DeepCRF: Deep Learning-Enhanced CSI-Based RF Fingerprinting for Channel-Resilient WiFi Device Identification
DeepCRF利用深度学习从CSI中提取微信号进行射频指纹识别，通过CNN、数据增强和对比学习，在NLoS和未见信道下实现99.53%的识别准确率，优于现有方法。
2024-11-11 eess.SP
Exploiting WiFi Channel State Information for Residential Healthcare Informatics
在辅助生活和远程监控等领域，人类活动的检测和解释已成为一个具有挑战性的医疗保健问题。除了依赖于可穿戴设备和摄像头系统的传统方法外，基于WiFi的技术正在发展成为室内监控和活动识别的有前途的解决方案。这部分是由于WiFi在诸如家庭和护理设施的住宅环境中的普遍性质以及基于WiFi的感测的不显眼性质。先进的信号处理技术可以使用商用现货（COTS）设备或定制硬件准确地提取WiFi信道状态信息（CSI）。这包括相位变化、频移和信号电平。在本文中，我们描述了在WiFi CSI中的多普勒频移的医疗应用，所引起的人类活动发生在信号覆盖区域。该技术被证明可以识别不同类型的人类活动和行为，非常适合在医疗保健中的应用。三个实验案例研究，以说明在辅助生活和住宅护理环境中的WiFi CSI多普勒传感的能力。我们还讨论了现实世界场景的潜在机遇和实际挑战。
2017-12-09 eess.SP
Toward AIML Enabled WiFi Beamforming CSI Feedback Compression: An Overview of IEEE 802.11 Standardization
本文概述了IEEE 802.11中AIML赋能的WiFi波束成形CSI反馈压缩标准化进展，探讨了CSI反馈开销与压缩复杂度两大挑战及四个KPI，介绍了TIG接受的K-means和自编码器等方案，并指明了未来研究方向。
2025-03-01 eess.SP
Wi-Motion: A Robust Human Activity Recognition Using WiFi Signals
最近的研究表明，人类的运动和位置可以通过WiFi信号识别。关键的直觉是，不同的运动和位置在WiFi信号中引入不同的多径失真，并且在信道状态信息（CSI）的时间序列中生成不同的模式。在本文中，我们提出了Wi-Motion，一个基于WiFi的人体活动识别系统。与现有的系统不同，Wi-Motion采用从CSI序列中提取的幅度和相位信息分别构造分类器，并使用基于后验概率的组合策略将结果进行组合。仿真结果表明，Wi-Motion可以识别六种人类活动，平均准确率为98：4%。
2018-10-27 eess.SP
Wi-Fringe: Leveraging Text Semantics in WiFi CSI-Based Device-Free Named Gesture Recognition
UNC Chapel Hill（北卡罗来纳大学教堂山分校）
缺乏足够的训练数据是基于WiFi的活动识别系统的主要障碍之一。在本文中，我们提出了Wi-Fringe，这是一个基于WiFi CSI的无设备人类手势识别系统，可以识别命名手势，即，在英语中具有语义上有意义的名称的活动和手势，而不是任意的自由形式的手势。给定一个Activity列表（只有它们的英文名称），以及每个Activity的零个或多个训练示例（WiFi CSI值），Wi-Fringe能够在运行时检测所有Activity。换句话说，Wi-Fringe检测到的活动子集根本不需要任何训练样本。
2019-08-16 cs.LG eess.SP stat.ML
The Field-based Model: A New Perspective on RF-based Material Sensing
本研究提出WiFi感知系统WiField，以电场全域视角构建统一感知框架，通过无相位数据实现电场到材质分布的逆映射，可在低成本商用设备上同时识别多波长级目标，平均识别准确率超97%。
2024-12-07 eess.SP
Wi2Vi: Generating Video Frames from WiFi CSI Samples
Amirkabir University of Technology (Tehran Polytechnic)（阿米尔卡比尔理工大学（德黑兰理工大学））
环境中的物体会影响电磁波。虽然这种影响在不同频率之间存在差异，但它们之间存在相关性，并且具有足够容量的模型可以捕获不同频率下测量值之间的这种相关性。在本文中，我们提出了Wi2Vi模型相关联的WiFi信道状态信息与视频帧的变化。所提出的Wi2Vi系统可以完全使用CSI测量来生成视频帧。Wi2Vi产生的视频帧在关键情况下为传统监控系统提供辅助信息。我们的Wi2Vi系统的实现证实了构建能够导出不同频谱中的测量之间的相关性的系统的可行性。
2019-12-30 cs.CV eess.SP
WoV: WiFi-based VLC testbed
我们提出了一个完整的可见光通信（VLC）收发器系统，包括低成本的商业现货（COTS）组件。特别是，我们表明，COTS IEEE 802.11 n（WiFi）设备可以使用，以便物理和数据链路层的射频（RF）WiFi，即2.4 GHz，被重用的VLC。此外，由于WiFi与Linux系统完全集成，因此可以在VLC相关实验中使用和测试从网络到传输和应用层的更高协议。我们的方法的优势在于，VLC实验人员可以完全专注于VLC相关的低级别方面，如新型VLC前端的设计，例如LED驱动器，镜头和光电探测器，并以端到端的方式直接测试它们对整个网络协议堆栈的影响，如自适应视频流。我们目前的第一个结果，从实验中使用我们的原型显示单向VLC传输的性能。在这里，我们分析了引入的失真，以及信号强度之间的关系帧出错率为不同的MCS和最大通信距离。实验结果表明，数据率高达150 Mbps是可能的，在短距离。
2020-01-23 cs.NI eess.SP
ESPARGOS: Phase-Coherent WiFi CSI Datasets for Wireless Sensing Research
本文介绍了利用专为无线感知开发的相位相干多天线WiFi信道探测仪ESPARGOS采集并公开的大规模CSI数据集，该数据集具备详尽标注，支持数据驱动和基于机器学习的感知研究。
2024-08-29 cs.IT eess.SP math.IT
Frame-Capture-Based CSI Recomposition Pertaining to Firmware-Agnostic WiFi Sensing
Kyoto University（京都大学）；University of Oulu（奥卢大学）；Aoyama Gakuin University（青山学院大学）；Tokyo Institute of Technology（东京工业大学）
关于WiFi感知不可知的实现根据信道状态信息（CSI）的可用性，我们调查的可能性估计的CSI矩阵的基础上，其压缩版本，这是已知的波束成形反馈矩阵（BFM）。与在物理层组件中被处理和丢弃的CSI矩阵不同，BFM可以使用介质接入层帧捕获技术来捕获，因为这是在接入点（AP）和站（STA）之间通过空中交换的。这表明利用BFM矩阵的WiFi感测对于使用预安装的AP来实现更实用。然而，基于BFM的传感能力已经在一些任务中进行了评估，并且应该提供对其性能的更一般的见解。为了填补这一空白，我们提出了一种基于BFM的CSI估计方法，用机器学习模型逼近估计函数。此外，为了提高估计精度，我们利用子载波间的依赖性，在正交频分复用传输中的多个子载波使用BFM。我们的模拟评估表明，估计的CSI匹配地面实况振幅。此外，与每个单独子载波处的CSI估计相比，多个子载波处的BFM对CSI估计精度的影响被验证。
2021-10-29 cs.LG eess.SP
High-Fidelity and Location-Robust Respiratory Waveform Monitoring with Single-Antenna WiFi
College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息与电子工程学院）；Zhejiang Key Laboratory of Multimodal Communication Networks and Intelligent Information Processing（浙江省多模通信网络与智能信息处理重点实验室）；School of Information and Electrical Engineering, Hangzhou City University（杭州城市大学信息与电气工程学院）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
本文提出RespirFi系统，利用WiFi信道状态信息实现高保真的呼吸波形监测，通过理论人体反射模型和位置鲁棒的波形构造方法，提升呼吸生理指标的准确估计。
2026-04-22 eess.SP
WiEps: Measurement of Dielectric Property with Commodity WiFi Device -- An application to Ethanol/Water Mixture
WiFi信号变得无处不在，提供高速数据传输体验。除了通信服务之外，WiFi信号的信道状态信息（CSI）被广泛用于许多物联网（IoT）应用。最近，这些应用中的大多数都是基于对物体物理运动引起的微波反射的分析。在本文中，一种新的非接触式无线传感技术命名为WiEps的开发来测量材料的介电性能，利用WiFi信号的传输特性。在WiEps中，被测材料被放置在发射器天线和接收器天线之间。提出了一个理论模型来定量描述CSI数据和材料的介电性能之间的关系。在实验过程中，从测量的CSI数据中提取所发送的WiFi信号的相位和幅度。使用已知材料的测量数据计算理论模型的参数。然后，WiEps被用来估计未知材料的介电性能。所提出的技术首次应用于乙醇/水混合物。然后，测量额外的液体以进行进一步验证。估算的电导率和电导率与实际值吻合较好，平均误差分别为4.0%和8.9%，表明WiEps的有效性。通过测量介电特性，该技术有望应用于使用无处不在的WiFi信号的新物联网应用，如食品工程，材料制造过程监控和安全检查。
2020-06-05 eess.SP
WiFi Motion Detection: A Study into Efficacy and Classification
WiFi和安全性既是一个问题，也是日常生活中越来越多的存在。今天的运动检测实现在保密性、范围和成本方面严重不足。为了解决这个问题，我们的目标是开发一种运动检测系统，利用WiFi信道状态信息（CSI），它描述了无线信号如何从发射机传播到接收机。本研究的目标是开发一个实时的运动检测和分类系统，是谨慎的，具有成本效益，易于实现。该系统只需要一台配备Intel Ultimate N WiFi Link 5300和标准路由器的Ubuntu笔记本电脑。该系统将分为两个部分：（1）一个强大的系统，以跟踪CSI的变化，在实时，和（2）算法，以分类的运动。用于实时跟踪CSI差异的系统已于2018年8月完成。初步结果表明，引入运动到一个先前静止的区域检测具有高的置信度。我们提出了（1）异常检测的发展，利用在初始程序和/或无监督机器学习中实现的移动平均滤波器，以及（2）监督机器学习算法，使用提出的特征提取方法对一组简单运动进行分类。最后，分类方法，如决策树，朴素贝叶斯和长短期记忆，可用于分类基本动作，无论速度，位置或方向。
2019-08-20 eess.SP
Meta-Learning-Based People Counting and Localization Models Employing CSI from Commodity WiFi NICs
School of Electrical Engineering, Korea Advanced Institute of Science and Technology（韩国科学技术院电气工程学院）；School of Electronics Engineering, Kyungpook National University（庆北国立大学电子工程学院）
本文提出利用消费级WiFi NICs的CSI进行人群计数和定位，通过预处理消除偏移并设计基于元学习的模型，提高感知精度。
2025-02-05 cs.IT eess.SP math.IT
CSI-Bench: A Large-Scale In-the-Wild Dataset for Multi-task WiFi Sensing
Origin Research（Origin研究机构）
CSI-Bench是一个大规模真实场景下的多任务Wi-Fi传感数据集，旨在通过真实环境下的数据收集和标准化评估支持鲁棒且可泛化的模型开发。
2025-11-20 cs.AI cs.DB eess.SP
Optimal preprocessing of WiFi CSI for sensing applications
针对WiFi CSI的增益和相位误差影响感知任务的问题，本文建立误差数学模型，提出理论支撑的预处理算法，仿真和真实呼吸率监测实验均验证其降噪及提升信噪比效果优于基线方法且计算成本无显著增加。
2024-05-21 cs.IT eess.SP math.IT
Rethinking RSSI for WiFi Sensing
University of Technology Sydney（悉尼科技大学）
本文提出WiRSSI，通过仅使用RSSI实现WiFi传感的人体跟踪与运动检测，展示RSSI在无CSI情况下仍能提供有效传感性能。
2026-02-24 eess.SP
Respiratory Rate Estimation Based on WiFi Frame Capture
提出了一种基于无线局域网帧捕获的呼吸频率估计方法。该方法使用包含在捕获的帧中的波束成形反馈矩阵（BFM），其是信道状态信息（CSI）的旋转矩阵。与使用CSI的方法不同，BFM是未加密传输的，并且使用帧捕获很容易获得，不需要特定的固件或WiFi芯片组。BFM的这些特性允许我们将帧捕获应用于各种感测任务，例如，生命感应在所提出的方法中，将主成分分析应用于BFM以隔离受检者的胸部运动的影响，然后，执行离散傅里叶变换以在频域中提取呼吸率。实验评估结果证实，基于帧捕获的呼吸速率估计可以实现低于3.2次呼吸/分钟的估计误差。
2021-09-14 eess.SP
A Software-Defined and Distributed Wi-Fi Channel-State Information Acquisition Testbed
本研究提出一种带分布式SDR与定制IEEE 802.11a协议栈的软件定义Wi-Fi CSI采集测试平台，可被动采集商用设备CSI、快速验证先进估计算法，并验证了去噪算法及多层感知器室内定位的可行性。
2024-12-10 eess.SP
FarSense: Pushing the Range Limit of WiFi-based Respiration Sensing with CSI Ratio of Two Antennas
过去几年已经见证了利用从商品WiFi设备检索的信道状态信息进行呼吸监测的巨大潜力。然而，现有的方法仅在目标靠近WiFi收发器时起作用，并且当目标远离时，性能显著降低。另一方面，大多数家庭环境只有一个WiFi接入点，并且它可能不与目标位于同一房间。这种感知范围的限制极大地限制了所提出的方法在现实生活中的应用。本文介绍了FarSense-第一个实时系统，可以可靠地监测人体呼吸时，目标是远离WiFi收发器对。即使其中一个收发器位于另一个房间，FarSense也能正常工作，这向实际部署迈出了一大步。我们提出了两种新的方案来实现这一目标：（1）不是应用单个天线的原始CSI读数进行感测，而是使用来自两个天线的CSI读数的比率，其噪声主要通过除法运算来抵消，以显着增加感测范围;（2）除法运算进一步使我们能够利用单个天线无法使用的相位信息进行感测。正交幅度和相位被精心组合以解决“盲点”问题并进一步增加感测范围。大量实验表明，FarSense能够准确监测人体呼吸，即使目标距离收发器对8米远，也能将传感范围增加100%以上。我们相信这是第一个能够通过商品WiFi设备实现穿墙呼吸传感的系统，并且所提出的方法也可以使其他传感应用受益。
2019-08-10 cs.HC eess.SP
RSCNet: Dynamic CSI Compression for Cloud-based WiFi Sensing
York University（约克大学）；University of the Fraser Valley（弗雷泽河谷大学）；Cognitive Systems Corp.（认知系统公司）
针对云端WiFi感知中CSI传输开销大的问题，提出RSCNet，通过跨CSI窗口优化与云端LSTM利用历史窗口数据，在压缩CSI的同时保持高感知精度与低重建误差。
2024-05-20 cs.AI cs.HC cs.IT
AutoFi: Towards Automatic WiFi Human Sensing via Geometric Self-Supervised Learning
Nanyang Technological University（南洋理工大学）；University of California, Berkeley（加州大学伯克利分校）
在灵巧家庭中，WiFi传感技术以其成本效益和隐私保护的优点在各种传感器中显示出优越性。它由从WiFi信号中提取的信道状态信息（CSI）和高级机器学习模型授权来分析CSI中的运动模式。许多基于学习的模型已经被提出用于各种应用，但是它们严重地受到环境依赖性的影响。虽然已经提出了领域自适应方法来解决这个问题，但是在新的环境中收集高质量的、良好分割的和平衡的CSI样本对于自适应算法来说是不切实际的，但是可以容易地收集随机捕获的CSI样本。{ \color{black}在本文中，我们首先探索如何从这些低质量CSI样本中学习鲁棒模型，并提出AutoFi，一种基于新的几何自监督学习算法的注释高效WiFi感知模型。} AutoFi充分利用随机捕获的未标记的低质量CSI样本，然后将知识转移到用户定义的特定任务中，这是WiFi感知中实现跨任务转移的第一项工作。AutoFi在一对Atheros WiFi AP上实现以进行评估。AutoFi将随机收集的CSI样本中的知识转移到人类步态识别中，并实现最先进的性能。此外，我们使用公共数据集模拟跨任务迁移，以进一步证明其跨任务学习的能力。对于UT-HAR和Widar数据集，AutoFi在活动识别和手势识别方面取得了令人满意的结果，而无需任何事先训练。我们相信AutoFi在没有任何开发人员参与的情况下向自动WiFi传感迈出了一大步。
2022-12-10 cs.AI cs.HC cs.LG
ComplexBeat: Breathing Rate Estimation from Complex CSI
提出 ComplexBeat，通过延迟域 CIR 从复数 WiFi CSI 中提取呼吸敏感分量，并结合 OFDM MIMO 场景下的幅度与相位偏移校准实现完整呼吸率估计系统。
2025-02-18 eess.SP
Self-Supervised Learning for WiFi CSI-Based Human Activity Recognition: A Systematic Study
Coventry University（考文垂大学）；Institute for Infocomm Research (IR)（资讯通信研究院）；A*STAR（新加坡科技研究局）
本文系统评估了四类SSL算法在三个公开CSI HAR数据集上的表现，揭示了其在实际WiFi人体活动识别应用中的局限性与盲点，为后续研究与工业部署提供了实用指南。
2023-07-19 cs.AI cs.HC cs.LG
Enhancing Feature Extraction for Indoor Fingerprint Localization Using Diversified Data
针对传统指纹特征在复杂室内环境中可靠性低的问题，提出基于多样化CSI的特征提取增强定位方案Secci，将CSI转换为RGB图像输入由SE注意力机制辅助训练的DCNN，实验证明其优于四种现有算法。
2023-06-30 eess.SP
CIRSense: Rethinking WiFi Sensing with Channel Impulse Response
本文提出CIRSense框架，利用信道冲激响应（CIR）解决WiFi感知中的分数时延效应、硬件失真和远距离感知等挑战，在呼吸监测和距离估计中实现了高精度与高计算效率。
2025-10-13 cs.NI eess.SP
RoboMNIST: A Multimodal Dataset for Multi-Robot Activity Recognition Using WiFi Sensing, Video, and Audio
Northeastern University（东北大学）；Mayo Clinic（梅奥诊所）
本文提出RoboMNIST多模态数据集，通过两个Franka Emika机械臂同步采集WiFi CSI、视频和音频，以支持多机器人活动识别并增强机器人环境感知。
2025-02-17 cs.RO cs.SY eess.SP
Practical Issues and Challenges in CSI-based Integrated Sensing and Communication
下一代移动通信网络（即，6 G）已经超越了传统的通信功能，并提供集成传感和通信（ISAC）功能，以支持更多新兴应用，如智能城市，互联车辆，AIoT和医疗保健/老年人护理。在所有ISAC提案中，最实用和最有前途的方法是授权现有的无线网络（例如，WiFi、4G/5G），具有增强的感知周围人类和环境的能力，并将无线通信网络演进为智能通信和感知网络（例如，6G）。在本文中，基于我们在WiFi/4G/5G信号下基于CSI的无线传感方面的经验，我们打算确定阻碍ISAC应用实际部署的十大实际和理论问题，并为这些关键挑战提供可能的解决方案。希望这项工作将激发进一步的研究，将现有的WiFi/4G/5G网络演进为下一代智能无线网络（即，6G）。
2022-03-18 cs.NI eess.SP
Spatio-Temporal 3D Point Clouds from WiFi-CSI Data via Transformer Networks
Center for Machine Vision and Signal Analysis (CMVS)（机器视觉与信号分析中心）；University of Oulu（奥卢大学）
本文提出一种基于Transformer的架构，利用WiFi信道状态信息（CSI）的幅度和相位数据生成室内三维点云，并在MM-Fi数据集上验证了其三维重建与远近物体区分能力。
2024-10-07 cs.LG eess.SP
Beamforming Feedback-based Model-Driven Angle of Departure Estimation Toward Legacy Support in WiFi Sensing: An Experimental Study
Graduate School of Informatics, Kyoto University（京都大学信息学研究科）；School of Engineering, Tokyo Institute of Technology（东京工业大学工学院）；Centre of Wireless Communications, University of Oulu（奥卢大学无线通信中心）
本文提出了一种基于波束成形反馈的模型驱动角度发射估计方法，无需CSI即可实现高精度角度估计，适用于Wi-Fi传感的遗留支持。
2022-02-02 cs.NI eess.SP
CIG-MAE: Cross-Modal Information-Guided Masked Autoencoder for Self-Supervised WiFi Sensing
Queen Mary University of London（伦敦玛丽女王大学）；University of West London（西伦敦大学）
研究利用WiFi CSI进行人类行为识别，针对监督方法受限及现有SSL不适用于CSI的问题，提出CIG-MAE，采用对称双流架构、自适应掩码策略和正则化器，实验证明其在多方面优于现有方法，提升了数据效率等。
2026-09-22 cs.CV eess.SP
SenseFi: A Library and Benchmark on Deep-Learning-Empowered WiFi Human Sensing
Nanyang Technological University（南洋理工大学）；University of Edinburgh（爱丁堡大学）；Institute for Infocomm Research（信息通信研究院）；Agency for Science, Technology and Research（新加坡科技研究局）
WiFi传感近年来发展迅速。在传播模型和深度学习方法的支持下，实现了许多具有挑战性的应用，例如基于WiFi的人类活动识别和手势识别。然而，与视觉识别和自然语言处理的深度学习相比，还没有足够全面的公共基准。在本文中，我们回顾了深度学习使WiFi传感的最新进展，然后提出了一个基准，SenseFi，研究各种深度学习模型的WiFi传感的有效性。这些先进的模型进行了比较，在不同的传感任务，WiFi平台，识别精度，模型大小，计算复杂性，功能的可移植性和适应性的无监督学习。也被视为基于深度学习的WiFi感知的教程，从CSI硬件平台开始到感知算法。广泛的实验为我们提供了深度模型设计，学习策略技能和现实世界应用培训技术的经验。据我们所知，这是第一个在WiFi传感研究中使用开源库进行深度学习的基准测试。基准代码可在https://github.com/xyanchen/WiFi-CSI-Sensing-Benchmark上获得。
2023-02-17 cs.AI cs.LG eess.SP
Practical MIMO for Visible Light Communication
可见光通信（VLC）被视为射频（RF）的补充无线技术。然而，VLC对信号阻塞非常敏感，并且由于光信道的高方向性而遭受遮蔽。因此，有一个很大的兴趣，研究新的方法VLC一样使用多天线技术提供空间分集，可以利用作为一种方式来打击信号阻塞和衰落。我们提出了一个完整的和低成本的MIMO-VLC收发器系统组成的COTS组件。特别是，我们表明，COTS 802.11 n（WiFi）设备可以使用，使RF WiFi的物理和数据链路层重用VLC。此外，这使我们能够直接利用802.11n中可用的多天线（空间）技术。从我们的测量研究结果表明，这些技术是非常有效的，在提高VLC链路的鲁棒性存在的障碍和节点的移动性。此外，我们表明，多个天线也可以用来提高数据率的VLC通过空间复用。
2020-02-03 cs.NI eess.SP
CRISLoc: Reconstructable CSI Fingerprintingfor Indoor Smartphone Localization
基于信道状态信息（Channel State Information，CSI）的指纹识别技术在WIFI室内定位中得到了广泛的关注，频率多样且时间稳定的CSI比粗接收信号强度（Recovered Signal Strength，RSS）更能反映位置相关的信道特性。然而，CSI的获取需要接入点（AP）的合作并且仅涉及多个帧，这对现实世界的部署施加了限制。在本文中，我们提出了CRISLoc，第一个CSI指纹定位原型系统使用无处不在的智能手机。CRISLoc在一个完全被动的模式下运行，在他自己的CSI采集过程中偷听数据包。通过校准WiFi放大器电路施加的失真来净化智能手机CSI。CRISLoc通过联合聚类和离群值检测方法来解决改变AP的挑战。提出了一种新的迁移学习方法，在过时的指纹和一些新的测量的基础上重建高维CSI指纹数据库，并提出了一种增强的KNN方法来精确定位智能手机的位置。我们的研究揭示了智能手机CSI的稳定性和灵敏度的重要属性，这是以前没有报道过的。实验结果表明，CRISLoc在6m × 8m的研究实验室中可以实现约0.29m的平均误差。移动一个和两个AP后，平均误差分别增加了5.4 cm和8.6 cm，这验证了CRISLoc对环境变化的鲁棒性。
2021-07-05 cs.NI eess.SP
CentiTrack: Towards Centimeter-Level Passive Gesture Tracking with Commodity WiFi
手势感知在促进人机接口方面起着至关重要的作用。以前的工作要么依赖于定制的硬件，要么需要先验学习无线信号模式，在隐私问题，可用性和可靠性方面面临着不利因素。在本文中，我们提出了CentiTrack，第一个厘米级的被动手势跟踪系统，只与三个commodityWiFi设备，没有任何额外的硬件修改或可穿戴传感器。为此，首先在物理层过程中识别出信道状态信息（CSI）测量误差源，然后通过相邻天线间的复比对CSI进行去噪。主成分分析（PCA）被进一步用于分离反射信号和噪声。基准实验进行了验证，去噪CSI的相位变化成正比的动态路径的长度变化的反射了手。此外，我们采用多信号分类（MUSIC）算法来估计的到达角（AoAs）的动态路径，然后定位的初始位置的手三角。本文还提出了一种新的静态成分消除算法，通过消除与运动无关的成分来进行跟踪校正。CentiTrack的原型完全实现，并在各种真实场景中进行评估。大量的实验表明，与最先进的技术相比，CentiTrack在跟踪精度、传感范围和设备成本方面都有优势。
2020-11-13 cs.HC eess.SP
RoboFiSense: Attention-Based Robotic Arm Activity Recognition with WiFi Sensing
Northeastern University（东北大学）；Mayo Clinic（梅奥诊所）
本文提出利用WiFi CSI和注意力网络BiVTC识别机械臂活动，研究嗅探器位置影响，并发布八种活动的RoboFiSense基准数据集。
2024-05-06 cs.RO eess.SP
Transfer Learning-Enhanced Instantaneous Multi-Person Indoor Localization by CSI
针对无源室内多人定位依赖多数据包CSI的问题，提出多目标损失、CSI-ResNet、抗WiFi变化预处理及核范数迁移预训练，实现单时间戳99.21%定位准确率并发布大规模数据集。
2024-03-02 eess.SP
WiFi-Based People Counting Using Beam-Steerable Antennas: A Test-bed Study
Adant Technologies Inc.（Adant技术公司）；IEIIT institute, Consiglio Nazionale delle Ricerche（IEIIT研究所，意大利国家研究委员会）
利用波束可调天线和WiFi信道状态信息，提出一种基于深度学习的室内人数统计方法，在测试床上验证了高精度。
2026-06-24 cs.LG eess.SP
Resource-Efficient Wi-Fi CSI-Based Sensing via Exploiting the Age of Samples
University of Oulu（奥卢大学）
针对WiFi CSI感知中采样率受限的问题，提出一种低成本年龄感知框架，通过编码样本时效性并与CSI嵌入融合，在NTU-Fi数据集上显著提升活动识别和身份识别性能。
2026-10-06 eess.SP
Using GAN to Enhance the Accuracy of Indoor Human Activity Recognition
Shahid Beheshti University（沙希德·贝赫什提大学）；Middlesex University（密德萨斯大学）
室内人体活动识别（HAR）探索人体运动与反射的WiFi信号之间的相关性，以分类不同的活动。通过分析WiFi信号模式，特别是信道状态信息（CSI）的动态，可以区分不同的活动。从定时和设备的角度来看，收集CSI数据都是昂贵的。在本文中，我们使用合成数据，以减少对实际测量CSI的需要。我们提出了一种用于基于CSI的活动识别系统的半监督学习方法，其中采用长短期记忆（LSTM）来学习特征并识别七种不同的动作。我们应用主成分分析（PCA）的CSI幅度数据，而短时傅里叶变换（STFT）提取的特征在频域。首先，我们用完全原始的CSI数据训练LSTM网络，这需要更多的处理时间。为此，我们的目标是通过使用50%的原始数据与生成对抗网络（GAN）相结合来生成数据。我们的实验结果证实，该模型可以提高3.4%的分类准确率，并减少了近16%的日志损失在考虑的情况下。
2020-04-23 cs.LG eess.SP
WiFi Sensing via Reservoir Computing
School of Electrical and Data Engineering, University of Technology Sydney（悉尼科技大学电气与数据工程学院）
研究在有限计算预算下的WiFi感知挑战，提出ReWiS框架，将CSI转换为微多普勒流，用图耦合回声状态网络编码，部署后微调读出。该框架在基准测试中表现良好，成本低、延迟低，为可部署WiFi感知提供实用设计。
2026-07-23 eess.SP
Context-Aware Predictive Coding: A Representation Learning Framework for WiFi Sensing
York University（约克大学）；Cognitive Systems Corp.（认知系统公司）；University of the Fraser Valley（弗雷泽河谷大学）
本文提出上下文感知预测编码（CAPC）自监督学习框架，融合CPC与Barlow Twins以学习WiFi CSI的时序和上下文表示，并通过上下行CSI增强提升鲁棒性，在人类活动识别任务上以更少标注样本超越监督学习和自监督基线，展现出优异的跨域泛化能力。
2024-09-16 cs.LG eess.SP
Towards Channel-Resilient CSI-Based RF Fingerprinting using Deep Learning
提出深度学习框架DeepCRF，通过CNN、数据增强和监督对比学习精确提取micro-CSI并增强信道弹性，显著提升未知信道下设备识别准确率。
2024-03-23 eess.SP
WiCluster: Passive Indoor 2D/3D Positioning using WiFi without Precise Labels
Qualcomm AI Research（高通人工智能研究院）
我们介绍WiCluster，一种新的机器学习（ML）方法，用于使用射频（RF）信道状态信息（CSI）的无源室内定位。WiCluster可以预测区域级别的位置和精确的2D或3D位置，而无需在训练期间使用任何精确的位置标签。之前基于CSI的室内定位工作依赖于使用数字信号处理（DSP）的非参数方法，以及最近的参数方法（例如，完全监督的ML方法）。然而，这些方法不能很好地处理现实世界环境的复杂性，也不能满足大规模商业部署的要求：基于DSP的方法的准确性在非视线条件下会显着恶化，而监督ML方法需要大量难以获取的厘米精度位置标签。相比之下，WiCluster是精确的，需要较弱的标签信息，可以很容易地收集，并在非视线条件下工作得很好。我们的第一个贡献是一个新的降维方法的图表。它结合了三重损失和多尺度聚类损失，将高维CSI表示映射到2D/3D潜在空间。我们的第二个贡献是两个弱监督损失，将这个潜在空间映射到笛卡尔映射中，从而得到米精度的位置结果。这些损失只需要简单地获取先验：平面布置图的草图、近似的接入点定位和用平面布置图中的对应区域标记的几个CSI分组。第三，我们报告的结果和鲁棒性研究的2D定位在两个单层办公楼和3D定位在一个两层楼的家。
2021-09-27 cs.CV cs.LG cs.NI
CSI-Based User Positioning, Channel Charting, and Device Classification with an NVIDIA 5G Testbed
本文发布三个真实世界5G NR上行信道的CSI数据集，用于神经UE定位、信道成图和设备分类，展示了高精度的实验结果。
2025-12-11 cs.IT eess.SP math.IT
Through-Wall Detection using Software-Defined Radio based on adaptive Principal Component Analysis
Solinnov Pty Ltd（Solinnov有限公司）；Monash University（莫纳什大学）
本文提出一种基于软件定义无线电的自适应主成分分析穿墙检测系统，通过谱域评分选择运动相关主成分，减少误检测并提升时频能量脊清晰度。
2026-09-14 eess.SP
BeSense: Leveraging WiFi Channel Data and Computational Intelligence for Behavior Analysis
Tel Aviv University（特拉维夫大学）；Hefei University of Technology（合肥工业大学）；Shizuoka University（静冈大学）；University of Tokushima（德岛大学）
不断发展的信息技术逐渐将人与计算机紧密地联系在一起。理解用户行为成为许多领域的关键推动因素，例如与久坐相关的医疗保健、人机交互（HCI）和情感计算。传统的基于传感器和基于视觉的用户行为分析方法通常是突兀的，阻碍了它们在现实世界中的使用。因此，在本文中，我们首先引入WiFi信号作为一种新的来源，而不是传感器和视觉，用于非侵入性的用户行为分析。然后，我们设计了BeSense，一个非接触式行为分析系统，利用WiFi信道状态信息（CSI）的信号处理和计算智能。我们在商品低成本WiFi设备上原型化BeSense，并评估其在现实环境中的性能。实验结果验证了该方法在用户行为识别中的有效性。
2020-03-23 cs.AI cs.HC eess.SP
Domino: Dominant Path-based Compensation for Hardware Impairments in Modern WiFi Sensing
针对现代WiFi网卡硬件损伤导致的射频失真问题，提出Domino框架，通过将CSI转换为CIR并利用主导静态路径作为参考进行时延域补偿，在呼吸监测中实现了至少2倍于现有方法的准确率。
2025-09-17 cs.NI eess.SP
LiveSense: A Real-Time Wi-Fi Sensing Platform for Range-Doppler on COTS Laptop
Intel Deutschland GmbH, Munich, Germany（德国英特尔公司，慕尼黑）；Intel Labs, Santa Clara, CA, USA（美国英特尔实验室，圣克拉拉）
LiveSense利用商用笔记本电脑的Wi-Fi网卡实现厘米级范围-多普勒传感，同时保持通信能力，支持实时数据流和手势识别。
2026-04-23 cs.AI eess.SP
PowerSkel: A Device-Free Framework Using CSI Signal for Human Skeleton Estimation in Power Station
针对电站作业安全监测中传统设备成本高、受光照和盲区限制的问题，提出基于CSI的无设备PowerSkel框架，通过专用采集、稀疏自适应滤波和CKDformer实现高精度人体骨架估计。
2024-03-04 eess.SP
FewSense, Towards a Scalable and Cross-Domain Wi-Fi Sensing System Using Few-Shot Learning
Wi-Fi感测可以对人类活动进行分类，因为每个活动导致对信道状态信息（CSI）的唯一改变。现有的WiFi感测具有有限的可扩展性，因为每当添加新活动时系统需要重新训练，这导致数据收集和重新训练的开销。跨域感测可能失败，因为当涉及不同的环境或用户（域）时，活动与CSI变化之间的映射被破坏。提出了一种基于Few-Shot学习的WiFi感知系统FewSense，该系统能够在较少样本的情况下识别未知领域中的新类别。具体地，使用源域数据离线预训练特征提取器。当该系统应用于目标领域时，很少的样本被用来微调特征提取器以进行领域自适应。通过计算余弦相似度进行推理。FewSense可以通过协作融合来自多个接收器的推断来进一步提高分类准确性。我们使用三个公共数据集评估了性能，即，SignFi、Widar和Wiar。结果表明，FewSense在SignFi、Widar和Wiar数据集上识别未知领域的新类的准确率分别为90.3%、96.5%和82.7%。我们的协作传感模型将系统性能平均提高了30%。
2022-03-03 eess.SP
Physical-Layer Authentication of Commodity Wi-Fi Devices via Micro-Signals on CSI Curves
本文提出基于CSI曲线微信号的辐射指纹micro-CSI，开发提取算法并利用KNN方法实现商用Wi-Fi设备物理层认证，攻击检测率超99%且误报率为0%。
2023-08-01 cs.CR eess.SP
Bi-directional Beamforming Feedback-based Firmware-agnostic WiFi Sensing: An Empirical Study
Graduate School of Informatics, Kyoto University（京都大学情报学研究科）；Centre of Wireless Communications, University of Oulu（奥卢大学无线通信中心）；School of Engineering, Tokyo Institute of Technology（东京工业大学工学院）；Department of Integrated Information Technology, Aoyama Gakuin Univeristy（青山学院大学综合信息技术系）
本文提出双向波束成形反馈传感框架，通过同时利用AP和STA传输的BFM，提升WiFi传感在人体定位任务中的准确性。
2022-02-28 cs.NI eess.SP
A CNN-LSTM Quantifier for Single Access Point CSI Indoor Localization
本文提出CNN-LSTM量化网络用于单接入点WiFi CSI指纹室内定位，同时提取时空特征并以量化模型替代传统分类模型，实验表明平均定位误差2.5米，80%误差低于4米，性能优于其他算法约50%。
2025-11-07 cs.LG eess.SP stat.ML
