[论文解读] TensorBeat: Tensor Decomposition for Monitoring Multi-Person Breathing Beats with Commodity WiFi

Xuyu Wang, Chao Yang+1 more|arXiv (Cornell University)|Feb 6, 2017

Indoor and Outdoor Localization Technologies参考文献 40被引用 56

一句话总结

TensorBeat 使用商品 WiFi 的 CSI 相位差数据与 CP 张量分解，在无需穿戴设备的情况下估计多人体的呼吸率，并有一个稳定信号匹配步骤将分解信号与个体配对。

ABSTRACT

Breathing signal monitoring can provide important clues for human's physical health problems. Comparing to existing techniques that require wearable devices and special equipment, a more desirable approach is to provide contact-free and long-term breathing rate monitoring by exploiting wireless signals. In this paper, we propose TensorBeat, a system to employ channel state information (CSI) phase difference data to intelligently estimate breathing rates for multiple persons with commodity WiFi devices. The main idea is to leverage the tensor decomposition technique to handle the CSI phase difference data. The proposed TensorBeat scheme first obtains CSI phase difference data between pairs of antennas at the WiFi receiver to create CSI tensor data. Then Canonical Polyadic (CP) decomposition is applied to obtain the desired breathing signals. A stable signal matching algorithm is developed to find the decomposed signal pairs, and a peak detection method is applied to estimate the breathing rates for multiple persons. Our experimental study shows that TensorBeat can achieve high accuracy under different environments for multi-person breathing rate monitoring.

研究动机与目标

• 推动无需接触、长期的呼吸率监测，无需穿戴设备。
• 利用细粒度的 WiFi CSI 相位差数据，在多人与场景下检测呼吸。
• 开发基于张量的框架，用于分离并估计多个人的呼吸信号。
• 在不同室内环境下展示 TensorBeat 的可行性和鲁棒性。

提出的方法

• 从跨子载波和数据包的天线对之间的相位差数据创建 CSI 张量。
• 应用数据校准和 Hankelization 构建一个适合分解的三维 CSI 张量。
• 使用 Canonical Polyadic (CP) 分解来估计呼吸信号，利用 CSI 张量的唯一性。
• 开发一个稳定信号匹配（稳定室友）算法，将分解信号与个体配对。
• 对合并信号执行峰值检测，以估计每个人的呼吸率。
• 在商品化的 5 GHz WiFi 设备上进行多月实验，在多种环境中验证实现。

实验结果

研究问题

• RQ1 CSI 相位差数据是否能在室内环境中捕捉到多人的稳定呼吸信号？
• RQ2 CP 张量分解是否能唯一地分离并恢复来自多人体反射的呼吸信号？
• RQ3 TensorBeat 将分解的信号与实际个体匹配并估计他们的呼吸率的效果如何？
• RQ4 在不同环境条件和配置下，TensorBeat 的鲁棒性如何？

主要发现

• TensorBeat 在多种环境中实现多人体呼吸率估计的高准确性和高成功率。
• 相位差数据比绝对相位更稳定，且在 5 GHz WiFi 下可用于呼吸监测。
• Hankel 化的 CSI 张量的秩为 2R，对应 2R 指数呼吸分量，使 CP 分解具有唯一性。
• 基于稳定室友的信号匹配算法结合基于 DTW 的偏好，将分解的分量分配给个体。
• 该方法对环境参数具有鲁棒性，并且支持多人体无穿戴设备。