DeepCPD：基于WiFi自相关函数与Transformer架构的车内儿童存在检测深度学习框架

《IEEE Journal of Selected Areas in Sensors》：DeepCPD: Deep Learning-Based In-Car Child Presence Detection Using WiFi

本文推荐一项针对车内儿童遗留防护难题的创新研究。为解决现有儿童存在检测(CPD)系统无法区分成人与儿童、易受环境干扰等问题，作者提出DeepCPD系统，利用WiFi信道状态信息(C SI)的自相关函数(ACF)作为环境无关特征，结合Transformer编码器和多层感知器(MLP)构建深度学习模型。通过在30种车型500小时数据上验证，系统实现92.86%整体准确率，儿童检测率达91.45%，误报率仅6.14%，为智能汽车安全防护提供了新范式。

　　

随着近年来儿童车内热射病事故的频发，车内儿童存在检测(Child Presence Detection, CPD)系统已成为下一代汽车安全评估的关键标准。全球监管机构计划强制要求车辆配备CPD系统，但现有技术方案在准确性、覆盖范围和附加设备要求等方面存在明显局限。传统传感器方案（如压力、重量、热感应传感器）难以区分人体与物体，且覆盖范围有限；被动红外(PIR)传感器无法检测静止状态的儿童；视觉方案虽精度较高但受光照条件和遮挡影响，且需额外硬件支持。毫米波(mmWave)技术存在覆盖范围受限和车载芯片普及度低的问题。相比之下，基于WiFi的传感技术具有覆盖广、隐私性好、无需额外成本等优势，但其现有方案仍无法可靠区分成人与儿童存在，导致误报率高，且对环境变化敏感。

针对这些挑战，Sakila S. Jayaweera等研究人员在《IEEE Journal of Selected Areas in Sensors》上发表了题为"DeepCPD: Deep Learning-Based In-Car Child Presence Detection Using WiFi"的研究论文，提出了一种新型深度学习框架DeepCPD。该系统通过提取WiFi信道状态信息(Channel State Information, CSI)的自相关函数(Autocorrelation Function, ACF)作为环境无关特征，有效捕捉人体相关特征同时抑制环境失真。采用基于Transformer的编码器架构结合多层感知器(Multilayer Perceptron, MLP)，通过建模运动模式和细微体型差异来区分成人与儿童。

为开展此项研究，团队采用NXP WiFi芯片组（2个发射天线和2个接收天线）构建实验平台，在六个月内收集了30种不同车型的数据集，包含儿童存在、成人存在和空车三种场景。针对儿童数据稀缺的挑战，提出了两阶段学习策略：第一阶段使用室内环境WiFi数据预训练模型学习基本运动和呼吸特征；第二阶段使用车载数据微调模型进行三分类任务。同时开发了链接置换(link permutation)和链接混合(link mix)两种数据增强技术，通过利用天线多样性模拟真实环境变化。

研究团队首先建立了信道模型理论框架，将CSI功率响应建模为静态多径分量(MPC)和动态MPC的叠加。通过计算CSI功率的自相关函数，提取能够强调人体运动和呼吸模式动态特征的环境无关表示。如图1所示，原始CSI模式在不同车型间差异显著，而ACF特征（图2）在不同环境中表现出更高的一致性，有效抑制了车辆特定特性的影响。

DeepCPD系统设计包含三个核心阶段：预处理阶段从CSI时间序列提取ACF特征矩阵；特征学习阶段使用Transformer编码器提取时空表征；后处理阶段通过时序平滑增强分类稳定性。系统采用AutoFormer架构的编码器，利用其自相关注意力机制和序列分解块有效捕捉呼吸和运动的周期性模式。

在模型实现方面，团队设计了三种天线配置（共置、分布式和混合式）以研究不同设置对性能的影响。如图4所示，分布式天线系统能捕获更丰富的空间信息，从而获得更多样化的ACF特征。

整体性能评估

实验结果表明，DeepCPD在未见过的测试数据上达到92.86%的整体准确率，显著优于基线CNN模型(79.55%)和视觉Transformer(ViT)模型(82.33%)。系统对儿童的检测率(TPR)达到91.45%，误报率(FPR)仅为6.14%。混淆矩阵分析显示，儿童检测准确率相对较低主要源于较大儿童（约6岁）的运动模式与成人相似导致的误分类。

儿童状态与年龄影响

研究分析了儿童状态（清醒与睡眠）和年龄对检测性能的影响。睡眠状态下儿童检测率高达98.39%，而清醒状态下为89.51%，主要因清醒儿童运动特征与成人重叠。按年龄分组显示，0-2岁幼儿检测率达99.51%，2-5岁儿童为93.39%，6岁儿童降至85.82%，证实年龄增长导致的运动模式相似性增加分类难度。

天线配置与覆盖范围

不同天线设置性能分析表明，分布式天线系统表现最佳（整体准确率93.00%），因其能捕获更丰富的空间多样性。系统在车辆内部各位置（包括座椅区和脚坑区）均保持高检测率（97.4%-99.1%），验证了WiFi传感的广泛覆盖优势。

消融实验与技术创新

输入特征类型比较显示，使用全子载波ACF相比原始CSI或平均ACF能显著提升模型泛化能力。系列分解块的引入带来8%的准确率提升，在恶劣环境下对儿童呼吸信号的检测率改善超过20%。两阶段训练策略相比从头训练带来5.8%的性能提升，数据增强技术使清醒儿童检测率从72.30%提升至89.51%。

研究结论表明，DeepCPD系统通过环境无关的ACF特征和创新的深度学习架构，实现了高精度的儿童专属存在检测，解决了现有CPD系统区分能力不足和环境敏感性问题。系统在真实车载环境中的优异表现证明了其实际应用价值，为智能汽车安全防护提供了可靠的技术方案。

讨论部分指出，当前系统主要针对单儿童乘员场景，将儿童与成人共存情况归类为成人类别以符合"遗留儿童检测"的核心需求。未来工作将扩展至多儿童乘员和儿童-宠物共存等复杂场景。尽管环境因素可能影响性能，但系统在雨、强风、繁忙停车场等挑战性条件下的稳定表现证实了其鲁棒性。实时性能方面，采用5秒窗口和1秒步长的配置实现了检测延迟与准确性的良好平衡。