【論文筆記】Cross-Domain WiFi Sensing with Channel State Information: A Survey

黑鹿kuka發表於2024-08-06
筆記ROSAIWiFiORM

Cross-Domain WiFi Sensing with Channel State Information: A Survey

Introduction

  • 檢測領域：

    檢測領域裡，大部分用的閾值檢測或者簡單的學習演算法，例如SVM。

    • falls
      • RT-Fall: A real-time and contactless fall detection system with commodity WiFi devices
      • WiFall: Device-free fall detection by wireless networks
    • motion
      • An RF-based motion detection system via off-the-shelf WiFi devices
      • A research on CSI-based human motion detection in complex scenarios
    • object detection
      • Wi-metal: Detecting metal by using wireless networks
    • human presence detection
      • Non-invasive detection of moving and stationary human with WiFi
      • See through walls with WiFi!

  • 識別領域

    和檢測任務不同，檢測任務只需二元分類，但是識別任務需要的分類數量較多。二到幾百類別不等。幾乎所有的識別演算法都在 spatial/time/frequency 域上提取特徵然後採用機器學習演算法比如KNN，CNN，LSTM，GRU等方法。

    • activity recognition [88, 91]
    • gesture recognition [1, 47]
    • human/object identification [8, 9]

  • 估計領域

    與檢測和識別任務不同，上述兩種任務都屬於分類任務，大多數估計任務聚焦於人類或者物體的位置和跟蹤，以及呼吸，心率檢測估計。這些只需要計算角度距離等。

    • human/object localization and tracking [55, 85]
    • breathing/heart rate estimation [41, 43]

  • 優點

    • 無需佩戴感測器
    • 複用基礎 Wi-Fi設施
    • 光照不敏感

  • 挑戰

    • 對現實世界環境敏感，不同的環境和人物配置會產生不同的域
    • 對於新的域需要收集新的資料
    • 在“訓練域”中學習的模型還需要遷移到“測試域中

作者提出了幾個問題：

  • 什麼因素會影響域
  • 已經有了什麼方案解決這個問題
  • 這些方案多大程度上解決了這些問題
  • 跨域的wifi感知還有哪些趨勢和問題

從五個方面總結一些演算法：

  • 僅保留與目標運動相關的域不變特徵，去除特定域下的特徵
  • 虛擬樣本生成
  • 遷移學習
  • few-shot少樣本學習
  • 大資料解決方案在多個維度提供資訊（多模態？）

最後總結了幾個挑戰因素：the impact of moving objects, robustness to electromagnetic interference, incremental real-time data for cross-domain WiFi sensing, and multi-task cross-domain WiFi sensing.

Contributions

  • 探索了一些外界因素對CSI影響的方面，包括amplitude, phase, time-of-flight (ToF), angle-of-departure (AoD), angle-ofarrival (AoA), and Doppler frequency shift (DFS)
  • 介紹提取域不變特徵方法，虛擬樣本生成方法，遷移學習方法，少樣本學習方法
  • 我們總結了所提出的五種跨域WiFi感測演算法的優點和侷限性，並進一步比較了基於9類WiFi感測應用的五種演算法的感測效能:手勢識別、活動識別、運動檢測、跌倒檢測、使用者識別、呼吸頻率估計、人體定位、人體跟蹤和物體識別
  • 我們提出了剩下的挑戰和未來的趨勢，將跨域WiFi感知帶到其下一層的進化，並使其更接近實際部署

IMPACT FACTORS

CSI簡介

Ns個子載波，M根發射天線，N根接收天線，接收到的CSI資料為[Ns*M*N]大小的複數矩陣，其中實部代表幅度，虛部表示相位。

在數學上，在時間t的第i個子載波fi上從第m個發射天線到第n個接收天線的CSI可以表示為來自L條路徑的訊號的疊加:

噪聲影響

CSI會受到幅度噪聲和三種相位偏移的影響

  1. 載波頻率偏移 CFO
  2. 取樣時間偏移 SFO
  3. 資料包檢測延遲 PDD

環境影響

不同環境下靜態分量差別很大，動態分量差別較小

配置影響

這裡的配置是指使用者相對於收發器的位置和方向

使用者影響

不同使用者的身高、體型、衣物不同也會對csi產生影響

訊號處理

訊號處理過程包括去噪、訊號分段、資料對齊、訊號變換、訊號提取、CSI引數估計。

噪聲去除

接收到原始訊號後要對振幅和相位噪聲進行處理

分段

在原始CSI中提取與目標運動相對應的有效片段

資料對齊

把CSI序列對齊成等長片段

訊號變換

訊號變換就是做時頻、相頻分析。

  • 快速傅立葉變換FFT
    轉換為頻域圖，獲得功率譜密度，但是丟失了時域資訊
  • 短時傅立葉變換STFT 離散小波變換DWT
    可以捕獲時頻特徵

訊號提取

從原始CSI中去除冗餘訊號保留有效訊號，透過PCA和訊號分解演算法實現，也可以選擇對目標運動高度敏感的子載波。

CSI引數估計

使用MUSIC等演算法估計DFS、AoA、ToF來輔助識別

跨域學習演算法

域相關成分去除

  • 區域性極值檢測 LEVD，Local Ectreme Value Detection algorithm
  • 指數加權平均 EWMA，Recursive algorithm leveraging
  • LRSD
  • AOA-TOF profile
  • 天線之間的CSI共軛相乘
  • 基於頻率的過濾器
    人體運動一般引起的頻率變化較小（小於100Hz），所以可以丟棄高頻和零頻率分量

域無關特徵提取

大多數特徵提取方法基於速度，但是速度既有優勢也有劣勢，不同環境對速度影響不大，但是同一個人每次做同一個動作，以及不同人做同一個動作的速度都不是恆定不變的。

還有一些研究者使用一些統計特徵作為分類特徵

域無關特徵的應用

一般也是分外基於建模的和基於學習的方法，基於建模的方法有閾值檢測、假設檢驗、峰值檢測等，這些方法常用於二元分類任務，比如跌倒檢測、人體存在檢測等。

虛擬樣本生成

透過生成虛擬樣本來減少在測試域中收集資料的工作量。

翻譯

生成在不同位置和方向下的動作樣本，來減少資料採集的工作。

生成對抗網路

利用生成網路和鑑別網路對抗來學習

自編碼器 Autoencoder

使用AE和VAE生成虛擬樣本

遷移學習

小樣本學習

相關文章