史 白，莊 杰，龐 宏

(電子科技大學(xué) 通信與信息工程學(xué)院，成都 611731) (*通信作者電子郵箱806223677@qq.com)

基于信道狀態(tài)信息的非合作式室內(nèi)人體運(yùn)動(dòng)檢測(cè)

史 白*，莊 杰，龐 宏

(電子科技大學(xué) 通信與信息工程學(xué)院，成都 611731) (*通信作者電子郵箱806223677@qq.com)

針對(duì)用攝像頭、傳感器等運(yùn)動(dòng)檢測(cè)手段的設(shè)備部署復(fù)雜、昂貴、有盲區(qū)等缺點(diǎn)，提出一種利用無(wú)線(xiàn)保真(WiFi)信號(hào)進(jìn)行人體運(yùn)動(dòng)檢測(cè)的方法。首先，使用無(wú)線(xiàn)網(wǎng)卡接收被檢測(cè)環(huán)境中WiFi的信道狀態(tài)信息(CSI)；其次，使用局部離群因子檢測(cè)(LOF)算法和Hampel濾波器去除異常的CSI數(shù)據(jù)；然后，用線(xiàn)性回歸算法去除因網(wǎng)卡時(shí)鐘不同步造成的頻移誤差，再用主成分分析(PCA)降維和樸素貝葉斯算法分類(lèi)不同情況下的CSI數(shù)據(jù)，生成用于判斷人體運(yùn)動(dòng)狀況的模型；最終用生成的模型對(duì)人體運(yùn)動(dòng)狀態(tài)進(jìn)行判斷。在實(shí)驗(yàn)中該方法能快速判斷并達(dá)到95.62%的正確率。實(shí)驗(yàn)結(jié)果表明該方法能很好檢測(cè)識(shí)別人的運(yùn)動(dòng)。

無(wú)線(xiàn)保真；信道狀態(tài)信息；非合作式；運(yùn)動(dòng)檢測(cè)；異常檢測(cè)；相位矯正

0 引言

人體運(yùn)動(dòng)檢測(cè)是指利用特定設(shè)備或手段，對(duì)人體的運(yùn)動(dòng)狀態(tài)進(jìn)行判定?，F(xiàn)在，人體運(yùn)動(dòng)檢測(cè)技術(shù)主要分為3類(lèi)：基于傳感器(Sensor-based)、基于視覺(jué)(Vision-based)和基于無(wú)線(xiàn)射頻(RF-based)。基于傳感器的運(yùn)動(dòng)檢測(cè)是研究時(shí)間最長(zhǎng)的一種方式，被測(cè)人體需要佩戴指定的傳感器以獲取各種體態(tài)信息[1-2]，例如慣導(dǎo)傳感器和陀螺儀，其缺點(diǎn)是被檢測(cè)者必須能配合檢測(cè)方(即主動(dòng)式)，并且攜帶傳感器有時(shí)候也很不方便。基于視覺(jué)的運(yùn)動(dòng)檢測(cè)主要利用攝像頭進(jìn)行信息采集，成熟的產(chǎn)品有微軟公司的Kinect和Leap公司Leap Motion[3]，它們都可以進(jìn)行很高精度的運(yùn)動(dòng)檢測(cè)；但是該方法對(duì)光學(xué)環(huán)境敏感，只能工作在視距場(chǎng)景和光學(xué)條件較好的場(chǎng)景，并且可能泄漏隱私，大規(guī)模部署的成本也很高?；跓o(wú)線(xiàn)射頻的運(yùn)動(dòng)檢測(cè)主要用電磁波的特性進(jìn)行運(yùn)動(dòng)檢測(cè)[4-8]，例如軍用雷達(dá)；但該方式在日常生活中并沒(méi)有成熟的產(chǎn)品或系統(tǒng)。

同時(shí)，無(wú)線(xiàn)保真(Wireless Fidelity， WiFi)遍布生活中的各處，商店、學(xué)校、辦公室、地鐵都能順暢地使用到WiFi，它已經(jīng)無(wú)可爭(zhēng)議地成為民用無(wú)線(xiàn)局域網(wǎng)的最主流技術(shù)。到目前為止，WiFi技術(shù)也僅僅是用于短距離通信。一些學(xué)者已經(jīng)提出，利用WiFi也可以進(jìn)行探測(cè)、識(shí)別，并取得了很不錯(cuò)的成果。

另外，運(yùn)動(dòng)檢測(cè)方式主要分合作式和非合作式。所謂的“合作式”檢測(cè)，就是被檢測(cè)者需要攜帶特定設(shè)備，如各種傳感器。相反，“非合作式”檢測(cè)，類(lèi)似被動(dòng)雷達(dá)的概念，就是不需要被測(cè)者攜帶任何設(shè)備或要求被測(cè)者作出任何配合動(dòng)作，也不需要在特定的環(huán)境下，可以在被測(cè)者完全不知情的時(shí)候就進(jìn)行檢測(cè)。顯而易見(jiàn)，非合作式人體運(yùn)動(dòng)檢測(cè)更加方便、隱蔽、廉價(jià)，應(yīng)用場(chǎng)景更廣泛。

本文將采用非合作式方式，利用WiFi信號(hào)的CSI信息進(jìn)行人體運(yùn)動(dòng)檢測(cè)，但相比昂貴的軟件無(wú)線(xiàn)電設(shè)備USRP，本文采用了更為廉價(jià)、易于部署的WiFi商用網(wǎng)卡來(lái)進(jìn)行CSI信息收集；然后通過(guò)局部離群因子檢測(cè)(Local Outlier Factor， LOF)算法和Hampel濾波器進(jìn)行異常點(diǎn)處理，之后經(jīng)過(guò)相位矯正算法、主成分分析(Principal Component Analysis， PCA)進(jìn)行特征抽??；最后用樸素貝葉斯算法進(jìn)行分類(lèi)預(yù)測(cè)，得到人體運(yùn)動(dòng)狀態(tài)判定結(jié)果。為了達(dá)到正確分類(lèi)的目的，本文主要有以下工作：

1)由于商用網(wǎng)卡精度不高，時(shí)鐘同步不夠理想，并且CSI數(shù)據(jù)是一組對(duì)環(huán)境敏感的數(shù)據(jù)，因此，本文引入多種異常檢測(cè)手段，排除因環(huán)境和設(shè)備偶然性造成的誤差。

2)提出一種新的相位矯正方法。該方法利用機(jī)器學(xué)習(xí)中的線(xiàn)性回歸方法，來(lái)對(duì)CSI樣本值進(jìn)行矯正。該方法可以作為現(xiàn)有CSI相位矯正方法的一種補(bǔ)充。

3)嘗試了多種分類(lèi)算法并仿真，得到混淆矩陣和仿真時(shí)間，然后分析、比較它們?cè)诒緦?shí)驗(yàn)中的性能。

1 相關(guān)研究

利用WiFi進(jìn)行運(yùn)動(dòng)檢測(cè)是一個(gè)比較新穎的研究熱點(diǎn)，相關(guān)的研究大致可以分為以下兩類(lèi)：

1)利用WiFi進(jìn)行定位。最常見(jiàn)的是利用WiFi指紋算法進(jìn)行定位。其中，杜克大學(xué)(Duke University)的學(xué)者將室內(nèi)劃分成一個(gè)一個(gè)小方格，利用被檢測(cè)者WiFi的RSSI與構(gòu)建好的WiFi指紋庫(kù)匹配來(lái)獲得被檢測(cè)者的具體位置[18]，取得了很不錯(cuò)的成果。另外，麻省理工學(xué)院(Massachusetts Institute of Technology, MIT)的科研者[6]于2014年提出一種“WiTrack”技術(shù)，引入了調(diào)頻載波(Frequency Modulated Carrier Wave， FMCW)技術(shù)使得接收天線(xiàn)上能提取飛行時(shí)間(Time-Of-Flight， TOF)，利用無(wú)線(xiàn)信號(hào)在3根接收天線(xiàn)上不同的TOF，就可以進(jìn)行人體定位。

2)利用WiFi信號(hào)對(duì)人體探測(cè)。MIT的學(xué)者提出Wi-Vi(WiFi Vision)系統(tǒng)[4]，利用多入多出(Multi-Input Multi-Output， MIMO)天線(xiàn)體系中的干擾消除技術(shù)能夠識(shí)別墻體后的人體姿態(tài)。華盛頓大學(xué)的學(xué)者利用WiFi和USRP進(jìn)行物體成像[19]。倫敦大學(xué)學(xué)院(University College London， UCL)的Woodbridge等[15-17]研究了利用USRP去搭建被動(dòng)雙基站雷達(dá)系統(tǒng)。香港理工大學(xué)和香港科技大學(xué)的學(xué)者研究了使用WiFi信號(hào)監(jiān)控人體的睡眠模式和監(jiān)聽(tīng)人們的發(fā)音[20]。

2 總體設(shè)計(jì)

2.1 CSI數(shù)據(jù)模型

由于人體運(yùn)動(dòng)會(huì)導(dǎo)致WiFi信號(hào)的多普勒頻移，改變WiFi信道的CSI值，所以本文將采用CSI信息進(jìn)行人體運(yùn)動(dòng)檢測(cè)。首先，設(shè)定一個(gè)時(shí)間窗w=5 s，以這個(gè)時(shí)間窗為一個(gè)單元，劃分CSI矩陣，判斷在這段時(shí)間內(nèi)的運(yùn)動(dòng)狀態(tài)。而WiFi采用正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing， OFDM)調(diào)制技術(shù)，將信號(hào)調(diào)制到一系列間隔為312.5 kHz的子載波上進(jìn)行通信，本文能獲取WiFi信號(hào)每根天線(xiàn)的Num=30個(gè)子載波的CSI信息。假設(shè)k∈[1,Num]為子載波序數(shù)，發(fā)射的信號(hào)為X(fk)，fk∈{-58,-54,-50,…,50,54,58}為子載波頻點(diǎn)，Y(fk)為接收天線(xiàn)的信號(hào)，那么在第k個(gè)子載波上，信道頻率響應(yīng)H(fk)表示為：

H(fk)=‖H(fk)‖ei∠H(fk)

(1)

其中：‖H(fk)‖是第k個(gè)子載波的CSI幅度信息,∠H(fk)是第k個(gè)子載波的CSI相位信息，如圖1。

圖1 第一個(gè)子載波CSI的幅值和相位信息

接收信號(hào)為：

Y(fk)=H(fk)X(fk)

(2)

由于本實(shí)驗(yàn)采用2天線(xiàn)路由來(lái)發(fā)射信號(hào)，3天線(xiàn)無(wú)線(xiàn)網(wǎng)卡接收信號(hào)，于是，在一個(gè)頻點(diǎn)上有6個(gè)H(fk)值。另外，無(wú)線(xiàn)網(wǎng)卡CSI信息是通過(guò)收集每個(gè)數(shù)據(jù)包中的數(shù)據(jù)來(lái)得到的，因此不同時(shí)刻有著不同的H(fk)值，所以將收集來(lái)的CSI信息H(fk)整理成一個(gè)三維矩陣，得到H。定義CSI信息三維矩陣H的每個(gè)元素Ht,a,k為：

Ht,a,k=Ht,a(fk)

(3)

三個(gè)坐標(biāo)軸分別為時(shí)間t∈[0,w]，天線(xiàn)序號(hào)a∈[1,6]，子載波序號(hào)k∈[1,Num]。

2.2 CSI信息異常檢測(cè)與剔除

2.2.1 局部離群因子檢測(cè)算法檢測(cè)異常點(diǎn)

收集的未經(jīng)處理的CSI信息不僅存在有用的信道信息和測(cè)量誤差等正常誤差，還存在一定量的由于儀器或者不確定因素干擾形成的異常值，這些異常值不僅會(huì)增加計(jì)算量、降低整體算法運(yùn)行效率，還會(huì)破壞CSI信息整體性和連續(xù)性，對(duì)使用CSI信息判斷運(yùn)動(dòng)狀態(tài)造成干擾，因此從數(shù)據(jù)挖掘算法中引入一種有效的異常處理算法——局部離群因子檢測(cè)(LOF)算法[21]。

到目前為止，異常檢測(cè)算法[22]分為基于統(tǒng)計(jì)的算法、基于距離的算法、基于密度的算法和基于偏差的算法等。Breunig等[21]提出基于密度的局部異常檢測(cè)算法，給出了局部異常因子的概念，LOF算法是其中的一種。

鄰域查詢(xún)是基于密度的算法中最基本的概念。對(duì)于數(shù)據(jù)集D，計(jì)算某對(duì)象p與D內(nèi)所有對(duì)象之間的距離并獲取其中符合一定條件的對(duì)象集合，該過(guò)程稱(chēng)為針對(duì)對(duì)象p的一次鄰域查詢(xún)。

而LOF異常檢測(cè)算法相比之前的各種異常檢測(cè)算法最大的不同之處在于，該方法的檢測(cè)結(jié)果并不是直接給出該點(diǎn)是否被判定為異常點(diǎn)，而是給出一個(gè)異常因子來(lái)衡量該點(diǎn)為異常點(diǎn)的概率有多大。

LOF算法定義了以下概念。

定義1 對(duì)象p的MinPts距離鄰域，即所有與對(duì)象p的距離不超過(guò)MinPts-distance(p)的對(duì)象組成的集合。形式化表示為MinPts-dist(p)={q∈D{q}|d(p,q)≤MinPts-dist(p)}，簡(jiǎn)寫(xiě)為NMinPts(p)，其中，MinPts-distance(p)表示對(duì)象p的MinPts距離。

當(dāng)某對(duì)象o滿(mǎn)足如下條件：

1)至少存在MinPts個(gè)對(duì)象s∈D{p}，使得d(p,s)≤d(p,o)；

2)至多存在MinPts-1個(gè)對(duì)象s∈D{p}，使得d(p,s)≤d(p,o)；

則對(duì)象p與o的距離d(p,o)記為MinPts-distance(p)，簡(jiǎn)寫(xiě)為MinPts-d(p)。

定義2 對(duì)象p的局部可達(dá)密度lrdMinPts(p)表示如下：

(4)

其中，reach-distMinPts(p,s)表示對(duì)象p相對(duì)于s的可達(dá)距離，定義為：

reach-distMinPts(p,s)=max{MinPts-d(s),d(p,s)}

(5)

定義3 對(duì)象p的局部異常因子，其計(jì)算公式為：

(6)

由定義3可知，對(duì)象p的異常因子即為該點(diǎn)的MinPts距離鄰域內(nèi)的所有對(duì)象的局部可達(dá)密度的均值與該點(diǎn)的局部可達(dá)密度數(shù)值的比例。不難發(fā)現(xiàn)，對(duì)象p點(diǎn)的局部可達(dá)密度越低，其鄰域內(nèi)所有對(duì)象的局部可達(dá)密度越高，對(duì)象p的局部異常因子的值也會(huì)越高。

按照定義給出的公式和步驟，即可得到每一個(gè)點(diǎn)的LOF值。根據(jù)用戶(hù)指定的LOF閾值，將LOF值高于該閾值的對(duì)象判定為異常。遍歷所有點(diǎn)，并去除LOF值高于閾值的點(diǎn)，就得到去除異常的CSI信息。

2.2.2 濾波器濾除誤差

Hampel濾波器屬于基于決策的濾波器中一種，它能找出數(shù)據(jù)序列中的異常數(shù)據(jù)點(diǎn)，并以更有代表性的數(shù)值取代[23]。Hampel濾波器是基于中值絕對(duì)偏差的濾波器，利用一個(gè)滑動(dòng)窗口來(lái)計(jì)算這個(gè)窗口內(nèi)的均值并用平均絕對(duì)偏差(Mean Absolute Deviation， MAD)估計(jì)窗口內(nèi)每一個(gè)值標(biāo)準(zhǔn)差，如果窗口內(nèi)某個(gè)值遠(yuǎn)離均值，就判定為異常點(diǎn)，并用均值替代[24]。

這個(gè)濾波器是一種異常點(diǎn)檢測(cè)并矯正的算法。經(jīng)過(guò)LOF后，CSI數(shù)據(jù)中偏離很大的異常點(diǎn)被去除了，然后再使用Hampel濾波器算法對(duì)CSI信息進(jìn)行小幅度修正，得到一組異常值較少的CSI信息。圖2為濾波前后的對(duì)比，可明顯看出，圖2(a)中時(shí)間序號(hào)約為8，22，57，73，80，85，90，95有幾個(gè)異常點(diǎn)，在圖2(b)中被去除并被均值替代。

圖2 Hampel濾波前后CSI幅值對(duì)比

2.3 CSI信息相位處理

由圖3可以看出，由于噪聲和收發(fā)機(jī)時(shí)鐘不同步，未經(jīng)處理的相位顯得雜亂無(wú)章，不可直接使用，其中一個(gè)原因是商用網(wǎng)卡的相位精確度較差。Sen等[18]提出一種很好的相位處理方法，如下所示。

(7)

(8)

Sen等[18]認(rèn)為Δφf(shuō)Δk、Δβ、ΔZ是均值為零的隨機(jī)變量或者相對(duì)于因接收機(jī)時(shí)間偏移產(chǎn)生的相位誤差是較小量，可以忽略。于是：

(9)

?。?/p>

(10)

(11)

(12)

至此，得到了矯正后的相位。

本文提出另一種思路來(lái)解決這個(gè)問(wèn)題。根據(jù)式(8)、(9)、(11)，假設(shè):

(13)

c=(φf(shuō)k-φf(shuō)1)+Δβ+ΔZ

(14)

那么：

(15)

其中Δk=k-1，k∈[1,Num]。

根據(jù)式(15)，引入線(xiàn)性回歸算法，求得a和c，即求得時(shí)間偏移τ。

線(xiàn)性回歸算法是用一條直線(xiàn)y=wx+b去擬合當(dāng)前的一系列樣本(x,y)。線(xiàn)性回歸有多種算法，本文采用基于最小均方誤差規(guī)則下最小二乘法來(lái)求得w和b，即：

(16)

其中：(xi,yi)為第i個(gè)樣本對(duì)；w、b為直線(xiàn)的斜率和截距。

然后使用最小二乘法，即可得到w和b的閉式解，即可求出a、b，得到線(xiàn)性回歸的方程，去除不同步、噪聲等誤差。矯正后結(jié)果如圖3。

圖3 一根天線(xiàn)上30個(gè)子載波相位

2.4 CSI信息特征抽取

經(jīng)過(guò)以上數(shù)據(jù)處理，得到去除異常和誤差的CSI數(shù)據(jù)。CSI數(shù)據(jù)是從WiFi OFDM的30個(gè)子載波上收集到的，那就意味著單位時(shí)間(每一個(gè)數(shù)據(jù)包)內(nèi)，一種運(yùn)動(dòng)狀態(tài)標(biāo)簽(靜止或運(yùn)動(dòng))label∈{0,1}對(duì)應(yīng)的CSI數(shù)據(jù)含有30個(gè)特征值xi,1,xi,2,…,xi,30(i為第i個(gè)數(shù)據(jù)包)。雖然不同子載波收集的數(shù)據(jù)有差異，從多個(gè)方面反映了因?yàn)檫\(yùn)動(dòng)導(dǎo)致的CSI信息的變化，但是不同子載波的CSI數(shù)據(jù)并不是完全不相關(guān)的，甚至是相關(guān)性比較大的，這些CSI信息會(huì)增大計(jì)算量，影響算法效率，因此，本文需要對(duì)CSI信息進(jìn)行降維處理。PCA算法是一種將高維數(shù)據(jù)投影到低維空間的一種算法。在該算法中計(jì)算矩陣的協(xié)方差矩陣，然后計(jì)算協(xié)方差矩陣的特征值和特征向量，選取一定數(shù)量的特征值和對(duì)應(yīng)特征向量來(lái)近似表示原矩陣，達(dá)到降維的目的。

本文采取PCA方法對(duì)CSI信息進(jìn)行特征抽取。首先CSI矩陣H分成幅值矩陣A和相位矩陣Φ，然后分別計(jì)算它們的協(xié)方差矩陣cov(A)和cov(Φ)，再分別計(jì)算其最大特征值α=max(eig(cov(A)))、β=max(eig(cov(Φ)))并組成一個(gè)特征對(duì)(α，β)。

2.5 CSI信息特征抽取

經(jīng)過(guò)以上算法，在一個(gè)時(shí)間窗w內(nèi)獲取了一對(duì)特征參數(shù)(α，β)，假設(shè)收集的CSI數(shù)據(jù)分成了m個(gè)時(shí)間窗，即有m對(duì)特征(α，β)，i∈[1,m]。為了檢測(cè)運(yùn)動(dòng)狀態(tài)(靜止或運(yùn)動(dòng))，需要構(gòu)建特征-標(biāo)記對(duì)。假設(shè)靜止?fàn)顟B(tài)label=0，運(yùn)動(dòng)狀態(tài)label=1，將靜止?fàn)顟B(tài)下收集的CSI數(shù)據(jù)經(jīng)過(guò)以上算法處理后得到的特征(αi,βi)添加標(biāo)記label，得到特征-標(biāo)記對(duì)(αi,βi,label=0)，同理得到運(yùn)動(dòng)狀態(tài)下特征-標(biāo)記對(duì)(αi,βi,label=1)，得到兩個(gè)特征-標(biāo)記矩陣S、M，如圖4所示。

圖4 CSI的幅值最大特征值和相位最大特征值

利用構(gòu)建好的兩個(gè)矩陣進(jìn)行運(yùn)動(dòng)檢測(cè)需要利用分類(lèi)算法，有些學(xué)者采用人為設(shè)定門(mén)限進(jìn)行CSI信息歸類(lèi)，取得了很好的成果。但是，使用這種方法的劣勢(shì)是在門(mén)限的選取這個(gè)問(wèn)題上，需要大量的經(jīng)驗(yàn)和調(diào)試。另一種方法是采用學(xué)習(xí)分類(lèi)的方法，這種方法采用算法和大量樣本去決定門(mén)限值來(lái)進(jìn)行分類(lèi)，很好地規(guī)避了因?yàn)槿藶橐蛩囟a(chǎn)生的誤差，因此本文采取這種方法來(lái)進(jìn)行分類(lèi)。由于本文所涉及的運(yùn)動(dòng)檢測(cè)只有靜止和運(yùn)動(dòng)兩種狀態(tài)，屬于二分類(lèi)問(wèn)題，并且有狀態(tài)的特征數(shù)量是2，所以一些復(fù)雜的模型(如神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等)會(huì)增加算法復(fù)雜度和降低運(yùn)算效率，因此一些基本的分類(lèi)算法是很好的選擇。已經(jīng)有學(xué)者用支持向量機(jī)(Support Vector Machine, SVM)、K最鄰近節(jié)點(diǎn)(K-Nearest Neighbor，KNN)等算法很好地訓(xùn)練了模型，并得到很高的分類(lèi)正確率，本文選擇用樸素貝葉斯分類(lèi)器來(lái)對(duì)運(yùn)動(dòng)狀態(tài)進(jìn)行分類(lèi)。

相比SVM算法的參數(shù)敏感和核函數(shù)選取困難的缺陷，KNN算法高計(jì)算量、樣本敏感、輸出可解釋性不強(qiáng)等缺點(diǎn)，樸素貝葉斯算法有著良好的數(shù)學(xué)基礎(chǔ)(根據(jù)貝葉斯概率進(jìn)行數(shù)學(xué)建模)，對(duì)分類(lèi)結(jié)果有很好的數(shù)學(xué)解釋?zhuān)哂兴惴◤?fù)雜度低、效率高、樣本不敏感等優(yōu)勢(shì)。而樸素貝葉斯算法的缺點(diǎn)是有著非常嚴(yán)格的假設(shè)(各個(gè)特征之間條件獨(dú)立)，但是由于CSI數(shù)據(jù)的相位和幅值本身有良好的獨(dú)立性，并且在之前的數(shù)據(jù)處理中將各個(gè)特征處理成了近似獨(dú)立，所以很好地規(guī)避了樸素貝葉斯算法的缺陷，因此，本文選取樸素貝葉斯算法作為分類(lèi)算法。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)設(shè)備、環(huán)境布置與實(shí)驗(yàn)實(shí)施

為了驗(yàn)證以上算法并評(píng)估整個(gè)系統(tǒng)的性能，本實(shí)驗(yàn)采用一臺(tái)普通聯(lián)想臺(tái)式PC，Ubuntu操作系統(tǒng)，安裝Intel 5300網(wǎng)卡作為接收機(jī)，網(wǎng)卡上裝有3根接收天線(xiàn)，天線(xiàn)成“一”字排布，每根天線(xiàn)相距6 cm。發(fā)射機(jī)采用TP-Link WR742N路由器，有2根發(fā)射天線(xiàn)。設(shè)置工作模式于2.4 GHz頻段，采用802.11n協(xié)議、40 Mb帶寬模式。整個(gè)收發(fā)機(jī)組成一個(gè)2×3 MIMO系統(tǒng)。實(shí)驗(yàn)環(huán)境和天線(xiàn)具體布置如圖5所示。

圖5 實(shí)驗(yàn)場(chǎng)所平面圖

整個(gè)實(shí)驗(yàn)室共有3排卡座，共3條水平方向走道、1條豎直方向走道。路由器和PC所成直線(xiàn)和水平方向的夾角大致為π/4。整個(gè)設(shè)備部署已經(jīng)完成。

實(shí)驗(yàn)邀請(qǐng)一名志愿者，從門(mén)處開(kāi)始，在4條走道內(nèi)，以大約0.5～2 m/s的速度自由行走。所謂自由行走，就是指方向隨機(jī)，速度在0.5～2 m/s這個(gè)范圍內(nèi)隨機(jī)變化的運(yùn)動(dòng)。打開(kāi)計(jì)算機(jī)進(jìn)入U(xiǎn)buntu系統(tǒng)，加載開(kāi)源Intel 5300網(wǎng)卡驅(qū)動(dòng)，該驅(qū)動(dòng)會(huì)共享WiFi的CSI數(shù)據(jù)[25]。本文一共收集4組數(shù)量大致相等數(shù)據(jù)，2組靜止數(shù)據(jù)和2組運(yùn)動(dòng)數(shù)據(jù)。其中1組靜止和1組運(yùn)動(dòng)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，剩下2組作為測(cè)試數(shù)據(jù)。每隔時(shí)間w分別對(duì)2組訓(xùn)練數(shù)據(jù)取一次數(shù)據(jù)，再將數(shù)據(jù)整理為CSI數(shù)據(jù)矩陣H，依次使用LOF算法、Hampel濾波器、相位矯正、PCA算法加以處理。處理完所有訓(xùn)練數(shù)據(jù)后使用分類(lèi)算法分類(lèi)并生成模型。最后，使用測(cè)試數(shù)據(jù)對(duì)模型進(jìn)行檢測(cè)與驗(yàn)證。

3.2 實(shí)驗(yàn)結(jié)果

經(jīng)過(guò)以上實(shí)驗(yàn)步驟和算法處理，得到如下數(shù)據(jù)。其中：表1展示了各種算法的總體情況；表2是各種算法的混淆矩陣。根據(jù)混淆矩陣，可以更詳細(xì)地知道這些算法的假陽(yáng)性、假陰性等指標(biāo)。

表1 4種算法的錯(cuò)誤率和時(shí)間性能比較

表1是4種算法總的錯(cuò)誤率和運(yùn)行時(shí)間對(duì)比。其中KNN算法獲得最小錯(cuò)誤率4.22%，但耗時(shí)最長(zhǎng)；樸素貝葉斯算法獲得第二小的錯(cuò)誤率4.38%，并且耗時(shí)最短；而高斯SVM比其他3種算法的錯(cuò)誤率高了約3倍。

表2詳細(xì)給出了每個(gè)狀態(tài)被正確和錯(cuò)誤分類(lèi)的概率?？梢钥闯觯琄NN、樸素貝葉斯、線(xiàn)性SVM算法中行走狀態(tài)被錯(cuò)誤分類(lèi)為靜止?fàn)顟B(tài)或者靜止?fàn)顟B(tài)被錯(cuò)誤分類(lèi)為行走狀態(tài)的概率都在6.50%以?xún)?nèi)，而高斯SVM算法靜止?fàn)顟B(tài)被分類(lèi)為行走狀態(tài)的概率高達(dá)24.53%，行走狀態(tài)被分類(lèi)為靜止?fàn)顟B(tài)的概率為0.62%。這表明高斯SVM算法生成的模型不能平衡地分類(lèi)行走和靜止?fàn)顟B(tài)，而KNN、樸素貝葉斯、線(xiàn)性SVM算法生成的模型能較為平衡地分類(lèi)。

因此，在本實(shí)驗(yàn)條件下，經(jīng)過(guò)LOF算法、Hampel濾波器、相位矯正、PCA算法處理CSI數(shù)據(jù)后，根據(jù)在保證較高準(zhǔn)確率的條件下選取算法效率最高的模型的原則，認(rèn)為樸素貝葉斯算法能在最短時(shí)間判斷運(yùn)動(dòng)狀態(tài)，達(dá)到第二高的正確率95.62%(即第二小的錯(cuò)誤率4.38%)，為最優(yōu)算法。

表2 4種算法的混淆矩陣對(duì)比

總的來(lái)說(shuō)，本實(shí)驗(yàn)成功地實(shí)現(xiàn)利用WiFi信號(hào)的CSI進(jìn)行非合作式人體運(yùn)動(dòng)檢測(cè)，準(zhǔn)確率高達(dá)95.62%。

4 結(jié)語(yǔ)

本文提出了一個(gè)完整的基于WiFi CSI的非合作式人體運(yùn)動(dòng)檢測(cè)的方法，能判別室內(nèi)人是否在行走，正確率達(dá)到95.62%。針對(duì)CSI數(shù)據(jù)處理，提出了一些異常數(shù)據(jù)處理方法和矯正無(wú)線(xiàn)網(wǎng)卡時(shí)鐘不同步產(chǎn)生的誤差的方法，并對(duì)比了各種分類(lèi)器在本實(shí)驗(yàn)中的性能，選擇了樸素貝葉斯算法生成用于判斷人體運(yùn)動(dòng)的模型。當(dāng)然，在檢測(cè)多人運(yùn)動(dòng)和人體復(fù)雜運(yùn)動(dòng)情況檢測(cè)方面本方法略顯不足，將致力于充分利用WiFi信號(hào)的CSI來(lái)解決這個(gè)問(wèn)題。

References)

[1] 汪亮.基于可穿戴傳感器網(wǎng)絡(luò)的人體行為識(shí)別技術(shù)研究[D].南京：南京大學(xué),2014:1-2.(WANG L. Research on wearable sensor network based human activity recognition technologies [D]. Nanjing: Nanjing University, 2014: 1-2.)

[2] 肖玲.無(wú)線(xiàn)體域網(wǎng)中人體動(dòng)作監(jiān)測(cè)與識(shí)別若干方法研究[D].長(zhǎng)沙：湖南大學(xué),2014:1-3.(XIAO L. Research on key technologies of human activity monitoring and recognition in wireless body sensor networks [D]. Changsha: Hunan University, 2014: 1-3)

[3] Leap Motion. Leap motion controller [EB/OL]. [2014- 12- 28]. https://www.leapmotion.com.

[4] ADIB F, KATABI D. Seeing through walls with WiFi! [C]// Proceedings of the ACM SIGCOMM 2013 Conference. New York: ACM, 2013: 75-86.

[5] ADIB F, KABELAC Z, KATABI D, et al. 3D tracking via body radio reflections [C]// Proceedings of the 11th USENIX Conference on Networked Systems Design and Implementation. Berkeley, CA: USENIX Association, 2014: 317-329.

[6] ADIB F, KABELAC Z, KATABI D. Multi-person motion tracking via RF body reflections [C]// NSDI 15: Proceedings of the 12th USENIX Symposium on Networked Systems Design and Implementation. Berkeley, CA: USENIX Association, 2015: 279-292.

[7] PU Q, GUPTA S, GOLLAKOTA S, et al. Whole-home gesture recognition using wireless signals [C]// Proceedings of the 19th Annual International Conference on Mobile Computing & Networking. New York: ACM, 2013: 27-38.

[8] SIGG S, BLANKE U, TROSTER G. The telepathic phone: frictionless activity recognition from WiFi-RSSI [C]// Proceedings of the 2014 IEEE International Conference on Pervasive Computing and Communications. Piscataway, NJ: IEEE, 2014: 148-155.

[9] BEDER C, KLEPAL M. Fingerprinting based localisation revisited: a rigorous approach for comparing RSSI measurements coping with missed access points and differing antenna attenuations [C]// Proceedings of the 2012 International Conference on Indoor Positioning and Indoor Navigation. Piscataway, NJ: IEEE, 2012: 1.

[10] JIANG Z P, ZHAO J Z, HAN J S, et al. Wi-Fi fingerprint based indoor localization without indoor space measurement [C]// Proceedings of the 2013 IEEE 10th International Conference on Mobile Ad-Hoc and Sensor Systems. Piscataway, NJ: IEEE, 2013: 385.

[11] 王鳳.基于聚類(lèi)的射頻指紋定位技術(shù)研究[D].北京：北京郵電大學(xué),2014:2-4.(WANG F. Research on radio fingerprints localization techniques based on cluster analysis [D]. Beijing: Beijing University of Posts and Telecommunications, 2014: 2-4)

[12] 王淑婷.基于位置指紋的Wi-Fi定位算法研究[D].長(zhǎng)春:吉林大學(xué)，2015:7-8.(WANG S T. Research on WiFi positioning algorithm based on location fingerprint [D]. Changchun: Jilin University, 2015: 7-8.)

[13] 朱劍,趙海,孫佩剛,等.基于RSSI均值的等邊三角形定位算法[J].東北大學(xué)學(xué)報(bào)(自然科學(xué)版),2007,28(8):1094-1097.(ZHU J, ZHAO H, SUN P G, BI Y G. Equilateral triangle localization algorithm based on average RSSI [J]. Journal of Northeastern University (Natural Science), 2007, 28(8): 1094-1097.)

[14] 詹杰,劉宏立,劉述鋼,等.基于RSSI的動(dòng)態(tài)權(quán)重定位算法研究[J].電子學(xué)報(bào),2011,39(1):82-88.(ZHAN J, LIU H L, LIU S G, et al. The study of dynamic degree weighted centroid localization algorithm based on RSSI [J]. Acta Electronica Sinica, 2011, 39(1): 82-88.)

[15] WOODBRIDGE K, CHETTY K, YOUNG L, et al. Development and demonstration of software-radio-based wireless passive radar [J]. Electronics Letters, 2012, 48(2): 120-121.

[16] CHETTY K, SMITH G E, WOODBRIDGE K. Through-the-wall sensing of personnel using passive bistatic WiFi radar at standoff distances [J]. IEEE Transactions on Geoscience & Remote Sensing, 2012, 50(4): 1218-1226.

[17] CHETTY K, TAN B, WOODBRIDGE K. Data processing for real-time wireless passive radar [C]// Proceedings of the 2014 IEEE Radar Conference. Piscataway, NJ: IEEE, 2014: 455-459.

[18] SEN S, RADUNOVIC B, CHOUDHURY R R, et al. You are facing the Mona Lisa: Spot localization using PHY layer information [C]// Proceedings of the 10th International Conference on Mobile Systems, Applications, and Services. New York: ACM, 2012: 183-196.

[19] HUANG D, NANDAKUMAR R, GOLLAKOTA S. Feasibility and limits of Wi-Fi imaging [C]// Proceedings of the 12th ACM Conference on Embedded Network Sensor Systems. New York: ACM, 2014: 266-267.

[20] WANG G H, ZOU Y P, ZHOU Z M, et al. We can hear you with Wi-Fi![J]. IEEE Transactions on Mobile Computing, 2016, 15(11): 593-594.

[21] BREUNIG M M, KRIEGEL H P, NG R T, SANDER J. LOF: identifying density-based local outliers [C]// Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data. New York: ACM, 2000: 93-104.

[22] JIN W, ANTHONY K H T, HAN J W. Mining top-nlocal outliers in large databases [C]// Proceedings of the 7th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2001: 293-295.

[23] 張吉先,鐘秋海,戴亞平.一種基于小波變換的去噪新算法[J].北京理工大學(xué)學(xué)報(bào),2003,23(6):741-742.(ZHANG J X, ZHANG Q H, DAI Y P. A new de-noising algorithm based on wavelet transform [J]. Transactions of Beijing Institute of Technology, 2003, 23(6): 741-742.)

[24] 蔣賢海,謝存禧,鄒焱飚.一種強(qiáng)噪聲下的監(jiān)護(hù)信息降噪方法[J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,39(4):66-67.(JIANG X H, XIE C X, ZOU Y B. A denoising method of monitoring information under strong noise [J]. Journal of South China University of Technology (Natural Science Edition), 2011, 39(4): 66-67.)

[25] HALPERIN D, HU W, SHETH A, et al. Tool release: gathering 802.11n traces with channel state information [J]. ACM SIGCOMM Computer Communication Review, 2011, 41(1): 53.

This work is partially supported by Science & Technology Department of Sichuan Province (2017JY0223), China Postdoctoral Science Foundation (2015M580785).

SHIBai, born in 1994, M. S. candidate. His research interests include signal processing of wireless communication, machine learning.

ZHUANGJie, born in 1976, Ph. D., associate professor. His research interests include signal processing, artificial intelligence, Multi-Input Multi-Output (MIMO) communication.

PANGHong, born in 1968, M. S., lecturer. Her research interests include data mining, computer communication security.

Non-cooperativeindoorhumanmotiondetectionbasedonchannelstateinformation

SHI Bai*, ZHUANG Jie, PANG Hong

(SchoolofCommunicationandInformationEngineering,UniversityofElectronicScienceandTechnologyofChina,ChengduSichuan611731,China)

Concerning that using camera and sensor to detect human motion has the shortcomings of difficult deployment, expensive device and blind zone, a method of human motion detection using Wireless Fidelity (WiFi) signal was proposed. Firstly, the wireless network card was used to receive the Channel State Information (CSI) of the WiFi in the detected environment. Secondly, the Local Outlier Factor (LOF) algorithm and the Hampel filter were used to remove the abnormal CSI data. After the frequency shift caused by the rough synchronization of the network card clock was removed by the linear regression algorithm, the Principal Component Analysis (PCA) was used to reduce dimension and Naive Bayes algorithm was used to classify the CSI data in different cases, which generated a model for judging human movement states. Finally, the model was used to judge the state of human motion. In the experiment, the proposed method can quickly determine the state of human motion and reach the correct rate of 95.62%. The experimental results show that the proposed method can detect and identify the movement of people well.

Wireless Fidelity (WiFi); Channel State Information (CSI); non-cooperative; motion detection; outlier detection; phase rectification

Signal Strength Indication, RSSI)進(jìn)行探測(cè)[8-11]，因?yàn)镽SSI數(shù)據(jù)在無(wú)線(xiàn)網(wǎng)卡、智能設(shè)備上非常容易獲得。RSSI有著環(huán)境敏感的特性，目標(biāo)物體的運(yùn)動(dòng)會(huì)導(dǎo)致RSSI值變化，因此可以很容易地在WiFi環(huán)境下探測(cè)目標(biāo)。很多學(xué)者已經(jīng)使用RSSI數(shù)據(jù)和相應(yīng)算法(指紋算法[12]、等邊三角形定位算法[13]、動(dòng)態(tài)權(quán)重定位算法[14]等)精確地定位人的位置。近年來(lái)，利用信道狀態(tài)信息(Channel State Information， CSI)來(lái)進(jìn)行探測(cè)逐步興起。相比RSSI，CSI不僅包含幅值信息，還有相位信息，并且精確到每一個(gè)子載波的信道信息。很多學(xué)者已經(jīng)在通用軟件無(wú)線(xiàn)電外設(shè)(Universal Software Radio Peripheral， USRP)上利用CSI數(shù)據(jù)進(jìn)行成像、運(yùn)動(dòng)檢測(cè)，取得了良好的效果[15-17]。

TP399

:A

2016- 12- 07;

:2017- 02- 16。

四川省科技廳應(yīng)用基礎(chǔ)研究面上課題(2017JY0223)；中國(guó)博士后基金第58批面上項(xiàng)目一等資助項(xiàng)目(2015M580785)。

史白(1994—)，男，江西贛州人，碩士研究生，主要研究方向：無(wú)線(xiàn)通信中的信號(hào)處理、機(jī)器學(xué)習(xí)； 莊杰(1976—)，男，四川成都人，副教授，博士，主要研究方向：信號(hào)處理、人工智能、多入多出通信； 龐宏(1968—)，女，四川成都人，講師，碩士，主要研究方向：數(shù)據(jù)挖掘、計(jì)算機(jī)通信安全。

1001- 9081(2017)07- 1843- 06

10.11772/j.issn.1001- 9081.2017.07.1843