DFWS简介

一、DFWS(Device-free Wireless Sensing)简介

DFWS简介

二、DFWS系统结构

1. 信号采集和预处理模块
   • 无线信号的固有参数
     • RSS：接收信号强度。容易获得，但易受干扰
     • RSP：电磁波周期上某个时间点的位置
     • ToA：信号到达时间。收发机间需要同步
     • TDoA：信号到达（两个或多个）接收机的时间差，比ToA更灵活。收发机间无需同步，接收机间需同步
     • AoA：信号到达角度。用于识别射频波入射传播方向
     • PRR：数据包接收速率。可用于估计运动的方向和速度
     • CSI：信道状态信息。可捕获每根天线间的幅度、相位信息。前提是使用OFDM技术。普通商用WiFi设备即可提供
   • 预处理技术（去噪）
     • 信号滤波（如卡尔曼滤波、带通滤波器、平滑滤波器等）
     • PCA（降维、去噪）
     • 域变换
     • 以上的混合
2. 特征提取模块（多域变换）
   • 时域：均值、方差、峰峰值、高阶统计量、分布等
   • 频域：傅氏变换。能量、熵、峰值频率、频谱分布等
   • 小波域：小波变换。可将时域信号变换为多个不同时间分辨率的频带，然后从每个波段提取统计特征，形成多尺度时频域特征
   • 时频域
   • 原始数据：基于深度学习，部分情况下甚至不需要对数据进行预处理，也能得到和使用处理后的数据相差不大的效果
   • ……
3. 状态识别模块
   • 基于模型
     • 优点：不需要耗时的训练过程；计算复杂度较低
     • 缺点：很难建立准确的模型来描述人对信号的影响。尤其对复杂的人类状态而言，略显乏力
     • 实例：
       • 矩阵求逆问题——正则化方法
       • 空间相交问题——几何方法
       • 稀疏表示问题——压缩感知方法
   • 基于深度学习（深度特征提取与分类）
     • 优点：自动提取深度特征，识别性和代表性更强
     • 缺点：训练耗时，计算量大
     • 特征提取涉及到网络结构的选择，包括网络深度、每层的大小
     • 分类涉及到回归模型的选择。如soft-max回归模型

DFWS系统结构

基于深度学习的DFWS结构

二、DFWS可能的方向及启发

1. DL在人体检测领域的应用
   • 利用无线信号间的相关性以捕获人体行为对信号传播的放大效果
   • 考虑模型的训练效率。包括降低计算复杂度或增强迁移能力
   • 考虑将雷达数据转换为图像数据，可以直接利用DL在CV领域的优秀成果
2. 信号参数的选择、信号处理和模型构建思路
   • 不同的场景和任务可能选用不同的信号参数。细粒度的CSI可能是解决所有问题最合适的参数
   • 相位信息对人体运动更加敏感，也更容易受环境噪声以及设备的影响。需要先进的信号处理技术支持
   • DFWS兼具粗粒度和细粒度的感知能力，需要将定位、检测和识别集成到一个模型，以实现无处不在的感知和应用
3. 用于训练DL模型的数据采集——与OFDM多子载波技术一起，新的MIMO技术可为无线感知提供多方面、全覆盖和内在相关的数据
4. 商业设备信号的校准——例如采用相邻天线的相位差消除CFO和SFO的影响；信号滤波；域变换等（即去除噪声的影响）
5. 多模式人体检测——由于DL具备强大的数据融合能力，可整合多种传感器的数据及研究成果，如无线信号与CV，让神经网络学习它们之间的对应关系
   • [3]中将骨骼的图像数据和无线信号数据输入进神经网络进行学习，之后可仅依靠人体对无线信号的反射预测人体姿势
   • 核心技术
     • 数据融合：不同形态的信息组合。[4]提供了详细的多传感器数据融合策略
     • 协同学习：指迁移学习和域适应。通过转移相关领域的数据或知识结构，将在某个领域或任务中学习到的知识或模式应用于不同但相关的领域或问题，以完成或改进目标领域或任务的学习成果
6. 同时实现用户验证和活动识别
7. 多用户人体检测——多人场景下分离信号：通过MIMO多天线、多链路和波束形成技术将每个用户的动态信息从多用户感知数据中分离出来，从而提高无线感知的时空分辨率
   • [5]通过MIMO多天线、多链路和波束形成技术将每个用户的动态信息从多用户感知数据中分离出来，从而提高无线感知的时空分辨率
8. 人体动作拆分，分别建立信号与人体动作幅度、速度、持续时间之间的关系
9. 部署范围扩大，子区域划分

三、参考文献

• [1] J. Wang, Q. Gao, M. Pan and Y. Fang, “Device-Free Wireless Sensing: Challenges, Opportunities, and Applications,” in IEEE Network, vol. 32, no. 2, pp. 132-137, March-April 2018, doi: 10.1109/MNET.2017.1700133.
• [2] R. Zhang, X. Jing, S. Wu, C. Jiang, J. Mu and F. R. Yu, “Device-Free Wireless Sensing for Human Detection: The Deep Learning Perspective,” in IEEE Internet of Things Journal, vol. 8, no. 4, pp. 2517-2539, 15 Feb.15, 2021, doi: 10.1109/JIOT.2020.3024234.
• [3] M. Zhao, T. Li, M. A. Alsheikh, Y. Tian, and D. Katabi, “Through-wall human pose estimation using radio signals,” in Computer Vision and Pattern Recognition (CVPR), 2018
• [4] R. Gravina, P. Alinia, H. Ghasemzadeh, and G. Fortino, “Multisensor fusion in body sensor networks: State-of-the-art and research challenges,” Information Fusion, vol. 35, pp. 68–80, 2017
• [5] S. Tan, L. Zhang, Z. Wang, and J. Yang, “MultiTrack: Multi-user tracking and activity recognition using commodity WiFi,” in Proceedings of the 2019 CHI Conference on Human Factors in Computing Systems, 2019, pp. 1–12.