ReWiS：基于少样本多天线多接收机 CSI 学习的可靠 Wi-Fi 感知
网络与互联网体系结构
2022-04-21 v2 信号处理
摘要
得益于 Wi-Fi 接入点与设备的普及，Wi-Fi 感知在远程医疗、安全与监控中实现了变革性应用。现有工作探索了利用从 Wi-Fi 数据包计算出的信道状态信息（CSI）进行机器学习，以分类感兴趣的事件。然而，这些算法大多需要大量数据收集，以及额外的 CSI 特征提取所带来的繁重计算力。此外，多数模型在新/未训练环境中测试时精度不佳。本文提出 ReWiS，一种鲁棒且环境无关的 Wi-Fi 感知新框架。ReWiS 的关键创新是以少样本学习（FSL）作为推理引擎，其（i）减少了对大量数据收集与特定应用特征提取的需求；（ii）仅借助少量新样本即可快速泛化至新任务。我们使用现成 Wi-Fi 设备原型化 ReWiS，并以人体活动识别这一引人注目的用例展示其性能。为此，我们在三种不同传播环境中与两名受试者开展了广泛的数据收集活动。我们评估了各分集组件对性能的影响，并将 ReWiS 与传统卷积神经网络（CNN）方法比较。实验结果表明，相较于现有单天线低分辨率方法，ReWiS 性能提升约 40%。此外，与基于 CNN 的方法相比，ReWiS 精度高出 35%，且在不同环境测试时精度下降小于 10%，而 CNN 下降逾 45%。
引用
@article{arxiv.2201.00869,
title = {ReWiS: Reliable Wi-Fi Sensing Through Few-Shot Multi-Antenna Multi-Receiver CSI Learning},
author = {Niloofar Bahadori and Jonathan Ashdown and Francesco Restuccia},
journal= {arXiv preprint arXiv:2201.00869},
year = {2022}
}