《Sensors》:Learning Motion-Induced Channel Dynamics with Multiresolution Multiplex Graphs for Wi-Fi CSI-Based Human Activity Sensing
编辑推荐:
Wi-Fi信道状态信息(CSI)支持从室内传播的运动诱导变化中进行人类活动识别(HAR),然而设备、环境和用户的变化会同时扰动信道响应和子载波关系。研究人员提出了一种模型,该模型在输入间对齐有效子载波,并将CSI响应特征与多分辨率图相结合。时间分解在多个分辨率
Wi-Fi信道状态信息(CSI)支持从室内传播的运动诱导变化中进行人类活动识别(HAR),然而设备、环境和用户的变化会同时扰动信道响应和子载波关系。研究人员提出了一种模型,该模型在输入间对齐有效子载波,并将CSI响应特征与多分辨率图相结合。时间分解在多个分辨率下产生残差分量和一个平滑分量。该图沿每个分辨率内子载波之间的正负关系传播信息,并利用信号能量引导跨分辨率的传播。一个门控机制将图表示融入响应分类器。一项受控多径研究进一步检验了有符号幅度相关性的物理解释。在CSI-Bench上的实验获得了四种协议下95.96%、50.16%、44.08%和52.19%的加权F1分数(weighted-F1),跨域均值为48.81%,比十个本地重评估基线中最强者高出4.84个百分点。
论文解读:基于多分辨率多路复用图的Wi-Fi CSI人类活动感知
一、研究背景与问题提出
Wi-Fi信道状态信息(CSI)能够通过正交频分复用(OFDM)链路中多个子载波上的时变响应,捕捉人体活动对室内无线传播的扰动,从而为基于Wi-Fi基础设施的人类活动识别(HAR)提供信号基础。然而,跨条件下的CSI识别面临两个相互耦合的表征挑战:其一,不同设备暴露的有效子载波区间不同,固定输入索引无法对应一致的频谱坐标;其二,频率选择性多径产生样本依赖的共变与反变子载波轨迹,其关系结构随采集条件变化。设备、环境和用户的变化因此同时扰动响应场和观测运动的关系统计。现有CSI模型通常编码包序列或图像式信道场,但多采用固定子载波网格,并通过卷积或注意力隐式建模子载波依赖,既未定义统一的频谱坐标,也未构建显式的样本条件关系拓扑。目标辅助方法虽能缓解域偏移,但依赖部署条件数据。为此,研究人员提出一种融合响应表征与关系表征的互补框架,以同时解决频谱坐标错配与样本条件关系建模问题。
二、研究内容与主要结论
研究人员提出了一种响应条件化的多分辨率多路复用图模型,用于Wi-Fi CSI活动感知。频谱对齐与信道响应编码在异构子载波支持上建立统一表示,约束时间分析与有符号多路复用传播建模分辨率内与跨分辨率的运动关系,门控条件化将两种表示整合用于分类。在CSI-Bench评估中,模型在域内(ID)、跨设备、跨环境和跨用户协议下分别取得95.96%、50.16%、44.08%和52.19%的加权F1分数,跨域(OOD)均值为48.81%,超出十个本地重评估基线中最强者4.84个百分点。受控复多径研究验证了有符号幅度相关性的物理合理性。
三、关键技术方法
研究人员主要采用了以下关键技术方法:频谱重采样将样本特定有效子载波区间映射至公共归一化坐标并标准化;响应编码器通过可变形坐标对齐和残差编码处理相对幅度、归一化响应和时间差分场;约束多分辨率分析使用对称非负单位和的平滑核进行嵌套残差分解;多分辨率多路复用图以频谱节点共享、样本条件有符号子载波关系(基于相关性符号与稀疏学习拓扑结合)和能量条件化跨分辨率传输构建;门控关系条件化将图嵌入作为残差校正融入响应表示;训练采用两阶段策略,先分别预训练编码器,再冻结编码器训练门控校正,并辅以知识蒸馏目标。数据集使用CSI-Bench官方HAR划分,含五类活动(跳跃、跑步、静坐呼吸、行走、挥手),训练集15843个观测,验证集3393个观测,四个测试协议分别含3400、4958、5660和5967个观测。
四、研究结果
4.1 与现有方法的比较:在统一CSI-Bench评估条件下,完整模型在ID、跨设备、跨环境和跨用户协议上的加权F1分别为95.96%、50.16%、44.08%和52.19%,各协议相对最强基线的优势分别为3.79、7.79、4.25和1.67个百分点,OOD均值48.81%超出最强基线(LSTM,43.97%)4.84个百分点。SWAD在ID数据上最强,LSTM在跨设备和跨环境上领先,Transformer在跨用户上最强。
4.2 图条件化的实测效应:响应仅模型与完整模型的对比显示,图增强在OOD上带来正差异,三个种子均为正。响应仅编码器已超出ResNet-18达8.29个OOD百分点(47.01%对38.72%),归因于响应编码器针对CSI数据设计的学习子载波对齐与频谱重采样操作。
4.3 采集变化下的类别识别:ID每类召回率介于89.18%至98.78%之间。设备变化下静坐呼吸保持80.52%召回率,行走保持62.78%。环境和用户变化下行走是最稳定的动态类别,召回率分别为80.13%和94.67%。多数被误分类的跳跃和跑步样本被预测为行走。静坐呼吸在设备变化下获得72.20%的F1,行走在环境和用户变化下分别获得66.32%和75.45%的F1,持续模式类别比跳跃、跑步和挥手更可靠地被识别。
4.4 信号与图组件分析:六种消融配置的OOD加权F1均低于完整模型。移除频谱重采样使分数从48.81%降至46.99%,降幅最大(1.82个百分点);移除多分辨率分解次之(1.39个百分点)。禁用有符号传播和跨分辨率耦合分别降低0.85和0.68个百分点。移除坐标对齐和固定门控为一分别降低0.46和0.44个百分点。所有六种组件的配对差异在每个种子均为正。
4.5 时间组件组合分析:完整组合(两个残差加平滑分量)达到48.81%的OOD加权F1,超出无时间分解输入1.39个百分点,超出最佳单分量(残差1,48.05%)0.76个百分点,超出最佳配对(残差1加残差2,48.51%)0.30个百分点。向其他两个组件添加残差1、残差2或平滑分量分别产生0.30、0.39和0.55个百分点的增益。
4.6 受控复多径研究:在包含静态项和单运动依赖路径的复信道模型中,经验相关符号与解析幅度灵敏度符号的一致率在10、20和30 dB信噪比下分别为69.1%、94.1%和98.5%,而每个信噪比下约一半的选定关系为负。该实验支持复多径响应在测量充分解析时可产生稳定的正负幅度关系。
4.7 真实CSI样本中的有符号关系:测试集统计显示,第一阶段负边比例中位数在ID为23.8%,跨设备、跨环境和跨用户分别为26.7%、34.2%和28.1%。负边比例在三个阶段中均递减,且每个阶段两种符号均存在。代表性邻接矩阵和特征曲线示例展示了共变节点对的正边与反变节点对的负边。
4.8 计算成本:完整模型含1547万参数,批大小64下每秒处理494个观测。图路径每观测需1.890毫秒,响应编码器需0.129毫秒,图编码器约占推理时间的93%。批大小一下,中位推理时间18.93毫秒,P95为35.56毫秒,峰值GPU内存128.6 MiB,分别占观测时长(5秒)的0.38%和0.71%。
五、讨论与结论
讨论部分指出,模型在设备、环境或用户变化下对静坐呼吸和行走的识别比跳跃、跑步和挥手更可靠,跳跃和跑步被误分类为行走的现象提示可考虑引入速度剖面或Doppler特征以提供更清晰的运动速度、周期性和短暂爆发信息。计算效率方面,图编码器是主要优化目标,可考虑减少图节点或特征通道数量以及使用稀疏矩阵运算。部署可行性需在目标边缘设备上以单样本延迟和峰值内存评估。
结论部分总结:本研究提出了用于Wi-Fi CSI活动感知的响应条件化多分辨率多路复用图。频谱对齐和信道响应编码在异构子载波支持上建立统一表示,约束时间分析和有符号多路复用传播建模分辨率内与跨分辨率的运动关系,门控条件化整合两种表示用于分类。在CSI-Bench评估中,模型在ID、跨设备、跨环境和跨用户协议下分别获得95.96%、50.16%、44.08%和52.19%的加权F1,OOD均值48.81%,超出十个本地重评估基线中最强者4.84个百分点。受控复多径研究验证了有符号幅度相关性的物理合理性。