【paper 学习】2、Wi-Fi sensing: applications and challenges

2 基于Wi-Fi的感知系统

基于视觉的人员跟踪系统[86，87]最近已广泛用于不同的应用程序，例如活动分类，手势识别，老人监控和人数统计。但是，这些系统在NLOS环境中（在黑暗中，通过烟雾或墙壁）有很多限制。它们的计算量很大，定位精度也较低。

最近，传统的雷达系统已用于执行人员跟踪和活动识别[88，89]。但是，这些系统使用多个天线，昂贵的UWB收发器和专用信号调制。

在欧洲ATOM [90-92]项目中，研究了Wi-Fi在诸如机场航站楼之类的不同公共区域内跟踪人员的潜力。事实证明，使用Wi-Fi信号非常有前途，由于以下原因，Wi-Fi信号代表了一种非常合适的解决方案：

•合理的带宽，这将导致较高的分辨率。
•覆盖面广，Wi-Fi网络以非常高的速度扩展，无论是用于商业用途还是用于私人用途。
•能够提供Wi-Fi信号的合理发射功率是优于UWB等短距离传感技术的优势。

Colone等。 [91]研究了使用Wi-Fi信号进行人员跟踪，并对Wi-Fi信号进行了模糊度函数分析。他们还研究了直接序列扩频和正交频分复用（OFDM）帧的距离分辨率，对于距离和多普勒尺寸，均检测到较大的旁瓣，这解释了近距离用户的掩蔽。

Falcone等。 [92]提出了通过将接收到的Wi-Fi信号与发送的Wi-Fi信号相关联来检测汽车的速度和行驶范围的结果。结果表明，行驶中的汽车可以定位，但旁边的用户却被汽车强烈的反射所掩盖。然后他们表明，模糊函数控制滤波器和干扰消除技术可以同时检测汽车和人。

基于Wi-Fi的系统使用无线通道中的变化来跟踪给定环境中的人员。

现有系统可以分为三个主要类别：（i）基于接收信号强度（RSS），（ii）基于信道状态信息（CSI）和（iii）基于软件定义的无线电（SDR）。

RSS仅提供有关无线信道变化的粗粒度信息，而没有提供有关多径效应的细粒度信息。引入CSI是为了捕获无线通道中的细粒度变化。 RSS测量值只是每个数据包的单个值，代表信道上的信噪比，另一方面，CSI包含每个OFDM子载波的幅度和相位测量值。基于SDR的系统是低级系统，可以完全访问接收到的信号，因此可以从接收到的信号中捕获更多有价值的信息。

在基于SDR的类别中，Guo等人进行了第一个使用Wi-Fi信号定位人的实验。 [93]。通过将发射信号与接收到的信号进行匹配，将WiFi信号用于定位，一个人的定位是在一个开放的场地中进行的，没有太多混乱。 Chetty等。 [94]使用Wi-Fi信号在杂乱的室内环境中进行了实验；他们能够通过墙壁检测到一个正在移动的人。

Adib等人提出了一种多人定位系统Wi-Track [95]。他们根据Wi-Fi信号在人体上的反射来确定用户的位置，其结果表明，他们的系统可以同时定位多达五个用户，平均精度为11.7厘米。该系统使用信号的反射来估计信号从天线传播到人并再回到天线所需的时间。然后，系统使用天线位置信息建立一个几何模型，该模型将反射信号的往返延迟转换为用户的位置。 Wi-Track通过背景减除来消除墙壁和其他静态对象的反射，这些对象之间的距离不会随时间变化，因此可以通过减去所构建场景的连续帧来消除它们。考虑到人类运动及其在室内场景中的速度模型，可以解决包含人类和静态物体的反射问题。所提出的系统的局限性在于它需要用户移动以便能够定位他们，因为该系统不能区分静态用户和一件家具。

当一个人进行一项活动时，他将导致所传输信号的阻塞或反射。这将导致RSS发生变化。人们执行的活动将在接收到的信号上留下特征性的指纹。然后可以使用接收到的信号中的变化以便对不同的活动进行分类。 Woyach等。 [96]研究了人体运动对接收信号的影响。而且，他们表明，可以通过分析运动物体的传输帧的RSS变化模式来估计物体的速度。克里希南（Krishnan）等人。 [97]通过分析无线节点网络中RSS的变化，研究了运动对象和静止对象之间的差异，从而扩展了Woyach的工作。安德森等。 [98]和Sohn等。 [99]能够区分六个速度水平。

Youssef等。 [100]引入了无设备被动（DFP）本地化系统。 DFP广告管理系统系统可以本地化不携带任何设备的对象。该系统通过观察接收信号的变化来检测环境中物体的存在。 Bocca等。 [101]提出了一种DFP系统，该系统基于两个通信节点之间视线（LOS）链接的RSS变化对人员进行定位，并报告了亚米级的精度。但是，由于多径效应，这些方法在NLOS环境中具有严重的局限性。对于NLOS环境，Wilson等人。 [102]还提出了一种基于方差的方法来定位人。但是，他们的方法无法找到静态人员，因为他们不会产生太多的RSS变化。

Wilson等人的最新作品。 [103]研究了使用粒子过滤器来定位静态和动态人。该方法在LOS和NLOS环境中均有效。但是，它不容易实时地实现。此外，基于RSS的方法的准确性要求通信节点的密度很高。

Kosba等。 [104]提出了一种使用标准Wi-Fi硬件检测运动的系统。他们的系统使用离线培训阶段，其中不假设任何运动为基线。然后，通过检测基线的变化来检测异常。 Lee等。 [105]也将通信节点的RSS波动用于入侵检测。他们报告了在五个不同的室内场景中标准偏差和RSS值均值的变化。

RSS是不可靠的度量，因为它是粗略度量的，并且容易受到多路径的影响。在[106]中，使用了CSI，CSI是细粒度的信息，它给出了有关OFDM系统的频率分集特性的信息。在[106]中，作者使用CSI来构建室内定位系统FILA。 FILA在一个数据包中处理多个子载波的CSI，并建立一个捕获CSI与距离之间关系的传播模型。通过使用商用802.11n设备可以显示系统的有效性。然后，进行了一系列实验，以评估该系统在室内环境下的性能。实验结果表明，使用CSI可以显着提高定位精度，在90％以上的数据点中，定位误差在1 m以内。

Wang等。 [107]表明可以使用CSI测量来实现活动识别，CSI测量可以在具有少量通信节点的IEEE 802.11n设备中使用。他们的系统E-eyes使用802.11ac的宽带宽，在多输入多输出通信中使用更细粒度的CSI。由于较小的频率差异，不同的子载波将遇到不同的多径衰落。当进行单个RSS测量时，通常会平均掉这种影响。当运动改变多径环境时，每个子载波的测量值都会改变。这将使系统不仅可以检测直接路径的变化，而且可以利用丰富的反射信号来覆盖空间。这也将允许系统使用一个接入点和少量Wi-Fi设备（许多建筑物中已经存在）进行操作。但是，提出的系统有很多局限性：首先，仅在一个人在场的情况下对系统进行了设计和测试。其次，该系统需要一个稳定的周围环境且家具不能移动，因为更改周围环境需要更新配置文件。

3 基于Wi-Fi的人员跟踪系统的应用

3.1 老年人监控

65岁或65岁以上的人口在增加，到2030年，他们在20-64岁的人口中所占的比例将接近35％[108]。预计到2030年，全球65岁以上的人口将增长到10亿。大多数老年人一天中的大部分时间都在自己的家中度过。每年33％的65岁以上的老年人将下落，居住在护理机构中的老年人的百分比将增加。跌落可能会导致受伤并降低生活质量。不幸的是，跌倒是老年人死亡的主要原因之一。在大多数情况下，处于高跌倒风险中的老年人需要转为住院治疗，这大约每月需要花费3500美元。跌倒后，许多老人无法自行起床，即使没有任何直接伤害，长时间跌倒（超过一小时）的人中有50％在跌倒后的六个月内死亡。因此，跌倒检测可以挽救许多生命。它有助于实现及时治疗，并可以大大减少医疗费用。

有许多竞争的跌倒检测技术。
现有技术可分为四类：基于可穿戴传感器，基于智能手机，基于视觉和基于环境设备的技术。基于环境设备的跌倒检测系统

[109-111]试图利用跌倒产生的环境噪声来捕获危险情况。使用的环境噪声的示例包括音频和地板振动。在这些系统中，应将特定设备放置在环境中。检测人周围环境的压力或声音会产生很大比例的错误警报。基于视觉的跌倒检测系统[112–114]使用基于摄像机的活动分类算法作为传感技术。基于视觉的跌倒检测系统可以准确地检测到人类跌倒。但是，这些系统侵犯了人们的隐私，并且无法在黑暗环境中工作。基于可穿戴传感器[115、116]和智能手机[117、118]的跌倒检测技术都使用诸如加速器之类的传感器来确定速度。传感器广泛用于跌倒检测系统；然而，携带设备通常是用户不友好的，它是侵入性的并且容易损坏。

最近，已提出了改进的雷达信号分类方法，该方法对应于不同类型的运动，以对来自其他类型活动的跌落进行分类，例如坐下，站立，跪下等[119-125]。刘等。 [119]研究了跌倒信号的动态方面，并使用机器学习技术来区分跌倒和非跌落情况下的雷达信号。这种区分是在[119、121、122、124]中通过从时频信号表示中提取特征来实现的。

小波变换被用于分析雷达跌倒信号[123，125]。在[120]中，许多多普勒传感器被用来通过监视用户从多个方向的运动来提高跌倒检测的准确性。这也将有助于消除咬合。他们通过组合或选择功能来使用数据融合。尽管组合方法的实施更为复杂，但在不同的跌落和非跌落场景中，其性能均优于传统方法。在[119–121，123，124]中，通过确定可能跌倒的开始和结束，将跌倒与先前的动作分开。然后，在下降时间间隔内提取下降的多普勒特征。

[126]中使用了一个2.5 GHz带宽的UWB测距多普勒雷达来提供目标定位的测距。距离多普勒雷达在[127]中也用于检测生理参数，例如呼吸，心跳和其他运动参数，以检测跌倒。与呼吸，心跳和运动有关的功能或它们的组合，用于区分房间中的宠物和下落的人。距离多普勒雷达可以分辨许多物体，因此可以使雷达考虑到观察环境中的多个用户（例如[128]）。在这种情况下，将监视环境中的老人和其他人。

Wang等。 [9]通过利用CSI测量，提出了一种基于Wi-Fi的跌倒检测系统WiFall。基本思想是分析人类活动影响环境时CSI的变化。该系统包括两个阶段：第一个阶段是检测异常CSI系列的算法，第二个阶段是基于支持向量机技术的活动分类，以区分跌倒和其他活动。 WiFall达到了与基于设备的跌倒检测系统相当的精度，检出率达87％，误报率达18％。

Patwari等。 [10]报告说，他们能够通过分析来自人周围20个节点的接收数据包中RSS的波动来检测人的呼吸速率。通过使用最大似然估计，估计呼吸速率的误差为每分钟0.3次呼吸。节点以2.48 GHz频率每240 ms发送一次，这意味着总传输速率约为4.16 Hz。预测是在10-60 s的测量周期后进行的。较长的测量时间不会显着提高准确性。达到的精度与节点数有关，其中有七个节点，均方根均方根误差率约为1.0。

活动检测

越来越多的人关注执法和公共安全，导致监视摄像机的数量大大增加。研究界和行业对自动分析人类活动和行为的兴趣日益浓厚。这些技术的主要方法是对正常行为进行建模，然后通过比较观察到的行为和正常行为来检测异常行为。然后，将该变化标记为异常。异常行为检测最近在监视应用中引起了越来越多的兴趣。 Hu等。 [129] 最近讨论了大多数监视技术都基于相同的方法。首先检测到移动物体的位置。此后，它会在许多帧中进行跟踪，最后将生成的路径用于区分正常行为和异常行为。通常，这些技术具有训练阶段，其中根据正常行为建立概率模型。

研究人员在识别人类活动（例如跑步，步行，爬楼梯，骑自行车等）方面已经取得了非凡的精确度[130-132]。但是，这些传感技术的一个局限性要求是要监视的人必须实际合作并佩戴设备。与此相反，在无设备的方法中，被监视的人不需要佩戴任何设备。可以区分两种类型的系统，第一种是经典系统，专门为感测任务而安装，第二种是用于感测但最初安装用于其他目的的系统。经典的无设备系统涵盖了例如视频[133、134]，红外[135、136]，压力[137]和超声传感器[138、139]。这些系统的主要限制是它们需要大量的安装工作。

Sigg等。 [20]通过捕获两个通信节点之间信号变化的特征来对简单活动进行分类。他们还研究了多路径环境下系统的性能。还证明了通过使用基于信号强度的特征可以很容易地区分从多个人同时进行的活动[21]。但是，当活动距离接收器不到一米时，可以达到最高的分类精度。在较大距离处，分类精度迅速下降。最近，在[22]中，他们考虑了在传感器网络中基于RSS的一般活动的识别，其中已经非常准确地识别了诸如坐，站，走和躺等活动。

Sigg等。 [23]提出了使用无线信道的方法，他们在其中监视RSS的波动，该波动是针对接收器处的每个数据包计算的，他们试图识别在移动电话前面执行的活动。当该设备不是由人携带而是靠近他携带时，这种方法可以进行活动识别。所达到的精度仍低于传统传感器（如加速度计）的精度，其中加速度传感器在室内的精度为74％，在墙壁上的精度为61％。

对于活动识别，已经使用了许多简单的RSS功能，例如平均幅度平方，信噪比[2426]和信号幅度[27]。在[28]中，学习方法能够检测并计数多达十个移动或固定用户。然后，在使用了额外的频域特征之后，精度进一步提高了[20]。在[140]中，作者提出了一种可以识别多个用户手势的系统。

3.3 手势识别

随着计算机越来越嵌入环境中，越来越需要与计算机交互的新颖方法。 Xbox Kinect [141]是传感器的最新示例，该传感器能够使用计算机视觉和深度感应基于手势进行交互。这些设备的成功增加了人们对构建新颖的用户界面的兴趣，这些界面减少了对传统界面（如鼠标和键盘）的依赖性。手势可以用作嵌入环境中的一种新的交互计算技术[32]。例如，通过空中的手势，该人可以在坐着时调节音乐的音量，或者在睡觉时调低空调的音量。如图1所示，这种功能可以实现许多领域的应用，包括游戏，家庭自动化和老年人保健。传统的手势识别系统基于视觉技术（例如Kinect）或可穿戴式传感器（例如魔环）。

Aumi等。 [142]提出了一种基于超声波的手势识别方法。它使用智能手机中的集成音频硬件来确定是否正在对准特定的电话，即人以指向动作在电话处挥手。他们评估了在受控环境中系统的准确性。结果表明，在3 m内，该系统的设备选择精度为95％。拟议系统的基本思想是，与其他潜在目标手机相比，目标手机具有最大的多普勒频移。通过比较所有电话的峰值多普勒频移，他们可以确定目标电话。

Gupta等。 [143]提出了SoundWave，一种手势识别系统，它使用已经集成在大多数智能手机中的麦克风和扬声器来识别手机周围的手势。他们产生了听不见的声音，当它从诸如手之类的移动物体上反弹时，将会产生多普勒频移。他们使用麦克风识别出不同的手势来计算这种多普勒频移。

Abdelnasser等。 [30]提出了一种基于Wi-Fi的手势识别系统，它利用了手势产生的RSS变化。该系统可以识别许多手势并将其转换为命令以控制不同的应用程序。使用单个访问点时的手势识别准确度为87.5％，使用三个访问点时的手势识别准确度为96％。但是，RSS并不是准确的度量标准，因为RSS测量的高度变化会导致较高的误检率。

Cohn等。 [31]使用电子设备产生的电磁噪声来识别不同的手势。他们提出了准确的手势识别功能，其中12个手势的准确度为93％。他们还为建筑物内的人员定位提供了可喜的结果。他们利用了人体运动时接收信号的变化。除了能够识别不同的全身手势之外，他们还基于一组训练有素的位置，显示了建筑物内人员的准确定位。他们的系统基于电子设备和电源线产生的电磁噪声。但是，该系统要求用户训练和校准其房屋的手势和位置，如果房屋在训练期间处于相同状态，分类效果很好。但是，状态的大变化（例如打开灯）会大大降低分类的准确性。某些设备还会生成可能掩盖其他噪声信号的宽带噪声。

Pu等。 [32]提出了WISEE，一种使用Wi-Fi信号识别人类手势的手势识别系统。 WISEE可以识别用户手势，而无需在用户身上引入任何其他传感设备。系统使用多普勒频移，多普勒频移是无线电波的源向观察者移动时的频率变化。来自用户身体的许多反射，并且用户手势将导致一定的多普勒频移模式。例如，如果用户离开设备，这将产生负的多普勒频移，如果用户移向设备，这将产生正的多普勒频移，如图2所示。

拟议系统的主要挑战是用户手势在多普勒频移中产生很小的变化，使用Wi-Fi信号很难检测到该变化。如果使用5 GHz频率，则0.5 m / s的运动会产生17 Hz多普勒频移。对于手势识别应用，应检测到几赫兹的多普勒频移。通过将接收到的信号（从移动物体反射回的信号）转换为具有很少的Hertz带宽的窄带信号来解决此难题，然后系统提取该信号的频率以识别小的多普勒频移。在LOS和NLOS环境中对9个手势进行分类的结果表明，正确分类了94％的手势，未检测到2％的手势。

Wang等。 [33]提出了WiHear，它研究了使用Wi-Fi信号听取人们讲话的潜力。所提出的系统定位用户的嘴，然后通过分析从他的嘴反射的信号来识别他的语音。通过分析嘴巴的运动模式，系统可以以类似于嘴唇阅读的方式识别单词。结果表明，使用预定义的词汇表，该系统对于不超过6个单词的单个用户，可以达到91％的识别准确度，同时不超过3个用户，可以达到74％的识别准确度。当人数增加时，准确性降低。此外，当每个用户说出六个以上的单词时，准确性会急剧下降。该系统还假设人们说话时不会移动，并且在整个墙面场景中18％的识别准确度都非常低。在[34]中，作者提出了一种可以识别多个用户手势的系统。

3.4 人群计数

人群计数在许多应用中正变得越来越重要，例如人群控制和带导游的旅行[38]。然而，人群的行为通常是不可预测的，这给人群计数和估计带来了许多挑战。其他挑战包括对象遮挡和实时处理要求。有许多应用程序可以从人数统计中受益。智能建筑管理就是一个例子，其中可以根据人数优化供暖，从而可以节省大量能源。还有许多其他类似的应用程序也可以根据人数进行优化。在需要将人员从某个区域撤离的紧急情况下，人群估计也可能起重要作用。

Mostofi等。 [38]提出了一种基于Wi-Fi的系统，该系统仅使用一对发送器和接收器天线之间的RSS测量来计算区域中的步行人数。所提出的框架基于人们影响Wi-Fi信号传播的两种重要方式，第一种是通过阻挡LOS信号，第二种是散射效应。他们开发了一个基本的运动模型，然后用数学方法描述了人群对LOS的阻挡作用。最后，他们**用数学方法描述了人数对所产生的多径衰落和散射效应的影响。通过将这两种效应整合在一起，他们能够开发出一个数学方程式，该方程式描述了以人数为单位的接收信号幅度的概率分布。**为了测试该方法，如图3所示，进行了大型室外和室内实验，最多可统计9人，结果表明，该方法仅使用一个Wi-Fi就可以高精度地统计人数。 Fi发射器和一台Wi-Fi接收器。例如，使用标准Wi-Fi全向天线时，室内情况下的误差为2％或更小，室外情况下的误差为96％。使用定向天线时，在室内和室外情况下，100％的时间都可以实现2个或更小的误差。

在[28]中，使用多个Wi-Fi节点和RSS测量来计算最多四个人的人数。他们大约在84％的时间内报告了一个人的错误内的准确性。在[39]中，使用了一种类似的方法，但是节点更少，它们最多可以容纳三个人。在[40]中，一对收发器被用来基于RSS测量来估计人数。大量的训练数据被用于开发基础模型，在实验中报告最多错误6人，限于9人。

在[41]中，作者测量了不同子载波的CSI，他们开发了一个模型，通过训练阶段将CSI与人数相联系。他们使用一个发射器和三个接收器最多可容纳9人来测试他们的模型。但是，当前大多数Wi-Fi卡都无法测量不同子带的CSI。在[42]中，作者使用超宽带雷达来计数最多三名固定在墙后的固定人员。在[43]中，作者使用脉冲雷达通过使用机器学习技术来估计人数。

Xi等。 [41]提出了一种基于CSI测量的人数统计系统。提出的方法的基本思想是可以通过分析CSI的变化来准确估计人数。他们在理论上研究和实验验证了无线信道的变化与移动人数之间的关系。他们的结果表明，CSI对环境的影响非常敏感，他们还表明，移动人口的数量与CSI的变化之间存在单调关系。这为人群计数提供了坚实的基础。他们提出了一个度量标准，即CSI矩阵中非零元素的百分比。为了估计人数，该指标可以在很短的时间内测量CSI的变化。度量的值随活动人数的增加而增加，并且当人数达到某个阈值时达到饱和状态。应用了Grey-Verhulst模型来估计人数。为了估计大区域中的人数，使用了多个设备来形成网格阵列。主要挑战是CSI对环境非常敏感，即，用户在一个网格中移动会导致相邻网格中的CSI发生变化。为了应对这一挑战，提出了一种干扰消除技术，以调整每个接收器的感测范围，以增强在较大监视区域中的估计精度。该系统是使用802.11n WiFi设备构建的。该系统通过大规模实验进行了评估。结果表明，该方法在准确性和可扩展性方面优于其他方法。

在[44，45]中，定位过程分为两个阶段：训练阶段和操作阶段。徐等。 [45]将定位问题表述为概率分类问题，以应对杂乱环境中多径引起的误差。袁等人。 [44]使用分类算法来估计人数。新井等。 [46]提出了一种将人群运动模式与雷达图特征相联系的方法。这种方法需要对使用区域进行调查以建立指纹数据库。努力，成本，灵活性和环境动态是此方法的主要局限性。在人群计数中，培训成本是一个主要的限制因素，尤其是对于大型场景而言。此外，当人数众多时，获得地面真理是非常具有挑战性的。

在[47，48]中，如果此人在链接附近，则RSS将会发生显着变化。但是，如果此人远离链接，性能将迅速下降。中冢等。 [40]证明了使用RSS的平均值和方差来估计人群密度的有效性。 Patwari等。 [49]提出了一种统计方法，以将RSS方差建模为人相对于天线位置的位置的函数。徐等。 [28]使用基于链接的方法来估计人数并使用RSS测量来定位他们的位置。

穿墙感知

穿墙感应是一个新的研究领域，旨在解决在许多应用中（例如，识别和分类建筑物中的物体）对穿墙的需求。它也可以用于地震等紧急情况下，以检查是否有人在废墟下。应急人员和警察非常希望通过墙壁感应。准确地通过墙壁感应和成像可以帮助警察准确描述建筑物内人员的活动，还可以帮助消防员找到被困在燃烧建筑物内的人员。

近年来，通过墙成像吸引了很多关注，尤其是对于安全应用[144]。穿过墙壁的成像使用射频传感器穿透遮盖感兴趣物体的墙壁，并在墙壁后面绘制建筑物内部的地图。这些功能使穿墙系统更适合搜索和救援以及隐蔽监视。穿过墙壁时，传感系统必须考虑墙壁引起的信号衰减，在低频情况下，墙壁的衰减较低。还必须考虑到需要大带宽才能获得高范围分辨率。穿墙传感器中的大多数是UWB雷达，与传统的窄带传感器相比，它具有许多优势。最近，基于雷达传感器的墙成像技术引起了人们的极大兴趣[145149]，用于运动检测和静态成像。

在[52，53]中，进行了一系列实验，以研究将Wi-Fi信号用作通过墙壁人员进行定位的机会的照明器的有效性。在[53]中，提出了一种通过使用时间反转技术来检测室内多径环境变化的室内事件检测系统。所提出的系统使在工业科学和医学频带中运行的单个天线设备能够捕获墙壁上的室内活动。该系统使用时间反转技术来检测环境中的变化，并通过将多路径配置文件映射到时间反转空间来压缩高维特征，这将使实现快速简单的检测算法成为可能。此外，构建了一个真实的原型来评估系统的可行性和性能。实验结果表明，该系统在LOS和NLOS环境下的检测率均达到96.92％，误报率<3.08％。但是，当人员靠近发射器或接收器时，未命中检测率会显着提高。

在[54]中，提出了一种通过壁进行定位和运动跟踪的新方法。该方法利用了人们动作引起的RSS测量变化。通过对多径通道使用模型，他们表明无线链路的信号强度高度依赖于包含运动对象的多径分量。将运动位置与RSS方差相关的数学模型用于估算运动。然后，根据该运动，使用卡尔曼滤波器跟踪运动对象的位置。提出了针对34个节点的实验结果，这些节点在780平方英尺的区域上通过墙跟踪执行。该系统能够跟踪移动的物体穿过墙壁，平均误差约为3英尺。可以原地移动一个物体，其平均误差约为1.5英尺。

Banerjee等。 [55]设计并实现了一个穿墙人员本地化系统。他们的方法依赖于检测人们何时穿越接收器和发射器之间的链接。当使用两个Wi-Fi 802.11n节点时，该方法在检测线交叉和移动方向时达到了约100％的精度。他们还发现，当使用单个802.11n接收器时，建议的方法可达到90-100％的精度。但是，[54、55]中提出的系统需要大量的通信节点，这限制了这些系统的应用范围。

3.6角落感应背后

阻止无线信号的传播。例如，当警察部队想要在进入走廊之前检查走廊是否存在威胁时，可能会出现这种情况。在室内和室外应用中，Wi-Fi都有可能利用电磁波的衍射和反射在角落里“看见”。

Darpa开发了一个多径开发雷达程序[150–152]，该系统通过利用多径效应来跟踪移动的物体，即使物体不在LOS中也可以保持其轨迹。在[153-155]中，在城市环境中对移动终端进行角落定位时使用了相同的方法。由物体及其周围环境衍射反射的多重回波所代表的多径通常是传统定位系统的滋扰信号[156，157]。在[158]中，多路径不是将其视为令人讨厌的东西，而是用于对警察看不见的人进行定位。除了基于反射的多径之外，他们还使用衍射以及衍射和反射的组合进行定位。所提出的方法不需要关于环境的几何形状的先验信息。它只需要有关壁和天线之间的距离以及衍射电磁波的角和天线之间的距离的信息。该信息可以直接从UWB数据获得，也可以从其他附加测量设备中提取。这种方法可能更适合安全操作人员可以携带的手持便携式设备，因为它仅使用一个单点天线或由两个并置的发射和接收天线组成的小型天线阵列。他们展示了成功检测并定位离拐角五米远的人的结果。所提出的方法的精度取决于对象的大小。当只有一条路径可用时，定位精度会大大降低。在这种情况下，将通知操作员有关物体的存在。在许多安全情况下，此类信息可能非常重要。所提出的方法的另一个局限性在于，由于天线非常弱，因此应将天线指向衍射角以增加衍射路径的功率。

在[159]中，作者表明，通过使用多径传播照亮NLOS区域中的物体，可以在城市环境中捕获来自人的步态的微多普勒信号。高分辨率雷达系统用于数据收集。高分辨率将使多径贡献能够被单独分离。测试了具有一个和两个步行用户的两个场景，该实验被安排为从多达五个墙的反射中检测多路径对象的响应。主要结果表明，即使经过多次壁反射，人类微多普勒签名也可用于分类目的。

在[160]中，作者证明了Xband雷达检测混凝土墙后移动人员的可行性。该检测是在受控情况下使用步进频率雷达实现的。墙体材料的透射和反射特性的不同测量结果表明，通过使用的墙体类型的透射率较低，而衍射波和反射波分量则成为与墙后物体相互作用的主要方式。然而，所提出的系统面临的主要挑战是多径传播。

3.7 其它应用

情绪识别是一个活跃的研究领域，最近引起了研究界的越来越多的关注[58]。它试图回答一个简单的问题：我们能否构建一种能够感知我们情绪的设备。这种设备将使智能家居能够根据我们的情绪做出反应，并相应地调整音乐或电视。电影制作人将拥有新的有趣工具来评估人们的体验。广告商将立即引起人们的反应。计算机将自动诊断焦虑，抑郁和躁郁症的症状，从而可以及早发现并响应此类问题。更广泛地讲，计算机将不再局限于通常的命令，它将以类似于我们彼此交互的方式与用户交互。可以从身体手势[161]识别出的表情与从脸部[162-164]识别出的表情一样准确。人体在表达情绪中的作用已从心理学[165]和非语言交流[166]中得到证明。身体表情的作用也已在情绪检测中得到证实[167-169]。 Walter等。

[165]表明，尽管遮盖了手和脸，但从姿势表达进行情感检测的准确性与仅基于面部表情的检测相似。公牛[170]指出，人体的动态形态拥有大量有关情绪的信息。他表明，身体的动作和姿势可以用作人类状态的指示器，例如无聊或兴趣以及其他14种情绪。其他研究者[171，172]通过研究身体各个部位对特定情绪状态的贡献而走得更远。可以通过简单的日常生活动作来检测情绪[173-175]。 Wi-Fi可能在检测人体姿势和手势以及使用此信息识别人的情感方面扮演有趣的角色。

[58]中的研究人员提出了一种新系统，该系统可以使用从人体反射的射频信号来识别用户的情绪。该系统发送无线信号并分析来自用户身体的反射，以识别他的情绪（例如幸福，悲伤等）。系统的关键组成部分是一种新算法，可以从无线信号中提取心跳，其准确性接近心电图。（ECG）监视器。然后，将提取的心跳用于提取与情绪有关的特征，然后将这些特征用于机器学习情绪分类器中。研究人员证明，情绪识别的准确性可与基于ECG监视器的最新情绪识别系统相媲美。在所提出的系统中，情感分类的准确性为87％，在基于ECG的系统中为88.2％。

注意是人机交互的关键措施。它有助于确定影响用户对交互式系统做出的决定和采取行动的可能性[176]。可以根据用户是否将注意力集中在系统上来不同地考虑相同的动作。可以在文献中找到对注意力及其特征进行分类的各种定义[177，178]。注视的追踪是注意力的一种常用测量方法[179]，其他特征也可能表示注意力。努力，显着性和期望等方面是表明注意力的重要线索[176、178、180和181]。 [182]中的研究人员讨论了注意力的各个方面，他们认为步行方向或速度的变化是最明显的因素。在[59]中，他们使用无线信号研究了如何将这些因素（即步行方向，人的位置和步行速度）用于检测和监视注意力。

按键隐私对于确保用户的隐私和计算机系统的安全非常重要，因为键入的内容可能是敏感信息或密码。研究团体研究了许多识别击键的方法，这些方法可以分为三类：基于视觉的方法，基于电磁的方法和基于声学的方法。基于声学的方法基于键盘的不同按键产生的不同打字声音来识别按键[183，184]。基于声学的方法还可以基于以下观察结果来识别键击：不同的按键的声音到达不同的时间，因为这些按键位于键盘上的不同位置

[185]。基于电磁的方法[186]通过观察键盘中不同按键的电子电路是不同的来识别按键，这将导致不同的电磁辐射。基于视觉的方法使用视觉技术来识别击键[187]。

在[60]中，表明Wi-Fi信号可用于识别击键。现在，在办公室，家庭和购物中心中到处都有Wi-Fi信号。基本思想是，在键入特定键时，人的手指和手会以唯一的形式移动，因此会产生CSI值的唯一时间序列模式，可以将其称为该键的CSI波形。按键的击键会在Wi-Fi信号中产生相对不同的多径变化，可用于识别按键。由于最近Wi-Fi设备的高数据速率，Wi-Fi设备在击键期间会产生足够的CSI值，这将有助于构建更准确的击键识别系统。在[60]中，建立了包含十个人类受试者的击键数据库。所提出系统的按键检测率为97.5％，对单个按键进行分类的识别准确率为96.4％。所提出的系统可以在连续打字的情况下以93.5％的精度识别击键。但是，该系统仅在受控环境中才能正常运行。系统的准确性受许多因素的影响，例如收发器的距离和方向的变化，周围区域的人体运动，打字速度以及键盘的大小和布局。

在[61]中，证明了可以使用Wi-Fi信号实现空中免提绘制。他们推出了WiDraw，这是一种手部跟踪系统，该系统使用Wi-Fi信号在LOS和NLOS环境下跟踪用户的手部位置，而无需用户握住任何设备。该原型使用无线网卡，在跟踪用户手部时据报告平均误差小于5厘米。他们还使用相同的系统开发了空中手写应用程序，据报道单词识别准确率达到91％。然而，所提出的系统的局限性在于它需要至少十二个发射器，以便能够高精度地跟踪手。此外，3D跟踪误差高于2D跟踪误差，其主要原因是难以精确跟踪深度变化。仅当手距接收器两英尺以内时，该系统才能实现较高的跟踪精度。随着距离的增加，误差开始增加。

在[63]中研究了基于WiFi信号进行成像的优点和局限性。他们介绍了Wision，该系统可使用Wi-Fi信号对物体进行成像。该系统使用来自环境的Wi-Fi信号来启用成像。该方法使用多径传播，其中信号在对象到达系统之前从对象反射。这些反射照亮了系统用于成像的物体。但是，主要的挑战是系统会接收来自环境中许多对象的反射的组合。评估表明，该系统能够定位和成像相对较大的物体（例如，桌面和沙发）或具有高反射特性的物体（例如，金属表面）并对其成像。具有低反射特性的较小物体的横截面较小，因此反射的Wi-Fi信号比例较小，这使它们难以成像。此外，当物体的尺寸接近Wi-Fi信号的波长（在2.4 GHz时约为12厘米）时，物体与Wi-Fi信号的相互作用会降低。这是基于Wi-Fi信号进行成像的基本限制。可以使用更高的Wi-Fi频率（例如5 GHz，具有约6 cm的较小波长）来解决此基本限制。在许多潜在应用中，在成像中使用Wi-Fi信号仍然代表着巨大的机会。 Wi-Fi信号的成像分辨率还取决于天线阵列的长度。可以通过增加天线阵列的长度来提高成像分辨率。对于所考虑的阵列长度，文献[63]报道了在2.4 GHz时接近最佳分辨率的情况。他们观察到分辨率不取决于天线的数量，而是主要取决于天线阵列的长度。最近的理论工作还表明，如果天线阵列的长度相同，则使用较少数量的天线即可实现相似的分辨率。他们在实施过程中观察到的主要限制是，光滑的金属物体的行为就像镜子一样，可以按照这样的方式定向，使它们从某些发射器位置的视线中隐藏起来。为了解决这个问题，可以使用具有更宽辐射方向图的天线或优化天线位置以最大化其覆盖范围。人们还可以使用来自多个Wi-Fi设备的信号，这些信号更有可能位于各个位置。另一种方法是利用设备的移动性在用户四处移动时创建图像。

4 讨论和未来选择

在研究过程中，已经确定了Wi-Fi传感系统及其应用面临的一些挑战。为了能够在现实环境中运行，这些系统仍然需要解决一些挑战，其中一些挑战包括多路径传播的存在。的遮挡

Wi-Fi信号。在场人数众多。此外，许多提议的系统仅在受控环境中才能很好地工作。这些系统的准确性受许多因素的影响，例如收发器的距离和方向的变化，周围区域的人体运动等。最后，与UWB等其他传感技术相比，WiFi的距离分辨率有限，这可能会限制无线传感器的范围。应用程序。当物体的尺寸接近Wi-Fi信号的波长（在2.4 GHz时约为12厘米）时，物体与Wi-Fi信号的相互作用会降低。这是基于Wi-Fi的成像的基本限制。可以使用更高的Wi-Fi频率（例如5 GHz，具有约6 cm的较小波长）来解决此基本限制。

未来的工作可以分为两个主要领域：生物启发式传感以及深度学习在Wi-Fi传感中的应用

（i）受生物启发的感应：鸽子因使用不同的线索进行导航而闻名[188]，其中包括气味，次声，磁性和视觉线索；此外，鸽子可以根据环境适应性地使用不同的提示。使用受鸽子启发的融合方法来组合来自不同传感技术（例如视觉和声音）的信息，将会显着改善传感系统。

（ii）深度学习在Wi-Fi感应中的应用：Sobron等。 [50，51]提出了一项关于在人类活动识别和人数计数中使用的不同机器学习模型的调查。他们还提供了一个新的数据集，用于在多个室内环境（例如房间，走廊和楼梯）中使用CSI测量计数应用程序的人数。该数据集可用于评估不同机器学习模型的性能。

深度学习在传感系统中的应用代表了一个有趣的研究方向，该研究仍处于起步阶段。深度学习是一个非常吸引人的选择，因为它可以适应现实环境中存在的现实缺陷。此外，它具有出色的提取有用特征的能力，然后将这些特征用于不同的分类任务中。尽管最近的一些工作显示出令人鼓舞的结果[189–195]，但仍有一些挑战需要更多的研究。必须进行进一步的研究以提出最适合传感系统的深度学习架构。神经网络的性能在很大程度上取决于所使用的体系结构。用于感测系统的当前架构非常简单，并且它们仅使用常规架构。另一个有希望的方向是将专家知识引入当前的深度学习架构。

5 结论

这项研究针对基于Wi-Fi的感应系统的不同应用进行了调查，例如老年人监控，活动分类，手势识别，通过墙感应，角落感应后的人数统计以及许多其他应用。还强调了现有作品的局限性以及许多有趣的未来研究方向。