一种基于Wi-Fi信号的多房间人体存在检测方法

本发明属于无线感知与人工智能，尤其涉及一种基于wi-fi信号的多房间人体存在检测方法。

背景技术：

1、wi-fi感知是一种利用现有无线局域网设备实现环境感知的技术。与摄像头、可穿戴设备或专用雷达相比，wi-fi感知无需被检测对象携带终端，也不采集图像隐私信息，具备部署成本低、隐私友好、覆盖范围广且易于复用通信基础设施等优势。信道状态信息（csi）能够反映无线信号在传播过程中的幅度、相位、多径及空间相关性变化，因而被广泛用于人体存在检测、人员计数、呼吸监测和智慧家庭等应用。

2、在现有研究中，较多wi-fi人体存在检测方法将csi样本或滑动切片后的csi窗口直接映射为人体存在标签，本质上属于csi到标签的分类问题。例如，采用卷积神经网络提取csi幅度图的空间特征，采用循环神经网络或注意力机制提取时间依赖关系，或采用transformer结构对csi窗口进行分类。这类方法在单房间、单链路或结构较简单的室内环境中能够取得一定效果。然而，多房间人体存在检测在实际部署中面临更复杂的问题：多房间感知系统通常需借助有限数量的无线链路同时推断多个房间的状态，当人体位于某一房间时，其对墙体、门、家具等反射路径的影响可能同时传播至多条链路，导致不同房间信号严重耦合。尤其当主接入点位于公共区域、从接入点分属不同房间时，公共区域的人体活动会同时扰动多条链路，而房间内的人体存在则对相应链路产生更强影响，这种耦合关系使得多房间状态推断尤为困难。

3、此外，csi对接入点部署位置、房间布局、家具摆放、室内植物、移动物体、家用机器人及其他无线干扰源均高度敏感，不同家庭环境或房间布局下csi分布差异显著。传统直接分类模型依赖训练场景中固定的csi-标签映射关系，当测试场景出现新的布局、接入点位置或干扰条件时，误报率易升高，泛化性能明显不足。同时，现有基于阈值的wi-fi人体检测方法通常对csi幅度、方差或能量变化设置固定门限，由于不同链路和不同环境下的背景噪声水平不一致，固定阈值难以兼顾检测概率与误报概率。虽然预训练大语言模型凭借transformer结构具备强大的序列建模和长距离依赖捕捉能力，但如何将其跨模态应用于wi-fi csi特征预测，并基于预测偏差实现多房间人体存在检测，现有技术中尚无有效方案。

4、因此，在多房间部署场景下，信号耦合、场景泛化及阈值自适应等问题仍有待解决。

技术实现思路

1、为解决上述技术问题，本发明提供了一种基于wi-fi信号的多房间人体存在检测方法，该方法不直接将信道状态信息（channel state information, csi）样本分类为房间标签，而是首先从多链路多输入多输出正交频分复用（multiple-input multiple-outputorthogonal frequency division multiplexing, mimo-ofdm）信道状态信息中提取包含频域统计信息、时延域多径信息和空间结构信息的混合信道状态信息特征向量，然后将所述混合信道状态信息特征向量作为时序令牌序列输入经低秩适配（low-rank adaptation,lora）模块微调的预训练大语言模型（pre-trained large language model, llm）进行信道状态信息特征预测，最后根据预测信道状态信息特征与实际观测信道状态信息特征之间的预测偏差完成感知链路的信道状态信息变化检测和各个房间内的人体存在状态推断。

2、本发明提供了一种基于wi-fi信号的多房间人体存在检测方法，包括：

3、获取布置于多个房间内的多条wi-fi链路在当前时刻的信道状态信息数据；

4、对每条链路的信道状态信息数据分别进行特征提取，得到对应于各条链路的信道状态信息特征向量；

5、将各条链路的信道状态信息特征向量按照时序排列转换为预训练大语言模型可处理的时序令牌序列；

6、将所述时序令牌序列输入经过参数高效微调的预训练大语言模型，预测当前时刻之后下一时刻的各条链路的预测信道状态信息特征；

7、获取下一时刻各条链路的实际观测信道状态信息特征，并将各条链路的实际观测信道状态信息特征与对应的预测信道状态信息特征进行比较，计算各条链路的预测偏差；

8、根据各条链路在无人体存在时预测偏差的历史分布数据，分别确定各条链路的自适应判定阈值；

9、将各条链路的预测偏差分别与各自对应的自适应判定阈值进行比较，根据比较结果获得各条链路所对应房间内的人体检测结果。

10、可选地，对每条链路的信道状态信息数据分别进行特征提取，包括：

11、从频域信道状态信息的幅度中提取均值、方差、偏度和峰度作为频域统计特征；

12、对频域信道状态信息执行逆离散傅里叶变换得到时延域响应，基于所述时延域响应计算归一化功率时延谱，并从所述归一化功率时延谱中提取平均时延、时延扩展以及高阶统计量作为时延域多径特征；

13、将所有天线对的信道状态信息组成天线对子载波矩阵，计算空间相关矩阵并对所述空间相关矩阵进行向量化，得到空间相关特征；

14、对信道状态信息矩阵执行主成分分析，取前若干个主成分或者特征值作为主成分特征；

15、将所述频域统计特征、所述时延域多径特征、所述空间相关特征和所述主成分特征进行拼接并归一化，得到每个信道状态信息采样时刻的混合信道状态信息特征向量。

16、可选地，将各条链路的信道状态信息特征向量按照时序排列转换为预训练大语言模型可处理的时序令牌序列，包括：

17、在每个检测决策周期内将所述混合信道状态信息特征向量序列对齐到固定时间网格，并堆叠连续多个信道状态信息采样时刻的混合信道状态信息特征向量，形成混合信道状态信息特征矩阵；

18、将所述混合信道状态信息特征矩阵作为预训练大语言模型可处理的时序令牌序列。

19、可选地，将所述时序令牌序列输入经过参数高效微调的预训练大语言模型，预测当前时刻之后下一时刻的各条链路的预测信道状态信息特征，包括：

20、通过轻量级卷积神经网络提取所述时序令牌序列中相邻时间样本和相邻特征维度之间的局部相关模式，得到卷积增强表示；

21、通过数据嵌入层将所述卷积增强表示中的每个维度的信道状态信息特征向量线性投影至预训练大语言模型的隐藏维度，得到投影特征；

22、在所述线性投影之后加入残差变换和激活函数，得到信道状态信息时序令牌表示；

23、将所述信道状态信息时序令牌表示输入经过参数高效微调的预训练大语言模型，由所述预训练大语言模型处理所述信道状态信息时序令牌表示并输出隐藏表示；

24、通过输出模块将所述隐藏表示映射回信道状态信息特征空间，得到预测信道状态信息特征矩阵。

25、可选地，将所述信道状态信息时序令牌表示输入经过参数高效微调的预训练大语言模型之前，还包括：

26、在预训练大语言模型的自注意力层中引入低秩适配模块，通过所述低秩适配模块进行参数高效微调；

27、在训练过程中冻结预训练大语言模型的原始参数，仅更新所述低秩适配模块中的低秩适配矩阵以及任务相关的卷积神经网络参数、嵌入层参数和输出层参数。

28、可选地，将各条链路的实际观测信道状态信息特征与对应的预测信道状态信息特征进行比较，计算各条链路的预测偏差，包括：

29、针对每条感知链路，根据所述感知链路的预测信道状态信息特征向量与实际观测信道状态信息特征向量计算归一化均方误差，将所述归一化均方误差作为所述感知链路的预测偏差；

30、对所述归一化均方误差计算滑动窗口方差，得到方差序列；

31、通过指数移动平均对所述方差序列进行平滑处理，得到时间预测偏差分数。

32、可选地，根据各条链路在无人体存在时预测偏差的历史分布数据，分别确定各条链路的自适应判定阈值，包括：

33、针对每条感知链路，根据所述感知链路在无人体存在时的时间预测偏差分数的排序分布划分多个百分位区间；

34、将所述多个百分位区间中内部变化最大的百分位区间作为静态背景和人体扰动之间的过渡区域；

35、选取所述过渡区域的下界作为所述感知链路的自适应判定阈值。

36、可选地，将各条链路的预测偏差分别与各自对应的自适应判定阈值进行比较，根据比较结果判断各条链路所对应房间内是否存在人体，包括：

37、针对每条感知链路，当所述感知链路的时间预测偏差分数大于所述感知链路对应的自适应判定阈值时，判定所述感知链路存在由人体存在导致的信道状态信息变化；当所述时间预测偏差分数不大于所述自适应判定阈值时，判定所述感知链路不存在由人体存在导致的信道状态信息变化；

38、根据多条感知链路的检测结果进行房间级映射：当仅第一感知链路被检测为存在信道状态信息变化时，判定第一房间内存在人体；当仅第二感知链路被检测为存在信道状态信息变化时，判定第二房间内存在人体；当第一感知链路和第二感知链路均未被检测为存在信道状态信息变化时，判定所有房间均不存在人体；当第一感知链路和第二感知链路均被检测为存在信道状态信息变化时，比较第一感知链路的时间预测偏差分数幅度和第二感知链路的时间预测偏差分数幅度，若其中一条感知链路的时间预测偏差分数幅度强于另一条感知链路，则判定时间预测偏差分数幅度较强的感知链路所对应的房间内存在人体，否则判定公共区域存在人体。

39、可选地，获取布置于多个房间内的多条wi-fi链路在当前时刻的信道状态信息数据，包括：

40、根据房间级人体存在检测的决策周期，确定与当前检测决策周期相对应的信道状态信息观测窗口；

41、从所述信道状态信息观测窗口内提取多条感知链路在多个采样时刻的信道状态信息序列，使所述信道状态信息序列的时间跨度与所述决策周期相匹配。

42、可选地，根据比较结果判断各条链路所对应房间内是否存在人体之后，还包括：

43、在房间级映射之后引入时间平滑处理；

44、当某一房间的人体存在状态在单个检测决策周期内发生孤立跳变，而所述单个检测决策周期前后的多个检测决策周期均保持相反状态时，将所述孤立跳变识别为误触发并进行修正。存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述方法。

45、与现有技术相比，本发明具有如下优点和技术效果：

46、本发明基于预训练大语言模型的序列建模能力，将wi-fi信道状态信息特征的时序演化规律建模为预测问题。具体而言，通过将各条链路的信道状态信息特征向量转换为时序令牌序列并输入预训练大语言模型，利用该预训练大语言模型的长距离依赖捕捉能力对信道状态信息特征在时间维度上的演化趋势进行预测，使预测结果能够反映当前传播环境在无人状态下的正常变化基线。当人体出现或在不同房间之间活动时，无线传播环境中的反射、散射和遮挡条件发生改变，该改变即时反映在实际观测的信道状态信息特征中，使实际观测信道状态信息特征与预测信道状态信息特征之间出现偏差。基于预测偏差进行人体存在检测，是从信道状态信息的时间演化是否符合历史规律的角度进行判断，而非直接学习信道状态信息样本与存在标签之间的映射关系，因此本发明不依赖于特定房间布局、接入点位置或家具摆放条件下训练样本所对应的固定判别边界，在不同室内环境之间迁移时能够保持稳定的检测能力。

47、进一步地，本发明对各条wi-fi链路分别进行信道状态信息特征提取和预测偏差计算，并基于各链路在无人体存在时预测偏差的历史分布数据独立确定各链路的自适应判定阈值。由于不同链路所经过的传播路径、穿过的墙体材料和经历的室内障碍物各不相同，各链路的背景噪声水平、多径衰落程度和静态环境扰动存在差异，独立确定各链路的自适应判定阈值使每条链路的检测灵敏度能够适配自身的信号质量和环境特性，避免采用统一固定阈值时部分链路因噪声过高而产生误报，或因信号变化幅度过小而无法有效检测人体。在多房间场景下，当人体在某一房间内活动时，该房间对应的链路产生最为显著的信号扰动，结合各链路各自的预测偏差幅度与自适应判定阈值的比较结果，能够将人体存在状态定位至具体房间，有效缓解了多房间之间信号耦合带来的状态推断困难。

48、此外，本发明将实际观测信道状态信息特征与预测信道状态信息特征之间的偏差作为检测依据，无需对原始信道状态信息的幅度或能量设定固定门限，自适应判定阈值完全基于各链路自身的预测偏差历史分布确定，随链路质量和部署环境动态变化，无需依赖带标签的大规模训练数据，因而在不同家庭布局、接入点部署方式和干扰条件下均能兼顾较高的检测概率与较低的误报概率，显著提升了多房间wi-fi人体存在检测系统的鲁棒性和泛化能力。