丁曉慧，周 磊

（淮北理工學(xué)院，安徽 淮北 235000）

隨著室內(nèi)安全受重視程度不斷提高，室內(nèi)安防設(shè)備爆發(fā)式增長(zhǎng)，目前室內(nèi)防入侵檢測(cè)設(shè)備存在安裝成本較高、用戶隱私泄露、隱蔽性等問題。隨著通信感知一體化技術(shù)的發(fā)展，眾多學(xué)者展開了Wi-Fi 感知功能的研究[1]。使用Wi-Fi 信道狀態(tài)信息（Channel State Information，CSI）作為信號(hào)源的智能入侵檢測(cè)系統(tǒng)很好地規(guī)避了當(dāng)前安防設(shè)備的缺點(diǎn)。當(dāng)前，Wi-Fi 的動(dòng)作識(shí)別方法主要有3 類：利用信號(hào)特征分類方法[2]、利用機(jī)器學(xué)習(xí)的方法[3]、利用神經(jīng)網(wǎng)絡(luò)的方法[4]?，F(xiàn)有的方法大多針對(duì)某一種方法進(jìn)行優(yōu)化，通過改進(jìn)算法提升動(dòng)作識(shí)別準(zhǔn)確度，但只針對(duì)單方面的優(yōu)化往往僅能帶來較少的提升效果。對(duì)此，提出了一種新的動(dòng)作識(shí)別方法，首先，將收集的CSI 數(shù)據(jù)進(jìn)行BVP[5]變換，隨后，對(duì)得到的BVP 數(shù)據(jù)進(jìn)一步處理，得到用于作為輸入的動(dòng)作源數(shù)據(jù)，然后，創(chuàng)新性引入3D-CNN（3D Convolutional Neural Network）深度神經(jīng)網(wǎng)絡(luò)模型[6]，改進(jìn)神經(jīng)網(wǎng)絡(luò)，更加充分提取動(dòng)作源數(shù)據(jù)的特征，提升檢測(cè)精度。實(shí)驗(yàn)表明，該方法較現(xiàn)有的Wi-Fi 動(dòng)作識(shí)別方法具有更高的檢測(cè)精度。

1 Wi-Fi 動(dòng)作識(shí)別

Wi-Fi 動(dòng)作識(shí)別是指以無線路由器為信號(hào)源，通過檢測(cè)由人體運(yùn)動(dòng)引發(fā)的CSI 信號(hào)變化，從而對(duì)人體動(dòng)作進(jìn)行識(shí)別的一種新型感知方法。如圖1 所示，由于人體的電磁特性，處于室內(nèi)Wi-Fi 環(huán)境下，人體會(huì)反射無線電信號(hào)。部分Wi-Fi 信號(hào)經(jīng)過人體反射后，進(jìn)一步通過墻壁反射和障礙物繞射等，經(jīng)由多個(gè)不同路徑到達(dá)信號(hào)接收端，這些信號(hào)會(huì)與直接到達(dá)接收端的信號(hào)形成時(shí)延，從而產(chǎn)生多徑效應(yīng)。而在接收端的多徑信號(hào)中，由于人體反射引起的部分多徑信號(hào)有著獨(dú)特的特征[7]。

令信號(hào)源與接收端距離為d，屋頂與地板反射點(diǎn)距離為R。人體對(duì)無線電信號(hào)產(chǎn)生的影響可由以下公式計(jì)算

其中：Ptx為發(fā)射功率，Prx（d）為接收功率，Gtx為發(fā)射增益，Grx為接收增益，λ 為Wi-Fi 信號(hào)波長(zhǎng)，ε 為信號(hào)散射路徑長(zhǎng)度，|TxQn|為信號(hào)源到第n 層菲涅爾區(qū)的距離，|RxQn|為接收機(jī)到第n 層菲涅爾區(qū)的距離，|TxRx|是信號(hào)源與接收機(jī)的距離。據(jù)以上公式，人體不同的移動(dòng)方式會(huì)引起無線電信號(hào)的不同波動(dòng)，通過使用合適的算法，建立不同動(dòng)作和不同信號(hào)波動(dòng)之間的聯(lián)系，就能夠完成動(dòng)作識(shí)別。

2 Wi-Fi 室內(nèi)入侵檢測(cè)系統(tǒng)

隨著人工智能技術(shù)的發(fā)展，深度學(xué)習(xí)的模型和架構(gòu)逐步更新擴(kuò)充[8]，在模式識(shí)別領(lǐng)域，有著越來越多的神經(jīng)網(wǎng)絡(luò)架構(gòu)出現(xiàn)[9]，依靠?jī)?yōu)異的性能表現(xiàn)，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）從模式識(shí)別領(lǐng)域脫穎而出，逐漸應(yīng)用到各個(gè)領(lǐng)域。Wi-Fi 信號(hào)經(jīng)由室內(nèi)傳播后，到達(dá)無線網(wǎng)卡的信號(hào)包含了諸多環(huán)境和室內(nèi)物體信息。因此，僅依靠信號(hào)處理或是深度學(xué)習(xí)算法對(duì)CSI 信號(hào)進(jìn)行分析，其識(shí)別正確率都難以達(dá)到應(yīng)用需求，針對(duì)此類問題，使用先進(jìn)的數(shù)據(jù)處理方法對(duì)CSI 信號(hào)濾波后，得到與人體動(dòng)作具有高度相關(guān)性的信號(hào)，進(jìn)而使用基于3D-CNN 的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、識(shí)別，得到具有較高準(zhǔn)確度的模型。

2.1 系統(tǒng)結(jié)構(gòu)

入侵檢測(cè)系統(tǒng)由3 部分構(gòu)成：信號(hào)收集、數(shù)據(jù)處理、入侵檢測(cè)，其結(jié)構(gòu)如圖2 所示。

圖2 系統(tǒng)結(jié)構(gòu)

信號(hào)收集部分使用路由器的Wi-Fi 信號(hào)作為發(fā)射源，2 塊無線網(wǎng)卡作為接收機(jī)，從而完成CSI 信號(hào)采集。數(shù)據(jù)處理部分是對(duì)采集到的CSI 信號(hào)進(jìn)行相關(guān)特征提煉。入侵檢測(cè)部分使用基于3D-CNN 的深度神經(jīng)網(wǎng)絡(luò)算法，以處理后的數(shù)據(jù)為輸入，并經(jīng)由神經(jīng)網(wǎng)絡(luò)輸出檢測(cè)結(jié)果。針對(duì)CSI 信號(hào)高頻波動(dòng)、低頻擾動(dòng)、人體動(dòng)作頻率低的特點(diǎn)，提出了一種與人體動(dòng)作具有強(qiáng)相關(guān)性的信號(hào)。

2.2 特征提取

為了剔除CSI 數(shù)據(jù)中與檢測(cè)目標(biāo)無關(guān)的雜波信號(hào)，對(duì)收集到的CSI 數(shù)據(jù)作多重信號(hào)處理。使用DFS的方法提取出信號(hào)的頻域特征，進(jìn)一步過濾高頻分量。由于環(huán)境噪聲干擾造成Wi-Fi 數(shù)據(jù)包的丟失，且Wi-Fi 信號(hào)受到頻率選擇性衰落的影響，因此不同子載波具有不同的信噪比（SNR）。令x（t）和y（t）分別為時(shí)間t的傳輸信號(hào)和接收信號(hào)，那么CSI 信號(hào)可以表示為H（f，t）=Y（f，t）/X（f，t），其中Y（f，t）和X（f，t）是x（t）和y（t）的頻域表示方法。

式中：N 是各個(gè)傳播路徑的數(shù)量，αn（f，t）和τn（f，t）分別是第n 條路徑的復(fù)衰減和傳播延遲，ejε（f，t）則是由定時(shí)對(duì)準(zhǔn)偏移、采樣頻率偏移和載頻偏移引起的相位偏移。通過對(duì)公式（3）進(jìn)行變換，可以得到

式中：Hs（f）是CSI 信號(hào)各個(gè)靜態(tài)路徑的和（不包含多普勒頻偏），Pd是由目標(biāo)移動(dòng)影響CSI 信號(hào)產(chǎn)生的動(dòng)態(tài)路徑（包含多普勒頻偏）。通過這樣的變換，再加上低通濾波、主成分分析等進(jìn)一步處理，得到了處理后的包含人體移動(dòng)特征的信號(hào)，如圖3 所示。

圖3 CSI 信號(hào)

2.3 深度神經(jīng)網(wǎng)絡(luò)

使用數(shù)據(jù)為具有時(shí)間相關(guān)的二維數(shù)據(jù)，考慮到數(shù)據(jù)的時(shí)間連續(xù)性，使用3D-CNN 作為基礎(chǔ)算法，并依此搭建深度神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示。

圖4 深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

為了使數(shù)據(jù)能夠匹配模型，將2.2 中所得數(shù)據(jù)進(jìn)一步處理，將輸入數(shù)據(jù)格式統(tǒng)一為20*20*30 的多維數(shù)組，輸出是7 維的矩陣（使用one-hot 編碼），模型使用了3 個(gè)卷積層，編號(hào)為1—3，其filter 的尺寸分別為：10、20、40，卷積核的大小為（3，3，3）。有3 個(gè)池化層，分別位于3 個(gè)卷積層之后。

3 實(shí)驗(yàn)驗(yàn)證

實(shí)驗(yàn)采用的軟件配置：Ubuntu16.04+Anaconda3+Keras，硬件環(huán)境為路由器+Intel5300 網(wǎng)卡，搭建的實(shí)驗(yàn)平臺(tái)設(shè)置在一個(gè)真實(shí)辦公場(chǎng)景的房間中，路由器位于房間一角，2 個(gè)接收網(wǎng)卡位于房間2 個(gè)對(duì)角。其中，數(shù)據(jù)速率約為2 000 個(gè)/s CSI 數(shù)據(jù)包，工作頻率為5.25 GHz，實(shí)驗(yàn)人員在空曠位置模擬室內(nèi)入侵行為。為了驗(yàn)證方案的可行性，在實(shí)驗(yàn)房間中放置了無線鼠標(biāo)、無線鍵盤、藍(lán)牙耳機(jī)等干擾項(xiàng)。

實(shí)驗(yàn)對(duì)3 種不同的入侵行為進(jìn)行了檢測(cè)，包含：推門、跳窗、室內(nèi)走動(dòng)。測(cè)得系統(tǒng)入侵檢測(cè)準(zhǔn)確率100%。入侵行為分類準(zhǔn)確率平均達(dá)到98.7%。為了驗(yàn)證所提模型的可移植性，使用Widar 的開源數(shù)據(jù)集進(jìn)一步驗(yàn)證，依然得到了一致的實(shí)驗(yàn)結(jié)果。

WiAct[10]使用人體動(dòng)作和CSI 信號(hào)中的振幅信息之間的相關(guān)性來對(duì)不同的動(dòng)作進(jìn)行鑒別，使用機(jī)器學(xué)習(xí)及逆行動(dòng)作數(shù)據(jù)分類。Wi-Motion[11]從CSI 序列中分別提取振幅信息和相位信息，并對(duì)二者分別構(gòu)造分類器，通過后驗(yàn)概率的組合策略對(duì)分類器的輸出進(jìn)行組合。Wi-Multi[12]組合策略使用動(dòng)態(tài)時(shí)間規(guī)整與支持向量機(jī)提取樣本，并使用深度神經(jīng)網(wǎng)絡(luò)對(duì)人體動(dòng)作進(jìn)行識(shí)別。將平均識(shí)別準(zhǔn)確率和最優(yōu)識(shí)別準(zhǔn)確率作為評(píng)價(jià)4 種模型的指標(biāo)，表1 給出了所提方法與當(dāng)前方法的對(duì)比。

表1 分類準(zhǔn)確率比較

觀察表1 可知，5 種識(shí)別模型中，該方法的動(dòng)作分類準(zhǔn)確率顯著高于其他4 種模型，相對(duì)而言，前4 種模型在局部動(dòng)作的識(shí)別上更有優(yōu)勢(shì)，但在室內(nèi)入侵檢測(cè)場(chǎng)景下，該方法具有更加出色的表現(xiàn)。這是由于該方法使用了更為契合人體整體動(dòng)作的特征提取方法和深度神經(jīng)網(wǎng)絡(luò)模型。該方法在辦公環(huán)境下進(jìn)行試驗(yàn)，可知，該方法能夠適用于大多數(shù)室內(nèi)環(huán)境中的入侵檢測(cè)，并且能夠提供優(yōu)秀的識(shí)別精準(zhǔn)率和較高的魯棒性。

4 結(jié)束語

本文提出了一種使用Wi-Fi 為信號(hào)源，利用信道狀態(tài)信息的入侵檢測(cè)方法。對(duì)人在不同室內(nèi)場(chǎng)景下的入侵行為檢測(cè)具有較高的識(shí)別率。同時(shí)，盡可能剔除了信號(hào)的無關(guān)量。創(chuàng)新性地將3D-CNN 深度神經(jīng)網(wǎng)絡(luò)模型應(yīng)用到室內(nèi)入侵檢測(cè)領(lǐng)域，增加了入侵檢測(cè)的新方法。實(shí)驗(yàn)結(jié)果顯示，在3 種不同入侵場(chǎng)景下，平均識(shí)別準(zhǔn)確率能夠達(dá)到98.7%，同時(shí)驗(yàn)證了所提出模型在開源數(shù)據(jù)集的有效性。在以后的研究中，將研究新的特征提取方法，旨在學(xué)習(xí)每個(gè)人的行為姿態(tài)特點(diǎn)，從而實(shí)現(xiàn)身份識(shí)別。未來的工作還會(huì)進(jìn)一步探索基于Wi-Fi 的入侵檢測(cè)，以增強(qiáng)檢測(cè)準(zhǔn)確率。