Cross-Domain WiFi Sensing with Channel State Information: A Survey

Introduction

• 检测领域：

  检测领域里，大部分用的阈值检测或者简单的学习算法，例如SVM。

  • falls
    • RT-Fall: A real-time and contactless fall detection system with commodity WiFi devices
    • WiFall: Device-free fall detection by wireless networks
  • motion
    • An RF-based motion detection system via off-the-shelf WiFi devices
    • A research on CSI-based human motion detection in complex scenarios
  • object detection
    • Wi-metal: Detecting metal by using wireless networks
  • human presence detection
    • Non-invasive detection of moving and stationary human with WiFi
    • See through walls with WiFi!

• 识别领域

  和检测任务不同，检测任务只需二元分类，但是识别任务需要的分类数量较多。二到几百类别不等。几乎所有的识别算法都在 spatial/time/frequency 域上提取特征然后采用机器学习算法比如KNN，CNN，LSTM，GRU等方法。

  • activity recognition [88, 91]
  • gesture recognition [1, 47]
  • human/object identification [8, 9]

• 估计领域

  与检测和识别任务不同，上述两种任务都属于分类任务，大多数估计任务聚焦于人类或者物体的位置和跟踪，以及呼吸，心率检测估计。这些只需要计算角度距离等。

  • human/object localization and tracking [55, 85]
  • breathing/heart rate estimation [41, 43]

• 优点

  • 无需佩戴传感器
  • 复用基础 Wi-Fi设施
  • 光照不敏感

• 挑战

  • 对现实世界环境敏感，不同的环境和人物配置会产生不同的域
  • 对于新的域需要收集新的数据
  • 在“训练域”中学习的模型还需要迁移到“测试域中

作者提出了几个问题：

• 什么因素会影响域
• 已经有了什么方案解决这个问题
• 这些方案多大程度上解决了这些问题
• 跨域的wifi感知还有哪些趋势和问题

从五个方面总结一些算法：

• 仅保留与目标运动相关的域不变特征，去除特定域下的特征
• 虚拟样本生成
• 迁移学习
• few-shot少样本学习
• 大数据解决方案在多个维度提供信息（多模态？）

最后总结了几个挑战因素：the impact of moving objects, robustness to electromagnetic interference, incremental real-time data for cross-domain WiFi sensing, and multi-task cross-domain WiFi sensing.

Contributions

• 探索了一些外界因素对CSI影响的方面，包括amplitude, phase, time-of-flight (ToF), angle-of-departure (AoD), angle-ofarrival (AoA), and Doppler frequency shift (DFS)
• 介绍提取域不变特征方法，虚拟样本生成方法，迁移学习方法，少样本学习方法
• 我们总结了所提出的五种跨域WiFi传感算法的优点和局限性，并进一步比较了基于9类WiFi传感应用的五种算法的传感性能:手势识别、活动识别、运动检测、跌倒检测、用户识别、呼吸频率估计、人体定位、人体跟踪和物体识别
• 我们提出了剩下的挑战和未来的趋势，将跨域WiFi感知带到其下一层的进化，并使其更接近实际部署

IMPACT FACTORS

CSI简介

N_s个子载波，M根发射天线，N根接收天线，接收到的CSI数据为[N_s*M*N]大小的复数矩阵，其中实部代表幅度，虚部表示相位。

在数学上，在时间t的第i个子载波f_i上从第m个发射天线到第n个接收天线的CSI可以表示为来自L条路径的信号的叠加:

噪声影响

CSI会受到幅度噪声和三种相位偏移的影响

1. 载波频率偏移 CFO
2. 采样时间偏移 SFO
3. 数据包检测延迟 PDD

环境影响

不同环境下静态分量差别很大，动态分量差别较小

配置影响

这里的配置是指用户相对于收发器的位置和方向

用户影响

不同用户的身高、体型、衣物不同也会对csi产生影响

信号处理

信号处理过程包括去噪、信号分段、数据对齐、信号变换、信号提取、CSI参数估计。

噪声去除

接收到原始信号后要对振幅和相位噪声进行处理

分段

在原始CSI中提取与目标运动相对应的有效片段

数据对齐

把CSI序列对齐成等长片段

信号变换

信号变换就是做时频、相频分析。

• 快速傅立叶变换FFT
  转换为频域图，获得功率谱密度，但是丢失了时域信息
• 短时傅立叶变换STFT 离散小波变换DWT
  可以捕获时频特征

信号提取

从原始CSI中去除冗余信号保留有效信号，通过PCA和信号分解算法实现，也可以选择对目标运动高度敏感的子载波。

CSI参数估计

使用MUSIC等算法估计DFS、AoA、ToF来辅助识别

跨域学习算法

域相关成分去除

• 局部极值检测 LEVD，Local Ectreme Value Detection algorithm
• 指数加权平均 EWMA，Recursive algorithm leveraging
• LRSD
• AOA-TOF profile
• 天线之间的CSI共轭相乘
• 基于频率的过滤器
  人体运动一般引起的频率变化较小（小于100Hz），所以可以丢弃高频和零频率分量

域无关特征提取

大多数特征提取方法基于速度，但是速度既有优势也有劣势，不同环境对速度影响不大，但是同一个人每次做同一个动作，以及不同人做同一个动作的速度都不是恒定不变的。

还有一些研究者使用一些统计特征作为分类特征

域无关特征的应用

一般也是分外基于建模的和基于学习的方法，基于建模的方法有阈值检测、假设检验、峰值检测等，这些方法常用于二元分类任务，比如跌倒检测、人体存在检测等。

虚拟样本生成

通过生成虚拟样本来减少在测试域中收集数据的工作量。

翻译

生成在不同位置和方向下的动作样本，来减少数据采集的工作。

生成对抗网络

利用生成网络和鉴别网络对抗来学习

自编码器 Autoencoder

使用AE和VAE生成虚拟样本

迁移学习

小样本学习