科研笔记(八) 深度学习及其在 WiFi 人体感知中的应用(下)

论文题目：Deep Learning and Its Applications to WiFi Human Sensing: A Benchmark and A Tutorial

论文作者：Jianfei Yang, Xinyan Chen, Dazhuo Wang, Han Zou, Chris Xiaoxuan Lu, Sumei Sun, Fellow, IEEE and Lihua Xie, Fellow, IEEE

工作单位：新加坡南洋理工大学，英国爱丁堡大学等

发表刊物：arxiv， pp. 1-17，2022

II. PRELIMINARIES OF WIFI SENSING

A. CSI简介

在WiFi通信中，CSI(信道状态信息)反映了无线信号经过衍射、反射和散射后在物理环境中的传播情况，描述了通信链路的信道特性。对于一对发射器和接收器天线，CSI描述了多径相移和每个子载波上的幅值衰减。与RSS(接收信号强度)相比，CSI数据具有更好的传感分辨率，在WiFi信号传播的环境下可视为“WiFi图像”。在WiFi感知中，CSI记录功能由专用工具[1]、[2]实现。CSI估计可表示为:
$$H_i=\parallel H_i\parallel e^{j\angle H_i}$$
其中$\parallel H_i\parallel$和$\angle H_i$分别代表第$i$个子载波的幅度和相位。

B. CSI工具

CSI工具	带宽	子载波数量	设备
Intel 5300 CSI Tool	20MHz	30	Intel 5300 NIC
Atheros CSI Tool	20/40MHz	56/114	Atheros NIC
Nexmon CSI Tool	80MHz	256	智能手机&树莓派

C. CSI数据转换和清理

• Q:如何处理CSI数据使其适用于WiFi感知？
• A1:只使用CSI振幅数据作为输入。
• A2:在基于模型的方法中，利用天线之间的CSI相位差异作为输入。
• A3: 使用经过处理的CSI多普勒表示，例如，提出BVP(人体坐标速度剖面)来模拟反映人体运动的多普勒特征[31]。

D.CSI数据对人体的影响

为了将CSI数据与深度学习模型相结合，本文总结了有助于更好地理解深度模型设计的CSI数据属性:

• 子载波维度—空间特征
• 时间维度（连续数据包）----时间特征
• 天线维度—分辨率和信道特征

III. DEEP LEARNING MODELS FOR WIFI SENSING

A.用于WiFi感知的深度学习模型（2017-2022）

B.WiFi感知领域常用深度学习模型的基本原理

C.WiFi感知领域常用深度学习模型的评价

• MLP：参数多，收敛速度慢，计算开销大；
• CNN：卷积层过多（>20），梯度消失问题导致性能下降；
• RNN：反向传播时存在梯度消失问题，无法捕获CSI的长期依赖关系；
• LSTM：克服了Vanilla RNN存在的问题；
• Transformer：参数多，训练成本高，且难以收集大量的带有标签的CSI数据。

IV. LEARNING METHODS FOR DEEP WIFI SENSING MODELS

1. 监督学习：传统的深度模型训练依赖于有大量标记数据的监督学习，但数据的收集和标注是现实WiFi感知应用的瓶颈。
2. 少样本学习：由于只需要少量样本，因此在实际应用中，少样本学习有助于基于WiFi的手势识别和人体识别。
3. 迁移学习：在WiFi感知场景中，由于CSI数据高度依赖于环境，因此跨域场景十分常见。迁移学习被用来解决跨域问题。
4. 无监督学习：可以强化模型，获得更好的泛化能力。
5. 集成学习：可以提高模型分类性能，但计算开销也会成倍增长。

V. EMPIRICAL STUDIES OF DEEP LEARNING IN WIFI SENSING: A BENCHMARK

A. 实验设置

B. 深度模型评估

C. 学习策略评估

VI. DISCUSSIONS AND SUMMARY

PS：由于论文是发表在axvir上的，文中一些细节难免存在疏漏。比如图2中小标题中提到的三种人类活动，而实际图像涉及到了四种活动，并且上下两行的图像来源也没有给出详细的介绍。