劉文遠，劉紫娟，王 林*，厲斌斌，3

（1.燕山大學信息科學與工程學院，河北秦皇島066004；2.河北省計算機虛擬技術與系統(tǒng)集成重點實驗室，河北秦皇島066004；3.燕山大學經(jīng)濟管理學院，河北秦皇島066004）

基于信道狀態(tài)信息子載波特征差分的人體移動檢測方法*

劉文遠1，2，劉紫娟1，王 林1*，厲斌斌1，3

（1.燕山大學信息科學與工程學院，河北秦皇島066004；2.河北省計算機虛擬技術與系統(tǒng)集成重點實驗室，河北秦皇島066004；3.燕山大學經(jīng)濟管理學院，河北秦皇島066004）

無線信號在室內(nèi)易受到多徑效應、小尺度衰落等影響，使得現(xiàn)有基于射頻信號的人體移動檢測方法無法保證緩慢行為識別的魯棒性和可靠性。該文通過分析人體行為與CSI子載波的相關性發(fā)現(xiàn)不同子載波對人體行為存在敏感差異性，進而提出基于離散小波變換的信道狀態(tài)信息子載波特征差分算法，設計設備無關的人體移動檢測。在多徑豐富和稀疏兩種室內(nèi)場景下的實驗結(jié)果表明，該方法對人體移動檢測的平均精度可達到93%。

信道狀態(tài)信息；子載波；特征差分；人體移動檢測；緩慢移動

人體移動檢測系統(tǒng) IDS（Intrusion Detection System）可分為面向信息系統(tǒng)和面向物理空間兩類。其中面向物理空間的IDS廣泛應用于樓宇監(jiān)控、文物保護、邊界檢測以及火災或地震中存活人員的檢測等。基于特定硬件設備的人體移動檢測方法已得到普遍應用，如加速度計、攝像頭［1-2］、壓力傳感器［3］、紅外傳感器等，這類方法易受到物理空間約束，不適合大規(guī)模廣泛部署。隨著WiFi廣泛部署，基于射頻信號的人體移動檢測方法得到研究人員的廣泛關注，在不影響WiFi網(wǎng)絡數(shù)據(jù)通信前提下，實現(xiàn)無需人體攜帶任何硬件設備的被動人體移動檢測［4］。近年來，WiFi信號分析成為設備無關被動式人體移動檢測的重要技術［5-7］，研究人員利用人體行為引起接收信號強度RSS（Received Signal Strength）的物理特征變化來判定入侵行為，但商業(yè)設備接收到的RSS具有很低的分辨率，且RSS穩(wěn)定性差，環(huán)境細微變化都會對其產(chǎn)生很大影響使得其存在較高的誤報率和漏報率［8-9］。由于RSSI僅表示接收數(shù)據(jù)包的多路信號混合能量信息，為獲取更細粒度的信息，人們把目光移向基于正交頻分復用（OFDM）的信道狀態(tài)信息CSI（Channel State Information）［10］。

CSI與RSS相比抗干擾能力強，對于不同的傳播環(huán)境可呈現(xiàn)不同的子載波幅值和相位特征，而對于相同的傳播環(huán)境整體結(jié)構(gòu)特征則可保持相對穩(wěn)定［10］。Xiao等人［11］提取CSI數(shù)據(jù)包相關系數(shù)矩陣最大特征值，

實現(xiàn)設備無關的室內(nèi)運動檢測系統(tǒng)FIMD，與基于RSS的RASID系統(tǒng)［6］相比，獲得了更高的檢測率。文獻［12-14］利用CSI指紋的方法來檢測人類行為和檢測方向，但是CSI指紋在動態(tài)環(huán)境中變化很大，特別是多人環(huán)境［15］，指紋信息無法精確的判定人的入侵行為。而且信號的采集和傳輸過程中，不可避免的會受到各種隨機噪聲、窄帶干擾等諸多因素的影響，引起突發(fā)脈沖、信號失真等［16］。WiHear［17］使用特殊的全向天線捕獲人類唇部運動對無線信號產(chǎn)生的影響來識別語言，但是WiHear沒有對CSI值進行有效的去噪，因此它必須使用特殊的定向天線來達到可接受的精度。常規(guī)的去噪方法如低通濾波器、均值濾波器等，當環(huán)境中個體移動緩慢時，檢測結(jié)果不明顯，會產(chǎn)生一定程度的誤報［18］。因此，如何從含各種噪聲信息的CSI中提取魯棒的特征獲得行為信息仍是一個亟待解決的問題。

本文首先通過無人時的靜態(tài)環(huán)境和有入侵時的動態(tài)環(huán)境中CSI單個子載波對同一行為敏感差異性的觀察，利用單個子載波時域和振幅信息構(gòu)造二維的CSI幀，然后基于幀差法思想提出基于離散小波變換的信道狀態(tài)信息子載波特征差分算法有效濾除背景噪聲，最后用移動方差閾值方法實現(xiàn)設備無關人體移動檢測方法DfID（Device-free Intrustion Detection）。在實驗室和大廳兩種典型室內(nèi)環(huán)境中的實驗結(jié)果顯示，DfID對入侵目標的平均檢測精度達93%以上，本文也在實驗室對多人環(huán)境進行實驗，實驗結(jié)果表明即使檢測環(huán)境中有3個正常工作的人員，系統(tǒng)檢測結(jié)果也在85%以上。

本文的主要貢獻是：第一，分析信道狀態(tài)信息子載波的敏感差異性；第二，提出基于離散小波變換的信道狀態(tài)信息子載波特征差分算法獲得人體移動信息；第三，通過建立方法模型，實現(xiàn)實時監(jiān)控，驗證了利用無線信號進行人體移動檢測的可行性并使用現(xiàn)有商業(yè)設備實施評估系統(tǒng)，實驗結(jié)果展示了方法的有效性。

1 人體移動檢測方法描述

1.1 CSI敏感性分析

對無線感知環(huán)境來說，無線信號可以通過感知環(huán)境，確定環(huán)境中是否有障礙物，以及利用無線感知環(huán)境來判斷視距和非視距［19］。當環(huán)境中有人運動時，人類行為對無線信號會產(chǎn)生影響，相當于一個運動的障礙物，不同人類行為對CSI產(chǎn)生不同的影響，如圖1所示。CSI對人類行為十分敏感，無人時的靜態(tài)環(huán)境和有行為發(fā)生時的動態(tài)環(huán)境CSI幅值變化很大。CSI數(shù)據(jù)流不僅隨行為而改變而且可以看出CSI數(shù)據(jù)流是相關的。對于任一天線對，在CSI數(shù)據(jù)流中子載波具有相似的“波峰”和“波谷”。

圖1 不同行為對CSI數(shù)據(jù)流的影響

圖2畫出了個體行為對獨立子載波的影響，通過實驗發(fā)現(xiàn)30#子載波與10#子載波相比變化更為敏感。在其他子載波中也存在這樣的現(xiàn)象，不同子載波對同一行為的敏感性不同。造成這一現(xiàn)象的原因是不同子載波對身體的不同部分敏感性不同。當環(huán)境中有行為發(fā)生時，一部分子載波可能對身體的胳膊敏感，一部分子載波可能對腿部的運動敏感，因此不同的子載波在同一行為發(fā)生時，可能包含不同信息。

圖2 不同子載波敏感性

CSI單一子載波對行為的敏感性不穩(wěn)定，隨時間動態(tài)變化。因為個體行為姿勢不同，入侵者不會保持一個相同的姿勢，姿勢改變會導致子載波對個體行為的敏感性改變。

通過以上分析發(fā)現(xiàn)：①CSI不同子載波具有相關性但是敏感性不同；②CSI不同子載波敏感性是動態(tài)變化的。因此，如何從時變的、獨立的子載波中提取個體行為信息實現(xiàn)人體移動檢測，需要詳細的設計。

1.2 模型的提出

人類行為不是唯一影響無線信號的因素，無線信號會受到各種隨機噪聲、窄帶干擾等諸多因素的影響。利用所有的子載波進行人體移動檢測不可取，因為一些子載波可能對噪聲更敏感，而遮蔽了個體行為對子載波的影響。選擇對個體行為敏感的子載波可以提高檢測精度，但是根據(jù)之前的發(fā)現(xiàn)，不同子載波對人體不同部位敏感性不同，而且子載波的敏感性會因環(huán)境微妙的變化而動態(tài)變化，因此提前選擇某些特定的子載波是不可行的。

從動態(tài)子載波中提取個體行為信息，面臨著從包含非個體行為信息的子載波中提取魯棒特征獲得個體行為信息的挑戰(zhàn)。為了解決這個挑戰(zhàn)，提出基于離散小波變換的CSI子載波特征差分的方法。離散小波變換將CSI序列分解為近似成分和細節(jié)成分。靜態(tài)環(huán)境與動態(tài)環(huán)境的背景相同，區(qū)別在于是否存在個體，因此將細節(jié)成分CSI序列轉(zhuǎn)換為CSI幀進行特征差分分析。

CSI幀由于噪聲一般表現(xiàn)為高頻信號，存在于細節(jié)信息中，為了降低突發(fā)噪聲的影響，首先采用閾值法去除噪聲，對小波分解出的高頻系數(shù)進行門限閥值量化處理。然后將細節(jié)成分CSI序列轉(zhuǎn)化為CSI幀，如圖3所示。用時間窗口T將CSI時域序列分為連續(xù)的時間段，每個子載波包含N個樣本，這樣，每幀圖像中包含M×N個像素，M是子載波的個數(shù)。每幀圖像中的Pm,n為m子載波tn時刻的CSI幅值。

圖3 CSI序列轉(zhuǎn)化為CSI幀

子載波特征分析人體移動檢測需要一個與功率無關，與CSI變化有關的一個特征，因為無線設備發(fā)送功率參數(shù)在不同場景中會自適應變化。由圖1可以看出，動態(tài)環(huán)境的CSI幅值變化比靜態(tài)環(huán)境大，基于以上的觀察，發(fā)現(xiàn)幅值是一個很好地衡量是否存在個體的指標，但是幅值的變化不能直接用來檢測行為，因為幅值的變化依賴于發(fā)送功率，因此在不同場景不能很好地區(qū)分靜態(tài)環(huán)境和動態(tài)環(huán)境。

人體移動檢測需要提取一個特征，不僅能夠自動、精確地區(qū)分靜態(tài)環(huán)境和動態(tài)環(huán)境，而且無論視距、非視距，在多種環(huán)境下均可以有效區(qū)分靜態(tài)環(huán)境和動態(tài)環(huán)境，且保證算法快速收斂。

建立特征分布模型圖1顯示靜態(tài)時無人環(huán)境與個體移動時動態(tài)環(huán)境對CSI幅值有一定影響，無人時CSI幅值平穩(wěn)，個體存在時CSI幅值波動比較大。因此，本文采用方差對CSI幀特征進行建模，方差描述了像素P的離散程度，對個體移動敏感，能很好地分辨靜態(tài)環(huán)境和動態(tài)環(huán)境。

對CSI幀計算滑動窗口ω內(nèi)幅值的方差，計算公式為式（1）：

子載波特征差分特征差分d由式（2）計算得出：

對兩個相鄰滑動窗口ω和ω-1的所有子載波進行差分分析，其中最大值為特征差分。隨著滑動窗口的移動，將會得到一個一行n/ω列的矩陣Y，如式（3）所示。

1.3 算法的提出

無源被動式檢測一般采用兩種方法：聚類和基于閾值的方法。前者將收集到的CSI數(shù)據(jù)分為若干個簇，然后通過比較各聚類中心的距離來區(qū)分不同的狀態(tài)（存在或不存在個體）。后者根據(jù)部分預收集的數(shù)據(jù)尋求一個一般的閾值，根據(jù)預設的閾值進行狀態(tài)識別。雖然聚類的方法避免了環(huán)境校準和閾值訓練，但是至少要求兩種狀態(tài)，否則一個集群或者幾個集群對應一個狀態(tài)，導致假陽性和假陰性。因此本文采用聚類方法建模，采用閾值方法檢測入侵行為。

對靜態(tài)環(huán)境建立背景模型后，CSI文件會因無線設備位置移動、時間推移等周圍環(huán)境微妙變化而改變，因此DfID需要自適應更新CSI文件。DfID采用支持向量機［20］對不同場景采用半監(jiān)督的方法進行聚類，對收集到的CSI文件標記靜態(tài)環(huán)境和動態(tài)環(huán)境，將相同類型的CSI測量值聚在一起，一旦文件被檢測到發(fā)生了重大改變，根據(jù)用戶反饋來自適應更新。當系統(tǒng)啟動沒有任何CSI文件時，也可用此方法構(gòu)建模型。

個體入侵改變信號傳播路徑，即使個體緩慢移動，個體狀態(tài)的自相似總是遠遠小于靜態(tài)動態(tài)環(huán)境的差異，這奠定了個體檢測的基礎［19］。將矩陣Y作為輸入，應用移動方差閾值法，表示為式（4）：

滑動窗口大小為m，檢測閾值為θ，對窗口m內(nèi)的數(shù)據(jù)計算方差，若方差大于θ說明存在個體，判定為入侵。反之，環(huán)境中無人，繼續(xù)進行監(jiān)督。θ值選取太大，會造成漏報，太小容易造成誤報，根據(jù)經(jīng)驗確定預校準閾值為2，預校準閾值適應各種場景包括不同傳播距離、信號衰減、不同個體入侵姿勢等。

2 實驗評估

2.1 實驗環(huán)境

本文使用CISCO WRVS4400N無線路由作為AP發(fā)送數(shù)據(jù)，Intel 5300 NICs作為MP接收數(shù)據(jù)。為評估DfID的可擴展性，實驗分別在兩種典型室內(nèi)環(huán)境中進行：實驗室環(huán)境和大廳。首先在實驗室典型多徑室內(nèi)環(huán)境中進行實驗，如圖4（a）所示，實驗室長為8.2 m，寬為7.4 m，布置有電腦、桌子、椅子等辦公設備，是一個典型的多徑環(huán)境。AP和MP的位置如圖中位置所示，分別在靜態(tài)和動態(tài)兩個環(huán)境下采集CSI，本實驗設計為志愿者在室內(nèi)緩慢移動。其次在多徑相對比較少的空曠的大廳進行實驗，大廳長為13.8 m，寬為6 m。在這個環(huán)境中，AP和MP分別位于大廳的兩端，如圖4（b）所示。

圖4 實驗環(huán)境

本文使用假陽性、假陰性和檢測率分析檢測性能。①假陽性FP（False Positive），即實際環(huán)境中沒有人的靜態(tài)環(huán)境，系統(tǒng)誤判為有人情況，即誤報；②假陰性FN（False Negative），即實際環(huán)境中有人，系統(tǒng)誤判為無人靜態(tài)環(huán)境，即漏報；③檢測率DR（Detection Rate）指當有入侵行為發(fā)生時，做出正確判斷的概率，可用如下式（5）表示：

其中，TP指正確檢測到入侵行為。

為了評估本方法的有效性和正確性，本文對DfID和FIMD［11］在上述兩個實驗場景中進行對比實驗，實驗結(jié)果如圖5和圖6所示。

圖5 單人檢測率對比

圖6 多人檢測率對比

當單人入侵時，兩個實驗場景中DfID具有更高的檢測精度，檢測精度在93%以上。FIMD具有較低的檢測精度，主要原因在于當環(huán)境中人移動速度極其緩慢時，會造成一定程度的誤報、漏報。本文也在相同環(huán)境不同場景下進行試驗，實驗結(jié)果表明即使檢測環(huán)境中有3個正常工作的人員，DfID的檢測結(jié)果也在85%以上，如圖6所示。

2.2 不同參數(shù)的檢測性能

閾值θ的設定閾值θ是人體移動檢測的判定值，閾值的選取直接影響檢測性能，為了尋找合適的閾值，本文將θ從0到5依次取值，并對不同θ下檢測性能做了評估，如圖7所示。θ值取0時，容易造成誤報，即假陽性比較高；θ值選取太大，會造成漏報，即假陰性比較高。從圖中觀察，θ值取2時，假陽性和假陰性都比較低，是最優(yōu)的值。

圖7 閾值選取

滑動窗口對檢測性能的影響滑動窗口越大，系統(tǒng)檢測性能越好。圖8表示當人在實驗室環(huán)境行走時不同窗口大小的平均檢測率，窗口越大，實驗檢測結(jié)果越靈敏；另一方面，窗口太小時，當人緩慢移動系統(tǒng)不易檢測到人的存在，降低系統(tǒng)的檢測率，不容易區(qū)分靜態(tài)環(huán)境和動態(tài)環(huán)境。本文與其他兩個系統(tǒng)作比較，發(fā)現(xiàn)檢測率隨窗口增大逐漸上升。但是這一趨勢并非一成不變，當滑動窗口大小超過某一閾值時，緩慢移動引起的CSI幅值波動相對穩(wěn)定，窗口太大反而不易區(qū)分靜態(tài)動態(tài)環(huán)境，且易造成較大時延，使檢測率上升趨勢逆轉(zhuǎn)。

圖8 滑動窗口大小與檢測率的關系

不同數(shù)據(jù)流個數(shù)對檢測性能的影響無線信號在室內(nèi)直線傳播，會在地板、天花板、墻壁、設備等地方發(fā)生折射、反射等。當個體入侵時改變無線信號的傳播路徑，由于每對天線對的數(shù)據(jù)流經(jīng)過的路徑不同，所以人的移動對不同數(shù)據(jù)流的影響程度有區(qū)別。因此多數(shù)據(jù)流聯(lián)合檢測可以提高系統(tǒng)檢測率，在一定范圍內(nèi)數(shù)據(jù)流個數(shù)越多，系統(tǒng)檢測性能越好。圖9說明了不同數(shù)據(jù)流情況下的平均假陽性、假陰性大小。隨著數(shù)據(jù)流個數(shù)的增加，假陽性、假陰性有所下降。當數(shù)據(jù)流個數(shù)達到4后，性能有一個小的提升。假陽性、假陰性的變化是由于不同的天線具有不同的多徑效應，不同天線接收端接受的數(shù)據(jù)包不同，因此為了降低算法復雜度且保證檢測精度，選擇4個數(shù)據(jù)流最佳。

圖9 不同數(shù)據(jù)流個數(shù)對系統(tǒng)性能的影響

小波分解不同層次對檢測性能的影響小波分解不同層次對得到的近似信號和細節(jié)信號影響很大，隨著分解尺度的不斷增加，高頻信息包含的細節(jié)越來越多，而近似信號中包含的個體行為高頻信息越來越少，本文對近似信號和細節(jié)信號進行分析，檢測結(jié)果如圖10所示。

圖10 不同分解層次的檢測率

入侵位置對檢測性能的影響研究發(fā)現(xiàn)發(fā)送端與接收端視線傳播路徑發(fā)生人體移動行為時，系統(tǒng)性能最優(yōu)。以AP-MP視線傳播路徑為中心，隨著入侵點位置到AP-MP視線傳播距離的增大系統(tǒng)檢測率下降。檢測結(jié)果如圖11所示?？梢郧宄吹诫S著距離的增大，三種檢測系統(tǒng)的檢測率都有所下降，因為視線傳播路徑上，個體行為引起的信號多徑效應的改變更明顯。同時可以發(fā)現(xiàn)，DfID系統(tǒng)性能優(yōu)于其他兩個系統(tǒng)，因為FIMD采用滑動窗口濾除異常值后對數(shù)據(jù)進行融合，當人緩慢入侵距離AP-MP直線傳播路徑較遠時，檢測結(jié)果不明顯，RASID系統(tǒng)的檢測率只有20%左右，這主要由于RSS本身不穩(wěn)定，人的移動引起的RSS變化被它本身的變化隱藏。

圖11 不同距離的檢測率

動態(tài)速度對檢測性能的影響運動速度對系統(tǒng)性能有著很大的影響，速度越快，對CSI的影響越大。如圖12所示，為入侵者分別以快速、中速、慢速進入監(jiān)控區(qū)域時DfID、FIMD和RASID檢測性能對比。當人體移動速度緩慢時，F(xiàn)IMD和RASID系統(tǒng)性能都有所下降，但DfID檢測性能幾乎沒有改變。當人體快速移動時，CSI更為敏感。

圖12 不同速度的檢測率

3 結(jié)論

針對室內(nèi)人體移動檢測魯棒性問題，相比傳統(tǒng)接收信號強度，物理層信道狀態(tài)信息細粒度地描述了人體行為對無線信號多徑傳播的影響。CSI子載波具有一定相關性但對同一行為感知存在差異性，通過對靜態(tài)環(huán)境和動態(tài)環(huán)境CSI子載波的分析，提出了一種有效的基于離散小波變換的信道狀態(tài)信息子載波特征差分算法，從含各種信息的CSI中提取特征獲得個體行為信息，實現(xiàn)魯棒性更高的人體移動檢測。

［1］Aggarwal J K，Ryoo M S.Human Activity Analysis：A Review［J］.ACM Computing Surveys（CSUR），2011，43（3）：16.Luhandjula T，Djouani K，Hamam Y，et al.A Visual Hand Motion Detection Algorithm for Wheelchair Motion［M］//Human-Computer Systems Interaction：Backgrounds and Applications 2.Springer Berlin Heidelberg，2012：433-452.

［2］Rangarajan S，Kidane A，Qian G，et al.The Design of a Pressure Sensing Floor for Movement-Based Human Computer Interaction［M］//Smart Sensing and Context.Springer Berlin Heidelberg，2007：46-61.

［3］Youssef M，Mah M，Agrawala A.Challenges：Device-Free Passive Localization for Wireless Environments［C］//Proceedings of the 13th Annual ACM International Conference on Mobile Computing and Networking.ACM，2007：222-229.

［4］Yang J，Ge Y，Xiong H，et al.Performing Joint Learning for Passive Intrusion Detection in Pervasive Wireless Environments［C］//INFOCOM，2010 Proceedings IEEE.IEEE，2010：1-9.

［5］Kosba A E，Saeed A，Youssef M.Rasid：A Robust Wlan Device-Free Passive Motion Detection System［C］//Pervasive Computing and Communications（PerCom），2012 IEEE International Conference on.IEEE，2012：180-189.

［6］Zhang Dian，Liu Yunhuai，Guo Xiaonan，et al.Rass：A Real-Time，Accurate，and Scalable System for Tracking Transceiver-Free Objects［J］.IEEE Transactions on Parallel and Distributed Systems，2013，24（5）：996-1008.

［7］朱海，肖甫，孫力娟，等.基于信道狀態(tài)信息的WiFi環(huán)境感知技術［J］.南京郵電大學學報（自然科學版），2016，36（1）：94-103.

［8］吳哲夫，周言.基于信道狀態(tài)信息的無源被動定位［J］.傳感技術學報，2015，28（5）：677-683.

［9］楊崢，劉云浩.WIFI雷達：從RSSI到CSI［J］.中國計算機協(xié)會通訊，2014，11（10）：55-59.

［10］Xiao Jiang，Wu Kaisun，Yi Youwei，et al.FIMD：Fine-Grained Device-Free Motion Detection［C］//Parallel and Distributed Systems（ICPADS），2012 IEEE 18th International Conference on.IEEE，2012：229-235.

［11］Zhou Zimu，Yang Zheng，Wu Chenshu，et al.Towards Omnidirectional Passive Human Detection［C］//INFOCOM，2013 Proceedings IEEE，2013：3057-3065.

［12］Heba Abdel-Nasser，Reham Samir，Ibrahim Sabek，et al.MonoPHY：Mono-Stream-Based Device-free WLAN Localization via Physical Layer Information［C］//Wireless Communications and Networking Conference（WCNC）.2013.

［13］I Sabek，M Youssef.MonoStream：A Minimal-Hardware High Accuracy Device-Free WLAN Localization System［C］//arXiv：1308.0768.Sen S，Choudhury R R，Radunovic B，et al.Precise Indoor Localization Using PHY Layer Information［C］//Proceedings of the 10th ACM Workshop on Hot Topics in Networks.ACM，2011：18.

［14］Wang Wei，Liu A X，Shahzad M，et al.Understanding and Modeling of WiFi Signal Based Human Activity Recognition［C］//Proceedings of the 21st Annual International Conference on Mobile Computing and Networking.ACM，2015：65-76.Wang Guanhua，Zou Yongpan，Zhou Zimu，et al.We Can Hear You with Wi-Fi!［C］//Proceedings of the 20th Annual International Conference on Mobile Computing and Networking.ACM，2014：593-604.

［15］Liu Wenyuan，Gao Xi，Wang Lin，et al.Bfp：Behavior-Free Passive Motion Detection Using PHY Information［J］.Wireless Per sonal Communications，2015，83（2）：1-21.

［16］Zhou Zimu，Yang Zheng，Wu Chenshu，et al.Lifi：Line-of-Sight Identification with WiFi.［C］//INFOCOM，2014Proceedings IEEE.IEEE，2014：2688-2696.

［17］Qian Kun，Wu Chenshu，Yang Zheng，et al.PADS：Passive Detection of Moving Targets with Dynamic Speed Using PHY Layer Information［C］//Parallel and Distributed Systems（ICPADS），2014 20th IEEE International Conference on.IEEE，2014：1-8.

劉文遠（1968-）男，博士，教授，博士生導師，研究方向為移動計算、網(wǎng)絡安全、無線局域網(wǎng)、無線傳感器網(wǎng)絡。分別于1991年和1993年在東北重型機械學院獲得計算機應用技術學士和碩士學位，2000年于哈爾濱工業(yè)大學獲得計算機科學與技術博士學位。自1996年起在燕山大學信息科學與工程學院任教。CCF、IEEE和ACM會員；

劉紫娟（1991-）女，燕山大學信息科學與工程學院碩士研究生，主要研究方向為無線傳感網(wǎng)絡；

王 林（1981-）男，博士，副教授，碩士生導師，主要研究方向為網(wǎng)絡感知、移動計算、軌跡數(shù)據(jù)挖掘。CCF、IEEE和ACM會員，wlin@yse.edu.cn。

Human Movement Detection Method Based on Subcarrier Characteristic Difference with Channel State Information

LIU Wenyuan1，2，LIU Zijuan1，WANG Lin1*，LI Binbin1，3
（1.School of Information Science and Engineering，Yanshan University，Qinhuangdao Hebei066004，China；2.The Key Laboratory for Computer Virtual Technology and System Integration of HeBei Province，Qinhuangdao Hebei066004，China；3.School of Economics and Management，Yanshan University，Qinhuangdao Hebei066004，China）

Wireless signal can be easily affected by multipath effects and small scale fading in the room，which makes the existing human movement detection methods based on radio frequency signals can not guarantee the robustness and reliability of the slow movement behavior recognition.This paper finds that different subcarriers have sensitive difference to human behavior by analyzing the correlation between human behavior and CSI subcarrier.Then the channel state information subcarrier characteristic difference algorithm based on the discrete wavelet transform is proposed，and the device-free human movement detection is designed.The experimental results show that the average detection accuracy of this method can reach 93%in two kinds of indoor scenes with rich and sparse multipath.

channel state information；subcarrier；characteristic difference；human movement detection；slow movement；

TP391

A

1004-1699（2016）12-1839-07

??7230

10.3969/j.issn.1004-1699.2016.12.010

項目來源：國家自然科學基金項目（61272466，61303233，61672448）；河北省自然科學基金項目（F2014203062，F(xiàn)2016203176）；河北省留學人員擇優(yōu)項目（CL201625）；燕山大學基礎研究專項課題青年項目（16LGA009）

2016-05-18修改日期：2016-06-07