何正燃，張茜茜，王禹，楊潔

（南京郵電大學(xué)通信與信息工程學(xué)院，江蘇 南京 210023）

0 引言

隨著各類電子設(shè)備的發(fā)展與應(yīng)用，數(shù)量繁多、樣式復(fù)雜、密集重疊、動(dòng)態(tài)交迭的電磁信號(hào)充斥在電磁環(huán)境中，使得電磁環(huán)境日趨復(fù)雜[1]。在如今的復(fù)雜電磁環(huán)境下，傳統(tǒng)的感知技術(shù)無(wú)法保證其識(shí)別精度，并且具有較低的魯棒性和泛化能力。與之相比，基于Wi-Fi 的被動(dòng)感知作為一種非侵入式的感知方法，無(wú)需綁定傳感器等專用感知設(shè)備，部署成本較低，并且由于Wi-Fi 信號(hào)的特性，不會(huì)受到非視線場(chǎng)景的影響，也不會(huì)涉及隱私問(wèn)題[2-6]。Wi-Fi 環(huán)境中的各種人類行為會(huì)導(dǎo)致信號(hào)傳輸發(fā)生變化，通過(guò)分析這些變化，可以實(shí)現(xiàn)基于Wi-Fi 的被動(dòng)感知[7-8]。傳統(tǒng)的感知方式多為基于RSSI（Received Signal Strength Indication，接收信號(hào)強(qiáng)度指示）的感知，但是這類感知方式易受環(huán)境影響而產(chǎn)生多徑效應(yīng)，穩(wěn)定性較差，無(wú)法滿足越來(lái)越復(fù)雜的精密傳感任務(wù)要求[9]，因此本文提出使用CSI（Channel State Information，信道狀態(tài)信息）代替RSSI 感知。

CSI 作為一種細(xì)粒度的物理信息，包含更精細(xì)的特征，可用于如今精確的感知識(shí)別任務(wù)。在復(fù)雜的電磁環(huán)境中，收集到的原始CSI 數(shù)據(jù)需要進(jìn)行數(shù)據(jù)預(yù)處理以便后續(xù)特征提取，然而傳統(tǒng)的人工提取特征費(fèi)時(shí)費(fèi)力，且泛化能力較差。因此，基于DL（Deep Learning，深度學(xué)習(xí)）的方法逐漸被用來(lái)自動(dòng)提取CSI 的特征[10]。Graves 等人[11]提出了一種基于LSTM（Long Short Term Memory，長(zhǎng)短時(shí)記憶）的語(yǔ)音識(shí)別方法，其中LSTM 是一種特殊的深度遞歸神經(jīng)網(wǎng)絡(luò)，它能解決梯度消失的問(wèn)題。實(shí)驗(yàn)結(jié)果表明，該方法取得了良好的語(yǔ)音識(shí)別效果。此外，Wang 等人[12]利用復(fù)雜的CNN（Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò)）對(duì)墻后的人類活動(dòng)進(jìn)行分類。Chen 等人[13]則提出了一種新的基于注意力的BLSTM（Bi-Directional Long Short-Term Memory Network，雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)）方法，實(shí)驗(yàn)結(jié)果表明，該方法能夠有效提高室內(nèi)姿勢(shì)識(shí)別的精度。此外，基于半監(jiān)督學(xué)習(xí)的方法也有著廣泛應(yīng)用[14]。

因此，本文基于現(xiàn)階段前沿最新的研究成果[10-17]，提出一種新型的基于Wi-Fi CSI 的魯棒被動(dòng)感知方法——ConvABLSTM。該方法利用CNN 提取CSI 中的空間信息，利用BLSTM 提取CSI 中的時(shí)間信息，并引入了注意機(jī)制以提高模型的魯棒性和泛化能力。即使在時(shí)變的復(fù)雜電磁環(huán)境甚至識(shí)別目標(biāo)改變的情況下，所提出的ConvABLSTM 方法仍然具有較高的識(shí)別精度。實(shí)驗(yàn)結(jié)果表明，本文所提出的方法在兩類數(shù)據(jù)集的驗(yàn)證下均能保證96% 以上的識(shí)別精度，相較于傳統(tǒng)的識(shí)別方法準(zhǔn)確率提升了3% 左右。

1 Wi-Fi感知的原理

Wi-Fi 環(huán)境中人類行為的變化會(huì)導(dǎo)致信號(hào)的反射和衍射，同時(shí)會(huì)改變信號(hào)的傳輸路徑和分布。因此，通過(guò)分析和描述Wi-Fi 信號(hào)路徑分布的變化，可以識(shí)別不同的人類行為。如圖1 所示，人的移動(dòng)行為會(huì)導(dǎo)致場(chǎng)景中Wi-Fi信號(hào)的變化。信號(hào)接收器用于接收經(jīng)過(guò)各種傳播路徑變化后的信號(hào)，最終生成CSI 流。

圖1 Wi-Fi被動(dòng)感知原理

1.1 CSI信號(hào)的描述和特征

如圖1 所示，在t到t+δt的時(shí)間范圍內(nèi)，目標(biāo)的移動(dòng)行為會(huì)導(dǎo)致場(chǎng)景中Wi-Fi 信號(hào)的變化。在信號(hào)發(fā)射機(jī)和接收機(jī)之間存在著多條路徑，接收機(jī)收集到的CSI 信號(hào)則是這些路徑的疊加，疊加后的CSI 信號(hào)可以表示為：

其中，f和c分別表示載波的頻率以及光速，L為多徑數(shù)，dl(t)表示第l條路徑的路徑距離，αl(t)為表明相位和振幅衰減信息的復(fù)數(shù)。在多徑傳播中，除了圖1 中所示的動(dòng)態(tài)傳輸路徑，也存在不因感知目標(biāo)運(yùn)動(dòng)而改變的靜態(tài)傳輸路徑。根據(jù)文獻(xiàn)[18]中的推導(dǎo)，可以將CSI 信號(hào)最終簡(jiǎn)化為以下公式：

其中，Hs為靜態(tài)路徑分量，其振幅不受時(shí)間t的影響，Hd(t)為動(dòng)態(tài)路徑分量，α表示振幅衰減和初始相位的復(fù)系數(shù)，n(t)則為噪聲，可以近似為加性高斯白噪聲。由式(2)可知，影響CSI 信號(hào)的最主要因素就是靜態(tài)路徑分量、動(dòng)態(tài)路徑分量以及環(huán)境噪聲。靜態(tài)路徑分量與時(shí)間無(wú)關(guān)，對(duì)CSI 的影響很??；動(dòng)態(tài)路徑分量會(huì)隨著傳感目標(biāo)的反射信號(hào)變化，反射信號(hào)越強(qiáng)，動(dòng)態(tài)路徑分量越強(qiáng)，從而CSI 信號(hào)性能越好；而環(huán)境噪聲則相反，隨著噪聲的增加，CSI 信號(hào)的感知性能會(huì)越來(lái)越差[18]。綜上所述，可以通過(guò)場(chǎng)景中CSI 路徑的調(diào)控來(lái)改變反射信號(hào)的強(qiáng)度，或者通過(guò)降低環(huán)境噪聲等方法來(lái)提高CSI 的感知能力。

1.2 CSI信號(hào)預(yù)處理

在復(fù)雜的電磁環(huán)境中，由于環(huán)境噪聲和各種干擾的存在，采集到的原始CSI 信號(hào)無(wú)法用于直接訓(xùn)練，需要進(jìn)行預(yù)處理操作。預(yù)處理部分主要包括三個(gè)步驟，分別為CSI信號(hào)的去噪、CSI 信號(hào)的轉(zhuǎn)換以及CSI 信號(hào)的特征提取。

信號(hào)去噪主要是用來(lái)去除CSI 振幅和相位上的噪聲。對(duì)于相位而言，在實(shí)際Wi-Fi 系統(tǒng)中，由于硬件缺陷，原始CSI 數(shù)據(jù)包含各種相位偏移，如采樣時(shí)間偏移和采樣頻率偏移等。采樣時(shí)間的偏移通常是由于接收機(jī)和發(fā)射機(jī)的采樣時(shí)鐘不同步引起的，而采樣頻率偏移則與每個(gè)載波的頻率有關(guān)，通?？梢圆捎貌罘窒辔环ɑ蛘叨嘣€性回歸法消除這兩種偏移的影響。對(duì)于振幅而言，主要是通過(guò)移動(dòng)平均和中值濾波器去除高頻的噪聲。

信號(hào)轉(zhuǎn)換主要是對(duì)時(shí)間序列進(jìn)行時(shí)頻分析，從而分析信號(hào)的內(nèi)在變化。時(shí)頻分析方法主要包括FFT（Discrete Fourier Transform，快速傅里葉變換）、DWT（Discrete Wavelet Transform，離散小波變換）、STFT（Short-Time Fourier Transform，短時(shí)傅里葉變換）等變換。

信號(hào)提取主要用于從原始信號(hào)或預(yù)處理信號(hào)中提取有用的目標(biāo)信號(hào)，主要方法是閾值、濾波和壓縮，以去除接收信號(hào)中不相關(guān)或冗余的部分。為了獲得更好的感知，有必要對(duì)多個(gè)信號(hào)源進(jìn)行組合和插值，從而獲得更有效的信息。

本文所使用的數(shù)據(jù)集為公開數(shù)據(jù)集，每個(gè)數(shù)據(jù)包文件中的平均有20 000 條CSI 數(shù)據(jù)，其中包含有效動(dòng)作數(shù)據(jù)和無(wú)效動(dòng)作數(shù)據(jù)（即No Activity 的數(shù)據(jù)）。針對(duì)無(wú)效的數(shù)據(jù)先進(jìn)行數(shù)據(jù)清洗，使用長(zhǎng)度1 000 個(gè)單位的窗口分割初始CSI 數(shù)據(jù)，并去除其中“No Activity”的數(shù)據(jù)，最后將CSI 數(shù)據(jù)中的振幅和相位返回為特征矩陣，貼上對(duì)應(yīng)動(dòng)作的標(biāo)簽。

1.3 基于學(xué)習(xí)的算法

Wi-Fi 感知通常使用的算法主要分為兩類：一類是基于模型的算法；另一類是基于學(xué)習(xí)的算法?；谀Ｐ偷乃惴ㄖ饕ㄎ锢砝碚撃Ｐ停ㄈ绶颇鶢枀^(qū)）或統(tǒng)計(jì)模型（如萊斯衰落）；基于學(xué)習(xí)的算法偏向于估計(jì)應(yīng)用。本文主要討論姿勢(shì)識(shí)別等方面的應(yīng)用，因此采用基于學(xué)習(xí)的算法。

基于學(xué)習(xí)的算法主要是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)兩類。SVM（Support Vector Machine，支持向量機(jī)）和HMM（Hidden Markov Model，隱藏馬爾可夫模型）等機(jī)器學(xué)習(xí)算法部署復(fù)雜度高、計(jì)算時(shí)間長(zhǎng)，限制了它們的廣泛應(yīng)用，而深度學(xué)習(xí)算法則有著顯著的計(jì)算優(yōu)勢(shì)。感知任務(wù)中使用的深度學(xué)習(xí)網(wǎng)絡(luò)主要是CNN 和LSTM。其中，CNN 可以從包含各種信息的CSI 中自動(dòng)提取深層特征，而LSTM 非常適合處理和預(yù)測(cè)序列數(shù)據(jù)。傳統(tǒng)LSTM 網(wǎng)絡(luò)只能處理單向的時(shí)序數(shù)據(jù)，因此隱藏層只能從過(guò)去狀態(tài)的CSI 信號(hào)中獲取信息。然而在實(shí)際應(yīng)用中，未來(lái)的CSI 信號(hào)序列也可以用于人類活動(dòng)的感知識(shí)別。為了允許網(wǎng)絡(luò)考慮雙向的時(shí)間序列信息，本文使用雙向LSTM 網(wǎng)絡(luò)，即BLSTM。

如圖2 所示，BLSTM 網(wǎng)絡(luò)是多個(gè)LSTM 的前向和反向傳播組合，隱藏層可以同時(shí)收到過(guò)去時(shí)序的信息和未來(lái)時(shí)序的信息。將隱藏層的前向傳播和后向傳播分別表示為，其中→和←分別表示前向傳播和后向傳播。因此，時(shí)刻t的隱藏層是前后隱藏狀態(tài)的串聯(lián)，即：

圖2 BLSTM網(wǎng)絡(luò)結(jié)構(gòu)

2 ConvABLSTM方法

綜上所述，CNN 能有效提取CSI 數(shù)據(jù)的空間特征，而BLSTM 能有效提取時(shí)間特征，因此本文將二者相融合，使用CNN 和BLSTM 提取CSI 的兩類特征并進(jìn)行融合，同時(shí)引入注意力機(jī)制來(lái)自適應(yīng)分配模型權(quán)重，以此提高識(shí)別精度和魯棒性，最終形成本文所提出的ConvABLSTM 方法。

2.1 ConvABLSTM方法的結(jié)構(gòu)

ConvABLSTM 的結(jié)構(gòu)如圖3 所示，左邊為物理層部分。由于人類行為變化導(dǎo)致了Wi-Fi 信號(hào)發(fā)生變化，因此首先利用信號(hào)接收器收集CSI 信息，然后對(duì)收集到的CSI數(shù)據(jù)進(jìn)行預(yù)處理（即上述的去噪、轉(zhuǎn)換和特征提?。?，最后將預(yù)處理后的CSI 數(shù)據(jù)輸入右側(cè)的ConvABLSTM 網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

圖3 ConvABLSTM的結(jié)構(gòu)框架

ConvABLSTM 包括CNN 部分和ABLSTM 部分，本文將卷積層參數(shù)設(shè)置為（400、7/12）、（200、7/12）、（100、7/12），其中三層每層的卷積核個(gè)數(shù)分別為400、200 以及100，通道數(shù)的7 或12 表示不同數(shù)據(jù)集中的標(biāo)簽數(shù)量。經(jīng)過(guò)CNN 提取空間特征后的數(shù)據(jù)輸入到BLSTM 網(wǎng)絡(luò)進(jìn)行時(shí)間特征提取。BLSTM 包含200 個(gè)隱藏節(jié)點(diǎn)，訓(xùn)練后的時(shí)空特征經(jīng)過(guò)融合反饋到注意層。注意層的輸出是注意矩陣，它表示特征和時(shí)間步的重要性。將訓(xùn)練后的特征與注意矩陣中的元素相結(jié)合，得到具有注意權(quán)重的特征矩陣，將其展平為特征向量，最后通過(guò)softmax 分類層識(shí)別不同的動(dòng)作標(biāo)簽。

2.2 Attention層的應(yīng)用

注意機(jī)制模型最初是用于圖像識(shí)別領(lǐng)域，與人類的視覺系統(tǒng)相類似，該模型能一直聚焦于圖像的某個(gè)區(qū)域，并隨著時(shí)間變化會(huì)自適應(yīng)調(diào)整視覺焦點(diǎn)。這就使得機(jī)器能夠在識(shí)別任務(wù)中關(guān)注更加重要的區(qū)域，從而起到忽略其他區(qū)域的作用[19]。針對(duì)基于Wi-Fi 的室內(nèi)姿勢(shì)識(shí)別工作，通過(guò)CNN 和BLSTM 提取其時(shí)空特征，提取后的特征是高維的，不同的空間特征和時(shí)間特征對(duì)最終感知任務(wù)的貢獻(xiàn)不同，因此引入了注意機(jī)制模型，利用其獨(dú)立學(xué)習(xí)每個(gè)參數(shù)的重要性并自適應(yīng)分配權(quán)重的優(yōu)點(diǎn)，提高整體方法的識(shí)別性能以及魯棒性。

假設(shè)特征h有n個(gè)特征向量，分別表示為：hi,i=1,2,…,n。可以通過(guò)一種得分函數(shù)Φ(·) 計(jì)算其得分，并根據(jù)得分評(píng)估不同特征向量的重要程度。

其中，W和b分別表示權(quán)重和偏差，利用該得分可以使用softmax 函數(shù)對(duì)其歸一化，最終輸出特征則為特征向量與其歸一化分?jǐn)?shù)的乘積。

2.3 ConvABLSTM的訓(xùn)練

本文提出的ConvABLSTM 方法使用帶有真實(shí)環(huán)境標(biāo)簽的訓(xùn)練數(shù)據(jù)來(lái)確定模型的參數(shù)，初始參數(shù)均為隨機(jī)值。將訓(xùn)練數(shù)據(jù)輸入ConvABLSTM 進(jìn)行標(biāo)簽預(yù)測(cè)，之后使用預(yù)測(cè)標(biāo)簽和給定的地面真值標(biāo)簽計(jì)算類別交叉熵誤差，最后通過(guò)基于梯度的優(yōu)化方法進(jìn)行反向傳播，以更新模型參數(shù)。本文在訓(xùn)練中也采用了ADAM 優(yōu)化[20]，其優(yōu)點(diǎn)在于可以有效地自適應(yīng)計(jì)算訓(xùn)練過(guò)程中每個(gè)參數(shù)的學(xué)習(xí)率。假設(shè)θ是要優(yōu)化的參數(shù)，gt是其梯度，則θ(t+1)可以使用ADAM 更新為：

其中，αt和βt分別表示梯度的一階矩和二階矩，η表示學(xué)習(xí)率，設(shè)置為1×10-4，參數(shù)r1、r2、ε分別設(shè)置為0.9、0.999和1×10-8。

通過(guò)在網(wǎng)絡(luò)中引入注意力層并使用ADAM 優(yōu)化器，該模型可以在優(yōu)化過(guò)程中自主選擇重要特征或步長(zhǎng)。因此，它可以有效地計(jì)算每個(gè)參數(shù)的自適應(yīng)學(xué)習(xí)率，并顯著降低過(guò)度擬合的風(fēng)險(xiǎn)。

3 實(shí)驗(yàn)結(jié)果

本文所提出的ConvABLSTM 方法使用了Tensorflow和Keras 環(huán)境框架，設(shè)備為GeForce GTX 1080Ti。按照8:1:1 的比例將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，后續(xù)實(shí)驗(yàn)準(zhǔn)確度都是基于測(cè)試集的準(zhǔn)確度。

3.1 數(shù)據(jù)集的采用

本文使用了兩組公開的數(shù)據(jù)集，分別為7 動(dòng)作標(biāo)簽的數(shù)據(jù)集A[10]和12 動(dòng)作標(biāo)簽的數(shù)據(jù)集B[21]。兩類數(shù)據(jù)集都是通過(guò)Linux 802.11n CSI 工具采集CSI 數(shù)據(jù)，設(shè)備包含3 根天線和30 個(gè)子載波，因此收集的CSI 維度為3×30×T，其中T表示時(shí)間序列。數(shù)據(jù)集A的標(biāo)簽為“bed”、“fall”、“pick up”、“run”、“sit down”、“stand up”和“walk”；數(shù)據(jù)集B為兩個(gè)目標(biāo)對(duì)象之間的交互動(dòng)作，以“I1”到“I12”作為標(biāo)簽，分別表示為“I1（approaching）”、“I2（departing）”、“I3（handshaking）”、“I4（high five）”、“I5（hugging）”、“I6（kicking with the left leg）”、“I7（kicking with the right leg）”、“I8（pointing with the left hand）”、“I9（pointing with the right hand）”、“I10（punching with the left hand）”、“I11（punching with the right hand）”和“I12（pushing）”。

3.2 仿真結(jié)果

為了驗(yàn)證本文所使用的ConvABLSTM 的性能，對(duì)幾種典型的DL 算法（即CNN、LSTM、BLSTM 和其他算法）進(jìn)行了比較和訓(xùn)練，最終訓(xùn)練的識(shí)別情況如表1 和表2 所示。

從表格可以看出，在數(shù)據(jù)集A的訓(xùn)練情況下，ConvABLSTM 對(duì)7 個(gè)動(dòng)作的感知精度均高于CNN 和BLSTM 網(wǎng)絡(luò)。除站立動(dòng)作外，其他動(dòng)作的感知準(zhǔn)確率均在96% 以上，平均比其他算法高4 個(gè)百分點(diǎn)。在數(shù)據(jù)集B的訓(xùn)練情況下，ConvABLSTM 的訓(xùn)練結(jié)果準(zhǔn)確率依舊能保持在96% 或97% 以上，性能相對(duì)較好。即使在CNN 和BLSTM 識(shí)別較差的I6、I10 和I12 等標(biāo)簽上，本文提出的方法仍然可以具有較高的識(shí)別精度。與比較算法相比，整體感知準(zhǔn)確性提高了3 到4 個(gè)百分點(diǎn)。

注意力層的引入仍然顯著提高了識(shí)別的準(zhǔn)確性和穩(wěn)定性。與傳統(tǒng)的CNN、BLSTM 等單一網(wǎng)絡(luò)模型相比，該方法的識(shí)別準(zhǔn)確率和穩(wěn)定性顯著提高。此外，隨著場(chǎng)景從7 個(gè)標(biāo)簽變?yōu)?2 個(gè)標(biāo)簽，識(shí)別目標(biāo)從單人動(dòng)作變?yōu)槎嗳私换?，CNN 與BLSTM 等比較方法識(shí)別的準(zhǔn)確度在不同動(dòng)作標(biāo)簽中有著明顯的降低，尤其在識(shí)別I6 和I10 等動(dòng)作時(shí)，各個(gè)方法的準(zhǔn)確率顯著下降。而引入注意機(jī)制后，本文所提出的ConvABLSTM 方法針對(duì)每個(gè)動(dòng)作的識(shí)別仍然保持著較高的準(zhǔn)確率，體現(xiàn)了其提高魯棒性的作用。

綜上所述，將上述兩種情況下各種方法的識(shí)別精度對(duì)比畫在圖4 中。從圖中可以明顯看出，與其他基準(zhǔn)算法相比，本文提出的基于ConvABLSTM 的Wi-Fi 感知方法具有更好的識(shí)別精度。在場(chǎng)景發(fā)生變化和識(shí)別對(duì)象發(fā)生變化后，對(duì)比的算法的準(zhǔn)確度都會(huì)發(fā)生不同程度的降低，并且在個(gè)別動(dòng)作識(shí)別的準(zhǔn)度上會(huì)出現(xiàn)很低的識(shí)別結(jié)果，而本文提出的ConvABLSTM 方法仍能保持96% 的平均識(shí)別準(zhǔn)確率，且在其余方法識(shí)別顯著降低的動(dòng)作標(biāo)簽上依舊保有較高精度，體現(xiàn)其具有很高的魯棒性。

4 結(jié)束語(yǔ)

本文得到了西安郵電大學(xué)陜西省信息通信網(wǎng)絡(luò)與安全重點(diǎn)實(shí)驗(yàn)室、通用無(wú)線通信教育部重點(diǎn)實(shí)驗(yàn)室KFKT-2020106 的支持，提出了一種基于Wi-Fi CSI 的魯棒被動(dòng)感知方法（即CNN-ABLSTM 方法）。與傳統(tǒng)基于單一CNN 或單一LSTM 的方法相比，該方法在性能和計(jì)算復(fù)雜度方面具有明顯的優(yōu)勢(shì)。具體而言，首先使用CNN對(duì)預(yù)處理后的CSI 信號(hào)進(jìn)行特征提取，以提取更適合深度神經(jīng)網(wǎng)絡(luò)的特征，然后通過(guò)BLSTM 網(wǎng)絡(luò)對(duì)其進(jìn)行訓(xùn)練。注意機(jī)制的引入防止了過(guò)度擬合，并顯著提高了模型的魯棒性。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的算法模型（CNN、LSTM、BLSTM 等）相比，本文提出的方法具有更高的準(zhǔn)確性，在不同場(chǎng)景和不同識(shí)別對(duì)象下仍然能保持96%左右的識(shí)別精度，并體現(xiàn)出較好的魯棒性。

表1 不同動(dòng)作下的識(shí)別準(zhǔn)確度（數(shù)據(jù)集A）

表2 不同動(dòng)作下的識(shí)別準(zhǔn)確度（數(shù)據(jù)集B）

圖4 不同方法下的識(shí)別準(zhǔn)確度