[论文解读] FreeSense:Indoor Human Identification with WiFi Signals

Xin Tong, Bin Guo+3 more|arXiv (Cornell University)|Aug 11, 2016

Indoor and Outdoor Localization Technologies参考文献 15被引用 5

一句话总结

FreeSense 提出了一种利用 WiFi 信号分析个体独特信道状态信息（CSI）模式的非侵入式室内人体识别系统，该模式受个体体型和运动的影响。它结合主成分分析（PCA）、离散小波变换（DWT）和动态时间规整（DTW）处理 CSI 时间序列，在 6m×5m 的智能家居环境中对 9 名用户实现了 88.9% 至 94.5% 的识别准确率，展示了无需专用硬件即可实现有效隐私保护识别的潜力。

ABSTRACT

Human identification plays an important role in human-computer interaction. There have been numerous methods proposed for human identification (e.g., face recognition, gait recognition, fingerprint identification, etc.). While these methods could be very useful under different conditions, they also suffer from certain shortcomings (e.g., user privacy, sensing coverage range). In this paper, we propose a novel approach for human identification, which leverages WIFI signals to enable non-intrusive human identification in domestic environments. It is based on the observation that each person has specific influence patterns to the surrounding WIFI signal while moving indoors, regarding their body shape characteristics and motion patterns. The influence can be captured by the Channel State Information (CSI) time series of WIFI. Specifically, a combination of Principal Component Analysis (PCA), Discrete Wavelet Transform (DWT) and Dynamic Time Warping (DTW) techniques is used for CSI waveform-based human identification. We implemented the system in a 6m*5m smart home environment and recruited 9 users for data collection and evaluation. Experimental results indicate that the identification accuracy is about 88.9% to 94.5% when the candidate user set changes from 6 to 2, showing that the proposed human identification method is effective in domestic environments.

研究动机与目标

• 利用现有的 WiFi 基础设施，在家庭环境中实现非侵入式人体识别。
• 解决传统生物识别方法（如人脸识别或指纹识别）在隐私和覆盖范围方面的局限性。
• 利用由体型和运动引起的个体特异性 WiFi 信号畸变进行识别。
• 开发一种低成本、可扩展的解决方案，无需用户配合或专用传感器。
• 在具有多用户和动态移动行为的真实室内环境中验证该方法。

提出的方法

• 在用户于室内环境中移动时，从市售 WiFi 设备捕获 CSI 时间序列。
• 应用主成分分析（PCA）以降低维度并提取主导信号特征。
• 使用离散小波变换（DWT）将 CSI 信号分解为多分辨率分量，以实现降噪和特征提取。
• 采用动态时间规整（DTW）比较不同个体 CSI 波形的时间模式，以应对运动速度差异。
• 将 PCA、DWT 和 DTW 组合为处理流程，以建模由身体特征和运动引起的个体特异性信号畸变。
• 在最终特征表示上使用 k-NN 分类器进行用户识别。

实验结果

研究问题

• RQ1 仅使用环境中的 WiFi 信号，能否实现对个体的识别而无需额外传感器？
• RQ2 体型和运动模式在室内环境中如何独特地调制 WiFi CSI？
• RQ3 PCA、DWT 和 DTW 联合使用在从原始 CSI 数据中提升识别准确率方面能达到何种程度？
• RQ4 在真实智能家居环境中，识别性能如何随候选用户数量的变化而变化？
• RQ5 在具有动态用户移动行为的真实条件下，系统能否保持高准确率？

主要发现

• 在 6m×5m 的智能家居环境中，当区分 2 名用户时，系统识别准确率达到 94.5%。
• 当候选用户数量增加到 6 名时，准确率仍保持在 88.9%，表明对更大人群具有鲁棒性。
• 与基于原始 CSI 的基线方法相比，PCA、DWT 和 DTW 的联合使用显著提升了识别性能。
• 该方法成功捕捉了由体型和运动引起的个体特异性信号畸变，实现了可靠的识别。
• 系统无需用户配合或专用硬件，仅依赖商用 WiFi 设备运行。
• 结果表明，利用现有 WiFi 基础设施在家庭环境中实现隐私保护的人体识别具有可行性。