An Artificial Intelligence-Driven Framework for Real-Time CHPD Using Wi-Fi Channel State Information
本文提出了一种低成本、保护隐私、人工智能驱动的框架，该框架利用通过 ESP32 设备捕获并经由 CNN-BiLSTM-Attention 混合模型处理的 Wi-Fi 信道状态信息（CSI），实现了实时、非接触式的人体存在检测、人数统计及活动分类，准确率达到 78.57%。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在我们的家庭和办公室的静谧角落里，无形的 Wi-Fi 波正不断地在墙壁、家具以及空气中跳跃。这些波纹承载着我们的电子邮件和视频，但也讲述着一个关于它们所穿越空间隐藏的故事。当一个人在房间里移动时，他们的身体会微妙地扰动这些波，改变它们到达接收器的方式。这种扰动被称为信道状态信息（Channel State Information），它是信号旅程的详细地图，不仅揭示了连接的强度，还揭示了每一次涟漪的具体形状和时机。虽然摄像头长期以来一直是观察室内人员的标准手段，但它们引发了隐私方面的担忧，且需要昂贵的硬件。研究人员开始思考，我们生活中已然存在的 Wi-Fi 信号是否可以作为一种无声且隐形的观察者，能够在不拍摄任何照片的情况下，实现对人数的计数和对动作的检测。
一位研究人员现在将这个想法转化为了现实。他们创建了一个框架，利用两个小型且廉价的计算机芯片来监听房间内的 Wi-Fi 信号，并确定确切有多少人在场，他们在做什么，以及是在坐着、站着还是走动。该设置非常简单：一个芯片充当发射器，发送持续的 Wi-Fi 数据包流；而第二个芯片充当接收器，捕捉到达的这些数据包。当房间为空时，数据包以可预测的模式到达。但当有人进入空间时，他们的身体会反射并散射信号，从而在数据中创造出一种独特的改变指纹。研究人员捕捉了这些变化，将原始信号的变化转换为计算机可以理解的一串数字。
为了理解这些复杂的数据，研究人员开发了一种专门的计算机大脑，这是一种旨在从模式中学习的人工智能类型。他们并没有依赖单一的方法，而是结合了三种不同的技术，来模拟人类分析场景的方式。首先，系统观察信号的空间布局，识别出 Wi-Fi 光谱中哪些部分受人员存在的影响最为显著。接着，它检查随时间变化的事件序列，通过追踪信号在每一时刻的变化来理解运动。最后，系统学会将注意力集中在数据的最重要部分，忽略经常困扰无线信号的背景噪声。这种混合方法使计算机能够区分空无一人的房间、只有一人的房间，以及有最多五人或更多人群的拥挤房间。
研究人员通过在受控环境中记录数千个信号样本来测试他们的系统。他们根据房间的“地面真值”（ground truth）对数据进行了标注：空闲、一人、两人、最多五人、人群，以及特定的活动，如坐、站或走。他们将这些数据输入到人工智能模型中，模型学习如何将特定的信号模式与这些特定条件联系起来。结果令人振奋。该系统成功分类了这十种不同的场景，测试准确率达到了 78.57%。虽然并不完美，但这一表现足以证明该技术的有效性。研究人员指出，当差异较小时，系统有时会混淆人数，例如将一人误认为五人，这很可能是因为在这些特定条件下，信号的变化看起来非常相似。然而，检测存在感和活动的整体能力是稳健的，即使人们并未直接暴露在传感器视野内，该系统也能正常工作，这证明了即使在视线被阻挡时，系统依然有效。
为了让这项技术落地，研究人员构建了一个实时仪表盘，用于展示系统所观测到的内容。这个界面显示了实时信号强度、检测到的人数、预测的活动以及计算机对其答案的置信度。它还会追踪温度和湿度等环境因素，因为这些因素会影响信号，从而确保系统能够感知周围环境。整个过程是实时进行的，系统一次处理连续的二十帧数据以做出决策。这种方法使系统能够快速响应房间内的变化，在无需任何摄像头镜头的条件下，提供关于占用情况的连续信息流。
这项工作的意义在于它为传统的监控手段提供了一种保护隐私的选择。由于该系统依赖于现有的 Wi-Fi 基础设施，且不采集图像或视频，因此它可以在监测空间的同时不侵犯个人隐私。它使用广泛可得的低成本硬件，使其适用于智能家居、老年人医疗护理以及不适合安装摄像头的安全应用领域。研究人员承认，这是一个进步，但并非终点。他们计划通过收集更多样化的数据并优化人工智能模型来提高准确性。目前，他们已经证明了无形的 Wi-Fi 波确实可以告诉我们谁在房间里，为我们提供了一种既有效又尊重隐私的感知世界的新方式。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。