近年来,随着普适计算概念的深入人心,智能感知技术已成为研究者们关注的焦点,且基于WiFi的非接触式感知因其优秀的普适性、低廉的部署成本以及良好的用户体验越来越受到学术界和工业界的青睐.典型的WiFi非接触式感知工作有手势识别、呼...近年来,随着普适计算概念的深入人心,智能感知技术已成为研究者们关注的焦点,且基于WiFi的非接触式感知因其优秀的普适性、低廉的部署成本以及良好的用户体验越来越受到学术界和工业界的青睐.典型的WiFi非接触式感知工作有手势识别、呼吸检测、入侵检测、行为识别等,这些工作若实际部署,需首先避免其他无关区域中无关行为的干扰,因此需要判断目标是否进入到特定的感知区域中.这意味着系统应具备精准判断目标在界线哪一侧的能力,然而现有工作未能找到一个可以对某个自由设定的边界进行精确监控的方法,这阻碍了WiFi感知应用的实际落地.基于这一关键问题,从电磁波衍射的物理本质出发,结合菲涅尔衍射模型(Fresnel diffraction model),找到一种目标穿越link(收发设备天线的连线)时的信号特征(Rayleigh distribution in Fresnel diffraction model,RFD),并揭示该信号特征与人体活动之间的数学关系;之后以link作为边界,结合天线间距带来的波形时延以及AGC(automatic gain control)在link被遮挡时的特征,通过越线检测实现对边界的监控.在此基础上,还实现了两个实际应用,即入侵检测系统和居家状态监测系统,前者的精确率超过89%、召回率超过91%,后者的准确率超过89%.在验证所提边界监控算法的可用性和鲁棒性的同时,也展示了所提方法与其他WiFi感知技术相结合的巨大潜力,为WiFi感知技术的实际部署提供了思考方向.展开更多
行走是日常生活中最常见的行为之一,它的特征可以反映人的身份、健康等重要信息.例如,行走的速度、方向、步数、步长等细粒度的参数可以为室内追踪、步态分析、老人看护等情境感知应用提供关键信息.因此,在近几年中,利用环境中已有的Wi...行走是日常生活中最常见的行为之一,它的特征可以反映人的身份、健康等重要信息.例如,行走的速度、方向、步数、步长等细粒度的参数可以为室内追踪、步态分析、老人看护等情境感知应用提供关键信息.因此,在近几年中,利用环境中已有的Wi-Fi信号对行走进行感知受到了研究人员的广泛关注.为了利用Wi-Fi信号感知行走,当前的方法都需要进行大量的行走数据采集,通过经验观察或者离线学习,提取信号特征来识别行走以及估计行走参数.由于缺乏理论指导,所提取信号特征较为间接且往往包含与环境和感知目标相关的冗余信息,所以当环境和感知目标发生变化时,系统需要重新进行学习,使其难以被应用于无线环境易变的真实场景中.不同于以往工作,首次在不需要任何预训练的情况下,利用环境中已有的Wi-Fi信号实现了在连续活动中对行走行为的精准识别,并且能够同时精确地估计行走的速度、方向、步数、步长等多维信息,为上层情境感知应用提供关键的上下文信息.特别地,通过分析人在行走过程中产生的多普勒效应和Wi-Fi信道状态信息(channel state information)之间的关系,建立基本的多普勒速度运动模型,揭示了行走行为和信道状态信息变化之间的理论关联.同时,基于该模型,通过多重信号分离(multiple signal classification)算法从信道状态信息中提取出了与环境和感知目标均无关、仅与人运动状态相关的信号特征——多普勒速度.最后,通过深入研究多普勒速度和人的行走真实速度之间的映射关系,提出了基于多普勒速度的行走识别与细粒度的行走参数估计方法,且经过在不同环境中、由不同实验者进行的大量实验也表明了行走识别和行走参数估计方法的准确性和鲁棒性.其中,对于行走识别的准确率达到了95.5%,行走速度大小估计的相对中位误差为12.2%,方向估计的中位误差为9°,步数统计的准确率达90%,步长估计的中位误差为0.12m.展开更多
文摘近年来,随着普适计算概念的深入人心,智能感知技术已成为研究者们关注的焦点,且基于WiFi的非接触式感知因其优秀的普适性、低廉的部署成本以及良好的用户体验越来越受到学术界和工业界的青睐.典型的WiFi非接触式感知工作有手势识别、呼吸检测、入侵检测、行为识别等,这些工作若实际部署,需首先避免其他无关区域中无关行为的干扰,因此需要判断目标是否进入到特定的感知区域中.这意味着系统应具备精准判断目标在界线哪一侧的能力,然而现有工作未能找到一个可以对某个自由设定的边界进行精确监控的方法,这阻碍了WiFi感知应用的实际落地.基于这一关键问题,从电磁波衍射的物理本质出发,结合菲涅尔衍射模型(Fresnel diffraction model),找到一种目标穿越link(收发设备天线的连线)时的信号特征(Rayleigh distribution in Fresnel diffraction model,RFD),并揭示该信号特征与人体活动之间的数学关系;之后以link作为边界,结合天线间距带来的波形时延以及AGC(automatic gain control)在link被遮挡时的特征,通过越线检测实现对边界的监控.在此基础上,还实现了两个实际应用,即入侵检测系统和居家状态监测系统,前者的精确率超过89%、召回率超过91%,后者的准确率超过89%.在验证所提边界监控算法的可用性和鲁棒性的同时,也展示了所提方法与其他WiFi感知技术相结合的巨大潜力,为WiFi感知技术的实际部署提供了思考方向.
文摘行走是日常生活中最常见的行为之一,它的特征可以反映人的身份、健康等重要信息.例如,行走的速度、方向、步数、步长等细粒度的参数可以为室内追踪、步态分析、老人看护等情境感知应用提供关键信息.因此,在近几年中,利用环境中已有的Wi-Fi信号对行走进行感知受到了研究人员的广泛关注.为了利用Wi-Fi信号感知行走,当前的方法都需要进行大量的行走数据采集,通过经验观察或者离线学习,提取信号特征来识别行走以及估计行走参数.由于缺乏理论指导,所提取信号特征较为间接且往往包含与环境和感知目标相关的冗余信息,所以当环境和感知目标发生变化时,系统需要重新进行学习,使其难以被应用于无线环境易变的真实场景中.不同于以往工作,首次在不需要任何预训练的情况下,利用环境中已有的Wi-Fi信号实现了在连续活动中对行走行为的精准识别,并且能够同时精确地估计行走的速度、方向、步数、步长等多维信息,为上层情境感知应用提供关键的上下文信息.特别地,通过分析人在行走过程中产生的多普勒效应和Wi-Fi信道状态信息(channel state information)之间的关系,建立基本的多普勒速度运动模型,揭示了行走行为和信道状态信息变化之间的理论关联.同时,基于该模型,通过多重信号分离(multiple signal classification)算法从信道状态信息中提取出了与环境和感知目标均无关、仅与人运动状态相关的信号特征——多普勒速度.最后,通过深入研究多普勒速度和人的行走真实速度之间的映射关系,提出了基于多普勒速度的行走识别与细粒度的行走参数估计方法,且经过在不同环境中、由不同实验者进行的大量实验也表明了行走识别和行走参数估计方法的准确性和鲁棒性.其中,对于行走识别的准确率达到了95.5%,行走速度大小估计的相对中位误差为12.2%,方向估计的中位误差为9°,步数统计的准确率达90%,步长估计的中位误差为0.12m.
