文摘

近年来,由于快速增长的能力物理层,device-free被动探测持有为范围广泛的应用程序非常重要。最近的作品关注运动检测,入侵检测,生命体征与商品WiFi设备在室内环境。传统device-free运动检测技术,利用接收信号强度(RSS),可能遭受粗粒度和高变异性问题。在采取更细粒度的信道状态信息(CSI),我们建议PhaseMode, device-free运动检测的新方法利用CSI相邻天线之间相位差数据对。我们实现我们的方法在商业无线设备和验证其性能。我们在不同的测试时间进行实验的三个室内环境;结果表明,该方案实现平均精度超过99.4%的在不同的场景中运动检测。

1。介绍

Device-free被动检测一直是一个新兴技术来检测实体没有携带任何设备在过去的十年里(1,2]。许多应用程序开发改善人们的经验,包括人力检测入侵检测、人类行为识别和检测火灾环境中生活的人。现有的方法有很多,可以实现入侵检测,如基于摄像头、传感器和基于rss。基于成像的方法使用一个摄像头安装在监测环境实现被动活动识别通过捕获视频的尖叫声和分析图像。但是,它只能用于照明环境,和视距(LOS)条件是必不可少的。此外,其主要问题包括潜在的隐私泄漏、误警率高。传感器的方法利用body-attached运动加速度计或陀螺仪等传感器收集的信息对人们的活动和行为,但这些方法可能有环境干扰造成的误警率高。附加传感器对人体是一种限制对某些人可能会觉得不方便和一些场景并不适用于穿传感器。此外,所有这些方法共享基础设施的要求安装在环境中。

由于无线网络技术的最新发展和智能设备,探究出了一系列应用程序,包括运动检测(3- - - - - -6],手势识别[7),室内定位(8,9),和活动识别(10- - - - - -12]。我们可以使用普遍的WiFi信号实现被动检测移动目标的检测是否存在无线内容周围环境的变化而不附加任何提出设备用户。接收信号强度(RSS)已成功地使用了device-free被动定位为无线环境,因为它是容易访问现有的无线基础设施。当一个物体侵入监控区域,信号接收机与发射机之间减毒。基于RSS的方法利用RSS的变化测量来推断动态环境的变化。尽管RSS是方便使用,但它不是一个稳定的指标,因为它患有粗粒度和高易受环境噪声干扰。

近年来,由于信道状态信息(CSI)与商品设备可用。越来越多的研究人员采取的健壮和细粒度的物理层标准device-free运动检测,和一系列的系统(3- - - - - -5,11,13,14)提出了检测人类活动和环境变化。CSI既包含为每个OFDM副载波振幅和相位分别测量,它反映了不同的多路径反射引起的人们的存在由于其显著的频率分集。与RSS相比,CSI提供细粒度在物理层信道信息,从修改后的设备驱动程序现在可以读几个现成的无线网络接口卡(NIC),如英特尔无线链接5300网卡15)和创锐讯AR9580芯片组(16]。尽管一些以前的工作取得更大的进步与物理层CSI振幅和相位信息,一些作品使用CSI相位差更加敏感。

在本文中,我们提出一个新颖的方案称为PhaseMode,基于wifi重要入侵检测领域,人类device-free被动探测,利用CSI相位差数据。不同于之前的工作,我们推导出有用的阶段信息从相邻天线之间相位差数据对监测环境的变化。实际上,相位差比振幅更健壮,通常表现出大的波动,因为链接距离衰减,障碍,和多路径效应17]。为了达到这个目标,我们首先通过原始CSI测量数据预处理模块,消除大量的随机噪声和过筛偏见的观察。我们从加工阶段提取相位差在邻近的天线。后来,我们提取协方差矩阵最大特征值,完成这部小说从相位差数据处理功能。最后,我们引入机器学习算法包括支持向量机(SVM),随机森林(RF),再(资讯)区分运动检测的特征值进行分类。

来验证我们的系统,我们构建的原型PhaseMode商品off-the-self (COTS)无线设备和评估其性能在三个室内场景,包括实验室、会议室,走廊。实验结果表明,PhaseMode达到静态场景TN率和TP率对于动态场景平均超过99.4%。

总之,我们工作的主要贡献如下:(1)我们提出一个设计健壮的被动device-free人类与商品WiFi设备检测。我们只利用相位差信息CSI作为device-free人力指标检测。(2)不同于使用CSI的相关信息(振幅和相位)在时间维度,我们探索与频率分集和提取副载波维度信息更敏感更健壮的特性在副载波维度。(3)我们探索提供的空间多样性multiantennas支持现代MIMO系统的特性和提取相邻天线之间的相位差。我们采用支持向量机,随机森林,再机器学习分类算法来检测入侵。(4)我们分析一些关键因素,如特性和滑动窗口的大小和总结它如何影响检测精度。(5)我们进行实验,验证性能在三个不同环境(走廊、会议室和实验室)。实验结果表明,它可以实现住宿TN率为人类移动场景和TP率超过99.4%,超越现有的被动device-free人类检测方案。

本文的其余部分组织如下。我们首先回顾部分的相关工作2。节3,我们简要地介绍一些关于CSI和米姆的预赛。部分4概述了系统体系结构,提供了每个组件的详细设计部分5。部分6阐述了实验设置和绩效评估。最后,给出了结论7。

2。相关的工作

Device-free运动检测引来众多关注过去十年(1,2]。在本节中,我们主要检查相关工作的两类技术,即基于rss和CSI-based。

2.1。基于rss的检测

RSS是特别有吸引力的device-free运动检测与商品设备由于其方便的可访问性。它主要依赖于接收到的信号强度变化引起的存在和运动目标。更具体地说,一个较大的值的RSS方差通常表明一个移动目标在监测区域而推断一个较小的值。优素福等人,穆萨和优素福1,18)首先介绍了device-free被动的概念,提出了一个最大似然estimator-based算法(标定)改善DFP系统在现实环境的性能。最著名的基于rss的device-free运动应该是无线电层析成像(RTI) [19),部署无线传感器网络在有趣的领域,并使用RSS测量获得的图像移动目标。威尔逊和帕特瓦瑞还提议vRTI (20.),RTI的扩展技术,利用RSS的motion-induced方差测量在一个无线网络。RASID系统(21Kosba等人,提高检测精度,采用标准差的RSS功能接近其分布与核函数,利用非参数技术,适应环境变化。因为RSS信号环境的细微变化过于敏感,一个健壮的device-free本地化计划(分)提出了基于微分RSS (22],它可以消除的需要获得参考RSS测量以及克服负面影响环境诱导。

因为RSS计划遭受粗粒度1 dB和有限的精度,研究人员开始更多关注CSI-based方案由于其频率分集(11]。

2.2。CSI-Based检测

许多细粒度CSI-based计划已经实现实现更好的检测近年来,因为我们可以从商品中提取CSI无线网卡,也就是说,英特尔530015和创锐讯16]。与RSS功能相比,CSI可以更细粒度的信号特性,体现了多路径效应在OFDM副载波在频域的粒度(23]。类似于一个基于rss的计划,大多数CSI-based检测系统还利用CSI的变化测量目标存在或入侵报警。肖等人提出的这两个飞行员(8]和FIMD [6]基于CSI流的角度系统维护时间稳定在一个静态环境。FIMD实现device-free运动检测利用CSI-based相关矩阵的特征值在给定的时间范围内。CSI的飞行员利用相关监控异常出现,进一步定位实体。垫(3]和DeMan [4)进一步利用的全部信息(振幅和相位)CSI,提取连续CSI的协方差矩阵的最大特征值来提高检测性能。OmniPHD [24)达到全方位感知覆盖被动人工检测典型multipath-rich室内场景。王等人。13)提出一个局部离群因子使用异常检测算法检测无线信号的异常变化。E-eyes [10利用移动平均和概率分布的CSI测量来确定一个活动的存在与否。研究员还利用CSI的特征来检测移动目标通过墙(5)、监控多人呼吸节拍(17),并分析客户的产品偏好(25]。CARM [12),提出了一种基于模型的方法,这是更健壮的环境变化。

之前的大部分作品利用沪深振幅和杠杆相位信息,但很少注意相位差。在本文中,我们探索被动device-free运动相位差检测。

3所示。预赛

在本节中,我们简要介绍CSI的特点和MIMO技术用于device-free检测。

3.1。信道状态信息

在无线通信系统中,CSI不仅描述了副载波的通信链路的信道性能水平,也代表一个信号发生了什么而通过副载波和揭示了综合效应由于衰减,散射和路径损耗。在OFDM传输数据流被划分到多个窄和垂直的副载波重叠,和数据流是所有副载波上传输使用相同的调制和编码方案(MCS)抑制频率选择性衰落。窄带平坦衰落信道,无线OFDM系统在频域可以表示如下: 在哪里是接收信号向量,表示传输信号向量,是信道矩阵,代表了加性高斯白噪声(AWGN)。

在无线OFDM系统中,56个副载波可以用于数据传输20 MHz带宽通道。然而,稍微修改英特尔5300 NIC设备驱动程序只能捕获30副载波使用通道焊接技术,它可以表示如下: 在哪里在副载波是CSI向量与中心频率 。每个CSI描述了振幅和相位OFDM的副载波 :

3.2。多个输入和繁殖输出(MIMO)

MIMO技术革新了无线通信在过去的十年。这是一个方法来增加网络带宽,范围和可靠性利用多个天线在发射机和接收机利用多径传播。再分配是一个重要的元素的IEEE 802.11 n (WiFi)。在MIMO系统,的结合发射器和接收器可以被视为一个单独的TX-RX数据流,而我们可以尖叫表达CSI数据如下: 在哪里是一个向量描述的CSI 30副载波之间的th发射器和接收器。因为每个TX-RX数据流占据不同的路径在多径环境中,是有区别的,结果在独特的战略与国际研究中心收到不同的天线。

4所示。概述

部分中,我们阐述系统的总体体系结构主要由四个部分组成:传感、数据预处理、特征提取和入侵检测模块如图1。第一个传感模块用于信道的变化和收集CSI数据从5300年大宗商品现货英特尔网卡,然后通过原始CSI通过测量数据预处理模块中偶尔的离群值和随机噪声消除阶段。

之间的性能比较CSI振幅和相位差信息来检测入侵的目标,我们首先构造协方差矩阵的归一化版本的每个副载波的振幅和相位差数据然后计算相应的三个每个相关矩阵的最大特征值。最大特征值结合成一个六维特征来推断移动人的存在。提取的特征都喂给了三个不同的机器学习分类模型来寻找分离人类存在与缺失。最后,对于现代MIMO系统的多个天线,我们选择最好的值根据每个TX-RX天线的检测结果对提高检测准确性和鲁棒性。

5。方法

在本节中,我们精心的设计系统PhaseMode实际测量。此外,该系统包括四个功能模块:传感、数据预处理、特征提取和入侵检测。如图1在传感模块,我们收集原始CSI数据在接收机端有三个天线的无线设备,然后生CSI流输入数据预处理模块过滤噪声和离群值以及相位差。在特征提取模块,我们从相位差提取特征并将其传递给入侵检测模块来检测是否有一个人或一个移动的对象。

5.1。数据预处理

初步的部分,我们知道每个CSI的振幅和相位可以表示如下: 在哪里和表示副载波的振幅和相位响应 ,分别。副载波的CSI吗 中心频率的 。我们收集连续CSI流分割成等长的序列与一个特定的时间窗口来监测环境的变化。它可以表示为以下。

然后,我们使用测量CSI作为检测的基本输入过程;它首先通过一个阶段提取过程然后局外人过滤过程筛出异常值和一些噪音。

5.1.1。离群值删除

由于环境噪音以及一些协议规范,存在一些异常值的观察,这显然不是由人类引起的运动和人类检测前应筛选。图2说明了异常值包含在原始CSI收集的住宿情况。识别和消除这些偏见的离群值,我们采用Hampel标识符(26),声明所有点闭区间的脱落 作为局外人,和中位数,平均绝对偏差(疯狂)的数据序列,分别。是依赖于应用程序和使用最广泛的值是3。我们应用Hampel标识符在所有30副载波。图2显示了两个副载波的CSI(1号和10号)之前和之后执行异常值删除。我们可以看到Hampel滤波器能有效地滤出重大的突然变化。

5.1.2中。噪声过滤

以来收集的CSI测量很容易被环境噪声包括电磁干扰和其他动作,从振幅提取特性之前,我们运用沪深振幅数据的中值滤波去除高频噪声和高振幅的冲动,这是可能是由于人类的动作。我们采用2点的中值滤波器的所有30副载波如图3。

5.1.3。相位差提取

在本节中,我们使用两个相邻天线之间的相位差消除随机性不同步造成的时间和频率以及环境噪音。从[27),我们知道相位差比振幅更健壮的和敏感的环境,因为它是单独的和两个天线之间的方差。

首先,我们验证天线对邻居之间的相位差测量值是高度稳定的先后收到数据包。CSI测量阶段在th副载波可以表示如下(28]: 在哪里和代表了测量CSI阶段和真实的相位值分别th副载波。表示时间滞后的接收机由于旧金山,和是一个未知的相位偏移引起的首席财务官。一些测量噪声。从1到30表示的索引th副载波;FFT大小(从IEEE 802.11 n等于64规范)。由于 , ,和 ,它是不可行的获得真实的相位信息。如图4所示,原始CSI阶段数据是随机分布的,这造成的变量 。森et al。29日)存在一个线性变换方法,它可以消除随机噪声的原始阶段数据有效。

由于三天线在同一网卡,我们知道天线具有相同的采样时钟和下变频器频率(30.]。上的测量相位差th副载波给出如下: 在哪里 和 CSI相位差测量和真正的相位差值的吗分别th副载波。 时间滞后的区别在相邻的接收机天线。是未知相抵消的区别,一些测量噪声的区别。三个接收机天线放置在距离半波长,并表示随着波长,光速,中心频率,到达角,取样间隔(是50 ns 20 MHz带宽)。我们可以大致估计如下:

当我们选择WiFi设置运行在2.4 GHz的频率,因此,约等于0.0041。用给定的 ,测量相位差可以表示如下:

这个数字4显示了原始阶段(标记为蓝色小点)和天线之间的相位差1号和2号天线(标记为红十字会)和天线2号和3号天线(标记为绿色圆圈)20副载波的极坐标图1000年连续收到数据包。从图4,我们可以看到原始的CSI阶段随机散射在0°、360°之间的所有可行的角度;然而,0°之间的相位差集中到一个部门和15°340°和355°,这表明每副载波相位差测量数据相邻天线是运动检测的足够稳定。

图5情节CSI相位差在静态和动态环境中。我们可以看到,相位差保持稳定,没有人类的运动环境中,而成为存在时的一些运动。

5.2。特征提取

关键是device-free检测系统中提取适当的特性。在这个模块中,我们从CSI相位差和振幅提取一些特征参数,考虑建立一个实时、健壮、可靠device-free检测系统;我们选择的功能需要满足两个条件:(1)敏感的人类存在和(2)电阻对环境变化。在前面的模块,数据预处理后得到的相位差作为输入。在前面的工作,各种指标如方差,意思是,一直在利用和分布距离检测。以前的工作(3,4]只追求amplitude-based或组合的振幅和相位。在本文中,我们利用阶段的焦点对运动检测功能。

中提取特征的运动检测,我们构造相应的协方差矩阵和从规范化CSI振幅和规范化的相位差 ,分别。的协方差矩阵可以表示如下: 在哪里 表示之间的协方差和 , 表示变量的归一化版本 。后来,我们计算CSI振幅协方差矩阵的特征值和相位不同的协方差矩阵,最终形成一个six-tuples :

两个特征值和 ,特征值较低,更可能是静态的链接和自由的入侵。相比之下,提高特征值将表明,一些人闯入监控区域,导致动态变化。图6情节的振幅和相位特性分布的住宿为580个样本和人类的礼物。第一个340特征样本表明住宿状态,最后240功能样品意味着人类侵入。显然,我们可以看到,两个振幅和相位差特性指标的相对于静态情况下人类入侵发生重大的改变。然而,相比在数据6(一)和6 (b),我们可以看到,振幅特性比相位差不敏感的特性在某些采样点。这也解释了相位差比振幅更健壮的和敏感的环境,因为它是单独的和两个天线之间的方差。

5.3。运动检测

从CSI振幅和相位差提取特征后,我们需要选择一个合适的分类方法对这些特性进行分类,并确定是否有人破门而入。我们可以分类提取的特征分为两类:抽象的类和目标类。

测试的有效性中提取特征,人物7情节的分布振幅特性 ,相位差的特性 ,和他们的组合测量的540组。考虑到应变的测量,我们收集CSI数据在不同的环境和时期。在图7(一),我们可以看到,不再是一个明显的缺口识别人体运动当我们使用振幅特性和作为输入。然而,当相位差特性和作为输入,一个明显的超平面将特征点划分为两个部分在图吗7 (b)。从数据7 (c)来7 (e),我们可以看到分类的效果改进的相位差的功能补充道。因此,我们选择了相位差对人类检测功能。

我们运用三种机器学习分类算法包括支持向量机(SVM),随机森林(RF),再(资讯)运动检测的区别。

我们第一次进行支持向量机利用LIBSVM工具(31日)相位差的特性和收集,如图8可以看到,一个清晰的差距来区分数据对应的存在和没有入侵人类。图8显示了初步使用SVM分类结果只有几个CSI样本,我们证明它足以提供一个满意的检测性能实验和评价部分。

6。实验和评价

在本节中,我们首先解释PhaseMode系统的原型实现,描述实验的细节设置。然后,我们分析的实验方法。最后,我们目前PhaseMode绩效评估的三个典型的室内场景。

6.1。实现

在本节中,我们进行大量的实验研究,以评估该系统,PhaseMode。我们与商品原型PhaseMode WiFi设备和评估其性能在一个典型的办公大楼包括会议室,走廊,一个实验室,如图9。我们雇佣了一个索尼的笔记本电脑运行Ubuntu 14.04操作系统配备因为英特尔5300网卡和修改固件接收机。一个商业TP-LINK TL-WR880N无线路由器设置为发射机操作在2.4 GHz IEEE 802.11 n AP模式。三全向接收天线放置在一个6.25厘米的距离,这是一半的波长在2.4 GHz的乐队。我们寄萍数据包从发射机到接收机天线和提取相位差信息邻居天线的运动检测。

6.2。实验方法

我们收集的数据两类:(1)静态数据(没有人出现在监控区域)和(2)动态数据(一个或更多的人走在监控区域)。

在走廊里我们做实验,实验室和会议室,分别如图10,我们列举一些参数表的三个实验领域1。收集动态数据,我们一至三个实验以正常速度随机行走在有趣的领域。我们设置发射机和接收机天线的高度1.4米的走廊,实验室,会议室为了避免信号被屏蔽的室内设施。特别是,我们认为LOS传播不同的距离从2米到6米。入侵目标检测,首先应用著名的支持向量机(SVM)的特性,也就是说, , , ,获取一个阈值,基于测量的一部分。

6.3。绩效评估

6.3.1。评价指标

我们主要使用以下指标来评估系统的性能。(我)真阳性率(TPR):人类存在一个移动的概率是正确分类。(2)真阴性率(TNR):没有人类的存在是正确识别的概率。(3)检测精度:在不同的场景中识别环境变化的概率。

再。整体性能

首先,我们在不同的环境中进行我们的实验来检查我们的系统的整体性能。图11显示移动的性能检测使用不同特性的三种分类算法。从图11,我们可以看到,TN的相位差特性和幅值和相位差的特性是高于amplitude-based和TP率相同。检测精度结果如表所示2。

6.3.3。影响的数量特征

我们检查的数量特性对检测精度的影响在不同的场景中。从图12,我们可以看到,检测精度进行一些损失,但仍保持在99.62%的功能增加和更高于垫的方法,既利用振幅和相位信息。我们提取相位的焦点功能是基于邻居副载波之间的相关性,这与环境的变化而波动。最初的几个特性在很大程度上代表了相关;更多的特性将会应用到检测精度的降低。如图12,我们可以使用两个特性来实现运动检测精度高。

6.3.4。滑动窗口大小的影响

图13显示了不同大小的滑动窗口检测精度。我们比较系统和FIMD垫。如图13为所有三个方案,滑动窗口的大小,越大越高检测精度的总体趋势。有一个更大的窗口大小,我们得到更多的特征样本的时间维度可能缓解时间方差的影响。然而,当达到某个阈值大小,速度可能会保持稳定。与垫相比,我们的系统达到一个稍微更好的检测性能。

7所示。结论

在本文中,我们设计和实现一种新的被动device-free方案来检测人类入侵室内利用无线物理层CSI商业网卡信息。我们床上实现系统无线设备和评估它在现实不同的场景包括一个实验室,走廊和会议室。实验结果表明,我们的系统可以提高灵敏度以及鲁棒性与先前的计划相比,和平均检测精度可达到99.4%。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是国家重点支持的研究和发展项目批准号下的中国2017 yfc0804401。