无线感知会议系列【8】FingerDraw 基于WiFi的手指移动轨迹追踪检测-Ubicomp2020论文分享-2
摘要：
接 《无线感知会议系列【7】FingerDraw 基于WiFi的手指移动轨迹追踪检测-Ubicomp2020论文分享-1》无线感知会议系列【7】FingerDraw 基于WiFi的手指移动轨迹追踪检测-Ubicomp2020论文分享-1-CSDN博客
感知手指绘图项 目流程图如下：
无线感知的基本原理可以通过两个公式：
1： 反射物体如何影响到CSI信号
2 相位变化跟感知对象位移大小的关系
目录：
- 理解手指绘画的CSI的变化
- 方案实施简介
- 数据收集预处理（Data Collection & Preprocessing）
- 运动位移估计（Motion Displacement Estimation）
- 绘图轨迹重建（Drawing Trajectory Reconstruction）
- 验证-trajectory
- 限制和讨论
- 结论
一 理解手指绘画的CSI的变化
以手写字母d 为例，笔划被分割成多个部分,每条笔划对应于CSI商信号中的一条弧。然后我们解释如何从CSI商信号中逐段提取位移信息并将其拼接在一起。 （上图对应为4个segement)
我们基于对菲涅耳区理论的理解，在这个在2D平面中重建手指绘制轨迹需要来自两对收发器的信息，最佳策略是正交放置器件。重建涉及迭代过程来计算手指的每个位置点。鉴于上述情况
我们总结了从CSI商重建任何手指绘制轨迹的步骤 .
1.1 通过 Segmen 将手指运动映射到 CSI 商信号
假设我们用手指在一对 WiFi 收发器附近写一个字母“d”，如图10（a）所示，收发器装置位于Fresnel Zones椭圆的两个焦点处，每个椭圆Fresnel Zones的边界表示反射路径相等，只要感知对象在同一个椭圆上。借助Fresnel Zones边界的辅助线，可以很容易观察到反射路径的变化 正如我们所写。当手指向菲涅尔区边界内椭圆移动时，反射的长度手指的路径减小，反之亦然。
字母“d”的绘制由圆形笔画和直线笔画组成。具体设置如图所示 在图10（a）中，当我们画字母“d”的圆圈笔画时，反射路径的长度首先减小，然后 增加。当我们画线条时，可以发现同样的观察结果。如果我们考虑单调 根据反射路径的增减来改变绘图的截面，然后我们可以 将字母“d”分割自然地连续绘制成四笔画。在此视图中，每一笔划都会导致 CSI 的动态分量仅沿一个方向旋转，在复合体中留下一条弧线 平面，如图10(b)所示。在两个笔画片段之间，反射路径停止改变其长度，并且弧线 在复平面上停止旋转。对于 CSI 商来说也是如此，因为 CSI 商中的弧以相同的方式旋转 正如我们在第 2 节中了解到的，在手指跟踪的情况下，方向与 CSI 中的弧具有相似的相位角。 4.2.我们 从图10(c)中可以看出，我们在复平面上记录的信道商的真实数据包含四部分 弧线，每条弧线代表字母“d”的一段笔划
图10中的分段仅取决于收发器设备相对于绘图的放置方式。 如果相同的绘图发生在另一对设备的菲涅耳区中，则反射路径的长度 以不同的方式改变。图11示出了另一对WiFi收发器的菲涅耳区的图， 同一张图只存在三个单调的部分。
(segment 每一个片段 只包含一个单调的位移,里面只能往一个方向移动,要么递增,要么递减，
所以窗口很重要,我们采集到的CSI相位是叠加后的相位）
1.2 将CSI商信号映射到手指运动位移通过提取相位变化
分割后，我们有了几个CSI商对应的弧度。接下来，我们提取位其Frenel区的位移，即反射路径长度的变化。推断变化的基本思想 ：根据公式1,其反射路径上的相位变化对应反射路径变化。 反射路径的长度变化可以通过测量dynamic phasor 的相位变化来估
Dynamic phasor phase shift:
需要一些技巧才能提取 这些信息来自弧线片段。由于手指运动会导致反射光的亚波长变化 路径上，不存在完整的圆形旋转。我们通过测量 圆弧上每个位置切线斜率的变化。两个相变基于相同 一些几何知识，如图12所示。这种方法有两个优点:
1）不用担心 关于静态分量
2）计算效率高，因为正切计算仅涉及减去 弧上两个相邻的采样点。
利用segment图形的切线斜率信息，我们可以计算相位如何变化.通过减去两个连续样本的切线斜率来计算时间。相变的物理意义是当手指移动时，两个连续观察样本之间的反射路径的长度差。
利用这些信息，我们可以计算出每个采样间隔在菲涅耳区的位移信息，基于以下方程式：
其中 Δ𝑑 (𝑡 ) 是反射路径的长度变化，
Δ𝜃 (𝑡 ) 是动态分量的相位变化。
然后将各段笔画的位移信息拼接在一起。
提供整个笔画的位移信息 ,手指画字母的信息
1.3 将位移映射到手指绘制轨迹
只通过一套收发设备无法跟踪finger-draw trajectory，我们需要一套正交的设备来跟踪finger-draw trajectory.
WiFi 设备对的放置策略基于菲涅耳区的观察。理论上，对于所提供的 WiFi 设备的任意位置，然而，我们发现设备的最佳放置位置是放置另一个接收器与第一对收发器正交，并保持它们的LoS长度相等，如图13所示。然后交叉菲涅尔区的中心，每个菲涅尔区边界之间的空间间隔相等两个接收器对。这种放置策略的好处是它可以容忍位移中更多的噪声输入，并产生更好的重建手指绘制形状
我们获得的菲涅耳区位移信息描述了反射路径的长度如何 变化，而不是手指移动本身。我们迭代地重建手指绘制轨迹。 通过两个receiver, 根据前一个位置的信息以及位移来确定手指的位置 .如图 14 所示。这可以通过求解一组椭圆方程来完成。我们首先使用 前一个手指位置和反射路径的位移来计算反射的总长度(两个receiver 要合成，所有有了总长度）。有了两个焦点的位置和总反射路径长度，我们就可以写出椭圆的方程。 通过两对收发器，我们有两个相交的椭圆。手指的新位置位于两个椭圆的交点。求解一组椭圆方程可能会产生多个候选位置。 然而，由于感知区域的限制，只剩下一种可能的解决方案。
我们总结了重建任何手指绘图的步骤 CSI 商信号的轨迹。我们知道用手指在菲涅耳区绘制任何字符 产生CSI商多段弧。segmentation 依赖反射路径长度的变化。 CSI 商中弧上的相位变化对应于 菲涅耳区的位移变化。有了这些认识，就可以恢复手写轨迹 需要以下步骤：
(1) Segment the CSI quotient signals of each transceiver pair into pieces of arcs based on its rotation direction.Each arc rotates in only one direction.
(2) Extract displacement information of finger for every sample interval on each arc, and splice the information from each arc together for the whole stroke.
(3) With the displacement information from a pair of orthogonally placed transceiver pairs, we reconstruct the trajectory of finger-draw by calculating the finger position based on the information of previous position and the displacement iteratively. It can be done by solving a group of ellipse equations.
二 方案实施简介
我们现在讨论如何将 FingerDraw 付诸实践，并在本节中详细介绍我们的设计和实现。 硬件配置包括三个 WiFi 设备，即一个 WiFi 接入点 (AP) 和两台计算机（作为接收器）配备无线卡。每个接收器至少配备两个外部全向 线。设备的放置如图 13 所示。
FingerDraw由三个模块组成： data collection & preprocessing：收集CSI信息，产生CSI商数据流 motion displacement estimation从CSI商流中提取菲涅耳区的位移信息 drawing trajectory reconstruction
三 Data Collection & Preprocessing
3.1 数据收集（Data Collection）
我们从两个Rx收集CSI数据，每个接收器至少有两个天线。在以Intel 5300无线芯片为例，CSI数据包含30个子载波的信息。连同三个天线5300芯片支持的每个CSI数据都是一个3×30的复数矩阵。我们对同一个Rx的两个天线逐元素相除,产生CSI商（幅度相除，相位相减，对应CSI商）。它产生一个 1 × 30 的复数数组。因为有两个Rx,我们有两个 CSI 商流。我们通过以下方式将所有这些 CSI 商数据发送到专用计算机,用于进一步处理.
3.2 数据去噪（Data Denoising）
第一步： Savitzky-Golay smoothing
虽然两个天线上的 CSI商 极大地抑制了 CSI 噪声，仍然需要平滑才能 清晰地揭示 CSI 商的圆形形状，以进行相变提取。我们使用 Savitzky-Golay 滤波器 平滑 CSI 商数据。
Savitzky-Golay滤波器（通常简称为S-G滤波器）最初由Savitzky和Golay于1964年提出，发表于Analytical Chemistry 杂志。之后被广泛地运用于数据流平滑除噪，是一种在时域内基于局域多项式最小二乘法拟合的滤波方法。这种滤波器最大的特点在于在滤除噪声的同时可以确保信号的形状、宽度不变，下图为一个例子
3 分割（Segmentation.）
分割的目的： 识别连续的 CSI 商数据片段,是否对应于单个图画.例如字母。（字母d，由4个片段组成，每一段对应一个单调变化的位移）
为了分割手指绘图，我们要求受试者 在绘画之间保持静止一小会儿。由于当手指绘图时候，CSI商的数据样本沿圆周移动，手指不动时，CSI商的数据样本也不移动。这 复平面上 CSI 商数据的连续样本之间的欧几里德距离相对静止较大.
图16（a）显示了字母“d”的样本距离分布 绘画。我们可以通过阈值很容易判断出手指是否移动。
横坐标对应样本数量（可以看作一段的时间） 纵坐标对应弧度的欧几里得距离，如果没有移动可以认为为0.这个也可以做一个创新点,这种采取一段时间内,平均的幅度，如果过小，说明是没有位移。
问题1： 滑动窗口到底设置多大？
问题2：同时如果我们空中绘图的时候是没有停顿间隔怎么办？
四 运动位移估计（Motion Displacement Estimation）
1: 切线斜率提取
我们分割出大量平滑的CSI商数据，这些数据对应于绘图。我们提取由手指运动引起的Fresnel Zones位移信息。Fresnel Zones的位移变化可以通过CSI商圆弧切线上的相位变化提取。切线近似等于圆弧上的样本点减去后续的一个样本点.结果是一系列向量数据(复数),其振幅表示样本之间的欧几里德距离,其相位表示切线。提取了相位序列，如相位a的绝对值大于𝜋，则用（2𝜋-a)替代. 为什么要这么做？
在一个Fresnel
We extract the phase sequence and unwrap it by changing absolute jumps greater than 𝜋 to their 2𝜋 complement. Figure 16(b) shows the tangent slopes of all the sub-carriers. We can see all the 2𝜋 phase jumps are eliminated. However, there are still several noticeable phase jumps of approximately 𝜋 in the data. The extra 𝜋 phase jumps need to be handled in the next step before the displacement estimation
这段看图形4段对应手写字母d 4个segmention
2 笔画分割（Stroke Segmentation）
我们实现中最棘手的部分是笔画分割。（这是这篇Paper的一个难点）
笔画分割是指根据CSI商数的分割成对应反射路径单调的变化（只往一个方向运动),这一步对于轨迹重建的成功至关重要。虽然数据CSI-quotient数据弧上的样本对应于手指运动，segmentation points附近仍然有大量数据样本,不对应于任何手指运动。这些数据样本也经过去噪处理 并在前面的步骤中平滑为曲线，因此引入了与无相对应的额外相位变化运动。
由于动态相量分量在每次分割之前和之后改变其旋转方向点，额外的相位变化在数据序列中大致为𝜋。它对应于额外的位移 重建轨迹中的𝜆/2，极大地扭曲了绘图的形状。所以分割点在位移计算前需要discarded。
借助样本距离信息来识别分割点。分割点对应的空间位置为当手指在空中改变其方向。图16所示，因此，复平面上的样本距离在这些位置处具有局部最小值我们可以通过搜索图16（a）中的所有谷位置来识别。一旦我们确定了分割点的所有索引，我们将 CSI 商数据样本定位为 中心并在复平面上画圆圈以标记丢弃区域。涵盖的数据样本 这些区域中的圆圈将被丢弃。如图17(a)所示，分割点被标记为红色星号 连续的CSI商曲线被丢弃区的圆，分解成不相交的弧。 通过找到相位变化中过零数据样本的位置来确定圆的半径 ，如图17(b)所示。过零点始终存在，因为相位在分割点前后后 之前改变了其符号。找到过零点后,我们在复平面中定位它们的位置。 然后将半径确定为这些位置和分割点之间的距离。
（3）位移提取。
下一步是提取菲涅耳区中的位移信息。我们先计算相变信息，然后将其转换为位移。相变信息通过减去两个连续相位来计算,如图16C。相位的物理意义变化是动态相量分量在两个连续CSI商样本之间旋转的角度。然后，我们丢弃相变序列中分割点附近的数据，并填充缺失的数据通过插值进行分段。它是使用简单的线性插值方法实现的。最后，我们有相变数据如图17（b）所示。基于下面公式我们将相位变化转化为信号传播反射路径的距离变化。
五: 绘图轨迹重建
我们获得的菲涅耳区的位移信息描述了反射路径的长度如何变化。为了将反射的路径长度变化映射到手指运动，我们采用类似的方法 Widar [26] 和 Doppler-MUSIC [18] 中提出的解决方案。我们假设初始绘图位置在中心感测区域。从这一点开始，我们使用以下技术逐点计算轨迹位置如第5.3节所述。重建的轨迹如图17（c）所示。
六 验证（EVALUATION）
在本节中，我们将评估 FingerDraw 与商用 WiFi 设备的性能。我们首先描述 有关设备、环境和参与者的详细信息。然后，我们展示手指绘制轨迹 在不同条件下使用三个模板的重建误差。之后，我们展示了所提出的方法 可以在自然环境中识别手指画的数字。然后，我们与最先进的技术进行比较以表明 现有的解决方案在受控设置中都依赖于位置和图纸尺寸，而我们的解决方案 在这些情况下实现一致的性能。最后，我们展示了一些自由风格的绘图示例。
6.1 Experimental Settings
设备：
在所有实验中，我们使用三台 GigaByte 迷你 PC 作为 WiFi 收发器。每个接收器都是 配备Intel 5300无线网卡和三根全向天线。接收器配置为工作在监听模式下，同时捕获发射机的数据包。我们安装一台发射机（标记为 Tx）和正交放置的三脚架上的两个接收器（分别标记为 Rx1 和 Rx2）。这 天线的方向与地面平行放置，以便更好地捕捉用户坐在椅子上时的手指运动在它的前面。发射器和接收器之间的距离设置为0.6m，如图18所示。我们使用开源华盛顿大学发布的Linux CSI工具用于从两个接收器收集CSI数据[12]。频率WiFi信号的频率设置为5.24 GHz，带宽设置为20 MHz。发送器每次发送 500 个数据包 第二个发射功率为 15dBm。
环境：
我们在办公室（4m×5m）、会议室三个环境中测试FingerDraw（6m×8m）和一个空大厅（8m×12m）。办公室和会议室都是多路径丰富的环境。这办公室里有很多类型的家具，包括一张沙发、两套桌子、一个柜子和几把椅子。会议房间里还有一张大会议桌，四张小长桌，还有很多椅子。示例设置和 周围环境如图18所示。
参与者：
招募20名参与者，其中女性7名，男性13名，年龄21岁至40岁，均为大学生学生和教职员工。参与者中，4位是本文的作者（参与者1-4号）。其余的参与者对我们的系统一无所知。所有参与者遵循相同的指示进行 实验。我们用悬挂在参与者面前的纸板来标记绘图区域。书写区域为尺寸约为30厘米×30厘米。参与者坐在 WiFi 设备前，举起前臂，写下用食指在空中，如图18所示。对于每张图画，参与者都被要求首先保持静止， 然后用手指移动手画字母，最后停止移动。参与者在绘画的同时无法进行其他活动。所有手指绘图数据均单独记录并离线处理评估。
6.2 Tracking Accuracy
我们使用三个模板（三角形、字母“Z”和封闭的半圆）来评估准确性。这些模板 包含不同角度的直线笔划和曲线，其中包括字母和数字。我们打印这些 将模板放在纸板上并将它们挂在受试者面前作为基本事实。我们询问参与者 用食指触摸纸板并跟踪打印的模板来绘制模板 纸板。如果没有提及，绘图速度大约为每秒 5 厘米。 我们将重建轨迹的起始位置设置为与模板一致并计算 模板与重建模板之间的距离作为误差。图 19 中展示了一个示例。我们收集 每个模板有 150 张图画，由 6 名志愿者在三个环境中绘制。总体中位误差为 1.27 厘米 标准偏差为 1.28 厘米。三角形、字母“Z”和 半圆模板，三角形、字母“Z”和半圆的 90% 误差分别为 2.98 厘米、3.38 厘米和 3.52 厘米 分别是模板。图20（a）显示了三个模板的跟踪精度的总体CDF。
1 不同图纸尺寸的影响：我们将模板以三种尺寸（4.5厘米×4.5厘米，三角形模板为8厘米×8厘米和11.5厘米×11.5厘米，三角形模板为5厘米×7厘米、7厘米×10厘米和9厘米×12厘米字母“Z”模板，半圆模板直径分别为8厘米、12厘米和15厘米）。一些模板小于波长（在我们的例子中为 5.8 厘米），而其他模板则稍大一些。我们询问志愿者在办公室每个模板绘制 50 次。结果如图20(b)所示。我们可以在那里看到不同模板尺寸的跟踪精度没有明显差异，预计小半圆和小三角形表现稍好一些。2 不同视距距离的影响：我们在系统之间部署了三种不同视距距离的系统在办公室的 50 厘米、75 厘米和 100 厘米处发射器和接收器，并要求参与者画图每个视距设置下字母“Z”的模板 50 次。结果如图20(c)所示。我们发现较短视距设置下的性能略好于较长视距设置下的性能。大概的原因是视距越小，手和手指的反射信号越强，因此信号越小可能受到环境中其他移动物体和电磁干扰的影响。LOS 距离也是无线感知领域的一个重要研究方向，比如罗西尼卵形线
3 不同无线环境的影响：我们将系统部署在三种不同的环境中（即，办公室、会议室和空大厅），并与所有六名参与者一起进行为期两周的测试使用尺寸为7厘米×10厘米的“Z”模板。结果如图20(d)所示。我们发现环境对精度有显着影响，但影响不大。这是合理的，因为我们的方法依赖于绘图时静态环境反射信号的稳定组合。怎样做并不重要这些多路径叠加。我们还测试房间内其他人进行的活动的影响。我们观察到其他人的活动只要与 WiFi 设备保持 3 米的距离，影响就很小。然而，在设备附近行走和挥手等活动会极大地降低我们的表现。环境有其他人干扰会影响很大
4 较低采样率的影响：
我们在大多数实验中使用 500 Hz 的采样率，但在实践中， 采样率可以低得多。为了评估采样率对准确性的影响，我们测试了我们的算法 分别使用不同的采样率，即25 Hz、50 Hz、125 Hz、250 Hz和500 Hz。一位参与者画了一个 每个采样率模板“Z”25 次。结果如图20(e)所示。我们发现更高的采样 速率确实会带来更高的精度，但较低采样率的性能下降并不显着。 例如，当采样率为100Hz时，精度与实际相比并没有太大变化。 更高采样率的结果。但是，当采样率低于 25 Hz 时，性能会变差
5 不同绘制速度的影响：
我们使用三种不同的速度测试模板“Z”的绘制精度 在办公室里的书写速度。速度是根据打印模板中的行程长度计算的，如下所示 以及用户完成绘图所花费的时间。我们要求参与者在三个不同的位置绘制模板 速度。测得的快、常、慢运动速度分别为 9 cm/s、6 cm/s 和 3.5 cm/s。 我们为每个速度收集 20 个数据样本。三种不同速度下的跟踪精度如图20（f）所示。 我们观察到，在大多数情况下，重建的轨迹在所有三种速度下都是可识别的。但在一些 测试表明，快速时重建轨迹的形状比两个较低速度时的重建轨迹形状要差。它 来自错误识别的未切割分割点的扭曲。
6.3 验证- 文本重建
在本节中，我们通过允许用户通过在空中书写向计算机输入数字来评估 FingerDraw，即用户在没有模板的情况下书写数字。我们将 FingerDraw 与 Microsoft Azure OCR 连接 服务。当用户在空中书写时，我们将重建的数字轨迹图像输入 Azure OCR 并 使用识别功能来解释用户书写的数字。我们收集并统计认可的 评估文本输入准确性的字符。
实验设置与跟踪精度测试相同。我们挂上空白纸板来标记 书写区域。参与者可以以正常或斜体形式绘制数字，并且可以以不同的尺寸绘制 以及初始位置。我们不限制参与者的绘图速度。他们使用的速度来自 3 cm/s 至 6cm/s 基于离线分析。
我们在几周内从 20 名参与者中收集了每个数字 20 个样本。总共 20 × 10 × 20 = 收集了 4000 个数据。所有数据中，1、4、6、8、12、13、14号参与者的测试是在办公室进行的， 2、7、9、11、18号学员测试在大厅进行，其余测试在会议室进行。 重建数字的示例如图 24(a) 所示。表 1 显示了识别精度的详细信息。 我们在图 22 中绘制了每个参与者的总体识别率。我们可以看到大多数用户都达到了 准确率大于90%。前四名标有星号的参与者表明他们是作者。 我们观察到参与者之间的识别率没有明显差异。
在所有数字中，数字“8”的整体识别率低于其他数字。这是因为开始和 数字“8”的结尾笔画需要闭合。由于FingerDraw的累积误差，当字形为 如果没有正确关闭，重建的轨迹有时很难识别。这也发生在数字上 ‘0’和‘6’，在极少数情况下，这两个数字出于同样的原因容易混淆。
4.1 与现有的机器学习算法比较
现有的基于学习的手势识别解决方案可以识别厘米级的手指手势。 在本节中，我们将FingerDraw 与最先进的技术进行比较。 正如我们在本文中所观察到的，之前的手势识别工作面临着模式不一致的问题 在感测厘米级手指运动时，因为手指位置和绘图尺寸都很重要。评估 它，我们使用与秒中相同的设置。 7.3 与同一组数字进行识别。我们控制位置 以及测试中每个数字的绘图尺寸。我们将每个数字打印成三种尺寸，即18.4厘米×11.4厘米， 分别为15.2厘米×9.2厘米和12厘米×6.8厘米，并将每个模板贴在纸板上的三个位置 空间间隔为1.4厘米。图21(a)示出了不同尺寸和位置的模板的示例。这 三个位置用固定尺标记，确保所有模板都贴在三个固定位置上 测试。该组合产生 3 × 3 = 9 个测试设置。我们要求五位参与者根据以下内容画出这些数字 数字的印刷形状。每个设置中每个数字被绘制 10 次。我们总共收集了 10×3×3×5×10 = 4500 数据。我们从 WiFi 接收器上的多个天线中选择一个 CSI 数据流，并将其幅度 获取 CSI 波形。
我们使用之前基于WiFi的手势识别系统中常用的两种方法作为我们的基线。那个
是用于比较波形形状的动态时间归整（DTW）和快速傅里叶变换（FFT）用于比较频率分布。在比较之前，所有数据都遵循相同的预处理步骤。我们首先切断数据的两端，以确保数据只包含手指写入的一个数字。那么我们使用S-G滤波器对数据进行平滑处理。之后，我们用Z-score对数据进行归一化。1 WiFinger
WiFinger [32] 使用时域波形形状来识别一些预定义的手势。为了在厘米级手指运动传感任务中评估该方法，我们利用 DTW 来 将波形模式与库中的参考配置文件对齐并进行比较。 DTW 提供了可靠的指标 用于测量测试 CSI 模式和库中的配置文件之间的相似性。有个人资料的那一位 与测试 CSI 模式具有最高且足够相似度的库中的内容则被识别为 识别的数字。我们构建了一位参与者从设置 No.1 中收集的参考配置文件，即 用户在位置 1 处绘制最小绘图尺寸的数字。然后，我们比较其他参与者的数字 从所有九个设置收集的数据以及用于分类的参考配置文件。比较之前，所有 波形被下采样，以便每个模式包含 20 个样本。 从图21（b）我们可以看到，DTW性能很大程度上取决于测试数据和 收集参考资料。当测试数据和配置文件同时存在时，测试获得 84% 的最佳匹配分数 处于同一测试设置组中，并且在其他设置中迅速恶化。图纸尺寸差异越大 和位置，它们的波形形状的相似性越少。结果，基于波形形状的模式 匹配方法对于识别厘米级手指绘图来说并不是一个好的选择
2 Waveform Frequencies of CSI. WiGest
WiGest [1] 和 WiMu [34] 基于频率分布模式 用于手势识别。他们使用离散小波变换 (DWT) 和 FFT 来获取频率特征 萃取。这两种方法都将波形转换为其频率表示，从而提供相似的 信息。我们通过将去噪 CSI 波形下采样到 128 个样本来评估 FFT 方法，然后 对其应用 128 点 FFT。计算出的频率分布数据是65个样本的向量。作为频谱 频率在有限维空间中不是线性可分的，我们使用径向基函数（RBF）核SVM 按频率对数字进行分类。由于我们在所有九个设置中为每个数字收集了 450 个样本，并且每个样本 包含 30 个子载波，我们为每个数字获得 13500 个 SVM 向量。 我们使用两个测试设置来评估 SVM 方法。在测试设置 1 中，我们用数据训练 SVM 模型 从在测试设置 1 中进行的四名参与者中收集的第五个人的预测数据 九个设置。测试结果如图21(c)所示，测试数据到来时分类结果为97% 来自同一实验设置组，但当测试数据来自其他设置时低于 35%。测试中 设置第二，我们使用在所有九个测试设置中进行的四名参与者的数据来训练 SVM 模型 并预测第五人的数据。我们可以看到与测试设置相比性能显着提高 1号。这些结果表明基于 CSI 波形的学习系统的性能很大程度上取决于 分布式训练数据。训练 SVM 模型需要来自所有可能的测试设置的数据。然而， 考虑大量绘图尺寸和位置的组合，传统的基于 CSI 波形的学习 系统需要劳动密集型的培训，但其性能仍无法保证。
3 比较结果
我们在自然环境中将 FingerDraw 与最先进的技术进行比较。这个比较 使用 Sec 中的数据集。 7.3.在此数据集中，手指绘制位置、大小和字体样式不受控制 故意地。 FingerDraw 和基线的整体识别结果比较如图 23 所示。 数据按识别类别报告。 DTW、SVM 和 OUR 对应于基于波形形状的手势 分别是识别、基于频率分布的手势识别和我们的实现。在这个 相比之下，DTW 使用来自 1 号用户的配置文件，SVM 使用前 15 个参与者的数据进行训练。 其余数据用于测试。 DTW 和 SVM 的总体准确率分别为 9.6% 和 47%。我们可以看到 以前基于学习的方法（例如基于形状或频率分布的手势识别） 解决方案）对手指绘制位置、大小和字体样式敏感，无法保持稳健的识别 当手指绘图手势大小、绘图位置和书写风格不同时的性能。与 手势识别有效，FingerDraw 对所有 10 位数字的平均准确率超过 93.0%，这是 图纸尺寸和位置的变化保持一致。
七 限制和讨论
1 亚波长运动精度
CSI中动态相量分量的相位变化与反射波的长度变化有精确的映射。当手指以恒定速度移动时，它会均匀旋转。然而，CSI商圆弧旋转与手指运动距离映射并不精确相关。如图 9(a) 和图 9(c) 所示， 物体的相同移动距离导致CSI商信号弧的相位变化不同。尽管如此， 手指画识别的影响副作用有限的，因为稍微扭曲的字母也可以被识别。通过研究 莫比乌斯变换，我们可以通过选择CSI幅度最大的天线来减轻副作用 作为除法中的分母。它将产生更准确的运动距离映射
5.2 Segmentation of Letters and Multi-stroke Alphabets or Symbols
该方案前提是绘制每个单词前后，手指必须静止一段时间。这样能够确保成功分割每个字母以进行进一步的设别。（我理解里面的分割，包括两部分，第一部分 字母分割，第二部分轨迹分割）
我们当前的实现不考虑由多个字母组成的单词输入。 主要原因是我们的方法不是基于距离信息，它会有累积跟踪 错误。 由于我们的系统持续跟踪手指运动，因此我们目前仅支持以下绘图： 由单个连续笔画组成。包含多个笔画的字母或符号将被构造为 单笔画。它使字母与我们通常在纸上写的字母完全不同。好多了 删除笔画之间的连接，使字母更易于识别。我们可以潜在地解决 通过再添加一个 WiFi 接收器来感应 Z 轴的手部运动来解决这个问题。我们离开多冲程 字母分割问题作为我们未来的工作。
分割的时候，要注意不要超过一个波长,如果超过一个波长相当于相位差超过了一个圆，
无法达到单调递增 递减的效果，所以采样的时间间隔要根据实际情况动态的去设定
八 结论
本文介绍了 FingerDraw，这是第一个用于商品手指绘图的亚波长级跟踪系统 WiFi 设备。 FingerDraw 显着提高了亚波长的运动传感能力 级别粒度。场景背后的理论是 CSI 商模型， 利用接收器两个天线之间的信道商，消除了 原始 CSI 信号噪声，可以感知到sub-wavelength的手指运动。此外，我们将两个 WiFi 收发器正交放置在我们获得的位置 正交CSI信号。然后我们设计方法来提取行程的微位移信息和 根据反映的路径长度变化对笔画进行分段。通过从正交获得位移 方向，我们能够在 2D 平面中重建手指绘图。 我们相信本文开发的技术不仅有助于细粒度 WiFi 传感，而且有助于 还有收发器之间缺乏时钟同步的其他无线传感场景。这 亚波长传感能力对于较长波长的信号（例如 LTE）来说更为重要。