通过深度学习利用环境射频进行存在检测

本文探索利用环境射频（RF）信号通过深度学习进行人体存在检测。以WiFi信号为例，我们证明接收端获得的信道状态信息（CSI）包含关于传播环境的丰富信息。通过对估计CSI进行审慎预处理继而深度学习，可实现可靠的存在检测。被动RF感知中的若干挑战得到解决。对于存在检测，如何收集有人存在时的训练数据会对性能产生显著影响。这与关注特定运动模式的活动检测形成对比。第二个挑战是RF信号为复值。在深度学习中处理复值输入需要谨慎的数据表示与网络架构设计。最后，人体存在沿多个维度影响CSI变化；然而此类变化常被时序或频偏等系统缺陷所掩盖。应对这些挑战，所提学习系统利用预处理来保留人体运动引起的信道变化，同时隔离其他损伤。随后设计了一个用幅度与相位信息恰当训练的卷积神经网络（CNN）以实现可靠存在检测。我们开展了大量实验。使用现成WiFi设备，所提基于深度学习的RF感知在多个延长测试周期内实现了近乎完美的存在检测，并展现出优于领先被动红外传感器的性能。与现有基于RF的人体存在检测的比较也证明了其性能鲁棒性，尤其在完全新环境中部署时。