导动作就可以直接控制用电器。
*多人做前导动作，则无法识别。
*如果周围存在大幅度动态变化的行为，则该应用效果会大打折扣