基于穿墻信道狀態(tài)信息的行為識(shí)別方法

蒙倩霞，余 江，常 俊，浦 鈺，陳 澄

（云南大學(xué) 信息學(xué)院，昆明 650500）

0 概述

傳統(tǒng)行為識(shí)別方法主要依賴計(jì)算機(jī)視覺［1］、穿戴式傳感器［2］、雷達(dá)［3］等方法，然而計(jì)算機(jī)視覺的方法不能監(jiān)測(cè)光線盲區(qū)且隱私無法得到保障。傳感器方法對(duì)于特殊人群來說會(huì)增加危險(xiǎn)指數(shù)，基于雷達(dá)的方式造價(jià)較高，低價(jià)雷達(dá)監(jiān)測(cè)距離又受限，僅幾十厘米。基于信道狀態(tài)信息（Channel State Information，CSI）的行為識(shí)別是一種保密隱私、安全、無需攜帶設(shè)備且價(jià)格實(shí)惠的方法，可以工作于煙霧和黑暗環(huán)境中，僅依靠Wi-Fi信號(hào)能夠透過障礙物對(duì)非視距目標(biāo)進(jìn)行監(jiān)測(cè)，無需監(jiān)測(cè)人員攜帶任何傳感器和部署專用監(jiān)控設(shè)備。利用Wi-Fi信號(hào)廣泛覆蓋的特點(diǎn)，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(shí)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(cè)系統(tǒng)。Emosens［5］從CSI 識(shí)別用戶的情緒狀態(tài)，同樣使用幅值特征。文獻(xiàn)［6］提出一種基于CSI 幅度相位混合信息的人體運(yùn)動(dòng)識(shí)別方法Wi-SD。文獻(xiàn)［7］提出一種吸煙檢測(cè)系統(tǒng)，用于室內(nèi)環(huán)境吸煙行為檢測(cè)。CARM［8］利用CSI 速度模型和CSI 活動(dòng)模型來識(shí)別不同的活動(dòng)。Wi-Fiu［9］和Wi-Run［10］使用CSI 值通過捕獲不同人類的步態(tài)模式來識(shí)別人類。Wi-HACS［11］利用子載波的相關(guān)性檢測(cè)不同環(huán)境中人類活動(dòng)。Wi-Act［12］探討了人體運(yùn)動(dòng)與CSI 中的幅值信息之間的相關(guān)性，進(jìn)而對(duì)不同活動(dòng)進(jìn)行分類。文獻(xiàn)［13］將CSI 作為圖像處理進(jìn)行定位和活動(dòng)識(shí)別，文獻(xiàn)［14］同樣利用CSI 的圖像特征來識(shí)別駕駛員的注意力狀態(tài)。盡管上述方法具有較好的識(shí)別結(jié)果，但沒有考慮信號(hào)穿墻的情況。然而，在實(shí)際生活的室內(nèi)環(huán)境總免不了墻體的出現(xiàn)，大部分的家庭僅有一個(gè)無線接入點(diǎn)，信號(hào)在穿過墻壁之后會(huì)嚴(yán)重衰弱?，F(xiàn)有的噪聲技術(shù)（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(hào)衰減問題。如果不考慮信號(hào)穿墻情況，那么信號(hào)的利用率就會(huì)下降，但若考慮信號(hào)穿墻情況，則以往的系統(tǒng)在進(jìn)行識(shí)別時(shí)效果就會(huì)下降。更重要的是可能因?yàn)樯鲜銮闆r而導(dǎo)致對(duì)老人以及特殊人員的監(jiān)測(cè)不及時(shí)而帶來事故。文獻(xiàn)［15］提出一種穿墻識(shí)別的結(jié)構(gòu)，但僅限理論分析。文獻(xiàn)［16］在穿墻的場(chǎng)景下進(jìn)行行為識(shí)別，但是該方法預(yù)處理多且使用復(fù)雜的雙向循環(huán)神經(jīng)網(wǎng)絡(luò)，計(jì)算量大，且過程復(fù)雜。

穿墻的最大問題是Wi-Fi 信號(hào)穿墻后嚴(yán)重衰落，而這種衰落對(duì)CSI 數(shù)據(jù)的影響比行為影響的程度要大得多。如果將墻壁和室內(nèi)環(huán)境的影響視為靜態(tài)數(shù)據(jù)，將行為的影響視為動(dòng)態(tài)數(shù)據(jù)，那么穿墻行為識(shí)別只有通過消除CSI 中的靜態(tài)背景信息才能把人體行為產(chǎn)生的動(dòng)態(tài)數(shù)據(jù)提取出來，進(jìn)行有效的行為識(shí)別。為解決上述問題，本文提出一種簡(jiǎn)單的基于CSI 的穿墻行為識(shí)別的方法。通過捕獲原始CSI 數(shù)據(jù)矩陣的低秩性并對(duì)其進(jìn)行低秩分解，消除無用靜態(tài)CSI分量，分離出行為引起的動(dòng)態(tài)CSI 分量。由于CSI 數(shù)據(jù)的高維特性，如果直接計(jì)算復(fù)雜度較高，會(huì)出現(xiàn)維度災(zāi)難，因此利用時(shí)間反演（Time Reversal，TR）算法來解決CSI 數(shù)據(jù)維度過高的問題。最后對(duì)非穿墻和穿墻不同場(chǎng)景下的坐站、走動(dòng)、跳躍、深蹲、跌倒5 種日常行為進(jìn)行識(shí)別。

1 總體設(shè)計(jì)

1.1 CSI 數(shù)據(jù)模型

無線通信鏈路信道的特性常用信道狀態(tài)信息來衡量。在IEEE 802.11n 標(biāo)準(zhǔn)中，利用正交頻分復(fù)用技術(shù)可以從物理層解析得到CSI 數(shù)據(jù)。在MIMO系統(tǒng)中，設(shè)NTX為發(fā)射端的天線數(shù)量，NRX為接收端的天線數(shù)量［17］。對(duì)于每個(gè)采樣時(shí)刻t，CSI 值構(gòu)成NTX×NRX×L維的一個(gè)矩陣，其中，L為Wi-Fi 的子載波數(shù)。

在無線信號(hào)傳播環(huán)境中，人體作為反射和散射點(diǎn)，由于無線信號(hào)從多個(gè)路徑到達(dá)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(dāng)行為發(fā)生變化時(shí)，此時(shí)反射路徑會(huì)有相應(yīng)的改變，每個(gè)行為對(duì)路徑的不同影響都可以作為區(qū)分與其他行為的身份證。然而，與墻壁、家具等靜態(tài)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(duì)較小，特別是信號(hào)穿過墻壁后會(huì)更大程度的損耗，因此行為特征會(huì)被掩蓋。假設(shè)與人體行為相關(guān)的第n根天線的CSI 可以建模為環(huán)境所影響的靜態(tài)CSI 分量和受行為影響的動(dòng)態(tài)CSI 分量的總和：

當(dāng)人體發(fā)生變化時(shí)，在接收端可以接收到一個(gè)N×L的原始CSI矩陣：

相應(yīng)的行為特征矩陣為：

其中：N代表發(fā)射機(jī)和接收機(jī)之間的總路徑。

1.2 識(shí)別流程

在行為識(shí)別的過程中，希望保留的是由行為引起的動(dòng)態(tài)CSI 分量，但是由于CSI 原始數(shù)據(jù)中靜態(tài)CSI 分量和動(dòng)態(tài)CSI 分量是未知的，無法直接提取動(dòng)態(tài)分量，如果直接識(shí)別原始CSI，誤差很大，當(dāng)信號(hào)穿墻時(shí)無法識(shí)別。此外，CSIi和ΔCSIi都是N×L的復(fù)值矩陣，維度較高，直接進(jìn)行分類具有很高的計(jì)算復(fù)雜度較高。為解決以上2 個(gè)問題，本文提出基于穿墻信道狀態(tài)信息的行為識(shí)別方法，具體流程如圖1 所示。

圖1 CSI 識(shí)別流程Fig.1 CSI identification procedure

2 數(shù)據(jù)預(yù)處理

2.1 相位校準(zhǔn)

在實(shí)際采集數(shù)據(jù)過程中，存在時(shí)間同步誤差以及噪聲的影響，預(yù)測(cè)的CSI 會(huì)受到初始相位和由行為帶來線性相位的影響。通過實(shí)驗(yàn)結(jié)果可以得出：無論是靜態(tài)還是動(dòng)態(tài)環(huán)境的相位分布都是沒有規(guī)律性的。為獲得正確的行為特征Δcsi，首先要對(duì)原始CSI 的相位進(jìn)行校準(zhǔn)?？梢詫⒚總€(gè)CSI 值建模為：

其中：φ*是線性相位的斜率；φ0是初始相位，每個(gè)CSI值的φ*和φ0都不同。但是在實(shí)際的測(cè)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(xiàn)［18］的線性相位相消法。跌倒動(dòng)作相位校準(zhǔn)前后的差別如圖2 所示。

圖2 前后相位校準(zhǔn)的跌倒動(dòng)作Fig.2 Before and after phase calibration of fall action

2.2 靜態(tài)CSI 分量減除

在實(shí)際中，相比靜態(tài)CSI 分量，動(dòng)態(tài)CSI 分量顯得較微弱，特別是信號(hào)在穿過墻壁等障礙物時(shí)。為消除靜態(tài)環(huán)境帶來的影響只留下與行為密切相關(guān)的動(dòng)態(tài)CSI 分類，本文利用PRCA 算法對(duì)原始CSI 進(jìn)行低秩矩陣分解，從而將靜態(tài)分量消除。低秩矩陣分解原理如下［19］：

假設(shè)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(zhuǎn)化為凸優(yōu)化問題：

其中：‖U‖*是矩陣U的核范數(shù)；α是加權(quán)因子，表示稀疏矩陣的權(quán)重。

本文采用增廣拉格朗日算子法對(duì)凸優(yōu)化問題進(jìn)行求解，其中：Y表示拉格朗日乘子；β表示一個(gè)正標(biāo)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(tài)分量，那么式（2）就要滿足是低秩特征是一個(gè)稀疏矩陣。如果滿足這2 個(gè)條件，則可以采用低秩矩陣分解來分離復(fù)雜的靜態(tài)CSI 分量。具體方法如下：

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

在時(shí)間t內(nèi)，當(dāng)信號(hào)的傳播路徑由dk(0)變化到dk(t)時(shí)，那么變化的路徑Δk(t)=dk(t)-d0(t)，其中d0(t)是路徑的初始長(zhǎng)度，設(shè)φ0=e-j2πΔft為子載波的初始相位，那么在Δt時(shí)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(zhǎng)之間的差異很小，即2 個(gè)不同子載波的波長(zhǎng)存在λ1≈λ2的關(guān)系，且Δk(t)很小，那么就可以得到：

因?yàn)槌跏悸窂介L(zhǎng)度d0(t)遠(yuǎn)大于Δk(t)，所以即使波長(zhǎng)略有不同，2個(gè)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(dāng)Δk(t)很小時(shí)，對(duì)于不同的副載波CFR，是具有不同初始相位的同一組時(shí)變波形的線性組合，即那么就可以證明當(dāng)Δk(t)=0 時(shí)的靜態(tài)環(huán)境下，可以排除Δk(t)帶來的動(dòng)態(tài)影響。因此，可以得出結(jié)論矩陣是相關(guān)的。對(duì)于不同天線的矩陣，可以獲得類似的結(jié)果。本文測(cè)試了暗室、半封閉式走廊、會(huì)議室環(huán)境的幅值和相關(guān)矩陣。

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

（1）CSI 的采集是對(duì)Intel 5300 網(wǎng)卡固件進(jìn)行修改，采集數(shù)據(jù)非均勻采樣，所以猜想動(dòng)作對(duì)CSI 的子載波的影響可能會(huì)有差異?；谶@樣的猜想，本文分別測(cè)試了走廊和會(huì)議室2 種場(chǎng)景下的走動(dòng)和跌倒動(dòng)作對(duì)子載波的影響，相對(duì)來說，走動(dòng)持續(xù)較長(zhǎng)時(shí)間，跌倒時(shí)間較短。在走廊場(chǎng)景下走動(dòng)發(fā)生時(shí)，發(fā)現(xiàn)對(duì)天線1 的所有子載波影響較小，對(duì)天線2 的某些子載波影響較微薄，對(duì)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(huì)議室場(chǎng)景下跌倒發(fā)生時(shí)，發(fā)現(xiàn)對(duì)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(cè)試了走廊跌倒和實(shí)驗(yàn)室走動(dòng)對(duì)子載波的影響，得出的結(jié)論相似。這表明無論是不同環(huán)境下的同一動(dòng)作還是同一場(chǎng)景下的不同動(dòng)作，對(duì)子載波的影響是有選擇性的，只是小范圍內(nèi)的某些子載波受到了較大的影響。

圖6 走動(dòng)對(duì)子載波的影響Fig.6 Influence of ambulate on subcarriers

（2）通過實(shí)驗(yàn)可近似測(cè)量同一環(huán)境下同樣數(shù)據(jù)量的CSI 總量和靜態(tài)CSI 分量那么根據(jù)之前的分析動(dòng)態(tài)CSI 分量的值就可以通過簡(jiǎn)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(huì)議室2 種環(huán)境下走動(dòng)、跌倒、彎腰動(dòng)作的CSI 值，并統(tǒng)計(jì)了10 個(gè)稀疏因子。實(shí)驗(yàn)結(jié)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(shí)間維度分析，盡管不同的行為持續(xù)的時(shí)間有差異，但是從實(shí)驗(yàn)數(shù)據(jù)可以得到，行為引起CSI 值變化的時(shí)間和整個(gè)測(cè)量時(shí)間相比相對(duì)較短，在實(shí)際應(yīng)用中，還可以根據(jù)不同的行為來調(diào)節(jié)時(shí)間窗口的長(zhǎng)度，也就是說，從時(shí)間維度來分析，動(dòng)態(tài)CSI分量的稀疏性是可受人為控制的。

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

3 時(shí)間反演算法

3.1 時(shí)間反演空間

如圖9 所示，在一個(gè)物理空間內(nèi)，存在A、B 2 個(gè)收發(fā)器，當(dāng)收發(fā)器B 向A 發(fā)送1 個(gè)信號(hào)時(shí)，可以得到此時(shí)狀態(tài)下的多徑配置文件CSI 為h(t)。假設(shè)對(duì)到達(dá)A 的信號(hào)進(jìn)行時(shí)間反轉(zhuǎn)和共軛得到的標(biāo)簽g，且g(t)=h（-t），然后將g(t)發(fā)送回B，g(t)和原來的h(t)應(yīng)該遵循同樣的多徑路程。根據(jù)多徑效應(yīng)的唯一性，R=g(t)×h(t)的值會(huì)在預(yù)期的位置B 由于時(shí)空共振出現(xiàn)1 個(gè)峰值。TR 時(shí)空共振可以看作是電磁場(chǎng)對(duì)環(huán)境的共振，這種現(xiàn)象稱為TR 聚焦效應(yīng)。

圖9 時(shí)間反演示意圖Fig.9 Schematic diagram of time inversion

3.2 時(shí)間反演共振能量

TR 時(shí)空共振可以捕獲多徑信道中的微小變化，通過時(shí)間反演共振強(qiáng)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(yīng)相關(guān)聯(lián)的2 個(gè)物理事件或位置之間的相似性，2 個(gè)CSI 信號(hào)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(shè)任意2 個(gè)CSI 值為CSIa和CSIb，可以得到1×N的TRRS 矢量矩陣：

那么，2 個(gè)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(cè)量中嵌入的高維復(fù)值行為特征映射到TR 空間，特征維數(shù)由L×N維降為1 維。對(duì)于待測(cè)試行為CSIx，若給定樣本指紋數(shù)據(jù)庫CSIi，那么可以根據(jù)TRRS 定義此行為的標(biāo)簽為：

其中：x^ 是最大值索引；x^=0 時(shí)表示未識(shí)別到此行為。

如上所述，當(dāng)墻阻擋了發(fā)送器和接收器之間的所有直接和反射傳播路徑時(shí)，由人類活動(dòng)引起的CSI值變化將變得非常微弱。因此，靜態(tài)環(huán)境和噪聲的相關(guān)性會(huì)嚴(yán)重干擾人類活動(dòng)與CSI 值變化之間的CSI 相關(guān)性，由對(duì)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(huì)降低識(shí)別的精度。為了提高性能，本文的思想就是從測(cè)量的CSI 值中刪除靜態(tài)分量，得到僅有行為引起的ΔCSI。在消除了靜態(tài)分量后，基于式（16）TRRS 分類的問題變?yōu)椋?/p>

對(duì)無線電影響的人體行為特征完善有助于提高TRRS 對(duì)類似行為進(jìn)行區(qū)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(shí)空共振，同時(shí)在同一類別內(nèi)保持了強(qiáng)烈的共振，可以提高識(shí)別的精度。

4 實(shí)驗(yàn)評(píng)估

4.1 實(shí)驗(yàn)部署

實(shí)驗(yàn)的收發(fā)裝置為2 臺(tái)配有Intel 5300 網(wǎng)卡的主機(jī)，其中發(fā)射機(jī)天線網(wǎng)卡上配有1 根全向天線，接收機(jī)天線網(wǎng)卡上均配有3 根全向天線，為得到穩(wěn)定且采樣率較高的CSI 數(shù)據(jù)，采用Linux 802.11n CSI tool Monitor 模式對(duì)網(wǎng)卡固件進(jìn)行修改，帶寬頻率為40 MHz。

實(shí)驗(yàn)場(chǎng)景的平面圖如圖10 所示，本文分別采集室內(nèi)視距（LOS）、室內(nèi)非視距（NLOS）和穿墻（TW）場(chǎng)景下的數(shù)據(jù)。3 種場(chǎng)景實(shí)驗(yàn)都把收發(fā)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(guān)閉的狀態(tài)。本文實(shí)驗(yàn)邀請(qǐng)了3 名志愿者，分別進(jìn)行坐站、走動(dòng)、跳躍、深蹲、跌倒5個(gè)動(dòng)作，每次采集時(shí)間為30 s，第15秒時(shí)開始做動(dòng)作，第30 秒時(shí)停止。每個(gè)行為采集150 次，每個(gè)場(chǎng)景總的樣本量為750個(gè)，總共采集2 250個(gè)數(shù)據(jù)。最后每個(gè)位置的各個(gè)行為的數(shù)據(jù)以2∶1 的比例進(jìn)行指紋庫和測(cè)試集的驗(yàn)證。

圖10 實(shí)驗(yàn)場(chǎng)景平面示意圖Fig.10 Schematic diagram of experimental scene scene

4.2 實(shí)驗(yàn)結(jié)果分析

4.2.1α對(duì)實(shí)驗(yàn)的影響

實(shí)驗(yàn)測(cè)量得到的CSI 值由靜態(tài)分量和動(dòng)態(tài)分量組成，這2 個(gè)量的分離由加權(quán)因子α決定［20］，由文獻(xiàn)［20］可知實(shí)際情況下α的取值為但是在本文的實(shí)驗(yàn)中，所要提取的是動(dòng)態(tài)CSI 分量代表的稀疏矩陣，既要除去靜態(tài)分量，又要保留動(dòng)態(tài)CSI 分量，所以α的取值變得異常關(guān)鍵。人類活動(dòng)的相關(guān)性通過分離后的稀疏矩陣得到，稀疏矩陣彼此之間的相關(guān)性直接決定分類結(jié)果的準(zhǔn)確性，因此α的取值會(huì)影響系統(tǒng)的性能。本文計(jì)算了α取不同值時(shí)室內(nèi)LOS 場(chǎng)景、NLOS 場(chǎng)景和TW 場(chǎng)景5 種行為的平均準(zhǔn)確率，如圖11 所示，根據(jù)α取值的經(jīng)驗(yàn)值，計(jì)算得到理論分離矩陣最好的α值為0.1，但是在本文的實(shí)驗(yàn)中發(fā)現(xiàn)在α=0.1 時(shí)并不能取得很好的識(shí)別效果，這是因?yàn)榘言瓉泶硇袨樘卣鞯挠邢嚓P(guān)性的CSI值也分離在代表靜態(tài)分量的低秩矩陣中，導(dǎo)致稀疏矩陣特征減少無法正確識(shí)別。經(jīng)過實(shí)驗(yàn)可發(fā)現(xiàn)，當(dāng)α>0.125 時(shí)，識(shí)別精度會(huì)下降，當(dāng)α=0.125 時(shí)，3 種場(chǎng)景識(shí)別度都最高。另一方面，如2.2 節(jié)所述，本文實(shí)驗(yàn)采用1×3 的發(fā)射模式，但是已證明同一根天線的子載波高度相關(guān)，同時(shí)又和其他2 根有差異，所以理論上成矩陣的秩應(yīng)該為3，在α=0.125 代入時(shí)，通過驗(yàn)證發(fā)現(xiàn)，此時(shí)分離出的靜態(tài)矩陣秩恰好為3。所以，本文以下的實(shí)驗(yàn)均選取α為0.125 作為加權(quán)因子。

圖11 α 值對(duì)實(shí)驗(yàn)的影響Fig.11 Influence of α value on the experiment

4.2.2 背景消除對(duì)實(shí)驗(yàn)結(jié)果的影響

消除靜態(tài)CSI 分量可以使不同行為的訓(xùn)練與測(cè)試CSI 數(shù)據(jù)之間的TRRS 得到很大的抑制，相同行為的TRRS 突顯。LOS、NLOS 和TW 場(chǎng)景下消除靜態(tài)CSI 分量的識(shí)別結(jié)果如圖12 所示。實(shí)驗(yàn)結(jié)果表明，LOS 場(chǎng)景5 個(gè)動(dòng)作的識(shí)別結(jié)果分別提升了11.3%、9.8%、9.1%、11.7%、10.1%，識(shí)別結(jié)果平均提高了10.4%，平均識(shí)別率為94.1%。NLOS 場(chǎng)景識(shí)別結(jié)果分別提升了12.8%、11.9%、10%、14.1%、11.7%，識(shí)別結(jié)果平均提高了12.7%，平均識(shí)別率為92.3%。TW場(chǎng)景識(shí)別結(jié)果分別提升15.7%、12.3%、16.1%、13.6%、14.5%。識(shí)別結(jié)果平均提高14.4%，平均識(shí)別率為90.7%。相對(duì)來說，走動(dòng)和跌倒行為相比其他行為來說識(shí)別結(jié)果較好。而另外4 個(gè)動(dòng)作識(shí)別效果相對(duì)較低，這是因?yàn)檫@4 個(gè)行為極為相似，影響CSI 的程度相當(dāng)，在分類時(shí)更容易出現(xiàn)交叉誤報(bào)。但是識(shí)別效果就消除靜態(tài)分量之前而言，LOS、NLOS 和TW 場(chǎng)景下的識(shí)別結(jié)果都有較大提升，且在TW 場(chǎng)景下的識(shí)別結(jié)果達(dá)到90.7%，說明本文方法可以實(shí)現(xiàn)穿墻識(shí)別行為識(shí)別。

圖12 不同場(chǎng)景下消除靜態(tài)CSI 分量的識(shí)別結(jié)果Fig.12 Recognition results of eliminating static CSI components in different scenarios

4.2.3 其他因素對(duì)識(shí)別結(jié)果的影響

本文對(duì)相位校準(zhǔn)、天線數(shù)量以及指紋庫數(shù)據(jù)量對(duì)結(jié)果的影響做了比較分析。首先根據(jù)采集的數(shù)據(jù)量，每個(gè)行為指紋庫數(shù)據(jù)量最多為100 個(gè)。然后分析了無相位校準(zhǔn)的TR-1 根天線、TR-2 根天線和TR-3 根天線以及經(jīng)相位校準(zhǔn)的TR-Phase-1 根天線、TR-Phase-2 根天線和TR-Phase-3 根天線。TW 場(chǎng)景下平均識(shí)別結(jié)果如圖13 所示。

圖13 不同因素對(duì)實(shí)驗(yàn)結(jié)果的影響Fig.13 Influence of different factors on experimental results

從圖13 可以看出，在經(jīng)過相位校準(zhǔn)消除相位誤差后，無論單天線還是多天線，識(shí)別結(jié)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(shí)別精度。同時(shí)，從實(shí)驗(yàn)結(jié)果也可以看出多天線的識(shí)別結(jié)果總高于單天線。一方面，CSI 數(shù)據(jù)的采集是對(duì)Intel 5300 網(wǎng)卡固件進(jìn)行修改：采集數(shù)據(jù)非均勻采樣，動(dòng)作對(duì)CSI 的子載波的影響可能會(huì)有差異以及信道的選擇性衰弱等因素。當(dāng)行為發(fā)生時(shí)，到底哪幾個(gè)子載波受影響，受影響大小的情況都是不確定的。當(dāng)只利用1 根天線時(shí)，可能恰好這根天線受行為影響比較小，在識(shí)別的過程中可能會(huì)誤分，但隨著天線數(shù)量的增加，受行為影響的子載波會(huì)大幅增加，加大了各行為之間的差別度，從而提高了識(shí)別精度。另一方面，增加天線數(shù)量相當(dāng)于從更多角度去分析行為特征，這也類似于從多個(gè)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(shù)量導(dǎo)致分辨率提高，使各個(gè)行為的特征更加清晰，更容易識(shí)別。

4.2.4 識(shí)別結(jié)果分析對(duì)比

從圖11 可以看出，在不同的場(chǎng)景下識(shí)別效果有差異，識(shí)別準(zhǔn)確率SLOS>SNLOS>STW，在LOS下接收的功率最大，動(dòng)態(tài)CSI 值得到了更好的體現(xiàn)。在TW 場(chǎng)景下信號(hào)穿墻后會(huì)大幅度的損耗，但是TW實(shí)驗(yàn)時(shí)會(huì)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(tài)分量之后，TW 場(chǎng)景下也得到了較好的識(shí)別結(jié)果。為進(jìn)一步說明本文方法的有效性，將識(shí)別結(jié)果與Wi-SD［6］系統(tǒng)、NotiFi系統(tǒng)［21］和Wi-Act系統(tǒng)［12］的算法進(jìn)行了對(duì)比，如表1 所示。

表1 不同方法識(shí)別結(jié)果對(duì)比Table 1 Comparison of different methods recognition results

從表1 可以看出，在使用相同數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)的情況下，LOS 場(chǎng)景下的識(shí)別結(jié)果大同小異。但是對(duì)于NLOS 和TW 場(chǎng)景，本文方法結(jié)果明顯優(yōu)于另外幾種系統(tǒng)，尤其對(duì)于TW 場(chǎng)景下，平均識(shí)別精度分別提高了15.5%、15.7%、11.5%。這也說明經(jīng)過消除靜態(tài)分量后，信號(hào)穿墻后行為特征得到了保留和顯現(xiàn)，使得TW 場(chǎng)景下識(shí)別精度更好。從方法來看，其他系統(tǒng)的方法預(yù)處理步驟較為繁雜，計(jì)算量也大，同時(shí)也都只考慮了CSI幅值的特點(diǎn)，而忽略了CSI 相位帶來的信息。但是本文方法預(yù)處理簡(jiǎn)單，不需要進(jìn)行復(fù)雜的計(jì)算，同時(shí)也把相位信息考慮在其中，充分利用了CSI 承載的信息。從運(yùn)行時(shí)間來看，本文方法低于其他系統(tǒng)運(yùn)行時(shí)間。綜合來看，本文方法在具有簡(jiǎn)單算法的基礎(chǔ)上還獲得了較好的識(shí)別結(jié)果，具有更大的優(yōu)勢(shì)。

5 結(jié)束語

本文提出一種簡(jiǎn)單的基于CSI 的穿墻行為識(shí)別方法。通過對(duì)CSI 矩陣性質(zhì)的分析證明其符合低秩特性進(jìn)而利用低秩矩陣分解，消除靜態(tài)CSI 分量分離出動(dòng)態(tài)CSI 分量，利用TR 算法解決CSI 數(shù)據(jù)高維度的問題，使復(fù)雜計(jì)算變得更簡(jiǎn)化，最終對(duì)非穿墻和穿墻不同場(chǎng)景下的5 種日常行為進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明，與Wi-SD、NotiFi 等系統(tǒng)相比，該方法在穿墻情況下的識(shí)別率大幅提升，達(dá)到了較好的識(shí)別效果。但是本文實(shí)驗(yàn)僅考慮了混凝土墻的實(shí)驗(yàn)場(chǎng)景，比較單一，下一步將探究不同材質(zhì)的墻體對(duì)實(shí)驗(yàn)結(jié)果的影響。