MM-Fi: Multi-Modal Non-Intrusive 4D Human Dataset for Versatile Wireless Sensing
Nanyang Technological University（南洋理工大学）；University of Edinburgh（爱丁堡大学）
本文提出首个多模态非侵入式4D人体数据集MM-Fi，包含40人、32万帧、五种模态和27类动作，用于推动无线感知在动作识别与姿态估计等任务中的研究。
2023-09-25 cs.AI cs.CV cs.MM
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
GraSens: A Gabor Residual Anti-aliasing Sensing Framework for Action Recognition using WiFi
Queen Mary University of London（伦敦玛丽女王大学）；Onfido Research（Onfido研究院）
由于WiFi信号的普遍性和不显眼性，基于WiFi的人类动作识别（HAR）被认为是智能生活和远程监控等应用中有前途的解决方案。然而，WiFi信号的功效容易受到周围环境的变化的影响，并且在不同的子载波上变化。为了解决这个问题，我们提出了一个端到端的Gabor残差抗混叠传感网络（GraSens），在不同的场景中使用来自无线设备的WiFi信号直接识别动作。特别是，一个新的Gabor残差块的设计，以解决不断变化的周围环境的影响，重点是学习可靠和鲁棒的时间-频率表示的WiFi信号。在每个块中，Gabor层与抗锯齿层以残差的方式集成，以获得平移不变特征。此外，分形时间和频率的自我关注提出了一个共同的努力，明确集中在WiFi信号的功效，从而提高分散在不同的子载波的输出功能的质量。在我们的无线视觉动作识别数据集（WVAR）和三个公共数据集的实验结果表明，我们提出的GraSens方案在识别精度方面优于最先进的方法。
2022-05-24 cs.CV eess.SP
Smart CSI Processing for Accruate Commodity WiFi-based Humidity Sensing
针对现有WiFi湿度传感系统精度低的问题，提出结合创新去噪、k近邻算法与分辨率调优的增强CSI处理框架，基于商用硬件实验实现97%的湿度传感精度，为ISAC场景的WiFi传感提供支撑。
2024-09-12 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
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
WiFiEye -- Seeing over WiFi Made Accessible
虽然通常用于通信目的，但最近越来越多的研究认为WiFi用于传感。特别地，无线信号被改变（例如，反射和衰减）。这可以被观察者感知，以推断关于人类活动或环境变化的信息，因此可以通过WiFi“看到”。到目前为止，基于WiFi的传感工作已经产生了一套定制软件工具-每个工具都是为特定目的而设计的。此外，考虑到文献的分散程度，甚至很难确定构建基于WiFi的传感的基本系统所需的所有步骤/功能。这导致了很高的进入壁垒，阻碍了这一领域的进一步研究。目前还没有努力整合这些工具或建立一个通用的软件框架，可以作为进一步研究的基础，例如，使用机器学习来解释改变的WiFi信号。为了解决这个问题，在本文中，我们提出了WiFiEye -一个通用的软件框架，使所有必要的步骤/功能可用的“开箱即用”。通过这种方式，WiFiEye使研究人员能够轻松引导新的基于WiFi的传感应用，从而专注于研究而不是实施方面。为了说明WiFiEye的工作流程，我们提出了一个基于WiFi的人类活动识别的案例研究。
2022-04-06 cs.NI eess.SP
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
Neuro-Wideband WiFi Sensing via Self-Conditioned CSI Extrapolation
The University of Hong Kong（香港大学）
本文提出Neuro-Wideband（NWB）通过自条件学习实现宽带WiFi感知，无需专用硬件，利用深度学习框架提升多径分辨能力，实验证明其在定位和呼吸监测中的有效性。
2026-01-10 eess.SP
Generalizing WiFi Gesture Recognition via Large-Model-Aware Semantic Distillation and Alignment
Institute of Advanced Technology, University of Science and Technology of China（科学技术大学先进技术研究院）；School of Computer Science and Information Engineering, Hefei University of Technology（合肥工业大学计算机科学与信息工程学院）；School of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学计算机科学与工程学院）
GLSDA通过大模型感知的语义蒸馏与对齐提升WiFi手势识别的泛化能力，实现领域内和跨领域任务的高性能识别。
2025-10-15 cs.CV
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
Estimating indoor crowd density and movement behavior using WiFi Sensing
事实上，几乎每个人都拥有一个可以精确定位的智能手机设备，这既是授权，也是令人担忧的。如果以负责任的方式开发通过WiFi探测准确跟踪设备（及其所有者）的方法，它们可以应用于从数据安全到城市规划的许多不同领域。已经涵盖了许多数据汇集和分析的方法，其中一些使用主动传感设备，而另一些则依赖于被动探测，这利用了几乎普遍的智能手机使用和WiFi网络覆盖。在这项研究中，我们介绍了一个系统，使用WiFi探测技术，旨在跟踪用户的位置和了解个人行为。我们构建了自己的设备来被动地捕获来自智能手机的WiFi请求探测数据包，而无需将手机连接到网络。这些设备在榆树公司研究部门的总部进行了测试。为估计办公室的人群密度和从一个地方到另一个地方的人群流动而进行的分析的结果是有希望的，并说明了这种解决方案在室内和封闭空间的重要性。
2022-07-04 cs.NI eess.SP
Autosen: improving automatic wifi human sensing through cross-modal autoencoder
Queen Mary University of London（伦敦玛丽女王大学）
AutoSen提出一种基于跨模态自编码器的自动WiFi人体感知方法，直接从无标注CSI数据中联合学习幅度与相位特征并去噪，结合少样本学习在公开基准上取得优异性能。
2024-01-08 cs.HC cs.LG 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
HoloLLM: Multisensory Foundation Model for Language-Grounded Human Sensing and Reasoning
MARS Lab, Nanyang Technological University（南洋理工大学MARS实验室）
HoloLLM通过整合LiDAR、红外、毫米波雷达和Wi-Fi等多感官数据，提升语言基础的人感知与推理能力，实验表明其在真实场景中的性能提升达30%。
2026-02-24 cs.AI cs.CL cs.CV
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
WiFi-based Spatiotemporal Human Action Perception
Queen Mary University of London（伦敦玛丽女王大学）；Onfido Research London（Onfido伦敦研究院）
基于WiFi的感知人类活动识别（HAR）最近已成为一个热门话题，因为与基于视频的HAR相比，它带来了巨大的好处，例如消除视线（LOS）的需求和保护隐私。然而，让WiFi信号“看到”动作是相当粗糙的，因此仍处于起步阶段。提出了一种端到端时空WiFi信号神经网络（STWNN），以实现在视距和非视距场景下的仅WiFi感知。特别地，3D卷积模块能够探索WiFi信号的时空连续性，并且特征自注意模块可以显式地保持主导特征。此外，一种新的3D表示的WiFi信号的设计，以保持多尺度时空信息。此外，一个小的无线视觉数据集（WVAR）同步收集，以扩展STWNN的潜力，“看到”通过闭塞。WVAR和其他三个公共基准数据集上的定量和定性结果表明，我们的方法在准确性和移位一致性方面的有效性。
2022-06-20 cs.CV eess.SP
Passive Crowd Speed Estimation in Adjacent Regions With Minimal WiFi Sensing
在本文中，我们提出了一种方法来估计人群的速度使用WiFi设备，而不依赖于人们携带任何设备。我们的方法不仅使速度估计的WiFi链接的区域，而且在相邻的可能的WiFi免费区域。更具体地说，我们在一个区域中使用一对WiFi链路，然后使用其RSSI测量来估计人群速度，不仅在该区域中，而且在相邻的无WiFi区域中。我们首先证明如何交叉相关性和概率跨越两个链接隐含携带行人速度的关键信息，并开发一个数学模型，将它们与行人速度。然后，我们在室内和室外进行了108次实验来验证我们的方法，其中最多有10个人在两个相邻的区域中行走，每个区域的速度不同，这表明我们的框架可以准确地估计这些速度，只需一个区域中的一对WiFi链接。例如，所有实验的NMSE为0.18。我们还在博物馆类型的环境中评估我们的框架，并估计不同展品的受欢迎程度。最后，我们在Costco的过道上进行实验，估计买家行为的关键属性。
2018-01-31 cs.NI eess.SP
Physics-Informed WiFi Sensing for Robust 3D Human Pose Estimation in Mobile and Cross-Environment Settings
Shanghai University（上海大学）；Chalmers University of Technology（查尔姆斯理工大学）；The University of Hong Kong（香港大学）
提出一种物理信息WiFi感知框架，结合多径感知注意力与解耦表示学习，在Person-in-WiFi-3D等基准及实际环境中，显著提升移动跨环境三维人体姿态估计的鲁棒性与泛化性能。
2026-08-26 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
Wi-CBR: Salient-aware Adaptive WiFi Sensing for Cross-domain Behavior Recognition
Wi-CBR通过显著性感知自适应WiFi传感技术，有效解决跨域行为识别中的信号干扰问题，提升模型泛化能力与特征融合效果。
2025-12-16 cs.CV 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
Vision-Aided Frame-Capture-Based CSI Recomposition for WiFi Sensing: A Multimodal Approach
从波束成形反馈矩阵（BFM）重新组合信道状态信息（CSI）是实现与固件无关的WiFi感测的替代方式，BFM是CSI的压缩版本并且由于其缺乏加密而可以被捕获。在这项研究中，我们提出了使用相机图像对CSI重组BFM的准确性增强。这种视觉辅助CSI重组的主要动机是得出第一手的见解，即BFM并不完全涉及空间信息来重组CSI，并且这可以通过相机图像来补偿。为了利用相机图像，我们使用多模态深度学习，其中两种模态，即，图像和BFM被集成以重新合成CSI。我们使用IEEE 802.11ac设备进行了实验。实验结果证实，所提出的多模态框架的重组精度提高相比，单模态框架只使用图像或BFM。
2022-06-03 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
RSSI-CSI Measurement and Variation Mitigation with Commodity WiFi Device
由于商品化设备释放的丰富信息，WiFi信号已经被广泛研究用于各种无线传感应用。在许多工作中，接收信号强度指示符（RSSI）和信道状态信息（CSI）都被用作精确感测的关键因素。然而，没有详细解释RSSI和CSI之间的计算和关系。此外，很少有工作集中在影响感测结果的WiFi信号的测量变化。本文详细研究了RSSI和CSI之间的关系，并通过大量的实验研究了幅度和相位信息的测量变化。在实验中，发射机和接收机通过功率分配器和射频电缆直接连接，信号传输由射频衰减器定量控制。通过改变衰减强度，实现了不同条件下RSSI和CSI的测量。从结果中发现，为了通过商品WiFi获得信号幅度和相位的可靠测量，信道的衰减不应超过60 dB。同时，两个通道之间的差异应低于10 dB。为了保证测量的稳定性，提出了一种主动控制机制.这项工作的发现和标准有望促进更精确的WiFi信号传感技术。
2022-03-24 eess.SP
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
A Wireless-Vision Dataset for Privacy Preserving Human Activity Recognition
Queen Mary University of London（伦敦玛丽女王大学）；Onfido Research（Onfido研究院）
人类活动识别（HAR）最近在辅助生活和远程监控等众多应用中受到了极大的关注。基于传感器和视觉技术的现有解决方案已经取得了成就，但仍然受到环境要求的相当大的限制。像基于WiFi的传感这样的无线信号已经成为一种新的范例，因为它方便并且不受环境的限制。在本文中，一个新的基于WiFi和视频的神经网络（WiNN），提出了提高活动识别的鲁棒性同步视频作为无线数据的补充。此外，一个无线视觉基准（WiVi）收集9类动作识别在三种不同的视觉条件下，包括场景没有遮挡，部分遮挡，和完全遮挡。机器学习方法-支持向量机（SVM）以及深度学习方法都用于数据集的准确性验证。我们的研究结果表明，WiVi数据集满足主要的需求，在所提出的管道中的所有三个分支保持超过$80\%$的多个动作分割从1秒到3秒的活动识别精度。特别是，与其他方法相比，WiNN在三个动作分割的所有动作方面是最鲁棒的方法。
2022-05-24 cs.CV eess.IV eess.SP
Liquid Sensing Using WiFi Signals
Florida State University（佛罗里达州立大学）；Trinity University（三一大学）
物联网（IoT）的普及为我们提供了前所未有的机会，使智能家居环境中的各种新兴服务成为可能。在这些服务中，感测容器中的液位对于构建许多智能家居和移动医疗保健应用至关重要，这些应用可以提高生活质量。介绍了一种低成本、高精度、广泛适用于各种日常液体和容器的液位传感系统LiquidSense，该系统可以很容易地与现有的智能家庭网集成。LiquidSense使用现有的家庭WiFi网络和连接到容器的低成本传感器来感测容器的谐振以进行液位检测。特别是，我们的系统在容器的表面安装了一个低成本的换能器，并发出一个精心设计的啁啾信号，使容器产生共振，这给家庭WiFi信号带来了微妙的变化。通过分析WiFi信号的细微相位变化，LiquidSense提取谐振频率作为液位检测的特征。我们的系统分别使用曲线拟合和SVM为连续和离散预测构建预测模型。我们在家庭环境中使用三种不同材料和六种液体的容器来评估LiquidSense。结果表明，LiquidSense连续预测的总体准确率为97%，离散预测的总体F分数为0.968。结果还表明，我们的系统在家庭环境中具有较大的覆盖范围，并在非视距（NLOS）场景下工作良好。
2021-06-18 cs.LG eess.SP
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
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
WiFiMod: Transformer-based Indoor Human Mobility Modeling using Passive Sensing
对人类流动性进行建模有着广泛的应用，从城市规划到疾病传播的模拟。众所周知，人类花费80%的时间在室内，但是由于三个主要原因，对室内人类移动性进行建模是具有挑战性的：（i）缺乏容易获取的、可靠的、低成本的室内移动性数据集，（ii）在对频繁的室内移动性进行建模时的高预测空间，以及（iii）移动性中的多标量周期性和相关性。为了应对所有这些挑战，我们提出了WiFiMod，这是一种基于Transformer的数据驱动方法，可以使用WiFi系统日志在多个空间尺度上模拟室内人类移动性。WiFiMod将企业WiFi系统日志作为输入，从智能手机数字痕迹中提取人类移动轨迹。接下来，对于每个提取的轨迹，我们确定在多个空间尺度，宏观和微观的移动功能，设计一个多模态嵌入Transformer，预测用户移动几个小时到一整天在多个空间粒度。多模态嵌入捕获跨各种尺度的移动性周期性和相关性，而Transformers捕获长期移动性依赖性，从而提高模型预测性能。该方法通过首先预测宏移动性，然后以估计的宏移动性分布为条件对室内尺度移动性、微移动性进行建模，从而使用宏尺度的拓扑约束，来显著地减小预测空间。实验结果表明，WiFiMod的预测精度比当前最先进的模型高出至少10%。此外，我们提出了WiFiMod的3个现实应用-（i）预测高密度热口袋，用于COVID 19或ILI的决策，（ii）生成室内移动性的逼真模拟，（iii…
2021-07-10 cs.CY cs.NI eess.SP
Quantifying Uncertainty with Probabilistic Machine Learning Modeling in Wireless Sensing
Amazon Lab126（亚马逊Lab126）
近年来，机器学习技术在无线通信领域的应用得到了巨大的发展，特别是在无线传感领域。然而，围绕ML模型的推理可靠性以及与其预测相关的不确定性的问题从未得到正确的回答或沟通。这本身就对这些机器学习系统的透明度提出了很多问题。开发具有概率建模的ML系统可以很容易地解决这个问题，其中可以量化不确定性，无论它是来自数据（不可约误差或随机不确定性）还是来自模型本身（可约或认知不确定性）。本文详细描述了这些类型的不确定性量化背后的想法，并使用基于WiFi信道状态信息（CSI）的运动/非运动情况下的感测的真实示例来演示不确定性建模。这项工作将作为一个模板，不仅用于WiFi传感，而且用于大多数无线传感应用，从WiFi到利用AI/ML模型的基于毫米波雷达的传感，对预测的不确定性进行建模。
2022-10-12 cs.AI cs.LG eess.SP
ConSense: Continually Sensing Human Activity with WiFi via Growing and Picking
School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）
针对WiFi人体活动识别中的类增量学习，提出轻量级无样本框架ConSense，通过动态扩展和选择性重训练平衡稳定性与可塑性，在三个公开数据集上以更少参数超越现有方法。
2025-02-18 cs.LG eess.SP
Pulse Shape-Aided Multipath Delay Estimation for Fine-Grained WiFi Sensing
本文提出一种利用脉冲成形函数的稀疏贝叶斯学习算法，解决有限带宽导致的信道泄漏问题，实现了高精度的多径时延估计与信道重建，以支持细粒度WiFi感知应用。
2023-06-27 eess.SP
A Two-stage Multiband WiFi Sensing Scheme via Stochastic Particle-Based Variational Bayesian Inference
针对多频段WiFi感知中似然函数局部最优多、参数估计精度低的问题，提出两阶段方案，首阶段用加权根MUSIC粗估计缩范围，次阶段用新型SPVBI算法结合块SSCA精细估计，仿真验证其性能优于多种基线方法。
2023-10-09 eess.SP
WiFi based Multi user Activity Recognition via User Conditioned Spatial Attention
National Mobile Communications Research Laboratory, Southeast University（东南大学）
针对WiFi多用户活动识别中信号叠加与用户关联难题，提出UCSA模块，通过FiLM条件化空间注意力生成用户专属注意力图，结合SMSA，在WiMANS基准上以超93%平均准确率超越九个基线。
2026-09-22 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
RFBoost: Understanding and Boosting Deep WiFi Sensing via Physical Data Augmentation
The University of Hong Kong（香港大学）
本文提出RFBoost框架，通过物理数据增强技术提升深度WiFi感知性能，无需额外数据收集或模型修改，平均准确率提升5.4%，优于11个基线模型。
2024-10-04 cs.HC 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
Kalman filter based MIMO CSI phase recovery for COTS WiFi devices
近来，来自商用多输入多输出（MIMO）WiFi系统的信道状态信息（CSI）测量已经普遍用于不同的无线感测应用。然而，由于硬件损伤，CSI实现的相位通常被相位误差严重失真，这显著降低了感测性能。在本文中，我们直接利用的硬件损伤所造成的相位失真的建模，并提出了一种自适应CSI估计方法的基础上，卡尔曼滤波器（KF）与最大后验概率（MAP）估计，认为CSI从以前的时间。所提出的算法的性能进行了比较，对Cramer Rao下界（CRLB）。仿真和实验结果表明，该方法可以跟踪信道的变化，同时消除相位误差准确。
2021-05-03 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
Scaling WiFi Sensing for Ubiquitous Home Monitoring: Lessons from Real-World Deployment on Millions of Devices
ADT Research（ADT研究院）；The University of Hong Kong（香港大学）
该研究针对WiFi家庭监控部署的四大挑战，提出对应技术方案，实现高准确率，已大规模部署，为相关研究提供指导
2026-08-31 cs.ET cs.SY eess.SP
MDPose: Human Skeletal Motion Reconstruction Using WiFi Micro-Doppler Signatures
University College London（伦敦大学学院）
基于光学传感器的运动跟踪系统通常会遇到诸如照明条件差、遮挡、覆盖范围有限等问题，并且可能会引起隐私问题。最近，出现了使用商用WiFi设备的基于射频（RF）的方法，其提供低成本的无处不在的感测，同时保护隐私。然而，RF感测系统的输出，例如距离-多普勒频谱图，不能直观地表示人体运动，并且通常需要进一步处理。在这项研究中，MDPose，一个新的框架，用于人体骨骼运动重建的基础上WiFi微多普勒签名，提出。它通过重建具有17个关键点的骨架模型来提供跟踪人类活动的有效解决方案，这可以帮助以更容易理解的方式解释传统的RF感测输出。具体而言，MDPose具有各种递增阶段，以逐步解决一系列挑战：首先，实现去噪算法以去除可能影响特征提取的任何不需要的噪声，并增强弱多普勒签名。其次，应用卷积神经网络（CNN）-递归神经网络（RNN）架构从干净的微多普勒特征中学习时空依赖性并恢复关键点的速度信息。最后，姿态优化机制被用来估计的初始状态的骨架，并限制误差的增加。我们已经在各种环境中进行了全面的测试，使用单个接收器雷达系统使用许多主题来展示MDPose的性能，并报告所有关键点位置的平均绝对误差为29.4mm，优于最先进的基于RF的姿态估计系统。
2022-01-11 cs.CV eess.SP
Data Distribution Dynamics in Real-World WiFi-Based Patient Activity Monitoring for Home Healthcare
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；University of Texas Health Science Center at San Antonio（德克萨斯大学圣安东尼奥健康科学中心）；University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）；Florida State University（佛罗里达州立大学）；Bosch Research and Technology Center（博世研究技术中心）
本文研究了基于WiFi的家庭日常活动监测，分析了真实场景中环境、受试者及系统变量对识别准确性的影响，旨在指导开发稳健且具备上下文感知能力的WiFi感知系统，以弥合学术研究与实际应用的差距。
2024-02-03 cs.LG cs.SY eess.SP
SleepMore: Inferring Sleep Duration at Scale via Multi-Device WiFi Sensing
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；National University of Singapore（新加坡国立大学）；Singapore Management University（新加坡管理大学）
配备有监测睡眠持续时间和质量功能的商用可穿戴跟踪器的可用性使得更有用的睡眠健康监测应用和分析成为可能。然而，许多研究报告了通过这些模式进行睡眠监测的长期用户保留的挑战。由于现代互联网用户拥有多个移动设备，我们的工作探讨了采用无处不在的移动设备和被动WiFi传感技术来预测睡眠持续时间作为补充长期睡眠监测举措的基本措施的可能性。在本文中，我们提出了SleepMore，这是一种基于用户WiFi网络活动的机器学习的准确且易于部署的睡眠跟踪方法。它首先采用半个性化的随机森林模型与无穷小折刀方差估计方法分类用户的网络活动行为到每分钟粒度的睡眠和清醒状态。通过移动平均技术，该系统使用这些状态序列来估计用户的夜间睡眠周期及其不确定率。不确定性量化使SleepMore能够克服可能产生较大预测误差的嘈杂WiFi数据的影响。我们使用一个月的用户研究数据验证SleepMore，该研究涉及46名大学生，并与Oura Ring可穿戴设备进行比较。在大学校园之外，我们对不同住房配置文件的非学生用户进行了SleepMore评估。我们的研究结果表明，SleepMore从Oura环基线产生统计上无法区分的睡眠统计数据，用于在5%的不确定率内进行预测。这些误差范围在确定睡眠时间的15-28分钟和确定唤醒时间的7-29分钟之间，证明了与先前工作相比的统计学显著改进。我们的深入分析解释了错误的来源。
2022-11-16 cs.LG 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
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
WiSleep: Inferring Sleep Duration at Scale Using Passive WiFi Sensing
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Singapore Management University（新加坡管理大学）
睡眠剥夺是一个公共卫生问题，严重影响一个人的幸福和表现。睡眠是一种亲密的体验，最先进的睡眠监测解决方案是高度个性化的个人用户。出于大规模扩展睡眠监测能力并为公众健康理解贡献睡眠数据的动机，我们提出了Wisdom，一种使用从WiFi基础设施被动感知的智能手机网络连接来推断睡眠持续时间的系统。我们提出了一个无监督的贝叶斯变点检测集成模型，验证它在20名学生生活在校园宿舍和私人住宅的用户研究。我们的研究结果发现，对于睡眠模式不规律的用户，Wisdom的表现优于先前的技术，同时在60分钟的睡眠时间误差和39分钟的唤醒时间误差内，平均准确率为88.50%。这与客户端方法相当，尽管使用粗粒度信息。此外，我们利用我们的方法从超过1000名学生用户的用户研究中预测睡眠和醒来时间，展示了与之前关于学生睡眠模式的研究结果相似的结果。最后，我们证明了Wisdom可以在一个商品服务器上处理来自2万用户的数据，使其能够以较低的服务器要求扩展到大型校园人口。
2022-03-14 cs.LG eess.SP
Gait Disorder Assessment Based on a Large-Scale Clinical Trial: WiFi vs. Video vs. Doctor's Visual Inspection
本文通过为期一年的临床试验，开发了基于WiFi和视频的步态障碍评估系统，并与70名神经科医生的视觉检查进行首次同口径比较，为新兴传感技术在医疗实践中的应用提供了基础性理解。
2025-08-11 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
DeepWiFi: Cognitive WiFi with Deep Learning
Intelligent Automation, Inc.（智能自动化公司）；Virginia Tech.（弗吉尼亚理工大学）
我们提出了DeepWiFi协议，该协议通过深度学习强化了基线WiFi（IEEE 802.11ac），并通过减轻网络外干扰来维持高吞吐量。DeepWiFi可与基线WiFi互操作，并建立在现有WiFi的PHY收发器链上，而无需更改MAC帧格式。用户运行DeepWiFi用于i）RF前端处理; ii）频谱感测和信号分类; iii）信号认证; iv）信道选择和接入; v）功率控制; vi）调制和编码方案（MCS）适配;以及vii）路由。DeepWiFi减轻了概率、基于感知和自适应干扰的影响。RF前端处理应用基于深度学习的自动编码器来提取频谱代表性特征。然后训练深度神经网络，将波形可靠地分类为空闲、WiFi或干扰。利用信道标签，用户可以有效地访问空闲或堵塞的信道，同时避免干扰合法的WiFi传输（通过基于机器学习的RF指纹识别进行认证），从而提高吞吐量。用户优化其发射功率以降低拦截/检测概率，并优化其MCS以最大化背压算法用于路由的链路速率。在嵌入式平台实现的支持下，与基线WiFi和另一种抗干扰协议相比，DeepWiFi提供了主要的吞吐量增益，特别是当信道可能被干扰并且信号与干扰加噪声比较低时。
2019-10-29 cs.CR cs.LG cs.NI
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
Improving BLE-Based Passive Human Sensing with Deep Learning
University of Messina（墨西拿大学）；University of Catania（卡塔尼亚大学）
本研究提出用深度卷积神经网络改进基于商用BLE设备的无源人体感知，仅少量收发器即可在非视距场景下检测人体，性能优于现有技术。
2026-09-04 eess.SP
Modeling Classroom Occupancy using Data of WiFi Infrastructure in a University Campus
The University of New South Wales（新南威尔士大学）；Oiklo Pty Ltd（Oiklo私人有限公司）
世界各地的大学正在经历入学人数的激增，因此校园物业管理人员正在寻求有关出勤模式的连续数据，以优化教室空间的使用。因此，越来越多的趋势是通过采用各种传感技术来测量教室出勤率，其中普遍的WiFi基础设施被视为低成本方法。在密集的校园环境中，连接的WiFi用户的数量不能很好地估计房间占用率，因为连接计数受到相邻房间、室外走道和网络负载平衡的影响。在本文中，我们开发了基于机器学习的模型来从WiFi传感基础设施推断教室占用率。我们的贡献是三方面的：（1）我们分析了一个密集和动态的无线网络，包括数千个接入点（AP）的元数据，以了解AP的覆盖范围，WiFi连接的用户的行为，以及估计房间占用率的挑战;（2）我们提出了一种方法来自动映射AP到教室使用无监督聚类算法;（3）结合不同算法的分类和回归方法对教室占用率进行建模。我们实现了84.6%的准确性，在映射AP到教室，而我们的估计房间占用率的准确性是可比的对称平均绝对百分比误差（sMAPE）为13.10%的光束计数器传感器。
2021-04-19 cs.LG eess.SP
