基于 Wi-Fi 物理层信息的人体行为识别研究综述

基于 Wi-Fi 物理层信息的人体行为识别研究综述

1    所有基于 Wi-Fi 物理层信息的人体行为识别系统都是基于一个原理，Wi-Fi 信号的传播受到人体行为的影响，导致 CSI 波形发生变化，因此可以从波形中提取出丰富的信息，进行相应的处理。

2   Wi-Fi 信号的接收信号强度（RSS）作为数据进行分析，而另一种则是使用 Wi-Fi 信号的信道状态信息（CSI）作为数据进行分析。

3     RSS 作为接收到的数据帧的信号强度，其以整数级为计量单位，分辨率很低，因此无法获得细粒度的测量值，仅支持粗粒度的人体行为识别，不仅能够识别的动作种类很少，而且准确度很低

4   信道状态信息 CSI 作为物理层的信息，描述的是每个子载波的相位和振幅信息。由于每个子载波是相互独立的，在不同子载波上的多径效应导致测量到的相位和振幅存在明显差异，这意味着物理环境中的微小运动也可能导致某些子载波 CSI 的改变，因此 CSI 具有更高的分辨率，能够识别更细微粒度的动作，例如呼吸和心跳等

5  基于 CSI 的人体行为识 别和监测系统 CARM[别和监测系统 CARM，可以定量地建立 CSI 值与特定的人体行为之间的关联，并通过将人体行为与最适合的图谱进行匹配，来识别用户的行为

6   Ali 等人提出了一种按键识别系统 Wi-Key[9]，该系统首次实现了使用 Wi-Fi 信号来识别用户在键盘上敲击了哪个按键。Wi-Key 的原理是，当用户的手和手指以独特的形式和方向移动，同时键入特定的键时，在 CSI 值的时间序列中会产生独特的波形，Wi-Key 正是使用每个提取的击键 CSI 波形作为它们的特征，进行分类。为了获得每个击键动作的 CSI波形，Wi-Key 系统先使用主成分分析（PCA）从信号中去除不相关的噪声分量，然后使用离散小波变换（DWT）将每个击键的 CSI 波形进行压缩，同时保留大部分时间和频域信息，从而有效降低了分类过程中的计算成本。在真实环境的实验中，Wi-Key 可以识别特定的连续型语句，准确率为 93.5%。然而，虽然它在相对稳定的环境下运行良好，但仍然有许多限制，例如无干扰环境、设备的位置和 CSI 采样率等。

7  同样是 Wang 等人，在 2016 年提出了一个基于CSI 的步态检测系统 Wi-Fi-U[10]。该系统通过检测人的步态信息来进行身份识别，因为人的步态特征被证实像指纹和虹膜等生物特征一样是唯一的。具体地，Wi-Fi-U 通过从 CSI 波形中收集人的步行速度、步态周期、脚步长度以及躯干和腿部的移动速度等特征，来构建分类器。在数据处理阶段，Wi-Fi-U 使用了和Wi-Key[9]同样的 PCA 方法从信号中去除不相关的噪声分量。但是，与 Wi-Key 不同的是，CSI 波形中混合了不同身体部位的信号反射，妨碍了人体步态信息的提取。为了解决这个问题，Wi-Fi-U 使用短时傅立叶变换技术将波形转换为频谱图，使得不同身体部位的 CSI波形可以在时间—频率域中分离，因为身体不同部位的移动速度是不同的，从而反射频率也不同，但仍然存在一些限制。例如，用户必须在预定义的直线路径上以预定义的行走方向行走，并且多人在同一时间行走时，Wi-Fi-U 无法工作。

8    应用领域

智能家居   ，安全，灾难搜救(检测心跳)，医疗保健（检测生命体征），