[原创·论文阅读]QGesture: Quantifying Gesture Distance and Direction with WiFi Signals

[原创·论文阅读]QGesture: Quantifying Gesture Distance and Direction with WiFi Signals

前言

本文推出了一个叫做QGesture的系统，在一维和二维部署场景下，它能对人的手势的运动距离和方向进行测量。部署场景：

比如，人在房间中做出一个推的动作，系统会识别出csi数据的模式，进而调整音量大小。下图是系统结构图概览：

模型构建

考虑下图的一维部署情景，空间中有n条无线电磁波路径。其中由于人的手向接收机（client）匀速运动而产生的路径称为动态分量，而其余n-1条路径称为静态分量。

相位-距离关系模型的构建：

静态路径的叠加结果是一个可看做常数的复数值。而动态路径B由于人手的运动，其路径每减少一个波长，相位便改变2pi。在复平面的表现则是，若只考虑动态分量，理想情况下应该是一个绕原点旋转的信号，叠加上静态分量后，会成为一个有一定偏移量的旋转信号。结果如下：

另外可以发现，对于不同子载波，其静态分量的大小是不同的。该图可以简单地用下列代码仿真：

x=2*pi*1/0.06;
t=0:0.1:10;
%static component
s=3*cos(x)-3i*sin(x);
%dynamic component
d=cos(0.4*t)-1i*sin(0.4*t); 
%channel state information
h=s+d; 
plot(d);hold on;
plot(h);

仿真结果如下：蓝色信号是只考虑动态分量的信号，橙色信号是考虑了静态分量的叠加信号。

人手的移动距离d：

因此可以用相位改变量来估计移动距离。

降噪处理

csi的测量值包含以下几种误差：

相位：CFO、SFO/PBD；幅度：发射机功率的改变、环境噪声

相位降噪方法：

1）移除CFO:对于该系统，使用2*3的MIMO，有6个天线对。注意到对于0号子载波相位，只包含CFO+人手移动的信息，因此选取0号子载波可以移除SFO+PBD。然而，不同天线对上的静态分量是不同的。任意选取其一作为参考CFO的话，可能会破坏我们需要的人手移动的信息。因此选取具有最大静态分量的天线对，可认为它是最合理的CFO参考值，几乎不包含人手移动的相位。然后将其他天线对上的相位减去该参考CFO，就消除了CFO。

2）移除SFO/PBD：线性拟合。将不同子载波序号下的csi相位拟合出slope，然后用不同子载波的相位减去拟合出的方程。

幅度降噪方法：

使用低通移动平均滤波器降噪，可消去高频噪声，理论依据是人移动造成的频率范围在1~100Hz，具体分析见我的博客[原创·论文阅读]Gait Recognition Using WiFi Signals

系统设计

进行系统设计前，来看一下实际收到的csi值，这里的csi值已经经过了降噪处理。

可以发现，1）圆心在移动，说明静态分量在缓慢改变，并非常量；2）半径在变化，说明动态分量的a（f，t）也在改变。

解释如下：静态分量是一系列静态分量的叠加，有的静态路径是发射机经由人的躯干、胳膊反射到了接收机。当人在做推的动作时，身体其他位置也在缓慢移动，造成了这部分静态分量的改变。

半径变化是由于人手的位置不同，该位置的无线能量也有不同。有鉴于此，设计方法来移除静态分量。

移除静态分量：

论文在这部分说的比较复杂，其实原理很简单，寻找I或Q信号的交替的极大极小值，将每一对极值的平均值移除即可。

如图，有16个尖峰，则移动距离为16*2pi=32pi，应用公式

可得d=32*pi*5/(2*2*pi)=40cm,符合实际结果。

之后选取相位变化最敏感的子载波计算相位改变量。

2d 手势追踪：

A是发射机，B和C是接收机，则A、B和A、C可分别看做椭圆的两个焦点。欲知人手位置D的坐标（x，y），其表达式中含L1、L2、d1、d2项。在知道这四个参数后，x，y不难计算。

实际上，实验者是以一个已知的角度（30度、45度等）运动，然后用计算出的坐标对比groundtruth，并不满足arbitrary direction的追踪要求。

前导动作

前导动作的设计是为了激活QGesure。选用punch和double punch。系统中预先训练了检测前导动作的二分类器。当检测到目标前导动作时，系统启动并开始追踪用户动作，之后可以完成控制音量等功能。

从上图可以看出，实验者首先推出一段距离（约为3~6个cycles），在短暂停顿后再次推出。信号的特征提取也是比较容易的。

evaluation和implementation无甚亮点，不再赘述。