引纸绳牛
凯1,2，张扶桑3，吴
丹1,2，张大庆1,2+
1.北京大学信息科学技术学院高可信软件技术教育部重点实验室，北京100871
2.北京大学（天津滨海）新一代信息技术研究院，天津300450
3.中国科学院软件研究所计算机科学国家重点实验室，北京100190+通信作者E-mail:***************.edu 摘
要：基于WiFi 的非接触感知系统利用环境中广泛存在的WiFi 信号在自然情况下对用户活动进行感知，具 有十分广阔的应用前景。从细粒度活动到粗粒度活动，现有工作进行了大量的探索，但尚未理解和解决感知系统稳定性不足的问题。当感知对象、收发设备位置、测试环境等发生变化时，系统性能会受到严重影响。实际上，人体活动对应的接收信号模式因位置和朝向的变化而带来的不一致性导致了系统不能
稳定工作。为了理解这种现象的本质，利用团队提出的基于无线感知的菲涅尔区衍射和反射模型，精确定量刻画了目标物体相对于收发设备的位置、运动轨迹和无线信号波形模式之间的关系。通过两个应用实例，即细粒度的手指动作识别和粗粒度的健身活动识别，在模型的指导下，分别解释了系统不能稳定工作的原因，说明了如何得到一致的感知波形，以及如何构造可区分的感知波形，并给出了提升感知系统性能的方法。关键词：菲涅尔区模型；系统稳定性；WiFi ；无接触感知文献标志码：A
中图分类号：TP399
Exploring Stability in WiFi Sensing System Based on Fresnel Zone Model
NIU Kai 1,2,ZHANG Fusang 3,WU Dan 1,2,ZHANG Daqing 1,2+
1.Key Laboratory of High Confidence Software Technologies,Ministry of Education,School of Electronics Engineering and Computer Science,Peking University,Beijing 100871,China
2.Peking University Information Technology Institute (Tianjin Binhai),Tianjin 300450,China
3.State Key Laboratory of Computer Sciences,Institute of Software,Chinese Academy of Sciences,Beijing 100190,China Abstract:WiFi based contactless sensing systems use pervasive wireless communication signals in the environment to sense human activities in a natural way,enabli
ng many promising applications.From fine-grained activity sensing to coarse-grained activity recognition,existing work have done a great deal of exploration.However,there is lack of understanding and tackling the serious unstable sensing performance problem.While changing the human target,the position of transceivers,and test environment,the system performance is severely degraded.The reason behind the instability of WiFi-based sensing system is that human activities induce the inconsistent signal patterns inherently at different positions.This paper proposes the Fresnel zone-based diffraction and reflection sensing model,which can
计算机科学与探索
1673-9418/2021/15(01)-0060-13doi:10.3778/j.issn.1673-9418.1912017
基金项目：国家自然科学基金（61572048，61802373）；北大百度基金资助项目（2019BD005）；中国科学院青年创新促进会项目
（2020109）。
This work was supported by the National Natural Science Foundation of China (61572048,61802373),the Project 2019BD005supported by PKU-Baidu Fund and the Project of Yout
h Innovation Promotion Association,Chinese Academy of Sciences (2020109).收稿日期：2019-12-05
修回日期：2020-06-22
Journal of Frontiers of Computer Science and Technology
牛凯等：用菲涅尔区模型探究WiFi感知系统的稳定性
近年来，WiFi非接触感知因在健康监护、新型人机交互、行为识别等领域有着广泛的应用前景，受到了工业界和学术界的广泛关注[1-3]。基于WiFi非接触感知主要通过复用无处不在的WiFi无线信号，可在人不携带任何传感设备的条件下进行行为和生理特征的非侵扰感知，贴合普适计算的远景和理念，即将感知融入人们的日常生活中，让感知计算更嵌入、更适合、更自然，使得人们可以在无需意识到它们存在的情况下使用它们[4]。WiFi无线感知基本原理是在室内环境，射频信号的传输受到物理空间约束，导致信号从发射端经由多条路径到达到接收端。一方面，物理空间约束了射频信号的传播，另一方面，到达接收端的射频信号也记录了它所穿越的物理空间的特征[1,5]。当人在物理空间中时，人体对信号的反射、衍射会引入额外的路径。因此，人的活动对射频信号的传播所造成的影响，会被到达接收端的信号所刻画。通过将这些信号的变化与人的不同活动之间建立映射关系，就奠定了基于Wi-Fi信号的非接触活动感知的基本思路。
利用上述思路，研究人员开发了各类WiFi感知应用，以感知活动的粒度不同，可以分为细粒度活动识别，包括人的呼吸心跳[6-11]、手势[12-14]、唇语[15]等；粗粒度活动识别，包括跌倒检测[16-18]、行走步态[19]、日常活动[20]等。这些WiFi活动识别工作大部分建立在机器学习的基础上，认为不同的人体活动状态会对接收信号造成不同的影响，例如：当受试者进行一系列动作，如躺下、坐下时，采集在Wi-Fi信号接收端的信道状态信息（channel state information，CSI），标注接收信号与人体活动状态之间的映射关系，通过训练的机器学习分类模型（如SVM（support vector machine）），或深度学习模型（如CNN（convolutional neural net-works）、LSTM（long short-term memory）等），希望利用人为提取的信号特征，或者机器自动学习到的信号
身份通认证系统特征，能准确识别之间的差异。而在模型训练过程中，人们很快发现虽然可以在一定程度上做到识别人体活动，但识别的准确率却总难达到较高的水平，模型的泛化性能也比较差，在更换受试者、收发设备位置、测试环境等因素后，往往需要重新训练。而面对这些问题，已有工作往往只能通过增加样本、调整模型参数、更换更为复杂的学习模型，经验性地试错、缺乏对背后机理的理解使得准确率的提升收效甚微。
本文通过分析经过物体反射、衍射等影响后到达接收端的信号，发现机器学习分类模型的前提假设并不成立，即同一活动会对无线信号波形模式产生特定唯一的影响，不同活动在无线信号的波形模式上体现各异。本文观察到：所有活动在不同位置、不同朝向时波形模式表现并不一致；而有些不同的活
动，却在不同位置会产生非常相似的波形模式。如果能定量刻画波形模式和活动之间的关系，就能发现何时可以得到一致的波形，何时才有可能产生具有可区分性的波形。
19世纪初期，法国科学家奥古斯汀-让·菲涅尔（Augustin-Jean Fresnel）提出菲涅尔区模型解释光的干涉和衍射现象，本文进一步将菲涅尔区模型引入到无线感知领域，提出了基于菲涅尔区的衍射/反射感知模型[2-3,8-9,21-22]。菲涅尔区是指以无线收发设备为焦点的一系列同心椭圆。当物体在第一菲涅尔区以内时，常常遮挡直射路径，这样从发送端到达接收端的电磁波传播以衍射为主，信号是绕过物体的能量以积分形式进行叠加。当物体在第一菲涅尔区以外时，到达接收端信号主要由反射的信号与视距传播路径（line-of-sight，LoS）叠加构成，如果两者是同相位的，接收端信号会增强，反之信号会减弱。通过对信号和被感知物体相对于收发设备的位置、运动轨迹之间建立数学模型，可以精确地计算出物体移动和接收信号波形间的关系，进而指导各类无线感知
be used to accurately quantify the relationship between the target s position with respect to the transceiver,movement trajectory and the signal variation pattern.By illustrating two application ,fine-grained finger gesture recognition and coarse-grained fitness activity recognition,and guided by the sensing model,this paper explores the reason behind the unstable performance for sensing system.This paper clearly explains how to obtain the consistent signal patterns and how to generate easily distinguishable signal patterns,further presents the methods to i
mprove the performance of wireless sensing systems.
Key words:Fresnel zone model;system stability;WiFi;contactless sensing
61
Journal of Frontiers of Computer Science and Technology计算机科学与探索2021,15(1)
系统的设计。
本文通过利用WiFi信号实现粗粒度和细粒度两个感知应用来揭示WiFi信号受人的活动影响的特殊性质，进而说明模型对感知系统的重要性和指导意义。在细粒度活动感知方面，以手指活动识别为例，反射模型揭示了不同位置，相同手指活动会引起不同的四种波形模式，提出基于信号变换的方法，可以实现将信号模式变换一致。在粗粒度活动感知方面，以健身活动为例，衍射模型揭示了在各类收发设备摆放下，不同动作可能产生相同的模式，相同动作也具有不同的模式，根据模型计算，利用动作不同的幅度，可以优化设备部署位置，产生具有区分性的波形模式。通过不同粒度的两个活动感知例子，充分说明感知模型对系统稳定性分析具有重要作用。
1相关工作
垃圾分类机近些年来，涌现了多种技术手段用于非接触式人体活动感知，包括基于计算机视觉的感知技术[23-24]、基于超声波的感知技术[25-28]等。基于计算机视觉的感知技术对光照条件要求严格，并且存在严重的隐私问题；基于超声波的感知技术也只能在视距检测且检测距离短。为了解决这些不足，研究人员开始探索使用传输范围广、可穿过障碍物、隐私保护较好的无线射频（radio frequency，RF）信号感知人体活动。作为室内最广泛分布的RF信号之一，WiFi信号开始被复用来感知人的活动，其在成本、易用性、普适性等方面具有很大优势。现有工作根据感知活动的粒度不同可以分为两大类：粗粒度活动识别，如跌倒检测[16-17]、室内定位[29-35]、室内追踪[21,36]等，和细粒度活动识别，如手势识别[13-14]、唇语识别[15]、呼吸监测[6-11]等。
粗粒度活动识别：在粗粒度活动识别中，既有对走动、跑步、站立、坐下、躺下、跌倒等原子活动的识别[16-18]，又有对吃饭、洗漱、睡觉等由多种原子活动组成的组合动作的识别[20,37]。例如，RT-Fall[17]利用相位差从自然连续的日常活动中切割出跌倒动作和类似跌倒动作，然后使用了8个信号的统计特征输入SVM 分类器来识别出跌倒动作，在固定环境下的识别准确率为92%。E-eyes[20]利用CSI振幅的统计直方图作为特征，使用在线比对的方法识别洗碗、洗澡等5种日常活动，在离线条件下的识别准确率为96%。WifiU[19]使用了170个特征和SVM来识别步态，识别准确率为79.28%。可以看到，为了识别人体活动，大多数工作都是首先将连续动作人工切分成离散活动，然后采用特征提取和机器学习的方法。
细粒度活动识别：细粒度活动识别主要针对人体微小的活动，如唇语、手势等。例如，WiHear[15]从多个载波的振幅中构建了嘴唇运动特征，并使用动态时间规整（dynamic time warping，DTW）算法来识别唇语，在特定条件下对单音节唇语的识别准确率为91%。WiKey[38]利用主成分分析方法提取敲击键盘手势的特征，然后使用DTW算法来识别人敲击键盘的动作，在特定条件下识别单个按键的准确率为96.4%。WiFinger[13]同样从多个载波的振幅中提取出手势的特征向量，并使用DTW算法识别9种数字手势，在一定条件下的识别准确率为82.67%。而文献[14]通过主成分识别的方法从CSI振幅中提取特征，使用多维动态时间规整（multi-dimensional dynamic time warping，MD-DTW）算法识别8种常见的手势，特定设备部署下的准确率为93%。可以看到，这些细粒度活动识别工作同样采用了特征提取和机器学习的方法。
上述工作都假设人体活动和接收的WiFi信号之间是一对一的映射关系，从而可以简单地通过从WiFi 信号中提取特征来识别相应的活动。然而，并没有探究该假设是否在实际环境中成立，因此只能在特定条件下实现较高准确率。与上述工作相比，本文在菲涅尔区模型的指导下，深入分析了基于WiFi非接触人体活动感知中的接收信号不一致性问题及其本质原因，并且针对细粒度的手势识别和粗粒度的健身动作识别这两个例子给出了解决这种不一致性问题的思路。
2基于菲涅尔区的感知模型
本章首先介绍菲涅尔区的基本概念，然后介绍支撑菲涅尔区用于感知的衍射模型和反射模型。利用菲涅尔区衍射/反射模型，可建立被感知物体相对于收发设备位置、运动轨迹和无线信号之间的定量关系，并通过研究真实物体的移动对无线信号的影响，验证了模型的有效性。IKRTV
2.1基于菲涅尔区的衍射模型和反射模型
在无线射频信号传播过程中，菲涅尔区是以一对无线收发设备为焦点的一层层同心椭圆。假设发送设备为T，接收设备为R，如图1所示，最内部的椭
62
牛凯等：用菲涅尔区模型探究WiFi 感知系统的稳定性
圆称为第一菲涅尔区（first Fresnel zone ，FFZ ），第n 菲涅尔区对应于第n -1到第n 个椭圆区域。第n 菲涅尔区的外边界上的点Q n 满足以下公式：
|TQ n |+|Q n R |-|TR |=nλ2
（1）
其中，λ是无线信号的波长。假设空间中的任意一个物体所在位置P 到直射路径（LoS ）的距离为h （即|PM |），P 在直射路径上的投影点为M ，该点到收发
设备的距离分别记为d 1(|TM |)和d 2(|MR |)。信号经过P 点的路径长度TPR 与LoS 路径长度
TR 的差为：
Δd =|TP |+|PR |-|TR |=
d 11+(h /d 1)+d 21+(h /d 2)-(d 1+d 2)
（2）
那么，经过这两条不同路径到达接收端的信号的相位差为：
Δφ=2πΔd λ
移动商铺
（3）
物体在第一菲涅尔区以内，衍射现象占主导；而
在第一菲涅尔区以外，反射现象占主导，下面分别对衍射模型和反射模型进行介绍。
（1）衍射模型
当被感知物体位于第一菲涅尔区内时，信号从物体两侧经过衍射到达接收端。假设物体前沿和后沿到LoS 的距离分别为h front 和h back
，如图2所示。
根据物体前后沿到LoS 的距离，可以得到Fresnel-Kirchhoff 衍射参数：
νfront =h
（4）νback =h （5）
基于此，信号从物体前沿衍射到达接收端的能量，可以表达为：
F (νfront )=1+j 2·∫ν
front
∞exp æèçöø
÷-jπz 22d z
（6）类似的，信号从物体后沿衍射到达接收端的能
量，可以表达为：
F (νback )=1+j 2·∫-∞
νback
exp æèçöø
÷-jπz 22d z
（7）
因此，当物体出现在收发设备之间时，引起的总衍射增益为：
Gain Diff =20lg |F (νfront )+F (νback )|
（8）
根据式（8），模拟直径为20cm 的圆形物体穿越
第一菲涅尔区的过程。假设收发设备相距2m ，则第一菲涅尔区半径为17cm ，根据模型计算获得的理论
波形如图3所示。可以看到，当物体穿越第一菲涅尔区时，由于遮挡直射路径，能量会有明显衰落，呈现类“
W ”状的波形，在物体重心到达LoS 之前出现一次波谷，物体重心到达LoS
时呈现一个小的波峰，波形以该点对称。通过模拟不同物体的大小，可以发现类“W ”状的波形中，也会出现不同程度局部的波峰/
波谷。
Fig.1Geometry of Fresnel zone 图1
菲涅尔区的几何结构
Fig.2Diffraction effects in first Fresnel zone
图2
第一菲涅尔区内的衍射效应
Fig.3Diffraction signal changes with target moving 图3
目标移动引起的衍射信号变化
63
钼加工Journal of Frontiers of Computer Science and Technology计算机科学与探索2021,15(1)
（2）反射模型
当物体位于第一菲涅尔区以外时，反射现象占
主导地位。此时，物体不会遮挡直射路径，到达接收
端的能量是物体反射信号和直射信号叠加的效果。
两个信号的叠加结果取决于二者相位的关系，根据
式（2），当物体反射信号的路径TPR比LoS路径长
n×λ/2（n为奇数）时，也就是在奇数菲涅尔区边界，
两个信号之间的相位差为π，考虑到反射引入的额
外相移π，两个信号的相位相同而振幅不同，从而获
得一个叠加后增强的接收信号；当反射信号的路径
比LoS长m×λ/2（m为偶数）时，也就是物体位于偶
数菲涅尔区边界，两个信号的相位差为2π，考虑到
反射引入的额外相移π，两个信号的相位相互抵消
产生减弱的接收信号。
当物体从第1个菲涅尔区移动到第n个菲涅尔
区时，两个信号之间的相位差连续地由2π增长到
3π,4π,⋯,(n+1)π，从而引起叠加信号的变化，呈现出
增强或者减弱的交替变化，即物体跨越菲涅尔区边
界时表现为波峰或者波谷。
为了精确刻画物体在第一菲涅尔区外移动产生
的完整信号，将到达接收端的信号分为静态路径和
动态路径，总的接收信号H(f,t)可表示为如下形式：
H(f,t)=H
s(f)+H d(f,t)=H s(f)+a(f,t)e -j2πd(t)/λ（9）
其中，静态向量H
s(f)是所有静态路径信号的总和，包括直射路径和环境中静态物体（如墙体）等反射的
信号，如图4所示。动态向量H
d(f,t)是移动物体引入的反射信号，反射信号可以进一步表示为一个向量，a(f,t)是动态路径的振幅和初
始相位偏移的复数表示，e-j2πd(t)/λ是动态路径长度d(t)的相移。当反射路径长度变化λ时，相移为2π，在复平面上表现为动态向量围绕静态向量旋转一圈，对应在时域的振幅上产生一个完整周期的类正弦波波形，信号的波峰和波谷在空间上对应菲涅尔区的边界。2.2模型验证
本节通过基准实验验证菲涅尔区衍射和反射模型。使用电子滑轨分别控制铁罐和人体模型的移动，从菲涅尔以外移动直至穿越第一菲涅尔区，验证理论公式计算的接收信号和实际的物体移动接收到的信号的匹配程度。
放置一对WiFi收发设备，如图5，天线具有相同高度，相距2m，WiFi信号的中心频率为5.24GHz，信号的波长为5.7cm。铁罐直径为18cm，人体模型的胸腔厚度为25cm，将铁罐/人体模型放置于滑轨上，滑轨的速度设置为13cm/s。
根据菲涅尔区反射和衍射理论，如图6（a）所示，当物体在第一菲涅尔区外运动，接收信号呈现类似正弦“Sine”的波形，其波峰波谷对应于物体穿越菲涅尔区的边界。物体到达第二菲涅尔区边界时为波谷，到达第一菲涅尔区边界时为波峰。在铁罐运动时，理论上可以得到波峰/波谷数分别为7，波峰/波谷发生时间、数量和菲涅尔模型一致。当物体进入第一菲涅尔区内，由于遮挡直射信号，信号的能量会有明显衰落，衍射信号从物体两侧到达接收端，形成类似“W”状的波形模式。图6（b）展示了人体模型整个的穿越过程引起的波形变化，同样观察到了如理论所揭示一样的，反射-衍射-反射区域的变化过程。
根据菲涅尔区衍射和反射模型，很容易得到如下观察：
（1）物体的大小以及运动的位置、朝向和速度不同，得到的接收端信号模式均会不同。
（2）同一个人，在不同位置或朝向做相同的动作，其对应的信号模式会不相同；不同人因体型、体质和活动速度不同，其对应的信号模式也不相同。
（3）
通过衍射模型和反射模型可以计算出理论Fig.5Experimental scenario for model verification
图5
模型验证实验场景
Fig.4Object moves outside of first Fresnel zone
图4物体在第一菲涅尔区外移动
64
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议