基于Wi-Fi Sensing的无感检测技术

车忠辉 车晨畅 解仲坤

第一作者简介：车忠辉（1973-），男，硕士，正高级工程师。研究方向为人工智能，计算机和软件开发，移动通信技术，数据处理。

DOI：10.19981/j.CN23-1581/G3.2024.12.001

摘  要：随着智能家居的推广普及，对于移动物体的行为感知成为热点技术。相比于传统的信息检测技术，新型的基于Wi-Fi信号的设备无关被动入侵检测，能够在无需用户做任何干预也不影响人员隐私安全的情况下实现对于行为的检测判断，这和使用摄像头或红外检测形成显著差异，成为研究热点。该文基于Wi-Fi芯片平台采集物理层信道状态信息，构建与移动载体信息相关的检测模型，结合大数据分析和智能算法，给出相关的实现方案，并基于实验验证实现从无线信道中捕捉波形特征，验证方案的有效性，结合结果分析也为后续精度的进一步提升提供改进方向。

关键词：Wi-Fi感知；信道状态信息；入侵检测；大数据处理；检测模型

中图分类号：TN92        文献标志码：A          文章編号：2095-2945（2024）12-0001-05

Abstract： With the popularization of smart home， the behavior perception of moving objects has become a hot technology. Compared with the traditional information detection technology， the new device independent passive intrusion detection based on Wi-Fi signal can detect and judge the behavior without any user intervention and without affecting the privacy security of personnel， which is significantly different from the use of camera or infrared detection， and has become a research hotspot. In this paper， the channel state information of the physical layer is collected based on the Wi-Fi chip platform， and the detection model related to the mobile carrier information is constructed. Based on big data analysis and intelligent algorithm， the relevant implementation scheme is given， and the waveform features are captured from the wireless channel based on experimental verification， which verifies the effectiveness of the scheme. The analysis of the results also provides a direction for further improvement of the follow-up accuracy.

Keywords： Wi-Fi awareness; channel state information; intrusion detection; big data processing; detection model

感知手段的发展促使了智能家居的普及，而智能家居的场景化使用要求也提升了人们对于感知的进一步应用。当前远程检测成为应用热点，各种sensor传感器应用也逐步成为家庭组网的关键，越来越多的产品都以集成丰富是传感器组件为卖点，但在相关产品的应用过程中，如何保护用户隐私，在获得信息感知并提供感知服务的同时不造成额外的开销成为技术研究的趋势。

当前市场上常用的检测系统在技术实现上多采用基于计算机视觉[1-2]、专用传感器和射频信号[3-4]3种方式，相关技术方案成熟但在运行维护时有成本高、部署困难的情况，而且对于被检物体存在隐私泄露的情况。随着算例的提升以及人工智能技术的发展，通过利用环境中已有的无线信号如声、光或无线射频信号进行感知采集成为研发热点，这种非传感器感知进行信息加工和计算的方式将人类对于物质世界的认识推到了一个新的高度。

对于智能家居来说，基于家庭数据中心的CPE来做技术研究，在不引入新的设备载体的情况下，通过算例改进来实现新业务是本文的关注重点，本文基于实验验证，从Wi-Fi无线信号的采集入手，给出一种Wi-Fi信道信息采集、建模计算和优化改进的方法，并通过实际测试完成了实现非传感器感知的方案。

1  方案原理

如图1所示，对于无线Wi-Fi信号，无论是2.4G还是5G频段，其因为使用的是公开频道都会受到不同的信道干扰，在AP和STATION之间信号从不同的路径发射和接收，由于多普勒效应，会存在接收端接收到的信号来自不同信道，这些不同信道所呈现的波形叠加将产生不同的叠加信号。而居于信道上的物体的移动会造成信道的直接干扰，物体的形状、速度以及装备等都会对信号路径产生不同的影响，这些信息特征将为物体的感知做出不同的映射，这种映射关系将成为信道覆盖范围内设备动静感知的基础[5-6]。

Wi-Fi Sensing就是基于信號处理、特征分析以及机器学习等技术，对无线信道进行噪声过滤和采样分析，识别出需要的有用信息，把这些信息转换为多普勒谱图，并结合谱图做大数据分析处理，找出规律达到识别载体运动的轨迹。

Wi-Fi无线信道强度RSSI是Wi-Fi信号质量最明显的信息特征，也是人们对于Wi-Fi覆盖质量应用最广的判定因素之一，在早期的Wi-Fi Sensing人体感知研究中，有研究者以 RSSI作为信息载体想从中获得统计数据。但实际测试发现，因为RSSI 易受环境的干扰，不同干扰源所造成的RSSI结果又处于相同值，这使得通过RSSI进行行为提取的模型难以快速建立，并且抽象的数据模型也不能使用到复杂的物体移动场景中，为了更多地在无线信息中提取有效数据，并且基于算例的考虑，最新技术是使用叠加了多径效应的信道状态来进行判断，这比单纯依靠RSSI能获得更多的有效数据，成为感知研究的主导技术[7]。

图1  室内无线信号的传播路径

2  基于CSI的信息处理

2.1  信道状态信息（CSI）

信道是无线信号传递的路径，与信道频率响应相同，可以从频域角度来描述信道对于传输信号的影响，常用于在正交频分复用（Orthogonal Frequency Division Multiplexing，OFDM）系统中描述各个子信道的属性，在信号传递的路径上必然会存在各通道信号的叠加，这是不同于主传输通路的噪声信号，但这些叠加状态信息可以基于OFDM来度量信道状态。这样每一条无线链路都会产生对应的CSI 值。与RSSI相比，CSI提供了更为丰富、细粒度的信号状态信息，这些包含特定信息的CSI载体是进行应用开发的关键。

2.2  计算方法

行为运动检测最终是要划归为模式识别，而模式识别的关键是数据的分析计算，在模式识别问题中，选取的特征将影响数据的分类。正如香农采样定律描述的，不同的采样数据将直接影响最终的计算结果。随着无线协议技术的发展，各个芯片平台在API接口上都会把响应的CSI值量化输出，使用CSI进行数据采集，不但平台支持，而且方便抓取，所以物体移动检测判断就演变成CSI的采集以及算法的设计，良好的算法将使得信道的特征表现更加明显，也更能基于大数据分析获得物体运动的映射特征。

3  方案仿真

本文设计的人体检测系统方案总体流程图如图2所示，为了更好地获得模型数据，在检测上采用预训练阶段和实时检测阶段两大部分。在预训练阶段，先对检测区内的物体分布、采样区大小及区域布置进行数字画像，分别采集监测区域的物体信息，包括并不限于物体移动速度、距离及大小等可视数据。经过预训练，得到了完整的机器学习模型。再进行在线实时检测，明确不变的设备保持固定，以减轻模型计算的复杂度。获得物体移动实时检测数据，把相关数据和预训练完成的模型结合特征值进行分类概率计算，这个概率即判断环境中是否有物体移动的概率，以概率的线性区间展示移动的规律。

3.1  数据预处理

在采集CSI数据时，无论预先统计数据建模还是在建模后的实时数据训练，因为无线环境的多径效应，信道上存在无数的杂散和因为环境噪声造成的信道质量影响，采集到的CSI信息往往存在异常信息，这些异常信息需要予以剔除，Hampel滤波以决策的方式能寻找到CSI数据序列中的异常数据，并将更具有这组数据中特征的数值代替异常值以达到去噪的目的[8-9]。CSI数据静滤波器降噪后的效果如图3所示。

原始的CSI数据中伴随着大量加性高斯白噪声，为滤除噪声保留动作信号，使用离散小波变化（DWT）来对CSI进行多次分解重构。通过调节细节系数中的阈值模式和尺度噪声过滤了与活动无关的高频子带。采用小波变化中消失矩为3的小波基函数对原始CSI完成8次分解重构，细节系数选取minimaxi。噪声与原始动作信号在小波谱上各具特点，使用离散小波消除噪声，原理为消除各个尺度上由噪声所产生的小波谱分量并适当改进有效动作行为信号的小波谱。具体为将伴随着噪声信号的CSI动作信号划分为帧，每一帧通过db3小波函数分解后生成每一层的分解系数，在过程中使用阈值限定的方法最终实现噪声的降低。同时，对动作的分量同样使用阈值法增强，经小波变换处理前后的CSI人体活动行为如图4所示。

图2  人体感知检测系统框图

（a）  原始波形

（b）  Hampel滤波后波形

图3  CSI数据经Hampel滤波的对比

（a）  原始CSI数据

（b）  DWT处理后

图4  DWT滤波对比

3.2  无线链路选择

Wi-Fi感知所在MIMO系统中，存在多条无线射频链路。每条无线射频链路中都包含有CSI信息，可以对无线信号的多径效应进行描述。由于受到同频干扰或者环境中多径效应的影响，不同的链路之间的信号波动存在差异性，对运动物体的行为也具有不同的敏感度。这种差异性对被动入侵检测的准确度有着直接的影响。

本文通过数据分析验证，选取静态环境下，各条无线射频链路中CSI幅值信息的方差、峰值等特征作为链路的评估属性，采用多属性决策的思想从多个评价测度对无线射频链路的性能进行分析对比，最后依据其性能的优劣进行排序，选用性能最佳的无线射频链路来实现被动入侵检测，从而提高检测的鲁棒性和精度。

4  方案验证

4.1  验证环境

为了做方案的原理验证，选择了2个室内环境进行验证。如图5所示选择了固定的2个日常会议室作为实验场地，实验过程中，除了人员动静移动外，其他会议室内的物体不发生变化。

会议室内布置了一个无线CPE路由器和一部手机，在实验过程中均保持位置距离不动，路由器作为热点，手机通过Wi-Fi和路由器进行上网连接，过程中保持Wi-Fi数据通路有固定流量，2个场景中设备型号和品牌相同。在实验场景中，路由器和手机被固定之后，设置一个固定采样频率，同时，让一个人在室内以不同的速度在室内随机移动，这时就可以观察到接收端信号频率的变化，在接收端不断采集记录这些信号值，然后从中提取CSI数据存储在预定的数据库中。这个是预采集过程，这个过程要确保足够长并且获得的数据量本足够多，确保CSI的数据能在信号变化的情况下准确输出并被捕获统计。这能有效确保设备工作正常，数据采集流程是可靠的。

随后再安排不同数量的志愿者进一步参与数据采集，每种移动情况都采集若干组数据，每一组数据都存储统计。对于人体移动的速度，快、慢和非常慢大约分别做了不同的设定，以便后续计算汇总的时候能快速导出。

（a）  实验场地1

（b）  实验场地2

图5  实验环境平面图

4.2  统计分析

在数据采集的基础上，使用大数据的统计分析，可以汇总导出人员数量、移动速度和CSI变化的统计曲线，进一步把相关曲线做方差统计，给出基础CSI变化的分布区间。然后随机安排人员进入实验室，跟踪CSI变化曲率与基础CSI的比照，计算出概率分布，依据概率给出人员的运动模式，再和实际的监控做比对，检测实验的有效性。

实验结果发现，检测精度与不同场景、不同时间窗和不同运动速率、范围都相关，但影响比重不同。房间的大小对检测精度有轻微影响，在稍大实验室房间中的检测精度有所下降，如图6所示。

图6  不同场景的人体识别准确率

4.2.1  时间窗口对检测精度的影响

实验结果还发现不同CSI采集时间窗口也影响检测的平均精度。如图7所示，随着采集窗口时间的变化，检测计算结果也存在差异，如果窗口采样时间过长，数据量加大对于计算复杂程度明显提高，也降低了系统的响应速度。

图7  不同时间窗口的识别准确率

4.2.2  移动距离对检测精度的影响

通过实验发现，实验者在室内的移动范围也影响检测精度，因为Wi-Fi的覆盖以及使用产品的天线设计因素，在不同Wi-Fi信号覆盖区间移动，距离的变化也对精度有影响。在真实环境中，人员移动的信号变化与理想环境下不可能是直接的线性关系，走路的路径变化直接对应Wi-Fi信号变化，在实验中可以看到，逐渐增大人与设备之间的距离，无线信号存在变化，距离的变化导致精度出现变化。为了增加系统的人体检测精度，可以将设备摆放在合理的位置，增加监测范围或增加感知设备的数量，提高检测精度。

4.2.3  采样率对检测精度的影响

在验证过程中还发现，采样的频率如CSI采样率也影响检测精度，统计不同的 CSI采样率大小，所计算的精度值变化比较大，但采样率的变化也直接影响计算的工作量和模型的复杂度，所以对于采样率的设置还需要综合考虑。基于检测场景的预设频率将是提升检测精度的关键，原因是较低的采样率会导致细粒度信息的丢失。同样，过高的采样率会导致系统计算复杂度提高，降低系统的综合性能。

4.3  存在的问题

当多人处于同一区域时，人群会引起信号的叠加效应，从而难以在无线信号的信息中获取准确的检测特征，降低检测系统的准确率。

CSI 是为提高通信性能而设计的，并没有针对感知问题优化，没有统一的标准，路由设备感知和通信是相互影响的。目前，可采集CSI数据的设备及Wi-Fi芯片数量很少，且不同平台采集的CSI数据多数不能通用，本文使用基于高通IPQ5018平台CPE路由器抓取CSI数据，不能借鉴目前开放的数据集。

有一点值得关注，IEEE 802.11bf工作组正在积极推进Wi-Fi Sensing的标准化工作，规范Wi-Fi网络中采集分发CSI信息的标准格式和流程。这使得Wi-Fi Sensing技术的未来落地应用具备了一定的基础。

5  结论

本文通过对Wi-Fi信道的分析和结合多普勒路径信号变化的实际，给出了一种无线感知检测的新方案，基于大数据计算和统计分析，描述了使用Wi-Fi Sensing进行感知的具体实现原理和过程，通过实验验证证明了基于平台提供的CSI数据可以方便实现无线检测的基本功能，实验中也发现了使用该信号量计算时对于检测精度影响的相关因素，进一步优化规避相关因素可以提升检测精度。

参考文献：

[1] 孔金生，李婧馨，段鹏松，等.基于Wi-Fi信号的人体身份识别算法研究综述[J].计算机科学，2021，48（10）：246-257.

[2] STARNER T， PENTLAND A. Real-time american sign language recognition from video using hidden markov models[M]. Motion-based recognition. Springer，  Dordrecht， 1997： 227-243.

[3] KELLOGG B， TALLA V， GOLLAKOTA S. Bringing gesture recognition to all devices[C]//11th USENIX Symposium on Networked Systems Design and Implementation （NSDI 14）. 2014： 303-316.

[4] DIAN Z， JIAN M， QUANBIN C， et al. An RF-based System for Tracking Transceiver-free Objects[C]//5th Annual IEEE International Conference on Pervasive Computing and Communications （PerCom 2007）， 2007：135-144.

[5] CHUNMEI H， KAISHUN W， YUXI W， et al. WiFall： Device-free Fall Detection by Wireless Networks[C]//IEEE INFOCOM 2014 - IEEE Conference on Computer Communications， Vol.1： Toronto， Ontario（CA）.27 April - 2 May 2014.：Curran Associates， Inc.， 2014：271-279.

[6] WU K， XIAO J， YI Y， et al.CSI-based indoor localization [J].IEEE Transactions on Parallel and Distributed Systems， 2013，24（7）：1300-130.

[7] 楊铮，刘云浩.Wi-Fi雷达：从RSSI到CSI[J].中国计算机学会通讯，2014，10（11）：55-60.

[8] PEARSON R K， NEUVO Y， ASTOLA J， et al. The class of generalized hampel filters[C]//Proc of European Signal Processing Conference， Piscataway. NJ： IEEE， 2015：2501-2505.

[9] 马凯凯，段鹏松，孔金生.WiGNet：一种适用于无线感知场景的手势识别模型[J].西安交通大学学报，2023，57（5）：194-203.