STAR：一种基于Wi?Fi CSI(Channel State Information，信道状态信息)的隐私保护高能效边缘AI人体活动识别(HAR, Human Activity Recognition)框架——面向移动与普适计算环境
《Sensors》：STAR: A Privacy-Preserving, Energy-Efficient Edge AI Framework for Human Activity Recognition via Wi-Fi CSI in Mobile and Pervasive Computing Environments
编辑推荐：
利用Wi?Fi信道状态信息(CSI, Channel State Information)进行人体活动识别(HAR, Human Activity Recognition)提供了一种适用于智能家居、健康监护及普适移动物联网(IoT)环境的隐私保护、非接触式感知
利用Wi?Fi信道状态信息(CSI, Channel State Information)进行人体活动识别(HAR, Human Activity Recognition)提供了一种适用于智能家居、健康监护及普适移动物联网(IoT)环境的隐私保护、非接触式感知方式。然而，现有基于CSI的HAR方法常受限于计算效率低、延迟高以及在资源受限的嵌入式平台上可行性有限等问题。本研究提出STAR(Sensing Technology for Activity Recognition)，一种边缘AI优化框架，其集成了轻量级时序建模、自适应信号处理及硬件感知协同优化，可在低功耗嵌入式设备上实现实时、高能效的HAR。STAR采用精简的三层门控循环单元(GRU, Gated Recurrent Unit)架构，相比传统长短期记忆(LSTM, Long Short?Term Memory)网络参数量减少33%，同时保持较强的时序建模能力。为提升信号质量，STAR引入多级预处理流水线，包括中值滤波(median filtering)、八阶巴特沃斯低通滤波(8th?order Butterworth low?pass filtering)及经验模态分解(EMD, Empirical Mode Decomposition)，以去除CSI幅度测量中的噪声并提取稳定的时空特征。在设备端部署方面，系统在配备嵌入式神经网络处理器(NPU, Neural Processing Unit)的Rockchip RV1126处理器上实现，并与ESP32?S3 CSI采集模块接口。实验结果表明，在七类活动上平均识别准确率达93.52%，人员存在检测准确率达99.11%，模型仅含97.6k参数。INT8量化推理实现33 MHz处理吞吐率，CPU占用率仅8%，推理速度较纯CPU执行提升六倍。系统在亚秒级响应延迟与低功耗下运行，确保实时、隐私保护的HAR，为移动与普适计算环境提供一种实用、可扩展的解决方案。
STAR论文解读——《Sensors》发表
研究背景与立题依据
非接触式人体活动识别(HAR, Human Activity Recognition)在智能家居、老年人与儿童监护、慢病管理、智能安防及公共场所异常行为检测等领域具有重要应用价值。现有非接触感知技术主要分为视觉、基于物联网(IoT, Internet of Things)传感器及无线电定位三类：视觉方法受光照、视距及隐私限制；IoT传感器间接推断活动受限；毫米波雷达、超宽带(UWB, Ultra?Wideband)及射频识别(RFID, Radio Frequency Identification)骨架估计存在多径干扰与成本偏高问题。Wi?Fi信道状态信息(CSI, Channel State Information)因具备既有基础设施普及、能捕获毫秒级信道波动、可表征从大肢体运动到细微呼吸及手指动作的精细特征，且隐私风险低，成为室内HAR的热点方向。然而传统Wi?Fi感知系统依赖PC或云端进行模型训练与推理，存在部署复杂、网络依赖与隐私隐患；已有边缘端尝试多直接将PC端模型移植至嵌入式平台，未针对计算、存储与能耗约束做系统优化。为此，研究人员设计了STAR(Sensing Technology for Activity Recognition)框架，面向低功耗资源受限嵌入式边缘设备，从信号预处理、轻量时序模型及硬件协同优化三个层面开展研究，并在Rockchip RV1126+NPU平台上实现端到端部署验证。
主要关键技术方法
研究人员采用两块ESP32?S3开发板分别作为发射端与接收端组成单发单收Wi?Fi CSI采集链路，20 MHz带宽、100 Hz采样率获取52个子载波复数值CSI；数据集由一名志愿者完成躺下、跌倒、行走、捡拾、跑动、坐下、站起及无人状态共八类，总计约20万组。CSI原始数据经幅度提取后依次经中值滤波、八阶巴特沃斯低通滤波及经验模态分解(EMD)去高频本征模态函数(IMF, Intrinsic Mode Function)重构，保留49个子载波并做Min–Max归一化。时序建模采用三层门控循环单元(GRU, Gated Recurrent Unit)网络，输出并联人员存在检测与人活动分类两支，损失函数为交叉熵；模型于PyTorch训练后在RV1126平台经INT8量化并通过Rockchip NPU工具链编译部署，辅以向量化C实现与ARM NEON加速及无锁队列传输。
研究结果
2. Related Work（相关工作）
研究人员综述了CSI?HAR领域的信号处理方法与轻量模型（如WiLDAR的CNN方案、WiFederated联邦学习框架、穿墙RNN/LSTM方案、CSI转图像+2D CNN方案），指出现有GRU相较LSTM参数更少、延迟更低，更适合嵌入式部署，据此确定STAR采用GRU架构。
3. Methodology（研究方法）
3.1 Wi?Fi Signal Pre?Processing：详细描述CSI复信号取幅度A(i)=√(Re2+Im2)，中值滤波抑制脉冲噪声，八阶Butterworth低通滤波器（双线性变换法设计，截止角频率ωc，极点位于单位圆均匀分布）滤除高频RF干扰，EMD分解剔除前几阶高频IMF后重构信号，最后Min–Max缩放至[0,1]并选取相关性高的49个子载波以降低输入维度。
3.2 Inferences Method：采用三层GRU，更新门zt与重置门rt调控隐状态ht，较LSTM省去遗忘门与输出门，参数量与计算量降低约33%，梯度流动更平滑，适合捕捉CSI序列短中期时序依赖。
4. Experimentation（实验）
4.1 Data Acquisition：ESP32?S3 Dongle一发一收，LLTF(Legacy Long Training Field)开启，20 MHz带宽，100 Hz帧率，串口传PC存LevelDB；实验在较空房间进行，同步摄像记录标定动作。
4.2 Data Pre?Processing：展示原始幅度、中值与低通滤波后及EMD去高频IMF重构后的CSI幅度曲线，证实预处理有效压制噪声并保留运动分量。
4.3 Model Construction：16万组作训练集，按每批200样分组，输入尺寸49×200×80049对应七类活动加有人/无人二态；三层GRU并联存在检测分支。七类活动平均识别准确率93.52%，跌倒类因时程短且与躺下过渡相似略低；预处理各阶段联合将基线87.9%提升至93.52%，单帧总延迟<2.5 ms。
4.4 Edge Computing：Rockchip RV1126内置2 TOPS NPU，集成ESP32?S3实现采集—处理一体。模型参数量97,616，INT8量化后NPU推理吞吐33 MHz，较CPU模式快六倍，CPU仅负责预处理占用8%；FP16与INT8精度无明显差异。动态多房间环境下整体准确率波动±3.1%，无需重训与个体校准；七类活动端到端延迟312–427 ms，高系统负载下增幅≤8.7%；跨硬件评估表明框架可依算力伸缩（ESP32?S3仅跑预处理、Raspberry Pi 4B CPU 8–12 Hz、RK3588/A311D NPU >60 Hz）。
5. Conclusions（结论）
研究人员得出结论：STAR框架基于轻量三层GRU与硬件对齐的多级CSI预处理流水线，在RV1126边缘平台上实现实时、隐私保护、低功耗的单接收端Wi?Fi CSI人体活动识别；NPU加速使推理速度达CPU执行的六倍且CPU占用降至约8%，INT8量化不损精度；系统在多样室内环境与不同用户行为下具良好泛化性，为智能家居监护、健康照护及安防提供可扩展的边缘AI感知方案。
讨论小结
本文针对既有CSI?HAR方法难以在低功耗嵌入式边缘设备实时运行的问题，从信号处理和模型—硬件协同设计角度提出STAR框架。其核心贡献为：设计适配嵌入式NPU的CSI预处理链（中值滤波+八阶Butterworth低通+EMD+子载波筛选与归一化）；开发参数量减少33%的三层GRU轻量时序模型；在Rockchip RV1126上完成量化、NEON加速与NPU卸载的完整端到端工作流；实测七类活动93.52%准确率、人员存在检测99.11%、亚秒级延迟、INT8推理速度六倍于CPU且CPU占用仅8%。研究表明，通过软硬件协同优化可在单接收端商用Wi?Fi硬件上实现隐私保护、非接触、实时的HAR，对推动CSI感知技术在移动与普适计算环境中的实际部署具重要参考价值。论文发表于Sensors。
