[论文解读] CSI-Net: Unified Human Body Characterization and Pose Recognition

Fei Wang, Jinsong Han+3 more|arXiv (Cornell University)|Oct 7, 2018

Gait Recognition and AnalysisEngineering被引用 19

一句话总结

CSI-Net 是一种统一的深度学习框架，利用 WiFi 信道状态信息（CSI）联合实现人体特征表征与姿态识别。通过将原始 CSI 转换为空间编码张量，并采用可扩展的 CNN 主干网络，该框架在生物特征估计、人员识别、手势识别和跌倒检测任务中均实现了最先进性能，测试准确率分别达到 98.13% 和 97.73%。

ABSTRACT

We build CSI-Net, a unified Deep Neural Network~(DNN), to learn the representation of WiFi signals. Using CSI-Net, we jointly solved two body characterization problems: biometrics estimation (including body fat, muscle, water, and bone rates) and person recognition. We also demonstrated the application of CSI-Net on two distinctive pose recognition tasks: the hand sign recognition (fine-scaled action of the hand) and falling detection (coarse-scaled motion of the body).

研究动机与目标

• 开发一种统一的深度学习框架，利用 WiFi CSI 联合解决多种人体感知任务。
• 通过端到端表示学习，克服基于 CSI 的人体感知中手工设计特征的局限性。
• 利用商用 WiFi 设备实现高精度的生物特征估计（体脂、肌肉、水分、骨骼）。
• 在细粒度手势识别（如手势）和粗粒度身体运动检测（如跌倒）中实现高精度识别。
• 建立基于 CSI 的人体感知基准数据集与分析，深入揭示信号-人体相互作用的物理机理。

提出的方法

• CSI-Net 使用转置卷积层或双线性插值，将 802.11n/g 系统的复数值 CSI 序列转换为具有空间编码的特征图。
• 网络采用可扩展的 CNN 架构，以 ResNet-18 作为主干网络，实现多种感知任务中的高效特征学习。
• 生成阶段将原始 CSI 张量（大小为 $30 \times 1 \times 1$）转换为 $224 \times 224$ 的图像化表示，以适配标准 CNN 处理。
• 双线性插值被用作转置卷积的轻量化替代方案，在保持高精度的同时提升效率。
• 特征学习阶段利用残差块从空间编码的 CSI 张量中提取分层表示。
• 任务阶段通过全连接层与 softmax 实现人员识别、手势识别和跌倒检测的分类任务，通过回归头实现生物特征估计。

实验结果

研究问题

• RQ1 统一的深度学习框架能否有效从原始 WiFi CSI 中学习到适用于多样化人体感知任务的表示？
• RQ2 人体存在及其组成如何影响 CSI 方差？该影响是否可用于生物特征估计？
• RQ3 基于 CSI 的深度学习能否在细粒度动作识别（如手势）和粗粒度运动检测（如跌倒）中实现高精度？
• RQ4 CSI 基于感知的最优网络架构与预处理策略（如转置卷积 vs. 插值）是什么？
• RQ5 不同 CNN 主干网络（如 ResNet、VGG、Inception）在性能与效率方面如何比较？

主要发现

• CSI-Net 在人员识别任务中达到 93.00% 的测试准确率（使用 ResNet-18），优于更大的主干网络如 ResNet-152 和 VGG-19。
• 在手势识别任务中，模型达到 100% 的测试准确率，展现出在细粒度动作识别方面的强大能力。
• 在跌倒检测任务中，CSI-Net 实现 96.67% 的测试准确率，仅 1.27% 的跌倒被误判为站立，5.41% 的站立被误判为跌倒。
• 将转置卷积替换为双线性插值后，人员识别的测试准确率提升至 94.42%，表明更简单的预处理方法可能更有效。
• ResNet-18 在模型复杂度与性能之间实现了最佳平衡，模型大小仅 61MB，其准确率与效率均优于 VGG-19 等更大网络。
• 本研究首次成功实现了商用 WiFi 设备对生物特征估计（包括体脂率、肌肉率、水分率与骨量率）的高精度估计。