深度学习系统收集射频信号实现人类在场状态检测

（文章来源：Tech Xplore）
纽约雪城大学的研究者们最近发明了一种通过分析周围环境的射频信号来检测给定环境中人们的出席情况的系统。arXiv杂志预先发表的一篇文章介绍了这一基于大量射频数据训练的卷积神经网络新系统。进行这项研究的一名研究者Biao Chen对TechXplore说：“最初，我们尝试利用深度学习分析无源射频信号检测户外无人机。但结果不尽如人意——某些天有效果，隔几天又不好用了。”

Chen和他的团队成员在研发一个可以检测室外环境中是否有无人机存在的系统进行了一段时间的尝试。然而，他们不久便意识到仅仅通过分析无源射频信号来持续检测无人机是不可能的，因为他们无法控制无人机的周围环境。该系统被设计为抽取由无人机移动产生的传输信号变化射频特征，但因此也会受到驶过的车辆、遛狗的行人以及其他任何进入周围环境的物体影响。

Chen解释道：“在无人机实验中，我们始终无法获得一致的结果。然而，我们开发的学习系统很容易适应室内应用，室内环境更容易控制和校准。这最终引导我们开发出一款以深度学习为基础，利用周围WiFi信号来检测‘在场’情况的系统。”

房间内以及其他室内环境中人们的在场情况可通过多种方式改变射频信号的传播。通过预处理射频信号测量结果，研究者们可以生成“图像”来描述信号，反之又可以通过这些“图像”来分析在一个特定环境中人们的在场情况。之后他们利用大量的数据对卷积神经网络进行训练，其中包括振幅和相位信息，这是射频信号的两个重要特性。一段时间后，深度学习算法学会了通过分析信道状态信息（CSI）分辨特定环境中有人和无人的状态。

“利用WiFi，蓝牙，蜂窝信号这些无处不在的射频信号来获取情境感知信息，实现了现有射频基础设施的增值。”Chen说，“比方说在占用率检测中，射频传感可以是一种低成本且无额外基础设施的替代方案，也可以是对现有方法的补充。”

Chen和他的团队成员利用现有的WiFi设备在实验室中进行了一系列试验对该卷积神经网络系统进行评估。他们的系统几乎在所有的情况下都能准确地检测到人类的存在，效果优于几种最先进的被动红外传感器。未来，该系统将会衍生出许多有用的应用。比如说，它可以用于检测人类在一个受限制或者一个私人领域内的存在情况。获取与占用率和人们的实时在场数据也有助于提高建筑的智能化，减少能源的消耗（例如用于空调的采暖与通风以及控制照明）。

“深度学习常被吹捧为是利用数据驱动的，”Chen说，“但另一方面，对数据处理的要求（无论对于数量还是质量）也是压倒性的。为了使技术真正实用，最终用户不应承受数据收集和处理所带来的负担。因此，我们目前和今后的工作将着重于实现不需要收集运动数据就能获得可靠的存在情况检测结果。”
（责任编辑：fqj）