基于信号感知深度学习的鲁棒WiFi运动源识别方法SrcSense

《IEEE Journal of Selected Areas in Sensors》：SrcSense: Robust WiFi-Based Motion Source Recognition via Signal-Informed Deep Learning

本文推荐一项创新研究，针对现有WiFi传感技术将任何运动均视为人类活动而忽略非人干扰的局限性，研究人员开发了名为SrcSense的深度学习框架。该研究通过提取环境无关的统计量A-ACF作为深度神经网络输入，在五种真实复杂场景中实现了95.84%的平均验证准确率和91.71%的未知环境测试准确率。该方法首次实现了跨场景、跨设备的非侵入式运动源识别，为智能物联网系统的普适化部署提供了关键技术支撑。

　　

随着无线通信技术的飞速发展，WiFi信号不仅承载着数据传输的功能，更逐渐成为环境感知的重要媒介。然而，当前基于WiFi的传感应用存在一个显著缺陷：系统往往默认所有检测到的运动都源于人类活动，完全忽视了宠物、清洁机器人、风扇等非人运动源带来的干扰。这种局限性严重制约了智能家居、安防监控和健康照护等领域的实际应用效果，导致误报率居高不下和能源效率低下等问题。

为解决这一技术瓶颈，来自Origin Research和香港大学的研究团队在《IEEE Journal of Selected Areas in Sensors》上发表了题为"SrcSense: Robust WiFi-Based Motion Source Recognition via Signal-Informed Deep Learning"的创新研究。该研究首次提出了基于信号感知深度学习的端到端解决方案，通过提取环境无关的统计特征，实现了穿墙条件下的高精度运动源识别。

研究团队创新性地提出了放大自相关函数（Amplified Auto-correlation Function, A-ACF）作为深度学习模型的输入特征。这一技术突破源于对电磁波丰富散射多径模型的深入理解，通过数学推导证明了A-ACF能够有效剥离环境静态信息，保留仅与运动源相关的本质特征。

如图所示，相比传统CSI信号受环境因素主导的情况，A-ACF在不同环境中对同类运动源表现出高度一致性特征，而对不同运动源则呈现明显差异模式，这为模型的环境适应性奠定了理论基础。

在技术方法层面，研究团队主要突破了三个关键环节：首先建立了首个包含人类、宠物、清洁机器人和风扇等四类运动源的实景WiFi数据集，涵盖5种典型环境下的29种配置；其次开发了基于A-ACF的域弹性特征提取流程，包括运动检测、分段处理和多种神经网络输入适配；最后系统评估了10种深度学习模型（包括FNN、CNN、RNN和ViT）的识别性能，并探索了基于ImageNet预训练模型的迁移学习效果。

模型性能验证

研究采用留一场景交叉验证方法，在五个真实场景中全面评估了各种深度学习模型的识别性能。残差网络（ResNet）系列表现最为突出，其中ResNet-101在验证集上达到96.38%的平均准确率，显著优于传统机器学习方法。

特别是在未知环境测试中，ResNet-18取得了91.71%的平均准确率，证明了模型具备强大的跨场景泛化能力。值得注意的是，当使用20秒数据段时，ResNet-50的识别准确率进一步提升至99.77%，显示出时间累积对性能的增益效应。

迁移学习效果

研究团队创新性地将计算机视觉领域的迁移学习技术引入WiFi传感任务。通过将ImageNet预训练的ResNet-18模型适配到A-ACF图像输入，发现在适当冻结训练轮数（10轮）条件下，模型准确率可提升0.65%。这一发现为解决WiFi数据标注稀缺问题提供了新思路，同时也验证了A-ACF与自然图像在特征层面的潜在关联性。

挑战性场景测试

针对实际应用中的复杂情况，研究特别测试了模型在多重挑战下的表现。

在双人同时运动场景中，ResNet-101达到99.61%的识别准确率；而在人体爬行这种非典型运动模式下，RNN模型更是表现出100%的完美识别率。这些结果充分证明了SrcSense框架对复杂运动模式的适应能力。

参数敏感性分析

研究还深入探讨了关键参数对系统性能的影响。数据段长度实验表明，5秒基础长度已能保证良好性能，延长至20秒可进一步提升准确率但增加计算开销。采样率测试发现系统在150-1500Hz范围内保持稳定性能，但当采样率降至30Hz时需通过延长观测时间补偿信息损失。

本研究通过理论创新和实践验证，建立了基于WiFi信号的鲁棒运动源识别新范式。SrcSense框架的成功不仅体现在其卓越的识别性能，更在于解决了长期困扰WiFi传感领域的环境依赖性问题。该方法无需重新训练即可适应新环境，极大降低了实际部署成本，为智能物联网应用提供了可靠的技术基础。未来工作可进一步探索高密度人群场景的应用扩展，以及与其他传感模态的融合创新。