[论文解读] Human Biometric Signals Monitoring based on WiFi Channel State Information using Deep Learning

Moyu Liu, Zihuai Lin+2 more|arXiv (Cornell University)|Mar 8, 2022

Wireless Networks and Protocols被引用 11

一句话总结

本论文提出一种基于WiFi信道状态信息（CSI）的深度学习框架，可同时以99.109%和98.581%的准确率估计心率与呼吸率，并通过一种新型WiFi睡眠阶段神经网络（W2SN）以95.925%的准确率对四种睡眠阶段进行分类，该网络利用包含运动、呼吸和心脏信号的原始CSI数据。

ABSTRACT

In this paper, we first present a single-input, multiple-output convolutional neural network that can estimate both heart rate and respiration rate simultaneously by exploiting the underlying link between heart rate and respiration rate. The inputs to the neural network are the amplitude and phase of channel state information collected by a pair of WiFi devices. Our WiFi-based technique addresses privacy concerns and is adaptable to a variety of settings. This system overall accuracy for the heart and respiration rate estimation can reach 99.109% and 98.581%, respectively. Furthermore, we developed and analyzed two deep learning-based neural network classification algorithms for categorizing four types of sleep stages: wake, rapid eye movement (REM) sleep, non-rapid eye movement (NREM) light sleep, and NREM deep sleep. This system overall classification accuracy can reach 95.925%

研究动机与目标

• 开发一种低复杂度、隐私保护的连续人体生物特征监测方法，利用现成的WiFi设备。
• 解决不依赖复杂特征工程的同时、准确估计心率与呼吸率的挑战。
• 利用原始WiFi CSI数据对四种人类睡眠阶段——清醒、NREM浅睡、NREM深睡和REM睡眠——进行分类，实现非侵入式睡眠质量评估。
• 比较使用原始CSI与提取的心肺耦合（CPC）信号的深度学习模型在睡眠阶段分类中的性能表现。

提出的方法

• 设计一种单输入多输出卷积神经网络（H3RN），从WiFi CSI的幅度和相位分量中联合估计心率与呼吸率。
• H3RN利用心率与呼吸率之间的内在相关性，相比传统特征选择方法，显著降低了计算复杂度并提升了准确率。
• 开发了两种深度学习模型——WiFi睡眠阶段神经网络（W2SN）和CPC神经网络，分别使用原始CSI和提取的CPC信号对四种睡眠阶段进行分类。
• W2SN采用四层卷积结构，处理完整的CSI矩阵，同时捕捉运动、呼吸和心脏动力学特征。
• 系统使用基于802.11n的WiFi设备，在OFDM方案下采用56个子载波，实时采集CSI数据，用于生物特征和睡眠阶段估计。
• 提出基于睡眠周期知识的纠错机制，以优化分类输出，减少低样本类别（如REM和清醒状态）的误分类。

实验结果

研究问题

• RQ1 深度学习模型能否从原始WiFi CSI中高精度、低计算成本地联合估计心率与呼吸率？
• RQ2 在原始CSI中包含身体运动信息，相比仅使用提取的心肺信号，如何提升睡眠阶段分类性能？
• RQ3 在分类四种不同睡眠阶段时，使用原始CSI数据相较于处理后的CPC信号，性能提升如何？
• RQ4 所提出的系统能否在无需可穿戴传感器的情况下，实现不同体位（仰卧与站立）下生物特征监测与睡眠分期的高精度？

主要发现

• H3RN模型在心率估计上的平均绝对百分比误差（MAPE）为0.6042%，呼吸率误差为0.2 bpm，分别实现99.109%和98.581%的准确率。
• 在仰卧姿势下，系统对呼吸率的准确率达到99.272%，心率准确率为98.591%；在站立姿势下，准确率分别为99.1032%和98.666%。
• W2SN模型实现95.925%的睡眠阶段分类准确率，显著优于基于CPC的网络（90.15%）以及现有方法[55]（81.8%）和[58]（74.3%）。
• 混淆矩阵显示，所有单个睡眠阶段的分类准确率均超过92%，其中NREM浅睡和深睡阶段表现最佳。
• W2SN优于两层卷积神经网络（63.275%）和五层网络（出现过拟合），证实四层卷积结构为最优深度。
• W2SN性能优越的原因在于原始CSI中包含了运动动力学信息，而这些信息在CPC信号中缺失，从而为分类提供了更丰富的时频特征。