[论文解读] Hands-on Wireless Sensing with Wi-Fi: A Tutorial

Zheng Yang, Yi Zhang+2 more|arXiv (Cornell University)|Jun 20, 2022

Indoor and Outdoor Localization Technologies被引用 6

一句话总结

本教程提出了一套基于CSI数据的Wi-Fi无线感知综合框架，整合了信号处理、特征提取与深度学习模型（如CNN、RNN、GANs），实现了无需设备的人员活动识别。通过采用学习型去噪网络（SEN）实现增强的频谱图重建，显著提升了真实环境中手势与姿态检测的信号清晰度。

ABSTRACT

With the rapid development of wireless communication technology, wireless access points (AP) and internet of things (IoT) devices have been widely deployed in our surroundings. Various types of wireless signals (e.g., Wi-Fi, LoRa, LTE) are filling out our living and working spaces. Previous researches reveal the fact that radio waves are modulated by the spatial structure during the propagation process (e.g., reflection, diffraction, and scattering) and superimposed on the receiver. This observation allows us to reconstruct the surrounding environment based on received wireless signals, called "wireless sensing". Wireless sensing is an emerging technology that enables a wide range of applications, such as gesture recognition for human-computer interaction, vital signs monitoring for health care, and intrusion detection for security management. Compared with other sensing paradigms, such as vision-based and IMU-based sensing, wireless sensing solutions have unique advantages such as high coverage, pervasiveness, low cost, and robustness under adverse light and texture scenarios. Besides, wireless sensing solutions are generally lightweight in terms of both computation overhead and device size. This tutorial takes Wi-Fi sensing as an example. It introduces both the theoretical principles and the code implementation of data collection, signal processing, features extraction, and model design. In addition, this tutorial highlights state-of-the-art deep learning models (e.g., CNN, RNN, and adversarial learning models) and their applications in wireless sensing systems. We hope this tutorial will help people in other research fields to break into wireless sensing research and learn more about its theories, designs, and implementation skills, promoting prosperity in the wireless sensing research field.

研究动机与目标

• 为研究人员和实践者提供一个完整、实战导向的教程，以构建和部署基于Wi-Fi的无线感知系统。
• 弥合使用无处不在的Wi-Fi信号进行无线感知时，理论原理与实际实现之间的差距。
• 展示最先进的深度学习模型（CNN、RNN、GANs）在低信噪比、真实世界CSI数据中的特征提取与分类能力。
• 仅利用环境中的Wi-Fi信号，实现无需设备的人机交互、健康监测与安全应用。
• 发布开源代码与数据集（Widar3.0），以加速无线感知领域的研究与开发。

提出的方法

• 使用汉宁窗（Hann window）的短时傅里叶变换（STFT）将原始Wi-Fi信道状态信息（CSI）转换为时频谱图。
• 裁剪并展开频率谱，聚焦于相关[-60, 60] Hz频带，提升信号可解释性。
• 将复数值谱图转换为双通道实数值张量，以兼容PyTorch等深度学习框架。
• 应用学习型去噪网络（SEN）通过减少噪声与干扰，同时保留时空特征，增强谱图质量。
• 采用最小-最大归一化将谱图振幅缩放至[0,1]区间，以确保训练与推理的稳定性。
• 使用预训练的SEN模型从噪声原始CSI中重建清晰谱图，从而实现鲁棒的下游分类。

实验结果

研究问题

• RQ1 如何有效将环境中的Wi-Fi信号转换为可解释的谱图，以实现人员活动感知？
• RQ2 在真实环境中，哪些深度学习架构在增强基于CSI的噪声谱图方面最为有效？
• RQ3 学习型去噪网络（SEN）是否能在不增加额外硬件的前提下显著提升Wi-Fi感知的信噪比？
• RQ4 与基线方法相比，所提出的信号处理流程在手势识别任务中的准确率与鲁棒性如何？
• RQ5 在部署Wi-Fi感知系统时存在哪些实际实现挑战，如何通过开源工具与代码加以缓解？

主要发现

• SEN模型成功从原始Wi-Fi CSI中重建出清晰谱图，显著降低噪声并提升特征清晰度。
• 通过SEN增强谱图可生成更具判别性的表征，从而提升如推、拉等手势的分类准确率。
• 采用高斯窗函数与频率裁剪可提升频谱分辨率，并聚焦于关键信号分量。
• 谱图归一化确保了训练稳定性，并在不同信号强度与环境条件下保持一致的性能表现。
• 开源代码与数据集（Widar3.0）支持实验的可复现性，并加速了无设备无线感知领域的研究。
• 该框架在真实环境条件下表现出鲁棒性能，包括低信噪比与动态环境场景。