基于穿墻信道狀態信息的行為識別方法

蒙倩霞，余 江，常 俊，浦 鈺，陳 澄

（云南大學 信息學院，昆明 650500）

0 概述

傳統行為識別方法主要依賴計算機視覺［1］、穿戴式傳感器［2］、雷達［3］等方法，然而計算機視覺的方法不能監測光線盲區且隱私無法得到保障。傳感器方法對于特殊人群來說會增加危險指數，基于雷達的方式造價較高，低價雷達監測距離又受限，僅幾十厘米。基于信道狀態信息（Channel State Information，CSI）的行為識別是一種保密隱私、安全、無需攜帶設備且價格實惠的方法，可以工作于煙霧和黑暗環境中，僅依靠Wi-Fi信號能夠透過障礙物對非視距目標進行監測，無需監測人員攜帶任何傳感器和部署專用監控設備。利用Wi-Fi信號廣泛覆蓋的特點，相比于其他方法可以大幅減小部署成本。

近年來，基于CSI 的行為識別得到了廣泛研究。Wi-Fall［4］分析不同行為CSI幅值變化情況，提出一種跌倒檢測系統。Emosens［5］從CSI 識別用戶的情緒狀態，同樣使用幅值特征。文獻［6］提出一種基于CSI 幅度相位混合信息的人體運動識別方法Wi-SD。文獻［7］提出一種吸煙檢測系統，用于室內環境吸煙行為檢測。CARM［8］利用CSI 速度模型和CSI 活動模型來識別不同的活動。Wi-Fiu［9］和Wi-Run［10］使用CSI 值通過捕獲不同人類的步態模式來識別人類。Wi-HACS［11］利用子載波的相關性檢測不同環境中人類活動。Wi-Act［12］探討了人體運動與CSI 中的幅值信息之間的相關性，進而對不同活動進行分類。文獻［13］將CSI 作為圖像處理進行定位和活動識別，文獻［14］同樣利用CSI 的圖像特征來識別駕駛員的注意力狀態。盡管上述方法具有較好的識別結果，但沒有考慮信號穿墻的情況。然而，在實際生活的室內環境總免不了墻體的出現，大部分的家庭僅有一個無線接入點，信號在穿過墻壁之后會嚴重衰弱。現有的噪聲技術（例如低通濾波器、主成分分析等）都不能很好地處理墻壁帶來的信號衰減問題。如果不考慮信號穿墻情況，那么信號的利用率就會下降，但若考慮信號穿墻情況，則以往的系統在進行識別時效果就會下降。更重要的是可能因為上述情況而導致對老人以及特殊人員的監測不及時而帶來事故。文獻［15］提出一種穿墻識別的結構，但僅限理論分析。文獻［16］在穿墻的場景下進行行為識別，但是該方法預處理多且使用復雜的雙向循環神經網絡，計算量大，且過程復雜。

穿墻的最大問題是Wi-Fi 信號穿墻后嚴重衰落，而這種衰落對CSI 數據的影響比行為影響的程度要大得多。如果將墻壁和室內環境的影響視為靜態數據，將行為的影響視為動態數據，那么穿墻行為識別只有通過消除CSI 中的靜態背景信息才能把人體行為產生的動態數據提取出來，進行有效的行為識別。為解決上述問題，本文提出一種簡單的基于CSI 的穿墻行為識別的方法。通過捕獲原始CSI 數據矩陣的低秩性并對其進行低秩分解，消除無用靜態CSI分量，分離出行為引起的動態CSI 分量。由于CSI 數據的高維特性，如果直接計算復雜度較高，會出現維度災難，因此利用時間反演（Time Reversal，TR）算法來解決CSI 數據維度過高的問題。最后對非穿墻和穿墻不同場景下的坐站、走動、跳躍、深蹲、跌倒5 種日常行為進行識別。

1 總體設計

1.1 CSI 數據模型

無線通信鏈路信道的特性常用信道狀態信息來衡量。在IEEE 802.11n 標準中，利用正交頻分復用技術可以從物理層解析得到CSI 數據。在MIMO系統中，設NTX為發射端的天線數量，NRX為接收端的天線數量［17］。對于每個采樣時刻t，CSI 值構成NTX×NRX×L維的一個矩陣，其中，L為Wi-Fi 的子載波數。

在無線信號傳播環境中，人體作為反射和散射點，由于無線信號從多個路徑到達接收天線，因此人類行為特征被嵌入到多路徑CSI 配置文件中，不同行為的多徑分布是不同的，當行為發生變化時，此時反射路徑會有相應的改變，每個行為對路徑的不同影響都可以作為區分與其他行為的身份證。然而，與墻壁、家具等靜態物體相比，人體行為的變化可能只引入少量多徑CSI，這些CSI 能量相對較小，特別是信號穿過墻壁后會更大程度的損耗，因此行為特征會被掩蓋。假設與人體行為相關的第n根天線的CSI 可以建模為環境所影響的靜態CSI 分量和受行為影響的動態CSI 分量的總和：

當人體發生變化時，在接收端可以接收到一個N×L的原始CSI矩陣：

相應的行為特征矩陣為：

其中：N代表發射機和接收機之間的總路徑。

1.2 識別流程

在行為識別的過程中，希望保留的是由行為引起的動態CSI 分量，但是由于CSI 原始數據中靜態CSI 分量和動態CSI 分量是未知的，無法直接提取動態分量，如果直接識別原始CSI，誤差很大，當信號穿墻時無法識別。此外，CSIi和ΔCSIi都是N×L的復值矩陣，維度較高，直接進行分類具有很高的計算復雜度較高。為解決以上2 個問題，本文提出基于穿墻信道狀態信息的行為識別方法，具體流程如圖1 所示。

圖1 CSI 識別流程Fig.1 CSI identification procedure

2 數據預處理

2.1 相位校準

在實際采集數據過程中，存在時間同步誤差以及噪聲的影響，預測的CSI 會受到初始相位和由行為帶來線性相位的影響。通過實驗結果可以得出：無論是靜態還是動態環境的相位分布都是沒有規律性的。為獲得正確的行為特征Δcsi，首先要對原始CSI 的相位進行校準。可以將每個CSI 值建模為：

其中：φ*是線性相位的斜率；φ0是初始相位，每個CSI值的φ*和φ0都不同。但是在實際的測量中，φ*和φ0的值是未知的，為了解決相位誤差的問題，本文參考文獻［18］的線性相位相消法。跌倒動作相位校準前后的差別如圖2 所示。

圖2 前后相位校準的跌倒動作Fig.2 Before and after phase calibration of fall action

2.2 靜態CSI 分量減除

在實際中，相比靜態CSI 分量，動態CSI 分量顯得較微弱，特別是信號在穿過墻壁等障礙物時。為消除靜態環境帶來的影響只留下與行為密切相關的動態CSI 分類，本文利用PRCA 算法對原始CSI 進行低秩矩陣分解，從而將靜態分量消除。低秩矩陣分解原理如下［19］：

假設D=U+V，其中：D是已知矩陣；U是低秩矩陣；V是稀疏矩陣。將D分解成U和V，可以轉化為凸優化問題：

其中：‖U‖*是矩陣U的核范數；α是加權因子，表示稀疏矩陣的權重。

本文采用增廣拉格朗日算子法對凸優化問題進行求解，其中：Y表示拉格朗日乘子；β表示一個正標量。具體算法主要步驟如圖3 所示。

圖3 PRCA 算法過程Fig.3 PRCA algorithm process

由式（5）可知，要利用低秩矩陣分解消除靜態分量，那么式（2）就要滿足是低秩特征是一個稀疏矩陣。如果滿足這2 個條件，則可以采用低秩矩陣分解來分離復雜的靜態CSI 分量。具體方法如下：

圖4 人體對路徑的影響Fig.4 Influence of human body on the path

在時間t內，當信號的傳播路徑由dk(0)變化到dk(t)時，那么變化的路徑Δk(t)=dk(t)-d0(t)，其中d0(t)是路徑的初始長度，設φ0=e-j2πΔft為子載波的初始相位，那么在Δt時刻副載波n的相位可以表示為：

考慮到Wi-Fi 信道中子載波的波長之間的差異很小，即2 個不同子載波的波長存在λ1≈λ2的關系，且Δk(t)很小，那么就可以得到：

因為初始路徑長度d0(t)遠大于Δk(t)，所以即使波長略有不同，2個子載波之間的初始相位差仍不可忽略。從以上的證明可以看出：當Δk(t)很小時，對于不同的副載波CFR，是具有不同初始相位的同一組時變波形的線性組合，即那么就可以證明當Δk(t)=0 時的靜態環境下，可以排除Δk(t)帶來的動態影響。因此，可以得出結論矩陣是相關的。對于不同天線的矩陣，可以獲得類似的結果。本文測試了暗室、半封閉式走廊、會議室環境的幅值和相關矩陣。

圖5 暗室子載波幅值和相關矩陣Fig.5 Darkroom subcarrier amplitude and correlation matrix

（1）CSI 的采集是對Intel 5300 網卡固件進行修改，采集數據非均勻采樣，所以猜想動作對CSI 的子載波的影響可能會有差異。基于這樣的猜想，本文分別測試了走廊和會議室2 種場景下的走動和跌倒動作對子載波的影響，相對來說，走動持續較長時間，跌倒時間較短。在走廊場景下走動發生時，發現對天線1 的所有子載波影響較小，對天線2 的某些子載波影響較微薄，對天線3 的所有子載波都影響較大，如圖6 所示，箭頭表示影響較小的子載波；在會議室場景下跌倒發生時，發現對天線1 幾乎全部受影響，而天線2 只受到了很小的影響，天線3 的某些子載波影響較大。本文還測試了走廊跌倒和實驗室走動對子載波的影響，得出的結論相似。這表明無論是不同環境下的同一動作還是同一場景下的不同動作，對子載波的影響是有選擇性的，只是小范圍內的某些子載波受到了較大的影響。

圖6 走動對子載波的影響Fig.6 Influence of ambulate on subcarriers

（2）通過實驗可近似測量同一環境下同樣數據量的CSI 總量和靜態CSI 分量那么根據之前的分析動態CSI 分量的值就可以通過簡單的矩陣減法得到，即：

那么，式（9）就可以寫為：

如圖7 所示，本文分別采集了走廊和會議室2 種環境下走動、跌倒、彎腰動作的CSI 值，并統計了10 個稀疏因子。實驗結果表明的稀疏因子幾乎都小于0.05。

圖7 矩陣稀疏因子Fig.7 Sparse factors of matrix

（3）從時間維度分析，盡管不同的行為持續的時間有差異，但是從實驗數據可以得到，行為引起CSI 值變化的時間和整個測量時間相比相對較短，在實際應用中，還可以根據不同的行為來調節時間窗口的長度，也就是說，從時間維度來分析，動態CSI分量的稀疏性是可受人為控制的。

圖8 跌倒動作消除前后的效果Fig.8 Effect before and after the fall action is eliminated

3 時間反演算法

3.1 時間反演空間

如圖9 所示，在一個物理空間內，存在A、B 2 個收發器，當收發器B 向A 發送1 個信號時，可以得到此時狀態下的多徑配置文件CSI 為h(t)。假設對到達A 的信號進行時間反轉和共軛得到的標簽g，且g(t)=h（-t），然后將g(t)發送回B，g(t)和原來的h(t)應該遵循同樣的多徑路程。根據多徑效應的唯一性，R=g(t)×h(t)的值會在預期的位置B 由于時空共振出現1 個峰值。TR 時空共振可以看作是電磁場對環境的共振，這種現象稱為TR 聚焦效應。

圖9 時間反演示意圖Fig.9 Schematic diagram of time inversion

3.2 時間反演共振能量

TR 時空共振可以捕獲多徑信道中的微小變化，通過時間反演共振強度（Time Reversal Resonance，TRRS）來量化不同的多徑分布，TRRS 也稱為信道信息響應相關聯的2 個物理事件或位置之間的相似性，2 個CSI 信號csi1和csi2在頻域的TRRS 定義如下：

其中：gcsi2(k)=csi2（-k），k=0，1，…，L-1，從式（13）可以得出，TR(csi1，csi2)的值越大，csi1和csi2越相似。設任意2 個CSI 值為CSIa和CSIb，可以得到1×N的TRRS 矢量矩陣：

那么，2 個CSI 矩陣CSIa和CSIb之間的TRRS 可定義為：

通過TR 算法的處理，將CSI 測量中嵌入的高維復值行為特征映射到TR 空間，特征維數由L×N維降為1 維。對于待測試行為CSIx，若給定樣本指紋數據庫CSIi，那么可以根據TRRS 定義此行為的標簽為：

其中：x^ 是最大值索引；x^=0 時表示未識別到此行為。

如上所述，當墻阻擋了發送器和接收器之間的所有直接和反射傳播路徑時，由人類活動引起的CSI值變化將變得非常微弱。因此，靜態環境和噪聲的相關性會嚴重干擾人類活動與CSI 值變化之間的CSI 相關性，由對無線電影響的人體行為特征引起的ΔCSI很小，不同的行為的可能變得非常相似，這樣會降低識別的精度。為了提高性能，本文的思想就是從測量的CSI 值中刪除靜態分量，得到僅有行為引起的ΔCSI。在消除了靜態分量后，基于式（16）TRRS 分類的問題變為：

對無線電影響的人體行為特征完善有助于提高TRRS 對類似行為進行區分的敏感性。本文提出的基于低秩矩陣分解的背景扣除算法抑制了不同類別之間CSI 的時空共振，同時在同一類別內保持了強烈的共振，可以提高識別的精度。

4 實驗評估

4.1 實驗部署

實驗的收發裝置為2 臺配有Intel 5300 網卡的主機，其中發射機天線網卡上配有1 根全向天線，接收機天線網卡上均配有3 根全向天線，為得到穩定且采樣率較高的CSI 數據，采用Linux 802.11n CSI tool Monitor 模式對網卡固件進行修改，帶寬頻率為40 MHz。

實驗場景的平面圖如圖10 所示，本文分別采集室內視距（LOS）、室內非視距（NLOS）和穿墻（TW）場景下的數據。3 種場景實驗都把收發裝置置于距地50 cm的書桌上，距離始終保持3.5 m，門始終處于關閉的狀態。本文實驗邀請了3 名志愿者，分別進行坐站、走動、跳躍、深蹲、跌倒5個動作，每次采集時間為30 s，第15秒時開始做動作，第30 秒時停止。每個行為采集150 次，每個場景總的樣本量為750個，總共采集2 250個數據。最后每個位置的各個行為的數據以2∶1 的比例進行指紋庫和測試集的驗證。

圖10 實驗場景平面示意圖Fig.10 Schematic diagram of experimental scene scene

4.2 實驗結果分析

4.2.1α對實驗的影響

實驗測量得到的CSI 值由靜態分量和動態分量組成，這2 個量的分離由加權因子α決定［20］，由文獻［20］可知實際情況下α的取值為但是在本文的實驗中，所要提取的是動態CSI 分量代表的稀疏矩陣，既要除去靜態分量，又要保留動態CSI 分量，所以α的取值變得異常關鍵。人類活動的相關性通過分離后的稀疏矩陣得到，稀疏矩陣彼此之間的相關性直接決定分類結果的準確性，因此α的取值會影響系統的性能。本文計算了α取不同值時室內LOS 場景、NLOS 場景和TW 場景5 種行為的平均準確率，如圖11 所示，根據α取值的經驗值，計算得到理論分離矩陣最好的α值為0.1，但是在本文的實驗中發現在α=0.1 時并不能取得很好的識別效果，這是因為把原來代表行為特征的有相關性的CSI值也分離在代表靜態分量的低秩矩陣中，導致稀疏矩陣特征減少無法正確識別。經過實驗可發現，當α>0.125 時，識別精度會下降，當α=0.125 時，3 種場景識別度都最高。另一方面，如2.2 節所述，本文實驗采用1×3 的發射模式，但是已證明同一根天線的子載波高度相關，同時又和其他2 根有差異，所以理論上成矩陣的秩應該為3，在α=0.125 代入時，通過驗證發現，此時分離出的靜態矩陣秩恰好為3。所以，本文以下的實驗均選取α為0.125 作為加權因子。

圖11 α 值對實驗的影響Fig.11 Influence of α value on the experiment

4.2.2 背景消除對實驗結果的影響

消除靜態CSI 分量可以使不同行為的訓練與測試CSI 數據之間的TRRS 得到很大的抑制，相同行為的TRRS 突顯。LOS、NLOS 和TW 場景下消除靜態CSI 分量的識別結果如圖12 所示。實驗結果表明，LOS 場景5 個動作的識別結果分別提升了11.3%、9.8%、9.1%、11.7%、10.1%，識別結果平均提高了10.4%，平均識別率為94.1%。NLOS 場景識別結果分別提升了12.8%、11.9%、10%、14.1%、11.7%，識別結果平均提高了12.7%，平均識別率為92.3%。TW場景識別結果分別提升15.7%、12.3%、16.1%、13.6%、14.5%。識別結果平均提高14.4%，平均識別率為90.7%。相對來說，走動和跌倒行為相比其他行為來說識別結果較好。而另外4 個動作識別效果相對較低，這是因為這4 個行為極為相似，影響CSI 的程度相當，在分類時更容易出現交叉誤報。但是識別效果就消除靜態分量之前而言，LOS、NLOS 和TW 場景下的識別結果都有較大提升，且在TW 場景下的識別結果達到90.7%，說明本文方法可以實現穿墻識別行為識別。

圖12 不同場景下消除靜態CSI 分量的識別結果Fig.12 Recognition results of eliminating static CSI components in different scenarios

4.2.3 其他因素對識別結果的影響

本文對相位校準、天線數量以及指紋庫數據量對結果的影響做了比較分析。首先根據采集的數據量，每個行為指紋庫數據量最多為100 個。然后分析了無相位校準的TR-1 根天線、TR-2 根天線和TR-3 根天線以及經相位校準的TR-Phase-1 根天線、TR-Phase-2 根天線和TR-Phase-3 根天線。TW 場景下平均識別結果如圖13 所示。

圖13 不同因素對實驗結果的影響Fig.13 Influence of different factors on experimental results

從圖13 可以看出，在經過相位校準消除相位誤差后，無論單天線還是多天線，識別結果都明顯得到提升。這也說明了CSI 中的相位承載了行為信息，合理地利用相位信息能提高行為識別精度。同時，從實驗結果也可以看出多天線的識別結果總高于單天線。一方面，CSI 數據的采集是對Intel 5300 網卡固件進行修改：采集數據非均勻采樣，動作對CSI 的子載波的影響可能會有差異以及信道的選擇性衰弱等因素。當行為發生時，到底哪幾個子載波受影響，受影響大小的情況都是不確定的。當只利用1 根天線時，可能恰好這根天線受行為影響比較小，在識別的過程中可能會誤分，但隨著天線數量的增加，受行為影響的子載波會大幅增加，加大了各行為之間的差別度，從而提高了識別精度。另一方面，增加天線數量相當于從更多角度去分析行為特征，這也類似于從多個角度觀察物體更能透徹地了解物體一樣，可以理解為增加天線數量導致分辨率提高，使各個行為的特征更加清晰，更容易識別。

4.2.4 識別結果分析對比

從圖11 可以看出，在不同的場景下識別效果有差異，識別準確率SLOS>SNLOS>STW，在LOS下接收的功率最大，動態CSI 值得到了更好的體現。在TW 場景下信號穿墻后會大幅度的損耗，但是TW實驗時會帶入更多的走廊多徑以及物體反射的額外路徑信息，CSI 包含的路徑越多，嵌入到行為特征中信息量就越大。所以，在消除靜態分量之后，TW 場景下也得到了較好的識別結果。為進一步說明本文方法的有效性，將識別結果與Wi-SD［6］系統、NotiFi系統［21］和Wi-Act系統［12］的算法進行了對比，如表1 所示。

表1 不同方法識別結果對比Table 1 Comparison of different methods recognition results

從表1 可以看出，在使用相同數據集進行實驗的情況下，LOS 場景下的識別結果大同小異。但是對于NLOS 和TW 場景，本文方法結果明顯優于另外幾種系統，尤其對于TW 場景下，平均識別精度分別提高了15.5%、15.7%、11.5%。這也說明經過消除靜態分量后，信號穿墻后行為特征得到了保留和顯現，使得TW 場景下識別精度更好。從方法來看，其他系統的方法預處理步驟較為繁雜，計算量也大，同時也都只考慮了CSI幅值的特點，而忽略了CSI 相位帶來的信息。但是本文方法預處理簡單，不需要進行復雜的計算，同時也把相位信息考慮在其中，充分利用了CSI 承載的信息。從運行時間來看，本文方法低于其他系統運行時間。綜合來看，本文方法在具有簡單算法的基礎上還獲得了較好的識別結果，具有更大的優勢。

5 結束語

本文提出一種簡單的基于CSI 的穿墻行為識別方法。通過對CSI 矩陣性質的分析證明其符合低秩特性進而利用低秩矩陣分解，消除靜態CSI 分量分離出動態CSI 分量，利用TR 算法解決CSI 數據高維度的問題，使復雜計算變得更簡化，最終對非穿墻和穿墻不同場景下的5 種日常行為進行識別。實驗結果表明，與Wi-SD、NotiFi 等系統相比，該方法在穿墻情況下的識別率大幅提升，達到了較好的識別效果。但是本文實驗僅考慮了混凝土墻的實驗場景，比較單一，下一步將探究不同材質的墻體對實驗結果的影響。