无线感知技术通过分析无线信号的变化来推断目标活动，核心在于如何有效地从信号波动中提取有用信息。技术分为基于模型的方法，如菲涅尔模型，用于定量映射信号与人体活动的关系，以及基于模式的方法，利用特征提取和深度学习进行识别。
这些方法使得在安全监控、紧急救援等领域的应用成为可能，但仍需解决信号干扰、特征选择复杂性和模型可解释性等挑战。
无线感知是指通过分析收到目标活动影响后的信号强度的变化，反演出目标活动的一种感知方法。
背景介绍
人类活动会对接收信号强度产生影响这一事实早由Woyach等人在研究Zigbee传感网络时发现。
2007年，Youseef在WiFi信号中观察到类似的现象，并展示了使用的RSSI作为指纹推理人所处位置的可能。
受制于RSSI本身的粗粒度和信号波动的不确定性，早期基于WiFi的非接触式人体感知的精度和适用范围非常有限，直到2011年802.11n物理层的信道状态信息可从商业设备中得到之后，基于WiFi的无线感知才有了快速的发展。
基本原理
发射端（如WiFi发射路由器）发射出的信号大部分由直射到达接收端（如手机或电脑），小部分通过周围物体（如地面、天花板）的反射到达，接收端信号是所有路径信号的线性加和。而经由人体反射或者衍射的信号同样也会对接收端信号产生影响。把人的活动与接收端信号的变化形成映射关系，通过对接收端信号的分析，对人体行为进行无线感知。
关键技术（基于模型的感知方法）
基于模型的构建方法旨在建立人体活动和信号波动之间的定量映射，利用模型识别接收到的信号的变化从而实现感知。
在基于模型的感知理论中，菲涅尔模型较为经典。菲涅尔模型最初是为了研究光的干涉和衍射，揭示了光从光源到观察点的物理特性。后用来对无线信号的传播进行建模。
基于菲涅尔模型的感知原理主要涉及到人体活动与信号幅度、信号相位的定量映射，以及通过分析Wi-Fi信号的波动模式来识别活动状态。
基于模型的感知方法分析：模型识别的方法计算复杂度低，不需要线下训练特征图，通过很多规则化的模型，可以实现高准确度的定位。但由于人的状态属性是复杂的，例如行为、手势、身份等，采用建立模型的方法识别人的行为和信号变化之间的关系在实际生活中是困难的，因此需要引入基于模式的感知方法。
关键技术（基于模式的感知方法）
在感知目标引发的信号变化具有独特一致的特征时，基于模式的方法可以通过选取信号特征进行学习，识别出感知目标。
特征提取的目的是从预处理后的信号中提取具有代表性的可代表人体属性的特征，可以分为时域特征、频域特征、小波域特征、深度特征等。
对于简单的任务，可以通过直觉进行特征选取。例如人体活动的动静检测。人的活动会引起信号强度的波动，选取一到两个信号特征就足以应付。
近年来，随着基于数据驱动的深度学习方法的发展，使用神经网络的方法在高维空间中训练，使得多域混合特征的学习成为可能。理论上，随着特征维度的增加，其拟合能力增加，但是可解释性也随之消失。因此，在实际工程中，特征的选取和调优基本依赖于试错，从而降低学习效率和方法的合理性。
无线感知的应用
面向公共服务：
1.安全监控：在一些特定场景中，如需要大面积监控或者在夜晚和有烟雾的情况下进行监控，无线感知可以发挥巨大的作用。在国防边境安全性检测中，在巨大的人烟稀少的国防边境部署摄像头进行安全性检查代价昂贵。因此，使用基于无线感知的感知方法，可以大面积监控是否有人闯入边境。
2.紧急救援：在一些紧急救援情况下，如火灾救援和人质解救任务中，我们需要在执行救援任务之前获得被困人员的状态信息。无线感知就可以为我们解决这一问题，它不仅可以为我们提供受困者的位置信息，同时还可以提供人员的状态和活动信息，这些信息的提供会大大增加救援任务的效率。
面向个人服务：
1.智能互动：在科幻电影中，未来的人们会通过姿势与电脑进行互动，无线感知有希望将此变为现实。现在，基本上大部分区域都被WiFi或者其他无线信号所覆盖。无线感知技术可以通过分析无线信号的变化感知人类的位置、活动、手势等，从而实现智能的互动。
2.智能检测：人口老龄化正在成为中国最为严峻的问题之一。如何在无人的情况下对老年人进行身体情况检测成为一个重要的问题。精密的无线感知应用不仅可以检测老年人的位置，还可以检测老年人的呼吸频率以及不慎的跌倒，从而实现及时的报警。
来源：智能感知工程，如有侵权请联系删除
关注
关注
