WiFi 感知人体行为监测 ​

摄像头监控有天然的隐私阻力（卧室、卫生间、养老院老人的尊严问题），穿戴设备有「忘戴/抗拒」问题。这个项目走第三条路：利用环境中已有的 WiFi 信号做感知——人在房间里活动时，身体会反射和散射 WiFi 电磁波，改变信道的多径结构。接收端把这些变化（CSI）采集下来，用信号处理 + 机器学习解码出「有没有人、在做什么、有没有跌倒」。没有镜头、无需穿戴、全屋覆盖、成本几乎为零。

一、为什么 WiFi 能感知人体 ​

WiFi 信号从发射端到接收端不止一条路径（直射 + 墙面反射 + 家具散射 + 人体反射）。人在环境中移动时：

• 多普勒效应：移动速度在电磁波上的投影引起载波频偏——跑步、走路、静止的频偏特征完全不同
• 多径扰动：身体占据/腾出某条路径，接收端 CSI 幅值和相位产生对应波动
• 呼吸微动：即使是静卧的人，胸腔起伏也会对路径长度产生毫米级调制——静息呼吸都能被捕获

信道状态信息（CSI，Channel State Information）比传统 RSSI 细粒度高两个数量级：RSSI 是整条信道的单一强度值，CSI 把 OFDM 每个子载波（常见 56/114 个）的幅相都给了出来——相当于从「一个数」变成「一张随时间变化的谱」。

二、系统架构 ​

┌────────────────────────────────────────────────────────┐
│ 应用层   存在检测 · 跌倒报警 · 行为统计 · 呼吸监测        │
├────────────────────────────────────────────────────────┤
│ 模型层   时序分类模型（CNN+LSTM / Transformer）          │
│          跌倒检测 · 行为识别 · 多目标分离                 │
├────────────────────────────────────────────────────────┤
│ 特征层   去噪 · 子载波筛选 · 多普勒时频图 · 统计特征       │
├────────────────────────────────────────────────────────┤
│ 采集层   CSI 采集（ESP32 / 网卡 CSI Tool）· 时间同步      │
├────────────────────────────────────────────────────────┤
│ 物理层   普通 WiFi 路由器 + 接收节点（无专用传感器）        │
└────────────────────────────────────────────────────────┘

三、采集层：CSI 从哪来 ​

ESP32 的采集要点：

// ESP32 CSI 采集核心配置：只在信道空闲时拿到完整 CSI
wifi_set_csi(true);
wifi_csi_config_t cfg = {
    .lltf_en = true,           // 长训练字段——CSI 的来源
    .htlf_en = true,           // HT-LTF：802.11n 40MHz 频宽
    .dump_ack_en = false,      // 不要 ACK 包的 CSI（噪声大）
    .val_of_dcm = 1,
};
wifi_set_csi_config(&cfg);
wifi_csi_register_cb(on_csi_received);  // 每个 WiFi 包回调一次

实战坑：采样率取决于环境中的 WiFi 流量——没人传数据就没有包、就没有 CSI。解法是接收端主动发 ICMP/UDP 探测包「喂」信道，把采样率稳在 100Hz 以上（跌倒检测的最低要求：事件持续 0.5~0.8s，需要足够的时间分辨率）。

四、特征层：把信号洗干净 ​

原始 CSI 直接喂模型效果很差，信号处理的功夫决定了上限：

1. 去噪与去趋势 ​

def preprocess(csi: np.ndarray) -> np.ndarray:
    # ① 异常子载波剔除（恒为0或全满幅的坏点）
    csi = csi[:, valid_subcarriers]
    # ② Hampel 滤波去脉冲噪声（WiFi 包冲突造成的尖刺）
    csi = hampel_filter(csi, window=5, sigma=3)
    # ③ 去直流 + 归一化：消除收发链路增益差异（分环境自校准的关键）
    csi = csi - csi.mean(axis=0)
    csi = csi / (np.abs(csi).std(axis=0) + 1e-8)
    return csi

2. 子载波筛选 ​

不是所有子载波都对人体敏感（有的子载波落在深衰落区，全程只有噪声）。用方差贡献法动态选 Top-K 灵敏子载波——顺带解决了「换环境后部分子载波失效」的域偏移问题。

3. 多普勒时频图：行为识别的核心特征 ​

对 CSI 幅值做滑动窗口 STFT，得到的时频图里：

• 走路：多普勒谱上规律的「手臂-腿」双频带摆动（1~3Hz 步频谐波）
• 跌倒：短时（<0.5s）大速度冲击 → 高多普勒分量突现后迅速归零，且之后持续静止——和「快速坐下」的唯一区别就在跌倒后无恢复活动
• 起立/坐下：中等冲击但随后有伴随小幅调整动作

频率
         ↑   跌倒特征：瞬时宽带冲击 + 后续静默
  ██████ │      ▓▓
         │     ▓▓▓▓
         │    ▓▓▓▓▓▓
         │        ▁▁▁▁▁▁▁▁▁  ← 落地后静止
         └──────────────────→ 时间
           冲击    静默

五、模型层：时序分类 ​

两个关键工程决策：

1. 跌倒检测用「事件级联」而不是「逐帧分类」：先能量检测找候选事件 → 分类器判型 → 落地后静默 10s 确认 → 报警。三段式把误报率压下来（宠物跳沙发、重物落地都会被「落地后有恢复活动」这一条排掉）
2. 模型必须轻到能跑在 ESP32 或网关上：量化后的 CNN 只有几十 KB——感知数据不该上云，行为事件才上云，这也是隐私承诺的一部分

六、最难的三件事（真实痛点） ​

1. 环境敏感性——换房间等于换模型 ​

家具挪动、门窗开关都会改变多径基线。缓解手段（彻底解决至今是学界难题）：

• 在线基线自适应：慢速滑动平均跟踪环境漂移（学习率 << 人体运动频率，环境变化慢、人动快，频域上分得开）
• 多收发对冗余：两对收发链路视角不同，环境扰动很少同时废掉两条
• 部署时的一次性「环境校准」流程（空屋采集 30s 基线）

2. 多人分离 ​

两个人在房间里，CSI 是混叠的。工程上可用的手段：

• 多收发对（链路 = 准「视线」约束，两人对两条链路的扰动模式不同，配合聚类可分离）
• 行为级统计（不追求逐人识别时：占用人数估计用奇异值变化数近似）

3. 和 WiFi 业务的共存 ​

探测包功率、频率要克制（不能为了感知把人家的网络刷出延迟）；信道跳变（路由器 DFS/自动选信道）会让 CSI 流中断，接收端要监听信道事件并触发重新校准。

七、性能指标 ​

八、收获 ​

这个项目最大的启发是换个视角看基础设施：WiFi 本来是通信管道，但它的物理层信号里藏着环境语义——「感知」不必新增传感器，解读已有信号就够了。另外对「隐私优先的设计」有了具体经验：信号不出户、模型在端侧、只上报事件语义——技术方案里每一个「多此一举」的本地化设计，在养老、医疗场景里都是产品能不能被接受的生死线。