[原創·論文閱讀]QGesture: Quantifying Gesture Distance and Direction with WiFi Signals
前言
本文推出了一個叫做QGesture的系統，在一維和二維部署場景下，它能對人的手勢的運動距離和方向進行測量。部署場景：
比如，人在房間中做出一個推的動作，系統會識別出csi數據的模式，進而調整音量大小。下圖是系統結構圖概覽：
模型構建
考慮下圖的一維部署情景，空間中有n條無線電磁波路徑。其中由於人的手向接收機（client）勻速運動而產生的路徑稱爲動態分量，而其餘n-1條路徑稱爲靜態分量。
相位-距離關係模型的構建：
靜態路徑的疊加結果是一個可看做常數的複數值。而動態路徑B由於人手的運動，其路徑每減少一個波長，相位便改變2pi。在複平面的表現則是，若只考慮動態分量，理想情況下應該是一個繞原點旋轉的信號，疊加上靜態分量後，會成爲一個有一定偏移量的旋轉信號。結果如下：
另外可以發現，對於不同子載波，其靜態分量的大小是不同的。該圖可以簡單地用下列代碼仿真：
x=2*pi*1/0.06;
t=0:0.1:10;
%static component
s=3*cos(x)-3i*sin(x);
%dynamic component
d=cos(0.4*t)-1i*sin(0.4*t);
%channel state information
h=s+d;
plot(d);hold on;
plot(h);
仿真結果如下：藍色信號是隻考慮動態分量的信號，橙色信號是考慮了靜態分量的疊加信號。
人手的移動距離d：
因此可以用相位改變量來估計移動距離。
降噪處理
csi的測量值包含以下幾種誤差：
相位：CFO、SFO/PBD；幅度：發射機功率的改變、環境噪聲
相位降噪方法：
1）移除CFO:對於該系統，使用2*3的MIMO，有6個天線對。注意到對於0號子載波相位，只包含CFO+人手移動的信息，因此選取0號子載波可以移除SFO+PBD。然而，不同天線對上的靜態分量是不同的。任意選取其一作爲參考CFO的話，可能會破壞我們需要的人手移動的信息。因此選取具有最大靜態分量的天線對，可認爲它是最合理的CFO參考值，幾乎不包含人手移動的相位。然後將其他天線對上的相位減去該參考CFO，就消除了CFO。
2）移除SFO/PBD：線性擬合。將不同子載波序號下的csi相位擬合出slope，然後用不同子載波的相位減去擬合出的方程。
幅度降噪方法：
使用低通移動平均濾波器降噪，可消去高頻噪聲，理論依據是人移動造成的頻率範圍在1~100Hz，具體分析見我的博客[原創·論文閱讀]Gait Recognition Using WiFi Signals
系統設計
進行系統設計前，來看一下實際收到的csi值，這裏的csi值已經經過了降噪處理。
可以發現，1）圓心在移動，說明靜態分量在緩慢改變，並非常量；2）半徑在變化，說明動態分量的a（f，t）也在改變。
解釋如下：靜態分量是一系列靜態分量的疊加，有的靜態路徑是發射機經由人的軀幹、胳膊反射到了接收機。當人在做推的動作時，身體其他位置也在緩慢移動，造成了這部分靜態分量的改變。
半徑變化是由於人手的位置不同，該位置的無線能量也有不同。有鑑於此，設計方法來移除靜態分量。
移除靜態分量：
論文在這部分說的比較複雜，其實原理很簡單，尋找I或Q信號的交替的極大極小值，將每一對極值的平均值移除即可。
如圖，有16個尖峯，則移動距離爲16*2pi=32pi，應用公式
可得d=32*pi*5/(2*2*pi)=40cm,符合實際結果。
之後選取相位變化最敏感的子載波計算相位改變量。
2d 手勢追蹤：
A是發射機，B和C是接收機，則A、B和A、C可分別看做橢圓的兩個焦點。欲知人手位置D的座標（x，y），其表達式中含L1、L2、d1、d2項。在知道這四個參數後，x，y不難計算。
實際上，實驗者是以一個已知的角度（30度、45度等）運動，然後用計算出的座標對比groundtruth，並不滿足arbitrary direction的追蹤要求。
前導動作
前導動作的設計是爲了激活QGesure。選用punch和double punch。系統中預先訓練了檢測前導動作的二分類器。當檢測到目標前導動作時，系統啓動並開始追蹤用戶動作，之後可以完成控制音量等功能。
從上圖可以看出，實驗者首先推出一段距離（約爲3~6個cycles），在短暫停頓後再次推出。信號的特徵提取也是比較容易的。
evaluation和implementation無甚亮點，不再贅述。