基于无线设备的活动识别的挑战外文翻译资料

英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

基于无线设备的活动识别的挑战

Stephan Sigg2、Hedda R. Schmidtke1和Michael Beigl1
德国卡尔斯鲁厄理工学院76131号
日本，东京，千代田区，2-1-2，国立信息研究所

本文介绍了相对较新的基于无线设备的活动识别领域。近年来，基于无线设备的定位技术的研究取得了一定的进展，但使用这种方法来区分活动的研究却很少。因此，我们对研究无设备定位和活动识别的最重要的工作进行了综述。然后，我们讨论基于无线电的活动识别如何从目前的研究状况中获益，以及需要解决哪些挑战才能使基于无线电的活动识别得以实现。最后，我们介绍了我们对未来dfar系统的展望和未来工作的计划。

关键词 无设备无线电；定位；活动识别

1. 介绍

活动识别是普适计算中的一个研究领域，在这个领域中，系统被设计和研究，解释传感器的数据，以总结用户当前和可能的未来活动。因此，传感器通常被连接到用户的身体上，集成到他可以与之互动或在其环境中安装的对象中。然而，这些最常用的方法有其缺点，因为可穿戴设备需要安装或安装，设备需要修改或基础结构系统需要安装。我们相信，利用无线电信号分析进行无设备活动识别，可以提供一个有趣的传感器选择，可以围绕现有系统的一些问题和限制工作。

最显著和直观的无线电信号是用于无线信号传输。常见的应用例子包括WiFi，蜂窝网络，当然还有无线传感器网络（WSNS）。在这些应用中，影响发射信号的效应通常是破坏性的和不需要的。然而，还有雷达、GPS或射电望远镜等技术可以利用其中的一些效应。

同时这些技术也为基于无线电的活动识别提供了有趣的方法，本文将重点研究典型的传感器节点频段和传输方案的利用。因此，我们不会考虑纯粹基于反射的测量系统（雷达）或宽带系统（如UWB）。此外，这些可能有与其技术相关的先验限制。例如，对于UWB，节点之间的视线路径（LOS）是强制性的（或者知道LOS的飞行时间）。在传统的无线网络定位研究中，存在着一个很大的群体，因此，本文的研究重点是无线电信号分析，以获取非无线网络中的对象即无设备对象的信息。

本文的结构如下：第二节简要介绍了无线电波的影响，并介绍了WSN社区在研究无设备无线电定位（DFL）研究中的第一个研究成果。该领域的最新研究将在第3节中介绍，关于无设备活动识别的少数工作将在第4节中介绍。第5节讨论了第3和第4款的出版物和所涉问题。第6节最后列出了挑战和今后的步骤。

1. 基于无线电的WSNS传感：一般效应和初始实验

无线电波是频率从3KHZ到300GHZ的电磁波。电磁波在空间传播时受到各种效应的影响。这些效应的大小主要是信号频率、传输介质和传播过程中遇到的物体的函数。这种效应包括反射（当波部分反弹到物体上时）、折射（从一个介质到另一个介质时方向的改变）、AB-吸附（当物体被击中时能量损失）、衍射（当波在障碍物周围弯曲和扩散时），散射（波在多重点上反弹）和极化（波的振荡方向会随着相互作用而改变）。[8]此外，在自由空间中，电磁波遵循反方法则，即信号的功率密度与发射机距离的平方成反比。[8]

无线电波传播的另一个方面是多径传播。典型的情况是，发射机的天线将向不同方向(如全向天线)或角度(如定向天线)发射无线电波。同时也会出现上述的一些效应。例如，无线电波可能通过一个物体传播，但它的一部分会反射到它的表面，它的一些能量会被物体吸收。在这种相互作用之后，现在（至少）有两个无线电信号向不同的方向传播，但来自同一来源。来自同一来源的无线电信号，通过两条或多条路径到达接收机，称为多路径信号或成分。接收到的信号的功率通常是这些破坏性或建设性的多路径组件的总和。

在WSNS中，通常有一个单一的参数可以给出接收到的信号的功率的指标。这个参数是接收信号强度指示器（RSSI），它通常是一个标量值。这一参数可以作为上述描述的效应的一个复杂函数在信号通过空间直到进入接收器的天线。

2006年，Woyach等人进行了基于RSSI的实验，发现在节点之间没有无线连接的对象定位是可行的。他们观察到一个物体在两个收发报机之间（导致信号路径的阴影）和附近（导致小规模衰落）的RSSI变化，并将RSSI方差确定为一个特征，从而能够洞察运动类型。根据物体的轨迹、网络拓扑和环境的几何形状，差异的波动也是不同的。

他们还表明，一个节点在网络中的移动对RSSI的影响比一个对象在网络外部的移动更大，因为在后者的情况下，信号路径的数量通常会减少。同样的实验也被用来破坏被称为空间存储器的无线电波特性。他们在报告中指出，在环境发生任何形式的暂时变化之后，RSSI返回到变化之前的测量值。图1给出了这些实验的简化说明。

1. （b） （c）

图1.Woyach等人进行的关于WSN节点运动和环境变化的实验。在一个房间里有一个接收器和传输器。房间里的物体有一部分是来自T.在B)中，发射机被移到物体的后面，这样R现在只接收反射信号。当阴影影响到RSSI时，T移动到这个新位置也会产生强烈的RSSI波动。在c)中，对象被移除，添加额外的反射，而从c)到a)之间的LOS路径将给出与以前相似的RSSI值。

在同一论文中还比较了加速度计和RSSI的测量结果，结果表明在某些情况下无线电传感器似乎比加速度计更敏感。

他们还进行了一个针对链路不对称的实验，即交换发射机和接收机角色时信号强度的偏差。连接不对称的一个常见原因是天线的方向不同，引入挥发性阻塞（新的/移动的物体）也可能强烈改变无线电链路的对称性。Woyach等人利用2.4GHZ WSN节点和在不同位置使用金属物体阻碍LOS，表明测量到的不对称程度可以达到一个数量级。

在另一个实验中，总共有四个2.4千兆赫的WSN节点被放置在一个5times;7米的房间的角落和中间的墙壁上。与静态室内的测量值相比，当椅子放在房间里或两个人走动时，人们观察到了差异。

最后，他们比较了两种载波频率对人类在洛杉矶移动时RSSI的影响。在对一般物理学理论（频率与衰减的反比关系）的预期中，他们报告说，2.4兆赫信号的波动大约是433MHZ的两倍。当运动停止时波动就消失了。

Woyach等人的这些初步实验产生了一些相关的出版物，我们将在接下来的两节中进行回顾。

1. DFL：无设备无线电定位

在本节中，我们将回顾基于Woyach实验结果的出版物（参见第2节），以研究无设备被动定位（DFL）系统[16]。根据Youssef 2007[16]的定义，这些系统是使用无线电信号分析来定位或跟踪人的系统，而人本身不需要携带无线设备。 这项研究与本论文高度相关，因为本论文研究了人类运动对RSSI的影响的算法、模型和节点设置。审查后的出版物按其研究重点排序。有关DFL研究的 更古老但更详细的概述，轻参见[6]。

3.1空间覆盖和自适应机器学习

张等[18]利用一个870MHzWSN节点的试验台，以网格形式布置，并将其固定在天花板上2.4米处，以研究运动对无线电链路的影响。他们指出，对于天花板上的每一个环节，地板上都存在一个椭圆形区域，在静态环境中，移动该区域的物体引起的RSSI波动超过了测量值。

研究了接收信号功率、节点距离和发射功率的关系。他们报告说，对于2米和3米的距离，他们可以通过调节传输功率来调节物体对RSSI的影响。当引入一个物体时，将传输功率设置得太低会对RSSI产生微弱的影响。对于较长距离而言，传输功率的调节没有影响，因为传输功率不能增加到足以使物体对信号产生足够的影响（即，它们在静态测量中不能与噪声分离）。他们确定了一个有效区域，用于检测受测无线传感器网络节点的收发器距离（从2米到5米）的影响（即静态环境中，RSSI波动超过测量阈值）。实验结果表明，调整定位算法和拓扑的功率可以提高定位精度。

最近，他们还研究了降低DFL系统延迟的方法，并更好地了解拓扑需求。在这项工作中，他们把监控室分成六角区域。相邻区域使用不同的通信信道。每个六边形都由六个三角形构成，遵循预先定义的TDMA插槽方案。利用支持向量回归（SVR）实现了跟踪。这种基于机器学习的分类器在添加新的监控区域时通常需要典型的训练测试迭代。然而，张等人开发了一种自适应学习方法，该方法只需三个采样点就可以将新的三角形添加到系统中。使用SVR和这种特殊的拓扑结构，可以获得目标位置，精度约为1米，更新频率为3.8赫兹（以前为0.5赫兹）。

3.2准确检测和打印

在他们早期的实验中，Youssef等人[16]专注于人的检测。在他们的实验中，他们在房间的内部设置了经典的802.11b WiFi节点。其中两个节点以100毫秒的速度发送数据包，而另外两个节点则记录所接收数据包的RSSI。检测特征1）移动平均RSSI和2）移动平均RSSI方差进行了比较。对于这两种方法，计算了两种移动平均值：一种较长的win-dow（长期行为），用于与较短的窗口（短期行为）进行比较，以检测变化。在不同的窗口长度中，他们测试了两种方法，获得了100%的精度。在这项工作中，他们还提出了第一个基于指纹的定位系统。因此，对于给定的设置，它们的精度达到了90%。

在后来的出版物[12]中，他们介绍了更先进的Nuzzer DFL系统，该系统在大型典型办公环境中进行了评估。仅使用3个接入点和2个监测点（数据采集频率为5HZ），他们就获得了1.82的中间距离误差。在离线阶段构建被动无线地图之前，基于贝叶斯推理算法估计了最可能的用户位置。

最近[4]他们提出了一种新的系统，用于在监测区域精确检测人体运动。在两个实际环境中，他们采用异常检测的方法，在评估系统时，实现了6%的漏检率和9%的误报警率。特别有趣的是，本文比较了特征（RSSI平均值与RSSI标准差）对人体运动和稳定性的敏感性。他们报告说，当将新的记录与前两周的数据进行比较时，标准偏差对环境变化更为稳定，但对人类活动更为敏感。由于在静态环境中只需要2分钟左右的校准阶段，该系统也推进了他们之前的工作。他们进一步实施技术来抵消环境驱散的影响。这是通过不断添加新测量的数据来完成的，这些数据不会触发检测。

3.3无线层析成像和统计建模

Wilson和Patwari通过创建来自WSN节点数组的测量的可视化来接近DFL。作为无线层析成像（RTI）的来源，它们使用双向（参见第2节中的链路不对称）RSSI方差[13]或RSSI平均波动[14]在被监测区域周围矩形排列的节点之间。使用后一种系统，他们还显示了两个人同时的强大本地化。在他们所有的实验中，无线传感器网络节点都被部署在人体躯干高度附近的支架上（以最大限度地提高人体运动对RSSI的影响）。

他们还引入了一个统计模型[5]来根据RSSI方差近似一个人的位置。该模型结合了两个先前已知的无线电信道模型，并进行了以下简化：1）两个收发器都有一个全向天线，2）模型效应仅包括散射和再反射，3）所有散射对象（所有引起散射或反射的静态障碍物）都位于一个平面上。到地上，然后， 4）只对每个多径分量的单个交互进行建模。

在该模型中，目标在监测区域的运动会影响一定数量的多径功率。这一数量可以提供给模型，因为链路上的测量方差与总受影响功率近似呈线性关系[5]。

该模型经过了经验验证[13]，可用于解释其他研究人员报告的大多数测量结果（如[18]）。此外，与其他人的研究结果相一致[4]，他们报告说，RSSI的方差可以用作运动指标，而不管网络中密集的墙壁和静止物体造成的平均路径损失。在许多情况下，多径衰落甚至导致当人/物体阻塞链路时平均信号强度增加。为了评估模型，他们报告了移动个体的近似误差为3ft，静止移动个体的近似误差为1.5ft。

除了这些令人印象深刻的结果外，没有提供关于如何找到必要的分布和已使用的WSN节点数量的信息。此外，由于需要收集所有节点之间的双向链路信息，更新速度相对较慢。因此，当N是节点数时，传输数据包的数量随着O(N ²) 而增长。由于采用卡尔曼滤波器进行跟踪，导致了额外的处理延迟。

1. DFAR：无设备无线电活动识别

在本节中，我们将对无设备无线电活动识别（DFAR）研究的出版物进行概述。根据DFL[16]的定义，我们定义了这些系统：

无需无线电设备的DFAR活动识别系统：一种使用无线电信号分析识别人的活动的系统，而人本身不需要携带无线设备。 审查的DFAR出版物按所用算法/方法分类。

4.1基于自适应阈值的距离

在我们小组[11]最近的一份出版物中，我们介绍了一个系统，它可以检测到一个人在一个典型的办公室里行走、通话以及门的状态。该装置由两个软件定义的无线节点（SDR）组成，分别位于典型办公室门的左右两侧。一个节点被配置为在900MHZ频段上发送连续的正弦信号，而另一个节点则接收并分析该信号。

对于步行检测，将50 ms时间内大于训练阈值的峰间振幅数定义为特征。该算法检查这些振幅的数量是否大于第二个阈值，这也是在训练期间确定的。

对于门环境，振幅的静态变化被定义为特征。振幅检测的阈值也设定在分类前的校准阶段。为了检测电话呼叫，在频谱的预定义区域搜索一个非常强的信号。搜索的波段每25毫秒改变一次，信号的阈值是硬编码的。为了适应移动电话的跳频，需要对频带进行扫描。

这三种算法的准

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[609109]，资料为PDF文档或Word文档，PDF文档可免费转换为Word