基于WiFi的位置无关活动感知：通过物理信息引导的特征融合实现

《Physical Communication》：WiFi-Based Position-Independent Activity Sensing via Physical Information-Guided Feature Fusion

提出基于WiFi信道状态信息（CSI）的无位置依赖的人类活动识别系统WiPIHAR，通过理论分析CSI物理信息，设计图注意力层（GAL）增强特征并降维，结合多尺度因果Transformer网络（MSCTN）融合局部与全局信息，实验表明其平均准确率达99.19%，在跨位置和跨方向场景下仍保持93.30%以上性能，优于现有方法。

　　

陈星灿|肖文东

北京科技大学自动化与电气工程学院，北京，100083，中国

摘要

由于对人体无干扰且成本低廉的优势，利用WiFi信道状态信息（CSI）进行人体活动识别（HAR）的系统得到了广泛研究。然而，这些系统在实际应用中面临的一个主要问题是位置依赖性，即当人体的位置或方向发生变化时，系统的感知性能会显著下降。为了解决这个问题，我们提出了一种基于WiFi CSI物理信息引导的深度学习模型（WiPIHAR）的新型位置无关HAR系统。具体来说，我们首先从理论上分析了CSI物理信息，即与位置无关的CSI。随后，我们设计了一种基于单图卷积层（GAL）的算法来增强位置无关CSI的特征，并显著降低了特征维度。最后，我们进一步分析了增强后的位置无关CSI，并设计了一个多尺度因果Transformer网络（MSCTN），以自动捕获和融合对位置无关HAR有帮助的局部和全局特征。在三个数据集（OR、Widar3.0和SC）上的广泛实验结果表明，WiPIHAR的性能优于现有的最先进方法。WiPIHAR在OR和Widar3.0数据集上的平均准确率分别为99.19%和94.49%，在我们自收集的数据集上，在跨位置和跨方向条件下的准确率仍保持在94.08%和93.30%。此外，WiPIHAR在跨数据集评估中的平均准确率为97.16%。

引言

随着物联网（IoT）技术的发展，人体活动识别（HAR）在人机交互（HCI）领域发挥着越来越重要的作用。现有的HAR系统大多基于可穿戴设备[1]、摄像头[2]、超宽带（UWB）[3]或WiFi[4]。然而，基于可穿戴传感器的系统要求用户始终佩戴相关设备，可能会给用户带来不便[5]。基于摄像头的系统受光照条件或摄像头角度的影响，并可能引发隐私问题[5]。基于UWB、雷达或WiFi的HAR系统是非接触式的，不受光照条件影响，也不容易引发隐私问题[5]。随着IoT技术的发展，商用WiFi设备已在室内环境中得到广泛部署，因此基于WiFi的HAR系统更具成本效益，因为它几乎不需要购买额外的设备，如UWB雷达[5]。

常用的WiFi传感信号包括接收信号强度指示（RSSI）和信道状态信息（CSI）。RSSI常用于室内人体定位[6]，而CSI因其细粒度特性而常用于HAR[7]、[8]、[9]。CSI的无线信道容易受到环境的影响，因此收集到的CSI不仅包含与人体活动相关的信息，还包含与活动无关的环境信息[5]。因此，当同一人在同一环境中的不同位置或不同方向进行相同活动，或在不同环境中进行相同活动时，收集到的CSI数据分布可能不同。此外，不同人体活动收集到的CSI数据分布也可能相似。因此，从CSI中提取特征以实现HAR非常困难。这种位置依赖性问题严重阻碍了基于WiFi的HAR系统在用户可能出现在任意位置和方向的真实世界场景中的实际应用。

现有的系统[5]、[10]、[11]证明，通过深度学习网络模型自动提取CSI特征来实现HAR是有效的。然而，大多数现有方法仅在一个或多个固定位置和固定方向下收集人体活动样本来训练和测试深度学习网络模型。当使用来自不同位置的新人体活动样本重新测试这些模型时，其准确率会大幅下降[1]。在未见过的空间配置下性能的严重下降成为实际应用的主要障碍，因为收集覆盖所有可能用户位置和方向的详尽训练数据是不切实际的。在实际的基于WiFi的HAR应用中，人可能出现在室内环境的任何位置，而不仅仅是固定位置。因此，收集所有可能位置和方向的人体活动样本来训练深度学习模型以实现HAR是不现实的。

一些现有系统通过迁移学习[12]、小样本学习[13]和位置无关特征提取[14]克服了这一挑战。基于迁移学习和小样本学习的系统需要根据位置的变化调整模型，这导致需要频繁收集新样本以适应HAR的实际需求，因为室内环境经常变化，例如家具、WiFi发射器（Tx）或WiFi接收器（Rx）的位置会改变。基于位置无关特征提取的系统需要将活动分解为不同的阶段或组合[15]，或者需要使用复杂的深度学习模型从CSI中自动提取位置无关特征[16]。尽管它们取得了一些进展，但也面临一些问题，例如用户需要严格按照预定顺序进行活动，或者过度依赖复杂的多层深度学习模型来提取位置无关特征。这些限制凸显了迫切需要一种根本不同的方法，能够在不对活动执行施加严格限制或不依赖过于复杂的模型的情况下实现位置无关HAR。

在本文中，我们提出了一种基于WiFi CSI物理信息引导的深度学习模型（WiPIHAR）的新型位置无关HAR系统来解决上述问题。具体来说，我们首先从理论上分析了CSI物理信息，即与位置无关但与HAR密切相关的CSI特征。然后，我们设计了一种基于图注意力层（GAL）的算法来增强CSI的位置无关特征，并显著降低CSI的数据维度。之后，我们进一步分析了CSI中位置无关特征的表示，最后设计了一个多尺度因果Transformer网络（MSCTN）来自动捕获CSI的位置无关特征，以实现位置无关的HAR。大量的实验结果表明，WiPIHAR的性能优于现有的最先进系统。

本文的主要贡献如下：

•

我们从理论上分析了CSI物理信息，即CSI的位置无关特征（PIF），发现PIF仅在二维平面上表现良好，但在三维活动识别场景中容易受到人体多个部位同时运动的影响。此外，我们还发现PIF在不同子载波上的表现可能不同。

•

我们提出了一种基于GAL的数据降维和特征增强算法，该算法整合了不同子载波的特征，以增强上述PIF特征，使其更适合三维HAR，并显著降低数据维度，从而降低计算成本。

•

我们提出了MSTCN，它能够很好地挖掘和融合CSI物理信息的局部特征和全局信息。因此，MSTCN通过相对简单的网络结构实现了良好的位置无关HAR性能。

•

广泛的实验结果表明，WiPIHAR在低计算成本下实现了高精度的位置无关HAR，其性能优于现有的最先进系统。

本文的其余部分组织如下：第2节介绍了相关工作，第3节分析了CSI的位置无关特征，第4节详细介绍了方法论，第5节展示了实验结果，第6节总结了本文。

章节片段

相关工作

为了提高基于WiFi CSI的HAR方法的泛化性能，研究人员将注意力转向了迁移学习、小样本学习和位置无关特征提取。

CSI位置无关特征的分析

在本节中，我们首先介绍了通过CSI和CSI菲涅尔模型进行人体活动的感知，最后分析了CSI的位置无关特征。

基于CSI的位置无关HAR

在本节中，我们首先介绍了WiPIHAR的基本结构，然后详细介绍了WiPIHAR中包含的算法或深度学习网络模型。

实验

在本节中，首先详细阐述了实验的完整细节。然后，通过实验验证了所提出的WiPIHAR的性能。最后，分析了WiPIHAR每个组件的作用。

结论

本文提出了一种基于WiFi CSI物理信息引导的深度学习模型的新型位置无关HAR系统WiPIHAR。WiPIHAR首先提取WiFi CSI的CSI物理信息，然后提出了一种基于GAL的数据降维和特征增强算法来突出特征并降低CSI物理信息的特征维度。最后，构建了MSCTN模型来融合重构CSI的局部特征和全局信息

CRediT作者贡献声明

陈星灿：撰写——原始草案、验证、软件、方法论。肖文东：撰写——审阅与编辑、资金获取。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。