基于WiFi信號的非接觸式微動感知系統

陳庚澤　王亦炯　曹睿達

摘要：本文設計了一種基于WiFi信號的非接觸式微動感知輸入系統，利用WiFi設備無接觸地追蹤手指的細微移動。系統引入基于CSI比的數據預處理方法，提高信號傳輸的信噪比，設計一種轉換機制以解決不同位置同一信號特征不一致的問題，增強信號傳輸的穩定性，設計一種基于摩爾斯碼的手指手勢動作編碼方法，實現系統的微動感知功能。本文所提系統具有較強的感知識別精度和魯棒性，對于改善漸凍癥患者的生活質量具有突出意義。

關鍵詞：手勢識別;WiFi信號;非接觸式傳感

1引言

近年來，得益于計算機技術和通信技術的飛速發展，非接觸傳感應用逐漸進入人們的日常生活并引起廣泛關注。將非接觸傳感技術應用于漸凍癥患者，是非接觸傳感的一個重要應用場景，通過有效識別和解析漸凍癥患者的手勢微小動作，可實現情感表達和信息交互，其對于改善漸凍癥患者的生活質量具有重要意義。

以此為契機，科研人員圍繞手勢識別、微動識別開展了深入研究，典型代表有：北京郵電大學的李增皓等人采用軟件無線電技術提出了一種基于SORA平臺和Choi-Williams分布的人體手勢識別方法，但該系統對使用環境要求較高，若周邊環境太暗，則在圖像信息中提取的有效手勢信息量將大幅減少，從而對數據處理造成嚴重影響。Abdelnasser等人利用接收信號強度指示（Received Signal Strength Indication， RSSI）設計了Wigest系統，通過RSSI值的波動來感知用戶手勢，手勢的識別準確率可以達到96%。然而RSSI僅能提供關于信道變化的粗粒度信息，而不包含關于細微運動引起的小規模衰落和多徑效應的細粒度信息，因此難以應用于細粒度的手指微動識別。Tan等人采用信道狀態信息（Channel State Information， CSI）提出了WiFinger系統，該系統利用商用WiFi網卡獲得細粒度的CSI數據，采用主成分分析和子載波選擇技術提取手勢特征，同時引入環境噪聲消除機制減輕環境變化引起的信號動態影響。上述方案僅能實現特定規則的手勢動作，且識別性能需要以發射機、接收機的位置固定為前提，以上因素導致其在漸凍癥患者微動手勢識別領域存在瓶頸。

基于此，本文設計并實現了一種基于WiFi信號的非接觸式微動感知系統，采用摩爾斯碼實現手勢動作的多維表達，引入信號轉換機制解決識別精度的位置受限問題，并在實際場景下完成了系統的性能驗證，測試結果表明，所設計的系統具有良好的識別精度和魯棒性。

2 CSI基本概念

3系統方案

3.1系統框架

如圖1所示為微動感知系統的框架，主要由四部分組成：實時數據采集、數據預處理、信號模式轉換和手勢識別與解碼。

1）實時數據采集

本文采用Intel 5300網卡、筆記本電腦、TP-Link路由器等構建系統硬件平臺，實時采集CSI數據。其中TP-Link路由器作為發射端，裝有Intel 5300網卡的筆記本電腦作為接收端，通信基于IEEE 802.11n協議，筆記本電腦不斷地從路由器中接收CSI數據包樣本并實時處理數據。

2）數據預處理

針對直接采用CSI進行微動識別的局限性，本文設計了一種數據預處理方案。首先，利用從CSI數據樣本包中同時獲得的兩個CSI流（每個接收天線一個）計算CSI比。然后，采用Savitzky-Golay濾波器對CSI比信號的原始幅度進行去噪，該濾波器可以在保持手指運動引起的較大信號變化的同時，有效地去除較小的隨機變化。

3）信號模式轉換

信號模式轉換是微動感知系統的核心內容。首先，根據不同位置同一信號特征不一致的問題，本文設計了一種信號轉換機制，將不同位置的信號模式轉換為一種波形。然后，利用CSI比幅值的變化來檢測連續手勢之間的停頓，分割經轉換機制變換后的手指手勢。

4）手勢識別與解碼

手勢識別將分段信號與參考信號進行比較匹配，識別分段信號的含義。首先，將每種手指手勢的分段信號進行統一歸一化處理，得到統一度量下的分段信號。然后，采用動態時間規整（Dynamic Time Warping， DTW）算法來計算歸一化分段信號和標準化參考信號之間的相似性，選擇相似度最高的參考信號模式作為所執行的手指手勢。最后，根據識別出的手指手勢進行摩爾斯編碼，編碼從開始手勢開始到結束手勢結束，并將累積的摩爾斯碼映射為相應的輸入字符。

3.2數據預處理

由于WiFi信號會通過多條路徑從發送端傳輸到接收端，這些路徑總共分為兩種，即動態路徑和靜態路徑。靜態路徑是由視線路徑和環境中靜態物體的反射路徑組成，它不會隨時間發生變化，而動態路徑是由目標物體的移動所反射的信號路徑。通常情況下，發射端與接收端的時鐘是不同步的，在t時刻接收到的CSI可以表示為：

3.4手勢動作多維表達

鑒于漸凍癥患者的身體條件，本文將摩爾斯碼融入到本系統的設計中，根據摩爾斯碼的特點設計了一系列手指手勢，手指手勢的完成僅依靠一根手指實現，以進一步減少漸凍癥患者手指的運動量。不同于原始的摩爾斯碼的設計，本文將手指的抬起手勢作為開始手勢，手指的下落手勢作為結束手勢，手指的下落再抬起手勢作為“ ”手勢，重復兩次“ ”手勢對應的手指操作作為“ ”手勢。本文所設計的手指手勢可以用于編碼國際標準化組織的基本拉丁字母、阿拉伯數字和一組標點符號，實現漸凍癥患者希望與他人能夠正常交流的心愿。

4實驗驗證與性能分析

4.1實驗設置

為了驗證所提系統的可行性，本文搭建了如圖2所示的實驗場景，實驗場景主要由Intel 5300網卡，路由器和筆記本電腦組成。選擇家庭、辦公室以及會議室三種實際場景進行實驗，選擇五名志愿者參與實驗，包括兩名女性和三名男性，志愿者對26個英文字母、10個阿拉伯數數字和18個標點符號執行采用摩爾斯碼設計的手指手勢。每名志愿者執行9次手指手勢，每個手指動作執行45次，共計2430次。

4.2性能分析

本文采用識別精度來評估系統性能，識別精度定義為志愿者所執行的手指手勢能夠被微動感知系統正確識別的百分比，從字符識別精度和基本手勢識別精度兩方面入手證明所提系統的有效性。

1）基本手勢識別精度：不論是英文字母還是阿拉伯數字都是由開始、結束、“ ”手勢和“ ”手勢四種基本手勢混合組成輸入，因此準確識別四種基本手勢是實現字符的高精度識別的前提。圖3示出了四種基本手指手勢的混淆矩陣。從混淆矩陣中可以看到，系統對四種基本手指手勢的識別率都很高，對開始手勢、“ ”手勢、“ ”手勢和結束手勢的識別準確率分別達到了97%、98%、98%和96%。

2）字符識別精度：圖4所示為使用信號轉換機制變換前后24個字母的識別精度，由圖可知，所提系統對所有字母的識別率都很高，本文所提出的信號轉換機制將識別率從40%左右提高到90%左右，系統的整體識別準確率超過92%。

5結語

針對漸凍癥患者無法與他人進行交流的問題，本文設計了一種基于WiFi信號的非接觸式微動感知系統，利用普通WiFi設備無接觸地追蹤手指細微的移動，引入一種基于CSI比的數據預處理方法，去除信號傳輸中產生的相位偏移，提高信噪比，設計一種信號轉換機制對手勢信號進行處理，實現穩定的傳感功能，設計一種基于的摩爾斯碼的手指手勢方案，實現手指動作的多維表達。本文設計系統對用戶手勢識別精度達到92%，且對環境變化和用戶多樣性具有較強的魯棒性，對于改善漸凍癥患者的生活質量具有較為突出意義。

參考文獻：

[1]Ume? Universitet.（Jan.26，2017）. Eye Muscles Are Resilient to ALS. Accessed： Feb.9，2019.

[2]李增皓.基于CW分布和改進FOA的手勢識別研究[D].北京郵電大學，2017.

[3]Abdelnasser H， Youssef M， and Harras K A. Wigest： A ubiquitous wifi-based gesture recognition system[C]. In Computer Communications （INFOCOM），2015 IEEE Conference on （2015），1472-1480.

[4]Tan S， Yang J. WiFinger： Leveraging commodity WiFi for fine-grained finger gesture recognition[C]. In Proc.17th ACM Int. Symp. Mobile Ad Hoc Netw. Comput，2016，201-210.

[5]H. Wang et al.，“Human respiration detection with commodity WiFi devices： Do user location and body orientation matter？” in Proc. ACM Int. Joint Conf. Pervasive Ubiquitous Comput.（UbiComp），2016， pp.25–36.