基于WiFi信道狀態(tài)信息的人員活動持續(xù)時間估計

劉立雙 魏忠誠 張春華 王 巍 趙繼軍

摘 要：針對傳統(tǒng)人員活動持續(xù)時間估計系統(tǒng)隱私性及靈活性較差的問題，分析信道狀態(tài)信息（CSI）的幅度變化，提出了一個基于WiFi信道狀態(tài)信息的人員活動持續(xù)時間估計系統(tǒng)。該系統(tǒng)重點將連續(xù)復(fù)雜的人員活動持續(xù)時間估計問題轉(zhuǎn)化為離散簡單的人員檢測問題。首先，采集CSI信息并濾除異常值和噪聲;其次，利用主成分分析法（PCA）進(jìn)行子載波降維，獲取主成分以及相應(yīng)的特征向量;隨后計算主成分方差和特征向量一階差分均值，并將兩者比值作為特征值訓(xùn)練反向傳輸神經(jīng)網(wǎng)絡(luò)（BPNN）模型;然后，利用訓(xùn)練好的BPNN模型進(jìn)行人員檢測，并當(dāng)檢測出有人員活動時，進(jìn)一步對CSI數(shù)據(jù)進(jìn)行等寬分割;最后，針對所有分割后的CSI數(shù)據(jù)實現(xiàn)人員檢測，并依據(jù)符合人員檢測結(jié)果的數(shù)據(jù)來估計人員活動的持續(xù)時間。在真實室內(nèi)環(huán)境中對系統(tǒng)進(jìn)行實驗評估，人員檢測平均準(zhǔn)確率可達(dá)到97%，活動持續(xù)時間誤差不超過10%。實驗結(jié)果表明，該系統(tǒng)能夠有效估計出人員活動的持續(xù)時間。

關(guān)鍵詞：人員活動持續(xù)時間;信道狀態(tài)信息;反向傳輸神經(jīng)網(wǎng)絡(luò);人員活動檢測;WiFi

Abstract：Concerning the poor privacy and flexibility of traditional lifetime estimation for human motion， a lifetime estimation system for human motion was proposed， by analyzing the amplitude variation of WiFi Channel State Information （CSI）. In this system， the continuous and complex lifetime estimation problem was transformed into a discrete and simple human motion detection problem. Firstly， the CSI was collected with filtering out the outliers and noise. Secondly， Principal Component Analysis （PCA） was used to reduce the dimension of subcarriers， obtaining the principal components and the corresponding eigenvectors. Thirdly， the variance of principal components and the mean of first difference of eigenvectors were calculated， and a Back Propagation Neural Network （BPNN） model was trained with the ratio of above two parameters as eigenvalue. Fourthly， human motion detection was achieved by the trained BP neural network model， and the CSI data were divided into some segments with equal width when the human motion was detected. Finally， after the human motion detection being performed on all CSI segments， the human motion lifetime was estimated according to the number of CSI segments with human motion detected. In real indoor environment， the average accuracy of human motion detection can reach 97% and the error rate of human motion lifetime is less than 10%. The experimental results show that the proposed system can effectively estimate the lifetime of human motion.

Key words： human motion lifetime; Channel State Information （CSI）; Back Propagation Neural Network （BPNN）; human motion detection; WiFi

0 引言

行為識別是醫(yī)療健康和安全監(jiān)控等領(lǐng)域的研究熱點之一。其中，活動持續(xù)時間是人體行為識別的一個重要參數(shù)。例如，在醫(yī)療健康方面，通過活動持續(xù)時間可以量化人體活動與疾病之間的關(guān)系[1];在安防監(jiān)控方面，可根據(jù)活動持續(xù)時間分析移動人員的異常行為等[2]。然而，現(xiàn)有的測量技術(shù)存在一定局限性。例如，基于視覺的方法涉及目標(biāo)用戶的隱私并受光線的影響;基于紅外的方法容易被阻擋，而且紅外設(shè)備需要固定在特定的位置，移動性差;可穿戴設(shè)備雖然很靈活，但需要目標(biāo)人員主動配合將其佩戴在身上，極大降低了用戶的舒適感等[3]。隨著無線通信的發(fā)展，無線信號得到了廣泛的覆蓋，為無線行為識別的研究提供了重要的基礎(chǔ)支撐?；跓o線信號接收信號強(qiáng)度（Received Signal Strength， RSS）的行為識別技術(shù)通過信號波動特征實現(xiàn)檢測。然而，RSS依賴于信號功率，對外部環(huán)境的變化異常敏感，影響檢測效果。

近年來，研究人員通過修改無線網(wǎng)卡[4]，可以在普通商用WiFi設(shè)備上獲取到信道狀態(tài)信息（Channel State Information， CSI）。與RSS相比，CSI提供了多個子載波的幅度和相位信息[5]，因此，基于CSI的無線行為識別技術(shù)受到越來越多的關(guān)注。文獻(xiàn)[6]利用CSI在不同子載波上的相關(guān)幅度變化，提取相應(yīng)特征向量的一階差分，實現(xiàn)可穿墻人體檢測;文獻(xiàn)[7]通過建立CSI-speed模型和CSI-activity模型量化CSI與人體活動速度以及人體活動速度與不同活動類別之間的關(guān)系;文獻(xiàn)[8]利用靜默分析模型描述靜止?fàn)顟B(tài)，并提出一種基于距離的機(jī)制來挑選某些子載波，以便進(jìn)行精確的運動檢測。除了人員檢測和活動識別之外，基于CSI的技術(shù)還被廣泛地應(yīng)用于室內(nèi)定位[9]、跌倒檢測[10-11]、擊鍵識別[12]、生理監(jiān)測[13]和計數(shù)[14]等。總體來說，CSI提供了更細(xì)粒度的多徑傳播信息，對人體運動更加敏感。

本文針對傳統(tǒng)人員活動持續(xù)時間估計系統(tǒng)隱私性及靈活性較差的問題，提出一種基于WiFi信道狀態(tài)信息的人員活動持續(xù)時間估計系統(tǒng)。該系統(tǒng)包括人員檢測階段和持續(xù)時間估計階段。首先，采集CSI信息并提取不同狀態(tài)的場景特征，即靜態(tài)特征和動態(tài)特征，然后，引入反向傳輸（Back Propagation， BP）神經(jīng)網(wǎng)絡(luò)對被監(jiān)控場景的特征進(jìn)行分類，以此來判斷監(jiān)控場景內(nèi)是否有人在活動。若有人活動，則采用分割方法來估計人員活動的持續(xù)時間。在典型室內(nèi)環(huán)境的實驗結(jié)果表明，人員檢測平均準(zhǔn)確率可達(dá)到97%，同時，人員活動持續(xù)時間誤差不超過10%。

1 信道狀態(tài)信息（CSI）

CSI是無線通信鏈路的信道屬性，刻畫了無線信號在每條傳輸路徑上的衰弱因子[5]。具體地說，發(fā)射機(jī)發(fā)射無線信號，傳播過程中經(jīng)過反射、衍射和散射等現(xiàn)象到達(dá)接收機(jī)形成疊加信號。正交頻分復(fù)用（Orthogonal Frequency Division Multiplexing， OFDM）技術(shù)將整個無線信道分成多個窄帶正交子載波?；贠FDM技術(shù)的CSI可以從兼容IEEE 802.11a/g/n/ac的商用無線網(wǎng)卡中獲取。每個數(shù)據(jù)包包含最大N=114個子載波的信道狀態(tài)信息：

目前，獲取CSI的工具主要有兩種，即Intel CSI工具和Atheros CSI工具[4，15]。本文采用商用路由器TL-WDR3500作為發(fā)射機(jī)發(fā)送信息，同時，利用Atheros CSI工具和Atheros網(wǎng)卡進(jìn)行系統(tǒng)設(shè)計并進(jìn)行了性能評估。

2 人員檢測及活動持續(xù)時間估計方法描述

本系統(tǒng)利用CSI的幅度變化進(jìn)行人員檢測以及活動持續(xù)時間估計。首先，利用Hampel濾波器對原始CSI數(shù)據(jù)進(jìn)行異常值檢測，并采用小波去噪方法對CSI數(shù)據(jù)進(jìn)行去噪處理;為了降低系統(tǒng)計算復(fù)雜度，采用主成分分析法（Principal Component Analysis， PCA）進(jìn)行降維處理;提取子載波的變化特征并作為BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network， BPNN）的輸入?yún)?shù)進(jìn)行人員檢測;若判斷出有人員活動，則通過分割方法進(jìn)一步估計人員活動的持續(xù)時間。

2.1 CSI數(shù)據(jù)預(yù)處理

無線信號在傳送過程中因發(fā)射機(jī)和接收機(jī)之間的協(xié)議以及外部環(huán)境的干擾，導(dǎo)致采集的CSI數(shù)據(jù)中包含非人員活動引起的異常值。為保證系統(tǒng)準(zhǔn)確性，采用Hampel濾波器[16]將異常值從CSI數(shù)據(jù)中濾除。具體地，Hampel濾波器通過分析CSI幅度值可以定位到超出區(qū)間[μ-γσ， μ+γσ]的異常值，其中， μ和σ分別表示數(shù)據(jù)序列的中位數(shù)和絕對中位差，而γ是一個依賴于應(yīng)用的參數(shù)，本系統(tǒng)取常用值3[6]。圖1表示靜態(tài)場景下某個子載波的幅度變化，其中方框中的點為異常點。

在實驗過程中發(fā)現(xiàn)，實驗環(huán)境復(fù)雜，發(fā)射機(jī)和接收機(jī)之間的通信質(zhì)量具有時變性，數(shù)據(jù)包會不同程度地丟失。為避免上述現(xiàn)象影響系統(tǒng)性能，對CSI數(shù)據(jù)進(jìn)行插值處理。一維線性插值法操作簡單并且可以滿足實驗要求，故系統(tǒng)采用一維線性插值方法對CSI數(shù)據(jù)進(jìn)行處理，以確保監(jiān)測環(huán)境CSI信息的完整性。

無線信號在傳輸過程中容易受到外部環(huán)境的干擾，導(dǎo)致接收端接收的CSI數(shù)據(jù)包含大量噪聲。小波變換能夠同時分析信號的時頻域，具有多分辨率分析的能力，在不同的分解層次上，小波分析能夠有效地區(qū)分信號和噪聲信號的突變部分，實現(xiàn)去噪，因此，采用小波變換閾值去噪法消除雜亂噪聲，平滑CSI數(shù)據(jù)。

小波變換是對空間頻率的局部化分析，它通過尺度變換和平移運算對信號進(jìn)行逐步細(xì)化，從而實現(xiàn)高頻時域細(xì)分和低頻頻域細(xì)分。首先，利用小波對CSI數(shù)據(jù)進(jìn)行分解，得到高頻細(xì)節(jié)分量和低頻近似分量;然后，利用閾值函數(shù)去除高頻細(xì)節(jié)分量噪聲;最后，利用小波重構(gòu)處理后的分量，得到凈化的CSI數(shù)據(jù)。圖2表示動態(tài)環(huán)境下去噪前的CSI幅值變化以及利用小波變換去噪后的CSI幅值變化，可以看出，小波變換可以很好地去除高頻噪聲。

2.2 PCA降維

本系統(tǒng)采用TP-Link路由器TL-WDR3500進(jìn)行數(shù)據(jù)采集并獲取到114個子載波，而高維度的CSI增加了系統(tǒng)的計算復(fù)雜度，因此，采用PCA技術(shù)縮減CSI數(shù)據(jù)的維度，從而提升系統(tǒng)計算性能。PCA技術(shù)通過線性變換將原始數(shù)據(jù)變換為一組各維度線性無關(guān)的表示，可以在基本保留數(shù)據(jù)重要信息的基礎(chǔ)上縮減原始數(shù)據(jù)的維度，進(jìn)而提取數(shù)據(jù)的主要特征分量。另外，利用PCA觀察子載波之間的相關(guān)性，并揭示不同子載波之間的變化。PCA降維過程如圖3所示，具體描述如下。

2.3 環(huán)境特征提取

為提取對環(huán)境敏感的魯棒性特征，分析PCA降維處理后的特征向量與相應(yīng)主成分。通過實驗分析，本系統(tǒng)發(fā)現(xiàn)第一主成分在靜態(tài)環(huán)境與動態(tài)環(huán)境下均具有較大的波動性，且無法很好地區(qū)分環(huán)境狀態(tài)，因此，本系統(tǒng)舍棄對第一主成分的考慮。此外，通過觀察其余主成分對環(huán)境變化的敏感性，發(fā)現(xiàn)在靜態(tài)環(huán)境下主成分的波動很小，但在動態(tài)環(huán)境下受人員活動影響，主成分的變化很大。與此同時，特征向量在靜態(tài)環(huán)境中變化雜亂，而在動態(tài)環(huán)境中變化平緩。

一般地，方差可以度量數(shù)據(jù)的離散度，一階差分可以反映相鄰數(shù)據(jù)之間的關(guān)系，因此，本系統(tǒng)綜合考慮主成分的方差與特征向量的一階差分均值作為環(huán)境特征分析的核心參數(shù)。計算主成分的方差E2{pli}，以及特征向量的一階差分的平均值D{eigi}，具體如下：

實驗發(fā)現(xiàn)，主成分方差與特征向量一階差分均值的比值F{pli，eigi}作為特征值對人員檢測更加敏感，因此，將主成分方差與特征向量一階差分均值的比值作為不同環(huán)境的特征：

綜上所述，為加強(qiáng)系統(tǒng)對人員檢測的敏感度，本系統(tǒng)重點關(guān)注除第一主成分的其余主成分，利用主成分的方差與一階差分均值的比率作為反映子載波變化的特征。

2.4 人員檢測

提取到靜態(tài)環(huán)境與動態(tài)環(huán)境的特征后，本系統(tǒng)主要通過對環(huán)境特征進(jìn)行分類實現(xiàn)人員檢測。若分類結(jié)果為靜態(tài)環(huán)境則系統(tǒng)判定當(dāng)前環(huán)境處于無人狀態(tài);而若分類結(jié)果為動態(tài)環(huán)境則系統(tǒng)判定當(dāng)前環(huán)境處于有人狀態(tài)。為實現(xiàn)這一過程，分類器的選擇顯得尤為重要。在未確定輸入與輸出之間映射關(guān)系的前提下，人工神經(jīng)網(wǎng)絡(luò)通過自身的訓(xùn)練學(xué)習(xí)，得到某種規(guī)則下的訓(xùn)練模型，并在接下來給定輸入值時能得到最接近期望輸出值的結(jié)果?？紤]到BPNN是目前中應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)，本系統(tǒng)利用BPNN作為環(huán)境特征的分類器，以實現(xiàn)人員檢測。

在BPNN的構(gòu)建中，隱含層數(shù)量問題決定分類器的應(yīng)用效果。通常來說，多隱含層BPNN雖然容易學(xué)習(xí)，但容易陷入局部極小值，而具有單個隱含層的三層BPNN已經(jīng)能夠完成任意的復(fù)函數(shù)映射，因此，本系統(tǒng)采用最簡單的三層BPNN作為環(huán)境特征分類的分類器，并采用變學(xué)習(xí)率動量梯度下降算法。具體分類操作可分為3個步驟：

1）將數(shù)據(jù)樣本分成兩類，即訓(xùn)練樣本和測試樣本;

2）選取訓(xùn)練樣本的環(huán)境特征作為BPNN模型的輸入，BPNN通過反復(fù)學(xué)習(xí)訓(xùn)練，不斷調(diào)整權(quán)值和閾值，使誤差沿梯度方向下降，當(dāng)誤差接近最小誤差0.01時停止訓(xùn)練，得到BPNN訓(xùn)練模型;

3）將測試樣本的環(huán)境特征利用BPNN訓(xùn)練模型進(jìn)行分類，并根據(jù)分類判定準(zhǔn)則實現(xiàn)人員檢測。

此外，為增加系統(tǒng)魯棒性，針對每個CSI數(shù)據(jù)流的人員檢測結(jié)果，采用多數(shù)投票算法對分類結(jié)果進(jìn)行融合處理，決策出最終人員檢測結(jié)果。

2.5 活動持續(xù)時間估計

針對人員檢測結(jié)果為動態(tài)環(huán)境（即有人狀態(tài)）的情況，本系統(tǒng)將進(jìn)一步對當(dāng)前人員活動的持續(xù)時間進(jìn)行估計?？紤]到人員活動的持續(xù)時間具有連續(xù)性并且計算復(fù)雜，因此本系統(tǒng)將采用等寬分箱法的思想對人員活動的持續(xù)時間進(jìn)行估計?；诖?，連續(xù)并且復(fù)雜的持續(xù)時間估計問題將轉(zhuǎn)化成離散簡單的人員檢測問題。具體操作可以分為5個步驟。

1）按照固定窗口大小，將預(yù)處理后的CSI數(shù)據(jù)流分割為多個CSI短序列。

2）針對每個CSI短序列，利用PCA算法進(jìn)行降維，以改善系統(tǒng)計算復(fù)雜度，并得到除第一主成分之外的其余主成分及相應(yīng)的特征向量。

3）利用CSI短序列的主成分和特征向量計算方差和一階差分均值的比值，以獲得每個CSI短序列的環(huán)境特征值。

4）與人員檢測相同，通過訓(xùn)練好的BPNN訓(xùn)練模型對每個CSI短序列進(jìn)行人員檢測。同樣地，利用多數(shù)投票算法對結(jié)果進(jìn)行融合，決策出CSI短序列人員檢測的最終結(jié)果，以提高系統(tǒng)檢測精度。

5）整合所有CSI短序列的人員檢測結(jié)果，結(jié)合固定窗口大小，估計當(dāng)前CSI數(shù)據(jù)流所反映的動態(tài)環(huán)境中目標(biāo)人員的持續(xù)時間Dr：

其中segNum表示人員活動的CSI短序列數(shù)目。

3 實驗結(jié)果及分析

3.1 實驗設(shè)置

在典型的室內(nèi)環(huán)境對該系統(tǒng)的性能進(jìn)行了評估。圖4（a）和4（b）為實驗場景，選取在研究室，大小為7.5m×13m。采用TP-Link無線路由器TL-WDR3500作為發(fā)射機(jī)，配備Atheros9382 NIC和開源工具Atheros-CSI-Tool的宏碁筆記本作為接收機(jī)，發(fā)射機(jī)和接收機(jī)之間組成一個2×2的多輸入多輸出（Multiple-Input Multiple-Output， MIMO）系統(tǒng)。實驗頻段采用5GHz，帶寬為40MHz，并以每秒1000個包的速率收發(fā)信息[17]。

3.2 性能分析

實驗在兩種環(huán)境狀態(tài)下進(jìn)行數(shù)據(jù)采集：1）靜態(tài)環(huán)境。監(jiān)測場景內(nèi)無人活動。2）動態(tài)環(huán)境。監(jiān)測場景內(nèi)有一個人在走動。樣本總時間（St）為120s，目標(biāo)人員活動的持續(xù)時間（Dr）分別為30s、60s、90s和120s。根據(jù)經(jīng)驗值窗口大小W設(shè)置為3s。

為準(zhǔn)確驗證系統(tǒng)的性能，分別從人員檢測和活動持續(xù)時間評估兩方面分析。針對人員檢測的評估，主要對實驗結(jié)果進(jìn)行精確度（Accuracy）分析，包括有人活動的情況識別正確的概率以及無人活動的情況識別正確的概率;針對活動持續(xù)時間的評估，主要對實驗結(jié)果進(jìn)行誤差（Error）分析，具體如下：

其中：TP和FN分別表示有人活動被識別正確的概率以及有人活動但未被檢測到的概率;Mt和Rt分別表示人員活動持續(xù)時間估計值以及人員活動持續(xù)時間真實值。

3.2.1 人員檢測評估

圖5描述了不同活動持續(xù)時間的人員檢測精度。從圖5中可以看出，人員檢測在不同活動持續(xù)時間的準(zhǔn)確率均在95%以上，平均綜合檢測率為97%，具有較高的檢測精度。

圖6展示了在不同環(huán)境狀態(tài)下特征值個數(shù)對人員檢測的影響。如圖6（a）所示，隨著特征值個數(shù)的增加，動態(tài)環(huán)境下不同活動持續(xù)時間的檢測準(zhǔn)確率有所下降;而圖6（b）所示，隨著特征值個數(shù)的增加靜態(tài)環(huán)境的檢測準(zhǔn)確率有所提高。整體來看，檢測準(zhǔn)確率均在0.9以上，可以根據(jù)不同場景要求來動態(tài)選擇特征值個數(shù)進(jìn)行人員檢測。

圖8展示了特征值個數(shù)對人員活動持續(xù)時間估計的影響。由圖8可以看出，隨著特征值個數(shù)的增加，不同活動持續(xù)數(shù)間的誤差有所增加;在相同特征值個數(shù)情況下，活動持續(xù)時間越長，檢測誤差相對增大。

4 結(jié)語

本文針對傳統(tǒng)人員活動持續(xù)時間估計系統(tǒng)隱私性及靈活性較差的問題，提出了一種適用于室內(nèi)環(huán)境的人員檢測及活動持續(xù)時間估計系統(tǒng)，利用商用WiFi設(shè)備采集CSI信息，并通過分析信號幅度變化進(jìn)行人員檢測，以及活動持續(xù)時間估計。該系統(tǒng)將復(fù)雜連續(xù)的持續(xù)時間估計問題轉(zhuǎn)化為簡單離散的人員檢測問題，并在典型復(fù)雜室內(nèi)場景對系統(tǒng)性能進(jìn)行了評估。實驗結(jié)果表明，人員檢測平均識別率達(dá)到97%，同時活動持續(xù)時間誤差不超過10%，均達(dá)到較好的識別效果。在下一步工作中，將考慮解決多目標(biāo)人員活動持續(xù)時間估計問題。

參考文獻(xiàn) （References）

[1] BONOMI A G， GORIS A H， YIN B， et al. Detection of type， duration， and intensity of physical activity using an accelerometer[J]. Medicine and Science in Sports and Exercise， 2009， 41（9）： 1770-1777.

[2] LIN W， ZHANG Y， LU J， et al. Summarizing surveillance videos with local-patch-learning-based abnormality detection， blob sequence optimization， and type-based synopsis[J]. Neurocomputing， 2015， 155： 84-98.

[3] 楊雪，呂紹和，張閩，等.基于無線信號的行為識別技術(shù)綜述[J].軟件學(xué)報，2015，26（Suppl.（1））：39-48.（YANG X， LYU S H， ZHANG M， et al. A survey on activity recognition using wireless signals[J]. Journal of Software， 2015， 26（Suppl.（1））： 39-48.）

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

[5] 楊錚，劉云浩.Wi-Fi雷達(dá)：從RSSI到CSI[J].中國計算機(jī)學(xué)會通訊，2014，10（11）：55-60.（YANG Z， LIU Y H. Wi-Fi radar： from RSSI to CSI[J]. Communications of CCF， 2014， 10（11）： 55-60.）

[6] ZHU H， XIAO F， SUN L， et al. R-TTWD： robust device-free through-the-wall detection of moving human with WiFi[J]. IEEE Journal on Selected Areas in Communications， 2017， 35（5）： 1090-1103.

[7] WANG W， LIU A X， SHAHZAD M， et al. Device-free human activity recognition using commercial WiFi devices[J]. IEEE Journal on Selected Areas in Communications， 2017， 35（5）： 1118-1131.

[8] GU Y， ZHAN J， JI Y， et al. MoSense： a RF-based motion detection system via off-the-shelf WiFi devices[J]. IEEE Internet of Things Journal， 2017， 4（6）： 2326-2341.

[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] HAN C， WU K， WANG Y， et al. WiFall： device-free fall detection by wireless networks[C]// Proceedings of the 2014 International Conference on Computer Communications. Piscataway， NJ： IEEE， 2014： 271-279.

[11] WANG Y， WU K， NI L M. WiFall： device-free fall detection by wireless networks[J]. IEEE Transactions on Mobile Computing， 2017， 16（2）： 581-594.

[12] ALI K， LIU A X， WANG W， et al. Recognizing keystrokes using WiFi devices[J]. IEEE Journal on Selected Areas in Communications， 2017， 35（5）： 1175-1190.

[13] ZHANG D， WANG H， WU D. Toward centimeter-scale human activity sensing with Wi-Fi signals[J]. Computer， 2017， 50（1）： 48-57.

[14] XU Y， YANG W， WANG J， et al. WiStep： device-free step counting with WiFi signals[C]// Proceedings of the 2018 ACM on Interactive， Mobile， Wearable and Ubiquitous Technologies. New York： ACM， 2018， 1（4）： Article No. 172.

[15] XIE Y， LI Z， LI M. Precise power delay profiling with commodity Wi-Fi[C]// Proceedings of the 2015 International Conference on Mobile Computing and Networking. New York： ACM， 2015：53-64.

[16] DAVIES L， GATHER U. The identification of multiple outliers[J]. Publications of the American Statistical Association， 1993， 88（423）： 782-792.

[17] XIN T， GUO B， WANG Z， et al. FreeSense： indoor human identification with Wi-Fi signals[C]// Proceedings of the 2016 IEEE Global Communications Conference. Piscataway， NJ： IEEE， 2016： 1-7.