基于Wi-Fi Sensing的無感檢測技術

車忠輝 車晨暢 解仲坤

第一作者簡介：車忠輝（1973-），男，碩士，正高級工程師。研究方向為人工智能，計算機和軟件開發，移動通信技術，數據處理。

DOI：10.19981/j.CN23-1581/G3.2024.12.001

摘? 要：隨著智能家居的推廣普及，對于移動物體的行為感知成為熱點技術。相比于傳統的信息檢測技術，新型的基于Wi-Fi信號的設備無關被動入侵檢測，能夠在無需用戶做任何干預也不影響人員隱私安全的情況下實現對于行為的檢測判斷，這和使用攝像頭或紅外檢測形成顯著差異，成為研究熱點。該文基于Wi-Fi芯片平臺采集物理層信道狀態信息，構建與移動載體信息相關的檢測模型，結合大數據分析和智能算法，給出相關的實現方案，并基于實驗驗證實現從無線信道中捕捉波形特征，驗證方案的有效性，結合結果分析也為后續精度的進一步提升提供改進方向。

關鍵詞：Wi-Fi感知；信道狀態信息；入侵檢測；大數據處理；檢測模型

中圖分類號：TN92? ? ? ? 文獻標志碼：A? ? ? ? ? 文章編號：2095-2945（2024）12-0001-05

Abstract： With the popularization of smart home， the behavior perception of moving objects has become a hot technology. Compared with the traditional information detection technology， the new device independent passive intrusion detection based on Wi-Fi signal can detect and judge the behavior without any user intervention and without affecting the privacy security of personnel， which is significantly different from the use of camera or infrared detection， and has become a research hotspot. In this paper， the channel state information of the physical layer is collected based on the Wi-Fi chip platform， and the detection model related to the mobile carrier information is constructed. Based on big data analysis and intelligent algorithm， the relevant implementation scheme is given， and the waveform features are captured from the wireless channel based on experimental verification， which verifies the effectiveness of the scheme. The analysis of the results also provides a direction for further improvement of the follow-up accuracy.

Keywords： Wi-Fi awareness; channel state information; intrusion detection; big data processing; detection model

感知手段的發展促使了智能家居的普及，而智能家居的場景化使用要求也提升了人們對于感知的進一步應用。當前遠程檢測成為應用熱點，各種sensor傳感器應用也逐步成為家庭組網的關鍵，越來越多的產品都以集成豐富是傳感器組件為賣點，但在相關產品的應用過程中，如何保護用戶隱私，在獲得信息感知并提供感知服務的同時不造成額外的開銷成為技術研究的趨勢。

當前市場上常用的檢測系統在技術實現上多采用基于計算機視覺[1-2]、專用傳感器和射頻信號[3-4]3種方式，相關技術方案成熟但在運行維護時有成本高、部署困難的情況，而且對于被檢物體存在隱私泄露的情況。隨著算例的提升以及人工智能技術的發展，通過利用環境中已有的無線信號如聲、光或無線射頻信號進行感知采集成為研發熱點，這種非傳感器感知進行信息加工和計算的方式將人類對于物質世界的認識推到了一個新的高度。

對于智能家居來說，基于家庭數據中心的CPE來做技術研究，在不引入新的設備載體的情況下，通過算例改進來實現新業務是本文的關注重點，本文基于實驗驗證，從Wi-Fi無線信號的采集入手，給出一種Wi-Fi信道信息采集、建模計算和優化改進的方法，并通過實際測試完成了實現非傳感器感知的方案。

1? 方案原理

如圖1所示，對于無線Wi-Fi信號，無論是2.4G還是5G頻段，其因為使用的是公開頻道都會受到不同的信道干擾，在AP和STATION之間信號從不同的路徑發射和接收，由于多普勒效應，會存在接收端接收到的信號來自不同信道，這些不同信道所呈現的波形疊加將產生不同的疊加信號。而居于信道上的物體的移動會造成信道的直接干擾，物體的形狀、速度以及裝備等都會對信號路徑產生不同的影響，這些信息特征將為物體的感知做出不同的映射，這種映射關系將成為信道覆蓋范圍內設備動靜感知的基礎[5-6]。

Wi-Fi Sensing就是基于信號處理、特征分析以及機器學習等技術，對無線信道進行噪聲過濾和采樣分析，識別出需要的有用信息，把這些信息轉換為多普勒譜圖，并結合譜圖做大數據分析處理，找出規律達到識別載體運動的軌跡。

Wi-Fi無線信道強度RSSI是Wi-Fi信號質量最明顯的信息特征，也是人們對于Wi-Fi覆蓋質量應用最廣的判定因素之一，在早期的Wi-Fi Sensing人體感知研究中，有研究者以 RSSI作為信息載體想從中獲得統計數據。但實際測試發現，因為RSSI 易受環境的干擾，不同干擾源所造成的RSSI結果又處于相同值，這使得通過RSSI進行行為提取的模型難以快速建立，并且抽象的數據模型也不能使用到復雜的物體移動場景中，為了更多地在無線信息中提取有效數據，并且基于算例的考慮，最新技術是使用疊加了多徑效應的信道狀態來進行判斷，這比單純依靠RSSI能獲得更多的有效數據，成為感知研究的主導技術[7]。

圖1? 室內無線信號的傳播路徑

2? 基于CSI的信息處理

2.1? 信道狀態信息（CSI）

信道是無線信號傳遞的路徑，與信道頻率響應相同，可以從頻域角度來描述信道對于傳輸信號的影響，常用于在正交頻分復用（Orthogonal Frequency Division Multiplexing，OFDM）系統中描述各個子信道的屬性，在信號傳遞的路徑上必然會存在各通道信號的疊加，這是不同于主傳輸通路的噪聲信號，但這些疊加狀態信息可以基于OFDM來度量信道狀態。這樣每一條無線鏈路都會產生對應的CSI 值。與RSSI相比，CSI提供了更為豐富、細粒度的信號狀態信息，這些包含特定信息的CSI載體是進行應用開發的關鍵。

2.2? 計算方法

行為運動檢測最終是要劃歸為模式識別，而模式識別的關鍵是數據的分析計算，在模式識別問題中，選取的特征將影響數據的分類。正如香農采樣定律描述的，不同的采樣數據將直接影響最終的計算結果。隨著無線協議技術的發展，各個芯片平臺在API接口上都會把響應的CSI值量化輸出，使用CSI進行數據采集，不但平臺支持，而且方便抓取，所以物體移動檢測判斷就演變成CSI的采集以及算法的設計，良好的算法將使得信道的特征表現更加明顯，也更能基于大數據分析獲得物體運動的映射特征。

3? 方案仿真

本文設計的人體檢測系統方案總體流程圖如圖2所示，為了更好地獲得模型數據，在檢測上采用預訓練階段和實時檢測階段兩大部分。在預訓練階段，先對檢測區內的物體分布、采樣區大小及區域布置進行數字畫像，分別采集監測區域的物體信息，包括并不限于物體移動速度、距離及大小等可視數據。經過預訓練，得到了完整的機器學習模型。再進行在線實時檢測，明確不變的設備保持固定，以減輕模型計算的復雜度。獲得物體移動實時檢測數據，把相關數據和預訓練完成的模型結合特征值進行分類概率計算，這個概率即判斷環境中是否有物體移動的概率，以概率的線性區間展示移動的規律。

3.1? 數據預處理

在采集CSI數據時，無論預先統計數據建模還是在建模后的實時數據訓練，因為無線環境的多徑效應，信道上存在無數的雜散和因為環境噪聲造成的信道質量影響，采集到的CSI信息往往存在異常信息，這些異常信息需要予以剔除，Hampel濾波以決策的方式能尋找到CSI數據序列中的異常數據，并將更具有這組數據中特征的數值代替異常值以達到去噪的目的[8-9]。CSI數據靜濾波器降噪后的效果如圖3所示。

原始的CSI數據中伴隨著大量加性高斯白噪聲，為濾除噪聲保留動作信號，使用離散小波變化（DWT）來對CSI進行多次分解重構。通過調節細節系數中的閾值模式和尺度噪聲過濾了與活動無關的高頻子帶。采用小波變化中消失矩為3的小波基函數對原始CSI完成8次分解重構，細節系數選取minimaxi。噪聲與原始動作信號在小波譜上各具特點，使用離散小波消除噪聲，原理為消除各個尺度上由噪聲所產生的小波譜分量并適當改進有效動作行為信號的小波譜。具體為將伴隨著噪聲信號的CSI動作信號劃分為幀，每一幀通過db3小波函數分解后生成每一層的分解系數，在過程中使用閾值限定的方法最終實現噪聲的降低。同時，對動作的分量同樣使用閾值法增強，經小波變換處理前后的CSI人體活動行為如圖4所示。

圖2? 人體感知檢測系統框圖

（a）? 原始波形

（b）? Hampel濾波后波形

圖3? CSI數據經Hampel濾波的對比

（a）? 原始CSI數據

（b）? DWT處理后

圖4? DWT濾波對比

3.2? 無線鏈路選擇

Wi-Fi感知所在MIMO系統中，存在多條無線射頻鏈路。每條無線射頻鏈路中都包含有CSI信息，可以對無線信號的多徑效應進行描述。由于受到同頻干擾或者環境中多徑效應的影響，不同的鏈路之間的信號波動存在差異性，對運動物體的行為也具有不同的敏感度。這種差異性對被動入侵檢測的準確度有著直接的影響。

本文通過數據分析驗證，選取靜態環境下，各條無線射頻鏈路中CSI幅值信息的方差、峰值等特征作為鏈路的評估屬性，采用多屬性決策的思想從多個評價測度對無線射頻鏈路的性能進行分析對比，最后依據其性能的優劣進行排序，選用性能最佳的無線射頻鏈路來實現被動入侵檢測，從而提高檢測的魯棒性和精度。

4? 方案驗證

4.1? 驗證環境

為了做方案的原理驗證，選擇了2個室內環境進行驗證。如圖5所示選擇了固定的2個日常會議室作為實驗場地，實驗過程中，除了人員動靜移動外，其他會議室內的物體不發生變化。

會議室內布置了一個無線CPE路由器和一部手機，在實驗過程中均保持位置距離不動，路由器作為熱點，手機通過Wi-Fi和路由器進行上網連接，過程中保持Wi-Fi數據通路有固定流量，2個場景中設備型號和品牌相同。在實驗場景中，路由器和手機被固定之后，設置一個固定采樣頻率，同時，讓一個人在室內以不同的速度在室內隨機移動，這時就可以觀察到接收端信號頻率的變化，在接收端不斷采集記錄這些信號值，然后從中提取CSI數據存儲在預定的數據庫中。這個是預采集過程，這個過程要確保足夠長并且獲得的數據量本足夠多，確保CSI的數據能在信號變化的情況下準確輸出并被捕獲統計。這能有效確保設備工作正常，數據采集流程是可靠的。

隨后再安排不同數量的志愿者進一步參與數據采集，每種移動情況都采集若干組數據，每一組數據都存儲統計。對于人體移動的速度，快、慢和非常慢大約分別做了不同的設定，以便后續計算匯總的時候能快速導出。

（a）? 實驗場地1

（b）? 實驗場地2

圖5? 實驗環境平面圖

4.2? 統計分析

在數據采集的基礎上，使用大數據的統計分析，可以匯總導出人員數量、移動速度和CSI變化的統計曲線，進一步把相關曲線做方差統計，給出基礎CSI變化的分布區間。然后隨機安排人員進入實驗室，跟蹤CSI變化曲率與基礎CSI的比照，計算出概率分布，依據概率給出人員的運動模式，再和實際的監控做比對，檢測實驗的有效性。

實驗結果發現，檢測精度與不同場景、不同時間窗和不同運動速率、范圍都相關，但影響比重不同。房間的大小對檢測精度有輕微影響，在稍大實驗室房間中的檢測精度有所下降，如圖6所示。

圖6? 不同場景的人體識別準確率

4.2.1? 時間窗口對檢測精度的影響

實驗結果還發現不同CSI采集時間窗口也影響檢測的平均精度。如圖7所示，隨著采集窗口時間的變化，檢測計算結果也存在差異，如果窗口采樣時間過長，數據量加大對于計算復雜程度明顯提高，也降低了系統的響應速度。

圖7? 不同時間窗口的識別準確率

4.2.2? 移動距離對檢測精度的影響

通過實驗發現，實驗者在室內的移動范圍也影響檢測精度，因為Wi-Fi的覆蓋以及使用產品的天線設計因素，在不同Wi-Fi信號覆蓋區間移動，距離的變化也對精度有影響。在真實環境中，人員移動的信號變化與理想環境下不可能是直接的線性關系，走路的路徑變化直接對應Wi-Fi信號變化，在實驗中可以看到，逐漸增大人與設備之間的距離，無線信號存在變化，距離的變化導致精度出現變化。為了增加系統的人體檢測精度，可以將設備擺放在合理的位置，增加監測范圍或增加感知設備的數量，提高檢測精度。

4.2.3? 采樣率對檢測精度的影響

在驗證過程中還發現，采樣的頻率如CSI采樣率也影響檢測精度，統計不同的 CSI采樣率大小，所計算的精度值變化比較大，但采樣率的變化也直接影響計算的工作量和模型的復雜度，所以對于采樣率的設置還需要綜合考慮?；跈z測場景的預設頻率將是提升檢測精度的關鍵，原因是較低的采樣率會導致細粒度信息的丟失。同樣，過高的采樣率會導致系統計算復雜度提高，降低系統的綜合性能。

4.3? 存在的問題

當多人處于同一區域時，人群會引起信號的疊加效應，從而難以在無線信號的信息中獲取準確的檢測特征，降低檢測系統的準確率。

CSI 是為提高通信性能而設計的，并沒有針對感知問題優化，沒有統一的標準，路由設備感知和通信是相互影響的。目前，可采集CSI數據的設備及Wi-Fi芯片數量很少，且不同平臺采集的CSI數據多數不能通用，本文使用基于高通IPQ5018平臺CPE路由器抓取CSI數據，不能借鑒目前開放的數據集。

有一點值得關注，IEEE 802.11bf工作組正在積極推進Wi-Fi Sensing的標準化工作，規范Wi-Fi網絡中采集分發CSI信息的標準格式和流程。這使得Wi-Fi Sensing技術的未來落地應用具備了一定的基礎。

5? 結論

本文通過對Wi-Fi信道的分析和結合多普勒路徑信號變化的實際，給出了一種無線感知檢測的新方案，基于大數據計算和統計分析，描述了使用Wi-Fi Sensing進行感知的具體實現原理和過程，通過實驗驗證證明了基于平臺提供的CSI數據可以方便實現無線檢測的基本功能，實驗中也發現了使用該信號量計算時對于檢測精度影響的相關因素，進一步優化規避相關因素可以提升檢測精度。

參考文獻：

[1] 孔金生，李婧馨，段鵬松，等.基于Wi-Fi信號的人體身份識別算法研究綜述[J].計算機科學，2021，48（10）：246-257.

[2] STARNER T， PENTLAND A. Real-time american sign language recognition from video using hidden markov models[M]. Motion-based recognition. Springer，? Dordrecht， 1997： 227-243.

[3] KELLOGG B， TALLA V， GOLLAKOTA S. Bringing gesture recognition to all devices[C]//11th USENIX Symposium on Networked Systems Design and Implementation （NSDI 14）. 2014： 303-316.

[4] DIAN Z， JIAN M， QUANBIN C， et al. An RF-based System for Tracking Transceiver-free Objects[C]//5th Annual IEEE International Conference on Pervasive Computing and Communications （PerCom 2007）， 2007：135-144.

[5] CHUNMEI H， KAISHUN W， YUXI W， et al. WiFall： Device-free Fall Detection by Wireless Networks[C]//IEEE INFOCOM 2014 - IEEE Conference on Computer Communications， Vol.1： Toronto， Ontario（CA）.27 April - 2 May 2014.：Curran Associates， Inc.， 2014：271-279.

[6] WU K， XIAO J， YI Y， et al.CSI-based indoor localization [J].IEEE Transactions on Parallel and Distributed Systems， 2013，24（7）：1300-130.

[7] 楊錚，劉云浩.Wi-Fi雷達：從RSSI到CSI[J].中國計算機學會通訊，2014，10（11）：55-60.

[8] PEARSON R K， NEUVO Y， ASTOLA J， et al. The class of generalized hampel filters[C]//Proc of European Signal Processing Conference， Piscataway. NJ： IEEE， 2015：2501-2505.

[9] 馬凱凱，段鵬松，孔金生.WiGNet：一種適用于無線感知場景的手勢識別模型[J].西安交通大學學報，2023，57（5）：194-203.