[论文解读] A Survey of Human Activity Recognition Using WiFi CSI

Siamak Yousefi, Hirokazu Narui+3 more|arXiv (Cornell University)|Aug 23, 2017

Indoor and Outdoor Localization Technologies参考文献 7被引用 5

一句话总结

本文综述了基于WiFi的被动人体活动识别技术，利用信道状态信息（CSI），表明长短期记忆（LSTM）循环神经网络等深度学习模型显著优于传统方法（如隐马尔可夫模型HMM和随机森林）。通过分析人体运动引起的CSI幅度与相位变化，所提方法在不同环境和用户条件下对行走、跑步和跌倒等活动的分类准确率超过90%。

ABSTRACT

In this article, we present a survey of recent advances in passive human behaviour recognition in indoor areas using the channel state information (CSI) of commercial WiFi systems. Movement of human body causes a change in the wireless signal reflections, which results in variations in the CSI. By analyzing the data streams of CSIs for different activities and comparing them against stored models, human behaviour can be recognized. This is done by extracting features from CSI data streams and using machine learning techniques to build models and classifiers. The techniques from the literature that are presented herein have great performances, however, instead of the machine learning techniques employed in these works, we propose to use deep learning techniques such as long-short term memory (LSTM) recurrent neural network (RNN), and show the improved performance. We also discuss about different challenges such as environment change, frame rate selection, and multi-user scenario, and suggest possible directions for future work.

研究动机与目标

• 提供对基于WiFi信道状态信息（CSI）的被动人体活动识别近期进展的全面综述。
• 识别现有方法的局限性，特别是针对环境变化、帧率选择以及多用户场景的问题。
• 提出深度学习技术，尤其是LSTM循环神经网络，作为CSI基人体活动识别中传统机器学习模型的更优替代方案。
• 应对相位噪声、多径效应以及在动态环境中鲁棒性等挑战。
• 探索未来研究方向，包括多用户活动识别以及CSI相位信息的整合。

提出的方法

• 利用商用WiFi系统采集的CSI数据，捕捉由人体运动引起的信号反射变化。
• 应用主成分分析（PCA）、短时傅里叶变换（STFT）和离散小波变换（DWT）等特征提取技术，提取时域与频域特征。
• 采用随机森林和隐马尔可夫模型（HMM）等机器学习分类器作为基线对比。
• 提出并评估长短期记忆（LSTM）循环神经网络，以建模CSI序列中的时序依赖性。
• 利用STFT从CSI数据中计算多普勒频移图谱，通过时频分析实现运动模式检测。
• 应用基于能量的分割方法，识别多普勒图谱中的活动段，从而实现对不同手势或动作的分类。

实验结果

研究问题

• RQ1 在基于CSI的人体活动识别中，LSTM等深度学习模型的性能与传统机器学习模型（如HMM、随机森林）相比如何？
• RQ2 CSI基人体活动识别在不同室内环境和用户群体中能保持多高的准确率？
• RQ3 CSI采样的最优帧率是多少，以在计算成本与分类准确率之间取得最佳平衡？
• RQ4 尽管存在相位噪声和模糊性，CSI中的相位信息能否被有效利用以提升识别性能？
• RQ5 如何设计系统以在共享环境中同时识别多个用户的活动？

主要发现

• 基于LSTM的模型在识别躺下、跌倒、行走和跑步等活动时，准确率超过95%，显著优于HMM和随机森林模型。
• LSTM的混淆矩阵显示，行走（93%）和跑步（97%）的分类近乎完美，各类别间误分类极少。
• 随机森林和HMM模型在相似活动之间表现出较高混淆，例如将“坐下”误判为“站起”，或将“跌倒”误判为“躺下”。
• 通过PCA去除静态物体分量，提高了在不同环境下的鲁棒性，有效隔离了由人体运动引起的动态信号变化。
• 帧率约为1 kHz时，准确率与计算成本的平衡最佳，而50 Hz时性能急剧下降。
• 天线间的相位差显示出捕捉来波方向（AOA）变化的潜力，尽管相位噪声和整数模糊性仍是待解决的挑战。