Wi-Fi感知技术：基于CSI的人体活动识别原理与应用

1. Wi-Fi感知技术概述：从信道状态信息到人体活动识别

Wi-Fi信号在空间传播过程中，遇到人体活动会产生多径效应和多普勒频移。这种看似干扰的特性，恰恰为无线感知提供了宝贵的信息源。基于信道状态信息(CSI)的感知技术，通过分析这些细微变化，实现了不依赖摄像头和可穿戴设备的非接触式人体活动监测。

传统Wi-Fi活动识别主要依赖信号强度(RSSI)，但这种方法分辨率低、易受环境干扰。CSI则提供了更精细的物理层信息，包含每个子载波的幅度和相位数据。以802.11n/ac为例，在20MHz带宽下可获得56个子载波，相当于将信道"切片"观察，大幅提升了运动检测的灵敏度。

关键突破：多普勒辐射场(DoRF)技术将离散的CSI数据转化为连续的三维运动表征，解决了传统方法视角依赖和泛化能力差的问题。这类似于计算机视觉中NeRF(神经辐射场)对二维图像的升维处理。

2. 系统架构与核心算法解析

2.1 信号预处理流程

原始CSI数据包含多种硬件噪声，必须经过严格预处理：

1. 相位校准：使用线性拟合消除载波频率偏移(CFO)和采样频率偏移(SFO)

   # 示例：CSI相位线性校正 for subcarrier in csi_matrix: phase = unwrap(angle(subcarrier)) k, b = polyfit(subcarrier_indices, phase, 1) cleaned_phase = phase - (k * subcarrier_indices + b)

2. 时频转换：通过逆傅里叶变换将子载波域转换到时延域
3. 多普勒提取：对每个时延bin计算功率谱密度，峰值对应多普勒频移

2.2 多普勒辐射场构建

DoRF的核心是将离散观测统一为三维速度场：

1. 投影建模：将每个多普勒观测视为虚拟"相机"的1D投影 $$ v_r(s;\tau_i) = v(s)^\top m_i + n(s,i) $$
2. 交替优化：通过正则化矩阵分解求解速度和方向矩阵

   while loss > epsilon % 速度更新 V = Vr * R' / (R*R' + lambda*eye(3)); % 方向更新 R_hat = (V'*V + gamma*eye(3)) \ (V'*Vr); R = normalize_columns(R_hat); end

3. 球面重投影：在均匀采样方向集{d_k}上重建径向速度场

2.3 自适应天线选择算法

噪声天线会引入虚假多普勒分量，本方案通过两步筛选优质信号源：

阶段一：全局筛选

1. 计算各天线拟合误差： $$ E_{q,a} = \frac{\sum_{i\in I_{q,a}} |V_r(:,i)-\hat{V}r(:,i)|^2}{\sum{i\in I_{q,a}} |V_r(:,i)|^2 + \delta} $$
2. 采用"膝盖点"法确定阈值，保留误差最小的天线组合

阶段二：独立建模对筛选后的天线单独构建DoRF，避免噪声传播

3. 关键实现细节与调优经验

3.1 硬件配置建议

通过UTHAMO数据集实验发现：

• 天线布局：5个AP呈五边形分布时识别率最高
• 频段选择：2.4GHz比5GHz对细微手势更敏感
• 采样率：100Hz可捕捉快速手势，但需平衡计算开销

3.2 参数调优指南

3.3 实际部署中的挑战

1. 多用户干扰：当多人同时活动时，建议：
   • 增加AP数量至7-8个
   • 采用60GHz毫米波提升空间分辨率
2. 动态环境适应：家具移动会导致CSI基线漂移，需：
   • 每2小时重校准一次
   • 引入背景减除算法

4. 性能评估与对比实验

在UTHAMO手势数据集上的测试结果：

典型混淆矩阵分析显示，"左右"与"推拉"手势最易混淆，主要因径向速度投影相似。通过引入运动持续时间特征，可将这两类区分度提升12%。

5. 应用场景扩展与优化方向

当前系统在医疗监护场景表现突出：

• 帕金森监测：通过微手势识别震颤频率
• 跌倒检测：结合DoRF速度突变特征
• 睡眠监测：呼吸节律提取精度达92%

未来优化可关注：

1. 在线学习机制适应个性化运动模式
2. 联邦学习框架保护用户隐私
3. 毫米波与Sub-6GHz融合感知

实测发现，将本系统部署在智能家居环境时，建议优先考虑厨房和客厅区域，这些场景的活动丰富度最高，AP布置应确保至少两个天线具有直视路径。对于医疗应用，则需要重点优化微动识别算法，将速度检测阈值降低到0.1m/s以下。