無線感知網絡中動作識別的濾波算法

吳春香，張建明

(南京郵電大學 通信與信息工程學院，江蘇 南京 210000)

0 引 言

基于CSI(channel state information)技術的無線感知系統主要利用無線信號的OFDM特性，典型的系統如TD-LTE、WIFI的物理層技術。OFDM技術在頻域將整個信道分為多個正交的子載波。技術上可以通過對不同子載波的信道信息的捕獲，對整個鏈路的狀況進行估計和預測。當收發信機之間存在遮擋時，將對多個子載波的信號產生不同影響。如果收發信機之間有活動物體，該物體的動作變化對無線信道的影響呈現一致性的特征，即收發信機之間人體的肢體動作對應的子載波信號變化呈現明顯的特征。反映到子載波信號的變化上，主要影響無線信號的振幅、相位、信號強度。目前在智能家居、健康看護以及入侵檢測等領域運用無線信號這一新技術是目前市場上一個不錯的潛在方向。以前比較成熟的技術是運用攝像頭[1]等設備，但攝像頭存在一些致命的缺陷，比如要在光線良好的情況下才能發揮攝像頭的作用，還有攝像頭會存在侵犯隱私的問題，在一些私密的場所使用攝像頭是不被允許的。

近年來可穿戴式傳感器比較熱門[2]，但是并不是所有人都喜歡或者愿意佩戴，這也是該技術從本質上不能解決的問題。而無線感知技術在達到相同靈敏度條件下的價格和部署成本更低，探測范圍更廣，同時受到溫度、光線等環境因素的影響更低。無線信號具有一定的穿透能力，可以在肉眼看不到的地方(如墻壁后面)對目標區域進行探測與感知，具備其他感知設備無法擁有的獨特優勢。雖然無線信號的優勢很大，但其中夾雜的環境噪聲也影響了它的使用，會導致行為識別不準確、定位不正確等問題，所以要對無線信號進行去噪預處理。傳統去噪方法如均值濾波，低通濾波等在去除CSI信息噪聲中表現不佳，殘留噪聲過多，影響識別系統的準確度。對此，文中在低通和均值濾波去噪的基礎上提出一種基于特征提取的主成分分析方法，以提升去噪效果，獲取更為明顯的動作特征。

1 無線信號行為識別技術

運用無線信號進行人為識別和定位的相關技術分為兩類，基于接受信號強度指示(received signal strength indicator，RSSI)[3]的和基于CSI[4-5]的。

1.1 基于RSSI

RSSI的強弱在一定程度上反映了信道質量的好壞，可將獲取到的RSSI信息代入無線信號傳播模型以估算信號傳播距離，從而實現無線監測和定位的功能[6-7]。基于RSSI的人類活動識別系統利用人類活動引起的信號強度變化[8]，該方法只能做粗粒度的人類活動識別，精度低，因為商業設備所提供的RSSI值具有非常低的分辨率。RSSI只反映了多徑疊加的總幅度，也即RSSI測量的是信號多徑傳播的疊加效果，并不能逐一區分多條信號傳播路徑。為了刻畫多徑傳播，引入了RSSI的升級版本CSI。

1.2 基于CSI

CSI值在許多商業設備如英特爾5300和Atheros 9390網絡接口卡(NIC)是可以獲得的。最近CSI已用于人類活動識別以及室內定位，如文獻[9-10]中使用CSI來檢測環境中人是否存在，也就是入侵檢測，還有E-eyes[11]和WiHear[12]這些行為識別系統。理論支撐就是上文提及的不同行為的無線信號會產生不同的多徑失真，從而反映在不同的子載波上。無線網卡會連續監測無線信道形成CSI，CSI就是信道的頻率響應的采樣。令x(f,t)和y(f,t)分別是發送和接收信號的頻域表示，它們的關系如下所示：

y(f,t)=x(f,t)*h(f,t)+Ni

(1)

其中，Ni表示噪聲；h(f,t)表示在時間t測量的載波頻率f的信道頻率響應(CFR)。

CSI測量的是運行在802.11協議下的30個子載波的信息，是在某個時刻對信道狀態信息的頻率響應的采樣，所以在一段時間內得到的是一系列的相同維度的采樣值，維度為Nt*Nr*30。其中Nt表示發送端的天線數，比如路由器的天線根數，Nr表示接受端的天線數，比如無線網卡的天線根數。

2 CSI信號去噪模型

2.1 系統框圖

系統框圖如圖1所示。

圖1 系統框圖

首先對CSI原始數據分別進行均值濾波或低通濾波。這兩個過濾器的主要目的是去除一些加性噪聲和高頻噪聲。濾波完成后，用主成分分析法(PCA)對數據進行處理。根據所提取的特征，通過使用人類活動識別算法，如動態時間規整(DTW)或經驗模態分解(EMD)等識別具體的行為。

2.2 CSI中的噪聲

CSI中的噪聲分為內部噪聲和外部噪聲。商用WiFi設備提供的無線信號非常嘈雜。CSI內部噪聲的一個主要來源是在發送端和接收端的WiFi網卡，如功率變化的內部狀態轉換，傳輸速率自適應，以及內部的CSI參考水平的變化。這些內部狀態轉換導致高振幅脈沖和突發噪聲。這些脈沖和突發噪聲的一個有趣的特點是它們的效果是高度相關的所有CSI信息，即它們對所有CSI的影響是相同的。例如，如果發送者WiFi網卡提高0.5 dB以上的傳輸功率，所有CSI信息都會增加0.5 dB功率，所以不關心內部噪聲的影響。而外部噪聲主要來源于傳輸環境，這些是不可控的，必須通過相應的去噪算法使之減少。

2.3 均值濾波

均值濾波是一種典型的圖像處理算法，能夠有效濾除圖像中的加性噪聲。把CSI的幅值當作像素，選擇合適的模板尺寸。圖2(a)是一個先蹲下后站立的行為的未經濾波的子載波波形，圖2(b)是經過平均濾波器所得的波形。利用均值濾波方法，波形變得很平滑，濾除了大部分的干擾噪聲。

2.4 低通濾波

由于人的運動引起的變化的頻率位于頻譜的低頻端，而噪聲的頻率位于頻譜的高頻端，為了消除這種情況下的噪聲，選擇巴特沃斯低通濾波器。它不會對信號的相位信息造成失真，并在通帶中具有最大平坦的振幅響應，從而不會給人體運動信號帶來很大的改變。圖2(c)是經過低通濾波得到的子載波振幅的波形。

圖2 低通濾波子載波振幅

雖然這個過程有助于去除一些高頻噪聲和加性噪聲，但噪聲并沒有完全消除。因為巴特沃斯濾波器有稍慢的下降增益的阻帶。雖然嚴格的低通濾波可以進一步去除噪聲，但是它會導致有用的信息丟失。要從嘈雜的CSI時間序列中提取有用的信號，而由于人類運動的變化引起的CSI中所有子載波的變化是一致的，并且對于最后提取到的特征來說，所需要的特征信息或者數據肯定是質量越高越好，所以結合上面的分析發現，在這一步中運用主成分分析方法是很自然的。

2.5 主成分分析方法提取行為特征

主成分分析方法是一種常用的數據分析方法。PCA通過線性變換將原始數據變換為一組各維度線性無關的表示，可以用于提取數據的主特征分量，常用于數據降維，還附帶有去噪的效果。文獻[11-12]中就運用PCA算法對數據進行降維，以減少運算量。

圖3是同一個動作在同一時刻下的四個不同子載波波形，從圖中可以得出人類運動的變化引起的CSI中所有子載波的變化是一致的結論。在文獻[13-14]中就利用這種相關性進行人類活動的識別。通過計算所有CSI時間序列的主要組成部分，然后選擇那些代表變化之間的所有CSI時間序列的主要組成部分，稱之為主成分分析。

圖3 子載波之間的相關性

原始CSI信息用Zt表示，使用式2刪除Zt中的第一個次要成分。根據觀察可知，第一次要成分包含大部分噪聲，PCA次要成分的去除不會導致任何運動信息損失，其余的PCA主成分仍然包含足夠的信息，足以成功完成人類活動識別和定位。

Hz{1:P}=Zt*P1

(2)

其中，P1表示濾除第一次要成分的變換矩陣，所以在Hz{1:P}的基礎上再進行次要成分的濾除就使用變換矩陣P2，此次連續進行了四次成分的選擇，結果如圖4所示。

圖4 四輪PCA結果

3 實驗仿真及結果

仿真平臺采用Matlab2013，在對原始CSI數據利用均值和低通濾波濾除大部分的加性噪聲和高頻噪聲后使用PCA算法，PCA對Nt*Nr的30個子載波進行降維，也就是在不減少人的行為特征的基礎上減少子載波的數量，以達到減少運算量和去噪的目的，也就是使行為特征變得更加明顯，有利于識別和定位。識別和定位的準確率來源于干擾噪聲的消除和明顯動作特征的有效提取，在此基礎上才能使準確率達到一定的高度。相比文獻[15]中基于信號強度的室內定位來說，基于CSI的準確率更高。

實驗環境是一個20平米的房間，無線信號的發送端是家用TP-LINK路由器，接收端是內含Intel5300網卡的筆記本電腦，實驗活動均由一個人發起，沒有其他人為干擾。呈現的是其中兩種動作，揮手和跳躍，發出這兩組動作的同時沒有產生其他動作。圖5和圖6中的圖(a)是10個子載波的CSI原始波形，(b)和(c)是經過均值和低通濾波后的去噪效果圖，而經過四層PCA算法得到的動作特征主成分呈現在(d)中。

圖5 實驗結果-揮手

圖6 實驗結果-跳躍

4 結束語

文中利用傳統圖像處理中的均值和低通濾波算法來降低無線信號的噪聲，并分析它們之間的差異，有效去除環境中的加性噪聲，抑制高頻分量的噪聲。通過經典的數據分析方法(PCA)提取動作特征，降低了CSI信息的維度，并消除了不相關的噪聲，得到了較明顯的動作特征。實驗結果表明，經過以上步驟的CSI得到的特征可以大大提高人類活動識別算法的準確性。后續可以運用DTW或者EMD等算法對提取到的動作特征進行識別，這也是下一步的研究方向。

參考文獻：

[1] AGGARWAL J K,RYOO M S.Human activity analysis:a review[J].ACM Computing Surveys,2011,43(3):1-43.

[2] ERTIN E,STOHS N,KUMAR S,et al.AutoSense:unobtrusively wearable sensor suite for inferring the onset,causality,and consequences of stress in the field[C]//Proceedings of the 9th ACM conference on embedded networked sensor systems.New York,NY,USA:ACM,2011.

[3] 陳 姣.基于RSSI測距的WiFi室內定位技術研究[D].綿陽:西南科技大學,2015.

[4] JIANG Zhiping,XI Wei,LI Xiangyang,et al.通信既眾包:帶有基于CSI測速功能的Wi-Fi室內定位系統[J].Journal of Computer Science and Technology,2014,29(4):589-604.

[5] 王 凱.基于CSI測距的輕量級指紋室內定位技術研究[D].西安:西安電子科技大學,2014.

[6] 張明華,張申生,曹 健.無線局域網中基于信號強度的室內定位[J].計算機科學,2007,34(6):68-71.

[7] 董 梅,楊 曾,張 健,等.基于信號強度的無線局域網定位技術[J].計算機應用,2004,24(12):49-52.

[8] SIGG S,SHI S,BUESCHING F,et al.Leveraging RF-channel fluctuation for activity recognition:active and passive systems,continuous and RSSI-based signal features[C]//Proceedings of international conference on advances in mobile computing & multimedia.New York,NY,USA:ACM,2013:43.

[9] YANG Z,ZHOU Z,LIU Y.From RSSI to CSI:indoor localization via channel response[J].ACM Computing Surveys,2013,46(2):1-32.

[10] ZHOU Z,YANG Z,WU C,et al.Towards omnidirectional passive human detection[C]//Proceedings of IEEE.[s.l.]:IEEE,2013:3057-3065.

[11] WANG Y,LIU J,CHEN Y,et al.E-eyes:device-free location-oriented activity identification using fine-grained WiFi signatures[C]//Proceedings of the 20th annual international conference on Mobile computing and networking.New York,NY,USA:ACM,2014:617-628.

[12] WANG G,ZOU Y,ZHOU Z,et al.We can hear you with Wi-Fi![C]//Proceedings of the 20th annual international conference on Mobile computing and networking.New York,NY,USA:ACM,2014:593-604.

[13] ALI K,LIU A X,WANG W,et al.Keystroke recognition using WiFi signals[C]//Proceedings of the 21th annual international conference on Mobile computing and networking.New York,NY,USA:ACM,2015:90-102.

[14] 魏洪興,王曉暉,王田苗.基于信號強度的無線局域網匹配定位算法[J].計算機工程,2008,34(19):107-108.

[15] 王 艷,印國成,孫茂圣.移動情景感知環境下的WI-FI室內定位技術及其實現[J].電腦與電信,2016(Z1):35-38.