0 引 言

基于CSI(channel state information)技术的无线感知系统主要利用无线信号的OFDM特性，典型的系统如TD-LTE、WIFI的物理层技术。OFDM技术在频域将整个信道分为多个正交的子载波。技术上可以通过对不同子载波的信道信息的捕获，对整个链路的状况进行估计和预测。当收发信机之间存在遮挡时，将对多个子载波的信号产生不同影响。如果收发信机之间有活动物体，该物体的动作变化对无线信道的影响呈现一致性的特征，即收发信机之间人体的肢体动作对应的子载波信号变化呈现明显的特征。反映到子载波信号的变化上，主要影响无线信号的振幅、相位、信号强度。目前在智能家居、健康看护以及入侵检测等领域运用无线信号这一新技术是目前市场上一个不错的潜在方向。以前比较成熟的技术是运用摄像头[1]等设备，但摄像头存在一些致命的缺陷，比如要在光线良好的情况下才能发挥摄像头的作用，还有摄像头会存在侵犯隐私的问题，在一些私密的场所使用摄像头是不被允许的。

(2)合适的考评激励机制。学校现有的管理制度中，将教师指导大学项目获得结题纳入了实践工作量计算，互联网+、获奖的学科竞赛有获奖奖励，但更多的其他创新创业教育则没有纳入教师的报酬和工作量计算之中，学校应进一步和一线教师进行交流，了解现有师资对专创一体化的投入情况、开展进行、观念等，制定清晰的投入回报与工作量计算标准。对于在创新创业教研、实践方面有突出表现的教师(团队)给予适当的物质、精神奖励，激发教师开展创新创业教育的积极性。

近年来可穿戴式传感器比较热门[2]，但是并不是所有人都喜欢或者愿意佩戴，这也是该技术从本质上不能解决的问题。而无线感知技术在达到相同灵敏度条件下的价格和部署成本更低，探测范围更广，同时受到温度、光线等环境因素的影响更低。无线信号具有一定的穿透能力，可以在肉眼看不到的地方(如墙壁后面)对目标区域进行探测与感知，具备其他感知设备无法拥有的独特优势。虽然无线信号的优势很大，但其中夹杂的环境噪声也影响了它的使用，会导致行为识别不准确、定位不正确等问题，所以要对无线信号进行去噪预处理。传统去噪方法如均值滤波，低通滤波等在去除CSI信息噪声中表现不佳，残留噪声过多，影响识别系统的准确度。对此，文中在低通和均值滤波去噪的基础上提出一种基于特征提取的主成分分析方法，以提升去噪效果，获取更为明显的动作特征。

1 无线信号行为识别技术

运用无线信号进行人为识别和定位的相关技术分为两类，基于接受信号强度指示(received signal strength indicator，RSSI)[3]的和基于CSI[4-5]的。

1.1 基于RSSI

RSSI的强弱在一定程度上反映了信道质量的好坏，可将获取到的RSSI信息代入无线信号传播模型以估算信号传播距离，从而实现无线监测和定位的功能[6-7]。基于RSSI的人类活动识别系统利用人类活动引起的信号强度变化[8]，该方法只能做粗粒度的人类活动识别，精度低，因为商业设备所提供的RSSI值具有非常低的分辨率。RSSI只反映了多径叠加的总幅度，也即RSSI测量的是信号多径传播的叠加效果，并不能逐一区分多条信号传播路径。为了刻画多径传播，引入了RSSI的升级版本CSI。

4.2 加强福山大樱桃的物流设施建设 福山大樱桃的物流基础设施是支持福山大樱桃发展的基础，福山目前物流基础设施相对比较薄弱，在城市化建设中迫切需要加强物流基础设施建设，以及福山大樱桃物流供应链规划和整合。富山大樱桃物流供应链的瓶颈问题需要充分解决。由于福山大樱桃物流规模化水平不高，推进福山大批发市场和福山大樱桃的建设的一个重要突破点是福山物流管理水平，即从一个宏观的合理角度来进行规划和布局。另外，必须继续加大对农村基础交通设施的建设力度，尤其是加强农村公路的建设和重要的农业产业基地，同时积极引进先进收割装置和产品设备设施，改善福山大樱桃冷的链运输比例[8]。

1.2 基于CSI

CSI值在许多商业设备如英特尔5300和Atheros 9390网络接口卡(NIC)是可以获得的。最近CSI已用于人类活动识别以及室内定位，如文献[9-10]中使用CSI来检测环境中人是否存在，也就是入侵检测，还有E-eyes[11]和WiHear[12]这些行为识别系统。理论支撑就是上文提及的不同行为的无线信号会产生不同的多径失真，从而反映在不同的子载波上。无线网卡会连续监测无线信道形成CSI，CSI就是信道的频率响应的采样。令x(f,t)和y(f,t)分别是发送和接收信号的频域表示，它们的关系如下所示：

其中，P1表示滤除第一次要成分的变换矩阵，所以在Hz{1:P}的基础上再进行次要成分的滤除就使用变换矩阵P2，此次连续进行了四次成分的选择，结果如图4所示。

(1)

CSI中的噪声分为内部噪声和外部噪声。商用WiFi设备提供的无线信号非常嘈杂。CSI内部噪声的一个主要来源是在发送端和接收端的WiFi网卡，如功率变化的内部状态转换，传输速率自适应，以及内部的CSI参考水平的变化。这些内部状态转换导致高振幅脉冲和突发噪声。这些脉冲和突发噪声的一个有趣的特点是它们的效果是高度相关的所有CSI信息，即它们对所有CSI的影响是相同的。例如，如果发送者WiFi网卡提高0.5 dB以上的传输功率，所有CSI信息都会增加0.5 dB功率，所以不关心内部噪声的影响。而外部噪声主要来源于传输环境，这些是不可控的，必须通过相应的去噪算法使之减少。

主成分分析方法是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可以用于提取数据的主特征分量，常用于数据降维，还附带有去噪的效果。文献[11-12]中就运用PCA算法对数据进行降维，以减少运算量。

2 CSI信号去噪模型

2.1 系统框图

由于人的运动引起的变化的频率位于频谱的低频端，而噪声的频率位于频谱的高频端，为了消除这种情况下的噪声，选择巴特沃斯低通滤波器。它不会对信号的相位信息造成失真，并在通带中具有最大平坦的振幅响应，从而不会给人体运动信号带来很大的改变。图2(c)是经过低通滤波得到的子载波振幅的波形。

 

图1 系统框图

原始CSI信息用Zt表示，使用式2删除Zt中的第一个次要成分。根据观察可知，第一次要成分包含大部分噪声，PCA次要成分的去除不会导致任何运动信息损失，其余的PCA主成分仍然包含足够的信息，足以成功完成人类活动识别和定位。

2.2 CSI中的噪声

其中，Ni表示噪声；h(f,t)表示在时间t测量的载波频率f的信道频率响应(CFR)。

2.3 均值滤波

均值滤波是一种典型的图像处理算法，能够有效滤除图像中的加性噪声。把CSI的幅值当作像素，选择合适的模板尺寸。图2(a)是一个先蹲下后站立的行为的未经滤波的子载波波形，图2(b)是经过平均滤波器所得的波形。利用均值滤波方法，波形变得很平滑，滤除了大部分的干扰噪声。

2.4 低通滤波

系统框图如图1所示。

  

图2 低通滤波子载波振幅

虽然这个过程有助于去除一些高频噪声和加性噪声，但噪声并没有完全消除。因为巴特沃斯滤波器有稍慢的下降增益的阻带。虽然严格的低通滤波可以进一步去除噪声，但是它会导致有用的信息丢失。要从嘈杂的CSI时间序列中提取有用的信号，而由于人类运动的变化引起的CSI中所有子载波的变化是一致的，并且对于最后提取到的特征来说，所需要的特征信息或者数据肯定是质量越高越好，所以结合上面的分析发现，在这一步中运用主成分分析方法是很自然的。

①感兴趣区域小于病灶大小的两倍时,超声弹性成像评分为(1.28±0.81)分;②感兴趣区域大于等于病灶大小两倍时,超声弹性成像评分为(2.83±1.68)分。两种不同检查方式所得到的超声弹性成像评分有明显差异,P<0.05。

2.5 主成分分析方法提取行为特征

CSI测量的是运行在802.11协议下的30个子载波的信息，是在某个时刻对信道状态信息的频率响应的采样，所以在一段时间内得到的是一系列的相同维度的采样值，维度为Nt*Nr*30。其中Nt表示发送端的天线数，比如路由器的天线根数，Nr表示接受端的天线数，比如无线网卡的天线根数。

图3是同一个动作在同一时刻下的四个不同子载波波形，从图中可以得出人类运动的变化引起的CSI中所有子载波的变化是一致的结论。在文献[13-14]中就利用这种相关性进行人类活动的识别。通过计算所有CSI时间序列的主要组成部分，然后选择那些代表变化之间的所有CSI时间序列的主要组成部分，称之为主成分分析。

  

图3 子载波之间的相关性

首先对CSI原始数据分别进行均值滤波或低通滤波。这两个过滤器的主要目的是去除一些加性噪声和高频噪声。滤波完成后，用主成分分析法(PCA)对数据进行处理。根据所提取的特征，通过使用人类活动识别算法，如动态时间规整(DTW)或经验模态分解(EMD)等识别具体的行为。

Hz{1:P}=Zt*P1

(2)

y(f,t)=x(f,t)*h(f,t)+Ni

  

图4 四轮PCA结果

3 实验仿真及结果

仿真平台采用Matlab2013，在对原始CSI数据利用均值和低通滤波滤除大部分的加性噪声和高频噪声后使用PCA算法，PCA对Nt*Nr的30个子载波进行降维，也就是在不减少人的行为特征的基础上减少子载波的数量，以达到减少运算量和去噪的目的，也就是使行为特征变得更加明显，有利于识别和定位。识别和定位的准确率来源于干扰噪声的消除和明显动作特征的有效提取，在此基础上才能使准确率达到一定的高度。相比文献[15]中基于信号强度的室内定位来说，基于CSI的准确率更高。

实验环境是一个20平米的房间，无线信号的发送端是家用TP-LINK路由器，接收端是内含Intel5300网卡的笔记本电脑，实验活动均由一个人发起，没有其他人为干扰。呈现的是其中两种动作，挥手和跳跃，发出这两组动作的同时没有产生其他动作。图5和图6中的图(a)是10个子载波的CSI原始波形，(b)和(c)是经过均值和低通滤波后的去噪效果图，而经过四层PCA算法得到的动作特征主成分呈现在(d)中。

旁白是对正文内容的补充、说明和解释，也是沟通教材与生活之间的桥梁.教材编写者应加大对旁白的开发利用，既包括本节课内容的学习提示与建议，有利于学生对知识的掌握；又有网络链接等联系实际生活的资源，使数学知识的呈现生活化，让学生在丰富现实的背景中感受数学与生活的联系，从而拓宽学生的视野.

3.1.2 后续的可扩充性与可移植性原则 系统的设计采取模块化的结构设计，其特点是各模块的独立性较强，便于系统的改进、扩充和移植，有利于系统不断完善。

  

图5 实验结果-挥手

  

图6 实验结果-跳跃

4 结束语

文中利用传统图像处理中的均值和低通滤波算法来降低无线信号的噪声，并分析它们之间的差异，有效去除环境中的加性噪声，抑制高频分量的噪声。通过经典的数据分析方法(PCA)提取动作特征，降低了CSI信息的维度，并消除了不相关的噪声，得到了较明显的动作特征。实验结果表明，经过以上步骤的CSI得到的特征可以大大提高人类活动识别算法的准确性。后续可以运用DTW或者EMD等算法对提取到的动作特征进行识别，这也是下一步的研究方向。

“政担银企户”互动扶贫试点通过构建“财政增效、农担增信、银行增贷、企业增利、农户增收”的互惠互利机制，把脱贫攻坚相关各方有机联系起来，变“输血”扶贫为“造血”扶贫，转变了财政支农新方式，壮大了产业发展生力军，开辟了脱贫攻坚新渠道。

参考文献：

[1] AGGARWAL J K,RYOO M S.Human activity analysis:a review[J].ACM Computing Surveys,2011,43(3):1-43.

[2] ERTIN E,STOHS N,KUMAR S,et al.AutoSense:unobtrusively wearable sensor suite for inferring the onset,causality,and consequences of stress in the field[C]//Proceedings of the 9th ACM conference on embedded networked sensor systems.New York,NY,USA:ACM,2011.

[3] 陈 姣.基于RSSI测距的WiFi室内定位技术研究[D].绵阳:西南科技大学,2015.

[4] JIANG Zhiping,XI Wei,LI Xiangyang,et al.通信既众包:带有基于CSI测速功能的Wi-Fi室内定位系统[J].Journal of Computer Science and Technology,2014,29(4):589-604.

[5] 王 凯.基于CSI测距的轻量级指纹室内定位技术研究[D].西安:西安电子科技大学,2014.

[6] 张明华,张申生,曹 健.无线局域网中基于信号强度的室内定位[J].计算机科学,2007,34(6):68-71.

[7] 董 梅,杨 曾,张 健,等.基于信号强度的无线局域网定位技术[J].计算机应用,2004,24(12):49-52.

[8] SIGG S,SHI S,BUESCHING F,et al.Leveraging RF-channel fluctuation for activity recognition:active and passive systems,continuous and RSSI-based signal features[C]//Proceedings of international conference on advances in mobile computing & multimedia.New York,NY,USA:ACM,2013:43.

[9] YANG Z,ZHOU Z,LIU Y.From RSSI to CSI:indoor localization via channel response[J].ACM Computing Surveys,2013,46(2):1-32.

[10] ZHOU Z,YANG Z,WU C,et al.Towards omnidirectional passive human detection[C]//Proceedings of IEEE.[s.l.]:IEEE,2013:3057-3065.

[11] WANG Y,LIU J,CHEN Y,et al.E-eyes:device-free location-oriented activity identification using fine-grained WiFi signatures[C]//Proceedings of the 20th annual international conference on Mobile computing and networking.New York,NY,USA:ACM,2014:617-628.

[12] WANG G,ZOU Y,ZHOU Z,et al.We can hear you with Wi-Fi![C]//Proceedings of the 20th annual international conference on Mobile computing and networking.New York,NY,USA:ACM,2014:593-604.

[13] ALI K,LIU A X,WANG W,et al.Keystroke recognition using WiFi signals[C]//Proceedings of the 21th annual international conference on Mobile computing and networking.New York,NY,USA:ACM,2015:90-102.

[14] 魏洪兴,王晓晖,王田苗.基于信号强度的无线局域网匹配定位算法[J].计算机工程,2008,34(19):107-108.

[15] 王 艳,印国成,孙茂圣.移动情景感知环境下的WI-FI室内定位技术及其实现[J].电脑与电信,2016(Z1):35-38.