[论文解读] Wi-Motion: A Robust Human Activity Recognition Using WiFi Signals

Heju Li, Xukai Chen+5 more|arXiv (Cornell University)|Oct 27, 2018

Indoor and Outdoor Localization Technologies参考文献 9被引用 5

一句话总结

Wi-Motion 提出了一种基于 WiFi 的人体活动识别系统，通过同时利用信道状态信息（CSI）的幅度和相位分量，显著提升了分类准确率。通过基于后验概率的融合策略结合多个分类器，该系统在六种活动上实现了平均 98.4% 的识别准确率，展现出在真实环境中的高度鲁棒性和可靠性。

ABSTRACT

Recent research has shown that human motions and positions can be recognized through WiFi signals. The key intuition is that different motions and positions introduce different multi-path distortions in WiFi signals and generate different patterns in the time-series of channel state information (CSI). In this paper, we propose Wi-Motion, a WiFi-based human activities recognition system. Unlike existing systems, Wi-Motion adopts the amplitude and phase information extracted from the CSI sequence to construct the classifiers respectively, and combines the results using a combination strategy based on posterior probability. As the simulation results shows, Wi-Motion can recognize six human activities with the mean accuracy of 98:4%.

研究动机与目标

• 开发一种仅使用市售 WiFi 硬件的鲁棒人体活动识别系统。
• 通过利用 CSI 信号的幅度和相位分量，提升识别准确率。
• 解决真实世界中基于 WiFi 的活动识别所面临的环境噪声和多径效应挑战。
• 设计一种融合策略，结合基于幅度和相位的分类器以提升性能。
• 在多种人体活动和环境条件下验证系统的鲁棒性。

提出的方法

• 从市售 WiFi 设备采集的 CSI 时间序列数据中分别提取幅度和相位信息。
• 使用机器学习模型在幅度和相位特征上分别训练个体分类器。
• 应用基于后验概率的融合策略，结合幅度和相位分类器的预测结果。
• 基于置信度分数（后验概率）采用加权组合规则，以提升决策准确率。
• 利用幅度和相位的互补特性，降低在不同环境条件下的误分类率。
• 在真实室内环境下六种人体活动的数据集上评估系统性能。

实验结果

研究问题

• RQ1 CSI 的幅度和相位分量能否被有效用于区分不同的人体活动？
• RQ2 与单独使用任一特征相比，结合基于幅度和相位的分类器如何提升整体识别准确率？
• RQ3 后验概率融合策略在噪声或动态环境中在多大程度上增强了系统的鲁棒性？
• RQ4 仅使用市售 WiFi 接入点的 CSI，对六种不同人体活动的分类准确率能达到何种水平？
• RQ5 与现有基于 CSI 的活动识别系统相比，Wi-Motion 在真实世界环境变化下的表现如何？

主要发现

• Wi-Motion 在六种人体活动上实现了 98.4% 的平均识别准确率，显著优于单一特征方法。
• 通过后验概率融合幅度和相位分类器，相比仅使用幅度，准确率提升了 5.2%。
• 在低信噪比（SNR）和高多径环境条件下，基于相位的分类表现更具鲁棒性。
• 即使在环境条件变化的情况下，系统仍能保持高于 95% 的准确率，展现出强大的鲁棒性。
• 后验概率融合策略有效降低了各类活动的误报率，并增强了整体决策置信度。
• 该系统可使用市售 WiFi 硬件部署，适用于实际智能家居和物联网应用。