摘要
https://arxiv.org/pdf/1810.03064.pdf
我们构建了CSI-Net,一个统一的深度神经网络(DNN)来学习WiFi信号的表示。使用CSI-Net,我们共同解决了两个身体特征问题:生物特征估计(包括身体脂肪、肌肉、水和骨骼率)和人物识别。还演示了CSI-Net在两个不同姿态识别任务上的应用:手势识别(手部的精细缩放动作)和跌倒检测(身体的粗缩放运动)。代码已在https://github.com/geekfeiw/CSI-Net上公开。
1、简介
近年来,利用WiFi信号信道状态信息(Channel State Information, CSI)进行人体感知的技术迅速发展。这些技术促进了人机交互[1,2,3]、医疗保健[4,5,6,7]和监视[8,9,10]应用的重大进步。与基于计算机视觉的人体感知技术相比,基于wifi的人体活动识别技术实现了非视距活动识别[10],可以广泛应用于日常生活和工作环境,且隐私问题较少。
WiFi感知的核心问题是对与人体特征和活动直接相关的信号进行适当表示。现有工作使用手工设计的特征:(1)通过动态时间包装(DTW)对CSI序列进行时间对齐[11,12,13,14,3,15]。(2) CSI序列的统计特征,如均值、方差和熵。如何针对人体特征手工设计特定人特征,针对活动特征手工设计特定人不变特征,目前尚不清楚。此外,WiFi信号与人体和背景的相互作用导致了CSI复杂的多径传输、反射和衰减,使得手工特征很难从CSI数据中提取精细信息。
另一方面,深度学习的最新进展在从数据中学习数据表示方面表现出非凡的能力。在室内定位[16]和行人识别[17]上进行了初步尝试。然而,据我们所知,现有工作还没有建立一个统一的深度学习框架来解决多种WiFi感知问题。