黨小超，黃亞寧，郝占軍，司雄

（1. 西北師范大學(xué)計算機(jī)科學(xué)與工程學(xué)院，甘肅 蘭州 730070；2. 甘肅省物聯(lián)網(wǎng)工程研究中心，甘肅 蘭州 730070）

1 引言

隨著無線傳感網(wǎng)技術(shù)的發(fā)展，基于Wi-Fi信號的人體行為感知在各個研究領(lǐng)域的發(fā)展日新月異[1]，如心率檢測、跌倒檢測、步態(tài)識別、手勢識別、唇語識別、室內(nèi)人員日常行為檢測等[2]，此類研究在入侵檢測、老人看護(hù)、智能購物等應(yīng)用領(lǐng)域已蔚然成風(fēng)，室內(nèi)人體感知技術(shù)發(fā)展到今天，已經(jīng)成為人和科技溝通的必備媒介，室內(nèi)人員行為識別方面的發(fā)展方興未艾，室內(nèi)人員日常行為檢測的研究如日方升。傳統(tǒng)的基于 RSSI (received signal strength indicator)[3]的人員摔倒檢測方法，具有高檢測率和高穩(wěn)定性的特點，但是該檢測方法需要檢測人員攜帶專用電子設(shè)備[4]，因此在大多數(shù)復(fù)雜環(huán)境下的實用性不高。近年來，一些典型的基于 CSI（channel state information）的室內(nèi)人體行為感知方法逐漸可以滿足人體感知更細(xì)粒度的應(yīng)用需求，但大多實驗在進(jìn)行特征提取時，需要特定的專業(yè)的實驗設(shè)施，這使系統(tǒng)的整體實用性、靈活性和健壯性不高。具備低成本、高效率、高實用性特點的被動式室內(nèi)人員狀態(tài)識別應(yīng)用，仍然是當(dāng)前人們最為迫切的需求，而利用從商用 Wi-Fi設(shè)備中獲取的 CSI信號進(jìn)行人員檢測，是一個較為理想的解決方法[5]。早在2010年，華盛頓大學(xué)提出多載波的CSI信號是一種較為新穎的電磁指示器[6]，該指示器再次證明與傳統(tǒng)的RSSI的方法相比，CSI信號是一種更為頑健、穩(wěn)定的信號，在室內(nèi)定位和人員狀態(tài)檢測方面的研究結(jié)果更優(yōu)。

針對上述人員行為檢測存在的問題，本文提出了一種基于 CSI信號的室內(nèi)人員日常行為檢測方法—— HDFi（human detection with Wi-Fi）。首先，在環(huán)境較為復(fù)雜的實驗室內(nèi)和相對空曠的會議室內(nèi)，如圖1所示的LOS (line of sight)和NLOS (non line of sight) 這2種場景下，通過商業(yè)Wi-Fi設(shè)備采集人員不同行為狀態(tài)的真實數(shù)據(jù)；其次，提取相對穩(wěn)定的CSI相位特征值，在理想狀態(tài)下建立動作行為指紋庫；再次，分別在上述環(huán)境中進(jìn)行測試，將實時采集的測試數(shù)據(jù)使用SVM（support vector machines）算法進(jìn)行分類處理，建立一個室內(nèi)人員日常行為檢測模型；最后，將實時采集且進(jìn)行處理過的有效數(shù)據(jù)與已經(jīng)建立好的指紋庫內(nèi)的特征值進(jìn)行匹配，完成了室內(nèi)人員日常行為檢測的最終工作。本文通過多次重復(fù)實驗來驗證算法的有效性，與其他幾種較為傳統(tǒng)的室內(nèi)人員檢測方法相比，本文所提方法取得了較高的檢測率，具有了頑健性強(qiáng)、穩(wěn)定性高等特點。

圖1 2種實驗場景

2 相關(guān)理論

CSI較RSSI能更好地反映人員在Wi-Fi環(huán)境下引起的多徑效應(yīng)，且對人體的各種運動也非常敏感，因此，近年來，利用CSI進(jìn)行室內(nèi)人體行為感知的研究備受關(guān)注[7]。室內(nèi)人員活動對Wi-Fi信號傳播的影響原理如圖2所示。

圖2 室內(nèi)人員活動對Wi-Fi信號傳播的影響

本文實驗數(shù)據(jù)均通過商用 Wi-Fi設(shè)備獲得，分別在5 GHz頻段和2.4 GHz頻段采集所需數(shù)據(jù)，由于 IEEE 802.11標(biāo)準(zhǔn)使用 OFDM（orthogonal frequency division multiplexing）調(diào)制信號，并且將調(diào)制后的信號通過多個正交子載波進(jìn)行傳輸，從CSI中可以解析出子載波的信道測量信息[8]。每一組信道測量信息消息描述了不同子載波的幅度和相位[9]。經(jīng)過多徑信道傳輸后，單個信道狀態(tài)的頻域模型表示為

其中，Y為接收端信號向量，X為發(fā)射端信號向量，H代表信道矩陣，為高斯白噪聲向量。那么所有的子載波CSI可以表示為

在頻域范圍內(nèi)，CSI模型可以用 CFR(channel frequency response) 表示，當(dāng)子載波數(shù)為56時，一組CFR可以表示為

其中，每個H(f)分別代表子載波f復(fù)數(shù)形式的振幅和相位的。單個子載波的CSI可以表示為

近幾年，大多數(shù)的研究人員都選擇振幅作為特征值進(jìn)行室內(nèi)人體感知的檢測，原因是振幅易獲取，但是振幅的易變性較強(qiáng)，實驗環(huán)境、測試人員等因素的改變會造成檢測性能不穩(wěn)定，因此，為了提高室內(nèi)人員日常行為檢測的精準(zhǔn)性，本文選擇較為穩(wěn)定且適用于人體感知的相位信息作為特征值。Zhou等[10]提出了一種基于 CSI的無源室內(nèi)人員定位和檢測方法，該方法首先收集CSI的有效數(shù)據(jù)，然后利用PCA（principal component analysis）算法進(jìn)行特征提取和降維，建立指紋庫，最后進(jìn)行在線檢測。該方法分別在視距和非視距這2種典型環(huán)境下進(jìn)行實驗，最終在視距環(huán)境下的檢測人存在的平均準(zhǔn)確率高達(dá)97%，相比傳統(tǒng)的人員檢測的方法，很大程度上提高了檢測率。但是該方法未考慮環(huán)境的易變性會對檢測精度造成影響，并且沒有針對室內(nèi)人員的具體動作進(jìn)行分類檢測。與利用 RSSI的研究類似，大多數(shù)基于CSI的檢測方法還利用CSI測量中振幅信息的變化來推斷目標(biāo)位置或存在。文獻(xiàn)[11]利用CSI來檢測人體的基本運動，將CSI運用到現(xiàn)實生活中。文獻(xiàn)[12]利用CSI根據(jù)人的嘴型可以判斷 9種元音字母，單人檢測率高達(dá) 91%。FIMD（fine-grained indoor motion detection）通過利用CSI在靜態(tài)環(huán)境中的時間穩(wěn)定性，研究了被動人體檢測的全向傳感覆蓋，實現(xiàn)了精確的細(xì)粒度突發(fā)移動檢測[13]。但是該方法的實驗選用振幅信息作為特征值，沒有充分考慮到環(huán)境的遷移性，所以結(jié)果并不是最優(yōu)，而且健壯性有待提高。Zhu等[14]利用CSI分析了人體運動對CSI一系列影響，提出了一種較為頑健的被動式人員運動檢測方法，該方法使用 PCA算法及利用多天線提供的空間分集，通過對各個天線質(zhì)量的研究，選擇最佳的天線組合，來提高準(zhǔn)確率。由于Wi-Fi信號極易受到多徑干擾的影響，而該方法未考慮遷移感知對檢測精度造成的影響，所以檢測率不是最優(yōu)，頑健性不高。Qian等[15]利用CSI提出了一種新的無源人體運動檢測方法，在處理過程中使用 SVM 算法[16]及結(jié)合 MIMO(multiple-input multiple-output) 技術(shù)，在不同的場景下進(jìn)行實驗，并且檢測精度較高，但是此方法并未充分利用CSI的優(yōu)點，未充分考慮Wi-Fi本身的發(fā)射功率的調(diào)整、速率的變換、頻偏導(dǎo)致的信號變化以及抗干擾性較差，所以該方法的整體效果未達(dá)到最優(yōu)。

綜上所述，盡管無線傳感網(wǎng)領(lǐng)域有很多都通過CSI進(jìn)行人員行為感知的研究，但在目前很多檢測方法中，還是有很多問題需要解決：1) 大多數(shù)利用CSI的振幅信息作為特征值，但是振幅的易變性較強(qiáng)，很容易造成檢測率的不穩(wěn)定；2) 僅用單一的測試環(huán)境，無法保證檢測方法的穩(wěn)定性；3) 僅對一位測試人員進(jìn)行實驗，無法保證方法的健壯性；4) 實驗僅采用少量的方法測試，無法保證方法整體性能的兼容性。此外，大多數(shù)方法都是在2.4 GHz頻段下進(jìn)行實驗，而2.4 GHz頻段在室內(nèi)環(huán)境中雖然具有抗衰減能力強(qiáng)、穿墻能力強(qiáng)等優(yōu)點[17]，但也存在頻率低、空間損耗較低[18]、傳輸距離遠(yuǎn)且家用電器的頻率基本都在2.4 GHz頻段等不足，所以干擾因素非常大，這會造成信號不穩(wěn)定。而5 GHz頻段恰恰彌補(bǔ)了2.4 GHz頻段的不足，具有抗干擾能力強(qiáng)、能提供更大的帶寬、吞吐率高、擴(kuò)展性強(qiáng)、無線環(huán)境中的頻段多、支持更高的無線速率、信號相對穩(wěn)定、干擾源少等優(yōu)點，采集的實驗數(shù)據(jù)更加穩(wěn)定可靠，因此本文選擇在5 GHz頻段下進(jìn)行室內(nèi)人員日常行為檢測[19]，圖3(a)和圖3(b)分別是在2.4 GHz和5 GHz頻段下實時采集的數(shù)據(jù)，明顯可以看出5 GHz頻段下采集的數(shù)據(jù)更加穩(wěn)定，相對來說異常值較少，更適合用于室內(nèi)人員行為檢測。

本文所提的HDFi方法的創(chuàng)新點在于利用相位特征在5 GHz頻段下進(jìn)行人員的日常行為檢測，該方法不僅在一定程度上解決了環(huán)境易變性的問題，而且在不同的實驗環(huán)境中使用同一套設(shè)備對實驗進(jìn)行反復(fù)驗證，保證了所提方法的穩(wěn)定性。本文方法與現(xiàn)有的方法的區(qū)別在于：1) 測試人員不需要攜帶任何設(shè)備，可以適用于多種實驗環(huán)境；2) 在已有的硬件設(shè)備基礎(chǔ)上，采用5 GHz頻段的實驗設(shè)備，實驗環(huán)境比較完備；3) 本文采用處理后的相位特征，使實驗數(shù)據(jù)更加精確，并在特征提取階段采用信號分段方法，提高了檢測率；4) 為了提高算法整體頑健性，實驗選擇從頻段、測試人員、環(huán)境、干擾等不同情況進(jìn)行多次實驗。因此，本文方法與現(xiàn)有的一些室內(nèi)人員狀態(tài)檢測方法相比，實用性較高，頑健性強(qiáng)，整體的穩(wěn)定性也較好。

圖3 2.4 GHz頻段和5 GHz頻段實時采集的數(shù)據(jù)曲線

3 HDFi方法描述

3.1 方法流程

本文提出了一種基于CSI的室內(nèi)人員日常行為檢測方法——HDFi，該方法具體流程如圖4所示。首先在環(huán)境復(fù)雜的實驗室內(nèi)和相對較空曠的會議室內(nèi)采集人員不同狀態(tài)的數(shù)據(jù)；然后使用低通濾波進(jìn)行異常值的處理；接著提取相對穩(wěn)定的相位信息作為特征值，建立指紋庫；最后，本文在2種實驗環(huán)境下實時檢測人員各類日常行為，在此階段，本文采用SVM算法對實時采集的數(shù)據(jù)進(jìn)行分類處理，最終得到理想的室內(nèi)人員日常行為檢測的結(jié)果。

3.2 數(shù)據(jù)采集

由于普通的商用Wi-Fi設(shè)備中的2.4 GHz頻段下很難獲取相位信息，且由于發(fā)送端與接收端之間的很多隨機(jī)噪聲始終不同步，即使獲取到也不易處理，導(dǎo)致相位沒有被廣泛應(yīng)用[20]。為獲取有效的相位信息來提高室內(nèi)人員日常行為檢測的頑健性和檢測率，本文實驗通過使用不同設(shè)備采集數(shù)據(jù)、分析數(shù)據(jù)及對數(shù)據(jù)進(jìn)行分類訓(xùn)練，最后發(fā)現(xiàn)在5 GHz頻段下獲得相位信息較為容易，并且相比于振幅信息區(qū)別度更高，可以使整體實驗更加健壯。為了進(jìn)一步證實相位信息的可用性，在特定的室內(nèi)實驗場景下無人時的狀態(tài)，隨機(jī)選擇一組數(shù)據(jù)，圖像顯示原始相位在實驗區(qū)域內(nèi)表現(xiàn)得極其隨機(jī)和雜亂，僅僅對原始相位而言，沒有任何利用價值。實驗結(jié)果如圖5所示。為了進(jìn)一步提高室內(nèi)人員日常行為檢測的頑健性，需要得到可用的相位信息。通過對原始相位數(shù)據(jù)進(jìn)行線性變換處理后可以消除隨機(jī)相位偏移，明顯觀察出在室內(nèi)無人時，處理后的相位信息平緩且穩(wěn)定，因此本文HDFi方法實驗選擇相位作為特征值。

圖4 HDFi方法整體流程

圖5 室內(nèi)空曠無人時的相位信息

本文實驗數(shù)據(jù)來源于LOS和NLOS這2種特定的實驗場景中，實驗數(shù)據(jù)主要為9種常見的日常行為：走路、喝水、掃地、伸懶腰、站立、打斗、刷牙、關(guān)門和深蹲。以深蹲和打斗為例，實驗結(jié)果如圖6所示，圖6是在LOS和NLOS這2種場景中采集的相位信息，測試者是一名身高168 cm的女生和一名身高188 cm的男生，2名測試者在不同場景中做出深蹲和打斗的動作，并將測試數(shù)據(jù)分組按類別存儲，為了更好地區(qū)分不同種類的檢測動作，所以在不同時間段內(nèi)大量重復(fù)進(jìn)行測試，尋找規(guī)律。圖6為隨機(jī)選擇的2組測試數(shù)據(jù)分組內(nèi)的相位曲線。首先，圖6(a)和圖6(b)是在LOS場景下的測試，圖 6(a)是讓女生獨自在檢測區(qū)連續(xù)做深蹲的動作，該動作較為緩慢。圖6(b)是讓2位測試者做出打斗的動作，該類動作較為劇烈，因此信號波動較大。可以看出，當(dāng)測試人員做出的動作較為緩慢時，相位信號較平穩(wěn)，反之相位信號波動較大。

圖6(c)和圖6(d)是在NLOS場景下，測試者做出同樣的2種動作進(jìn)行測試，與圖6(a)和圖6(b)相比，無論是緩慢動作的信號還是劇烈動作的信號，相位信號的平穩(wěn)性都沒有LOS環(huán)境下的效果好，原因是LOS環(huán)境相對空曠，無過多的多徑干擾。相反，NLOS環(huán)境中有較多的多徑干擾，如辦公桌、電腦等辦公家具造成的干擾?？梢?，不同的場景下，相位信號的變化是很敏感且可區(qū)分的。

3.3 數(shù)據(jù)預(yù)處理

本文實驗在2種不同場景下采集CSI數(shù)據(jù)，數(shù)據(jù)均是從商用Wi-Fi設(shè)備中獲取真實數(shù)據(jù)。由于環(huán)境本身固有噪聲和一系列電磁干擾，使數(shù)據(jù)不穩(wěn)定[21]，因此本文采用低通濾波技術(shù)來降低環(huán)境噪音。濾除環(huán)境噪聲后，原始噪聲的CSI變得更清晰，更穩(wěn)定。

圖6 LOS和NLOS環(huán)境下人員不同動作對應(yīng)的相位信息

通過3.2節(jié)的介紹可知，當(dāng)有人員在商用Wi-Fi環(huán)境下活動時，相位信息比振幅信息更敏感，因此，在下文中，本文使用相位信息作為特征值進(jìn)行實驗[22]。第i個子載波的相位可以表示為

其中，φi表示原始相位；N代表快速傅里葉變換采樣數(shù)，在 IEEE 802.11 a/g/n協(xié)議中N的取值為64[23]；δi表示因時鐘不同步而在接收端引起的定時偏移；β為未知的恒定相位誤差；Zi為測量噪聲；ki代表第i個子載波的索引；和φi分別代表相位信息的測量值和真實值。由于上述未知的參數(shù)δi、β、Zi的影響，商用Wi-Fi設(shè)備很難獲取到真實的相位信息。文獻(xiàn)[24]中分析得到了相位誤差與第i個子載波呈線性相關(guān)的關(guān)系，通過線性變換的方式減少了隨機(jī)相位偏移造成的誤差，攝取出較為穩(wěn)定的相位信息。本文采用該方法消除抗干擾因素β和Zi，得到CFR的真實相位，首先，定義2個線性相關(guān)項a和b，a為斜率，b為偏移量，分別為

其中，a和b分別包含了真實相位，n表示子載波數(shù)。假設(shè)子載波頻率是對稱的，即子載波的總數(shù)為零，那么b可以表示為，為了消除β和Zi，計算相位的近似斜率和截距，然后，減去線性項aki+b，可以得到一個真實相位的線性組合，表示為，如式(8)所示。Zi是商用Wi-Fi設(shè)備固有的測量誤差，且在噪聲中干擾較小，因此本文在隨機(jī)相位偏移處理中忽略Zi的影響。

最后，線性變換后的相位可表示為

其中，n代表子載波數(shù)。通過以上處理，可以得到真實可用且穩(wěn)定的相位值。從圖7可以看出，與原始相位分布相比，線性變換后的相位去除了環(huán)境的噪聲后，分布相對穩(wěn)定，因此，處理后的相位有較高的利用價值，這將為接下來特征提取了奠定堅實的基礎(chǔ)。

圖7 線性變換前后的相位信息對比

3.4 特征提取與分析識別

3.4.1 特征提取

為了得到更好的檢測效果，將信號按不同的類別存儲，不同類別分別對應(yīng)的是9種不同的日常動作，由于每一個動作對信號的影響是不同的，對應(yīng)做出不同動作的信號有較明顯的差異，采集的數(shù)據(jù)也會有相應(yīng)差別。通過3.3節(jié)所述的方法進(jìn)行數(shù)據(jù)預(yù)處理后得到的數(shù)據(jù)中既包含有效動作信號，也包含一些無效信號，原因是采集到的CSI原始信號是連續(xù)存儲的。本文實驗要提取有效信號，去除無效信號，因此需要對信號進(jìn)行分段處理，將與人員行為對應(yīng)的有效信號提取出來。采用文獻(xiàn)[25]中所提方法，根據(jù)OFDM子載波間信號相關(guān)性原理，求出子載波間相關(guān)矩陣，得到相關(guān)矩陣的特征向量和特征值。在實驗中，當(dāng)沒有動作出現(xiàn)時，相關(guān)的矩陣特征向量q就在相鄰子載波之間隨機(jī)變化。當(dāng)測試人員進(jìn)行日常動作時，此時的子載波之間會呈現(xiàn)相關(guān)性，并且特征向量q變化區(qū)域平穩(wěn)，相鄰載波之間特征向量的差值δq會隨之變小，具體計算式如式(10)所示。

其中，Nc為CSI的子載波個數(shù)，為相鄰子載波的系數(shù)差，l表示載波序列，設(shè)定特征向量的主成分為h，當(dāng)實驗中的9種動作依次出現(xiàn)時，會導(dǎo)致主成分h的方差變大，因此可以作為判斷實驗所需的一系列動作是否出現(xiàn)的標(biāo)準(zhǔn)。最后，針對各個不同日常行為分類提取特征，建立一個有效的指紋庫。由于不同的動作對應(yīng)的信號特征是不同的，對應(yīng)的每個動作的CSI是不同的，因此，本文將每個動作對應(yīng)的CSI作為特征指紋信息，將9種不同的日常動作數(shù)據(jù)訓(xùn)練得到的特征值存入指紋庫，為后續(xù)實時采集的各個日常動作信號進(jìn)行匹配做好準(zhǔn)備。

3.4.2 在線檢測

本文實驗的日常動作包括走路、喝水、掃地、伸懶腰、站立、打斗、刷牙、關(guān)門和深蹲。通過3.4.1節(jié)和3.4.2節(jié)的數(shù)據(jù)預(yù)處理，利用SVM算法建立室內(nèi)人員狀態(tài)檢測的模型。首先，在2個實驗場景下，實時采集的9種日常動作的大量樣本；然后，采用SVM進(jìn)行訓(xùn)練學(xué)習(xí)，得到SVM回歸函數(shù)，將樣本進(jìn)行分類；最后，將實時采集的測試數(shù)據(jù)放入分類模型，將待測動作合理地判斷分類。

由于SVM算法是使用非線性映射算法將空間線性不可分的低維輸入轉(zhuǎn)化為高維空間中線性可分的問題，即輸入實時采集的CSI特征數(shù)據(jù)，從而在高維空間利用線性算法對非線性的特征進(jìn)行劃分，所以SVM算法具有較理想的分類性質(zhì)，也比較適合于本文的實驗。

4 實驗結(jié)果與仿真分析

4.1 實驗設(shè)置及實驗評估指標(biāo)

本文實驗使用5 GHz的商用Wi-Fi設(shè)備，將一臺配備 Intel i3-4150 CPU的臺式計算機(jī)作為發(fā)送端，另一臺聯(lián)想G50型號筆記本作為接收端。所用的發(fā)射端和接收端都安裝了支持IEEE 802.11n協(xié)議的AtherosAR 9380網(wǎng)卡，通過使用Xie等[26]開發(fā)的開源驅(qū)動程序Atheros-CSI-tool，可以從實驗設(shè)備中獲取所需CSI信號。

本文在真實的實驗場景下對本文方法進(jìn)行性能分析，實驗環(huán)境為噪聲干擾較多的實驗室，面積為8 m×9 m；相對空曠的會議室，面積為6 m×4 m。其中，實驗室有辦公桌、電腦等家具，并且有人員干擾。實驗場景示意如圖8所示，在2個場景中分別部署發(fā)送端和接收端，令測試人員在該實驗場景中反復(fù)進(jìn)行實驗。

本文HDFi方法在實驗過程中的實驗類別、每個類別包含的數(shù)據(jù)分組，即采集次數(shù)和測試人數(shù)如表1所示，以及各類性能分析的指標(biāo)如表2所示。

表1 室內(nèi)人員不同的日常動作

表2 性能分析的不同指標(biāo)

圖8 室內(nèi)人員日?；顒訖z測實驗環(huán)境

4.2 2.4 GHz頻段與5 GHz頻段的檢測率比較

本文主要針對 5 GHz頻段下的室內(nèi)人員日常行為檢測，因此，為驗證5 GHz頻段更有利于人體感知識別，分別對常見的9種動作進(jìn)行反復(fù)測試。測試動作主要分為2類，對信號干擾較小的為一類，如站立、喝水等；對信號干擾較大的為一類如打斗、奔跑等。上述實驗分別在2.4 GHz和5 GHz頻段下進(jìn)行，并在LOS和NOLS這2種場景下對比2種不同頻段對檢測率的影響，為了保證實驗效果的穩(wěn)定性，在2種場景實驗過程中保持測試者和實驗設(shè)備統(tǒng)一，并且在相同時間段進(jìn)行測試。實驗結(jié)果如圖 9所示，5 GHz頻段下采集的信號特征更加穩(wěn)定，其中，LOS場景下的檢測率較2.4 GHz頻段約平均高出2.8%；NLOS場景下的檢測率較2.4 GHz頻段平均高出3.5%，因此5 GHz頻段更適合于室內(nèi)人體行為感知檢測。

4.3 窗口大小對檢測率的影響

本節(jié)比較了HDFi與其他2種方法的檢測率，這2種系統(tǒng)為HPMD（passive burst human motion detection system）系統(tǒng)和FIMD（fine-grained indoor motion detection system）系統(tǒng)。為保證實驗結(jié)果穩(wěn)定，3個不同位置的實驗均選取干擾較少的環(huán)境，相同的測試人員和實驗設(shè)備。本文分別在不同的位置進(jìn)行實驗，選出3組對比較為明顯的實驗數(shù)據(jù)，3種方法包括HDFi、HPMD系統(tǒng)和FIMD系統(tǒng)。HPMD系統(tǒng)利用 CSI的相位來檢測室內(nèi)人員的行為[23]，F(xiàn)IMD則利用CSI的幅值來檢測人體運動，如圖10所示，可以明顯觀察出3種方法的差別。HDFi的整體性能最好，這是因為本文實驗是在5 GHz頻段下進(jìn)行，所采集的數(shù)據(jù)更加穩(wěn)定，且將相位特征進(jìn)行線性變換，因此整體性能較高。其次是HPMD，該系統(tǒng)也利用相位特征進(jìn)行最后的實驗，但是該實驗是在2.4 GHz頻段下進(jìn)行，因此檢測率較低。最差的是FIMD系統(tǒng)，原因是該系統(tǒng)僅用幅度作為特征值進(jìn)行實驗，而相位較幅度而言更加適合人員狀態(tài)檢測，因此該系統(tǒng)實驗結(jié)果并不是最優(yōu)。由圖10可以看出，位置A的檢測率在200～300 ms 的窗口范圍內(nèi)不斷增長，位置B和位置C的檢測率隨著窗口大小的增長整體呈上升趨勢，這是因為位置A受環(huán)境干擾較多，所以當(dāng)窗口大小大于300 ms時，檢測率下降?？傮w而言，HDFi方法在位置A、B、C的最高檢測率分別可以達(dá)到95%、97.4%、97.6%。和其他2種方法相比是相對較高的，達(dá)到較優(yōu)的檢測狀態(tài)。

4.4 LOS和NLOS這2種場景下CIR的分布偏度

圖9 2.4 GHz頻段與5 GHz頻段下人員不同動作的檢測率對比

圖10 不同檢測方法中LOS場景下窗口大小與檢測率的比較

為證明在2種不同的場景下的CIR的偏度分布情況，本文實驗在相同時間段內(nèi)讓同一位測試者分別在LOS和NLOS場景下進(jìn)行測試。在實驗過程中，分別進(jìn)行了60次測試，每次測試采集1 000個數(shù)據(jù)分組，每一次的測量分別包括 30個視距環(huán)境主導(dǎo)條件和30個非視距環(huán)境主導(dǎo)條件。從圖11（a）和圖11(b)可以明顯看出，視距環(huán)境下的偏度分布較非視距環(huán)境更為偏負(fù)，為進(jìn)一步驗證LOS環(huán)境下的識別性能，于是在視距環(huán)境下，通過驗證FP/FN和窗口大小的相關(guān)性對其進(jìn)行評估。如圖11(c)所示，隨著窗口大小的變化，可看出有較高的FP率和較低的FN率。這就表明當(dāng)時間窗尺寸較大時，特征值的方差相應(yīng)增大，對人體的運動也相對敏感，因此FP較高。結(jié)合圖10和圖11(b)可知，當(dāng)窗口大小為200 ms時，F(xiàn)P/FN的平均值為12%。HDFi在LOS環(huán)境下3種不同位置的平均檢測率為93%。

4.5 不同環(huán)境下的檢測率

在此部分，本文HDFi方法與FIMD系統(tǒng)進(jìn)行比較，F(xiàn)IMD系統(tǒng)是利用CSI的振幅信息作為人員檢測的特征值，其整體性能較穩(wěn)定。為充分驗證檢測率的有效性和方法的穩(wěn)定性，在同等條件下，分別在實驗室與會議室進(jìn)行實驗。為體現(xiàn)本文方法的性能，在2種場景中讓2位測試者在5 GHz頻段下進(jìn)行測試。該實驗環(huán)境如圖8所示，通過實驗發(fā)現(xiàn)，在5 GHz頻段下采集的CSI數(shù)據(jù)更有利于室內(nèi)人員行為檢測，因此從圖12(a)明顯觀察出，HDFi的檢測率優(yōu)于HPMD和FIMD方法，并且HDFi方法可以測試多種日常行為，而其他2種方法的檢測動作體現(xiàn)出單一性，因此HDFi方法更有利于室內(nèi)人員的日常行為檢測，整體性能更好。為進(jìn)一步驗證本文所提HDFi方法的有效性，分別在2種實驗環(huán)境下，隨機(jī)選擇一種日常動作特征，通過觀察正樣本率（FP rate）對檢測率的影響而反復(fù)進(jìn)行測試，從圖12(b)可以明顯看出，當(dāng)正樣本率在0～0.1時，會議室環(huán)境下的檢測率在 40%～83%，在正樣本率為0.15及以上時，檢測率平均在92%以上，同理，當(dāng)正樣本率在0～0.1時，實驗室環(huán)境下的檢測率達(dá)到20%～76%，當(dāng)正樣本率為0.2及以上時，其檢測率平均高達(dá) 90%以上。實驗結(jié)果表明，HDFi方法的頑健性強(qiáng)，算法性能穩(wěn)定，實用性強(qiáng)。

4.6 HDFi頑健性驗證

圖11 LOS和NLOS環(huán)境下CIR的偏度分布

圖12 2種不同實驗環(huán)境下的檢測率

顯然，較高的頑健性是HDFi方法的優(yōu)勢之一，為了充分證明該方法的高頑健性和保證實驗結(jié)果的可參考性，本文實驗在設(shè)備和測試動作統(tǒng)一的條件下，測試不同的外界干擾因素對性能的影響。本節(jié)選擇2種較典型的不同情況進(jìn)行詳細(xì)闡述，圖 13分別是不同的測試者對在2種場景中對檢測率的影響，以及對不同的日常動作采用不同的算法，從而分析不同算法與TPR的關(guān)系。由圖13(a)可明顯觀察出，無論是在實驗室還是會議室，不同的測試人員（圖 13(a)中“A”～“I”）進(jìn)行實驗，在實驗室環(huán)境下的檢測率達(dá)到88%以上，在會議室環(huán)境下的檢測率在92%以上，其中由于會議室環(huán)境較空曠，因此檢測率更高。圖13(b)中對比了HDFi和PCA-based這2種不同方法下的TPR，從圖中可以看出HDFi的TPR均高于90%，并且HDFi方法的性能和時效優(yōu)于 PCA-based方法，原因是PCA-based方法在數(shù)據(jù)處理階段僅采用PCA算法進(jìn)行數(shù)據(jù)降維，對原始數(shù)據(jù)的處理未達(dá)到最優(yōu)，HDFi方法在數(shù)據(jù)預(yù)處理階段采用了相位線性變換和低通濾波算法，更有效地分析了CSI數(shù)據(jù)特征，同時，HDFi方法能夠在不同情況下獲得較高的檢測率，能夠充分考慮各類因素的影響，所以其頑健性高，更適合用于各類室內(nèi)應(yīng)用。

圖13 不同情況下HDFi方法的頑健性驗證

5 結(jié)束語

本文針對無線傳感網(wǎng)領(lǐng)域的人體感知需要提高檢測率的問題提出了一種基于信道狀態(tài)信息的無源室內(nèi)人員日常行為檢測方法——HDFi。通過利用相位信息作為特征值，首先進(jìn)行信號采集、數(shù)據(jù)處理、特征提取等步驟，然后利用SVM算法對特征值建立分類模型，最終與指紋庫數(shù)據(jù)進(jìn)行匹配。此外，本文分別在2.4 GHz頻段和5 GHz頻段下進(jìn)行實驗，實驗結(jié)果證明在 5 GHz頻段下所采集的CSI信號更有利于室內(nèi)人員狀態(tài)識別。接著在文章實驗結(jié)果與分析部分，分別在2種典型的室內(nèi)環(huán)境下進(jìn)行多次實驗，并且與其他傳統(tǒng)的室內(nèi)人員動作檢測方法進(jìn)行對比?？紤]環(huán)境、設(shè)備、測試人員等不同因素對檢測結(jié)果的影響等。實驗結(jié)果表明，本文提出的HDFi方法在整體性能、檢測率、實用性等方面都優(yōu)于其他方法，并且本文方法比其他傳統(tǒng)的方法的頑健性更高。

為更進(jìn)一步地實現(xiàn)室內(nèi)人員日?；顒訖z測的優(yōu)化和提高檢測率與算法的整體性能，還需要更深入地對以下問題進(jìn)行研究。

1) 考慮在Wi-Fi環(huán)境下，噪聲干擾更多時人員各類行為檢測過程中的降噪問題。

2) 考慮當(dāng)多人一起活動時，信號提取階段中的特征信息如何高效分段問題。

3) 考慮如何利用更有效的算法，從信號波形中匹配人體各類動作相關(guān)的特征信息，從而提取更高層次的特征信息。