阅读笔记“MUSE-Fi”

文章：“MUSE-Fi: Contactless MUti-person SEnsing Exploiting Near-field Wi-Fi Channel Variation”
文章链接：https://dl.acm.org/doi/10.1145/3570361.3613290

（以下内容大部分为AI生成，仅供参考）

文章内容

这篇文章主要介绍了一个名为MUSE-Fi的WiFi多人感知系统，它能够实现多人物理分离的感知。MUSE-Fi利用了近场WiFi信道变化的优势，通过个人设备（如智能手机）与接入点（AP）之间的通信链路进行感知。文章提出了三种感知策略：上行链路CSI（UL-CSI）、下行链路CSI（DL-CSI）和下行链路波束成形反馈信息（BFI）。这些策略能够有效地从稀疏的用户流量中恢复连续的信道变化，从而实现多人感知。

背景知识

WiFi感知的挑战：现有的WiFi感知技术在多人场景下受限于带宽，无法提供足够的距离分辨率来区分多个主体。
MUSE-Fi的创新：MUSE-Fi是第一个能够实现多人物理分离的WiFi感知系统，它利用了近场信道变化的优势，即当一个主体靠近WiFi设备时，其引起的信道变化会显著超过其他远处主体的变化。

研究方法

近场支配效应：MUSE-Fi基于近场支配效应，即当主体靠近其个人WiFi设备时，该设备的信道变化主要由该主体的运动引起，而其他主体的干扰可以忽略不计。
三种感知策略：
- UL-CSI Sensing：利用上行链路流量和CSI进行感知。
- DL-CSI Sensing：利用下行链路流量和CSI进行感知。
- UL-BFI Sensing：利用上行链路流量和BFI进行感知。
稀疏恢复算法（SRA）：为了解决实际多用户通信场景中流量的突发性和间歇性问题，MUSE-Fi提出了一种稀疏恢复算法，用于从稀疏样本中恢复连续的信道变化。

实验验证

实验设置：在典型的室内环境中，使用Netgear Nighthawk X10路由器作为AP，多个UE（如iPhone 13和OnePlus 10T）作为个人设备。
实验结果：
- 呼吸监测：MUSE-Fi能够准确监测多人的呼吸，误差小于1bpm。
- 手势检测：MUSE-Fi在手势检测中的平均测试准确率超过98%。
- 活动识别：MUSE-Fi在活动识别中的平均准确率超过98%。

关键结论

多人感知能力：MUSE-Fi成功实现了多人感知，包括呼吸监测、手势检测和活动识别。
稀疏恢复算法的有效性：SRA能够有效地从稀疏样本中恢复连续的信道变化，验证了其有效性。
BFI与CSI的比较：BFI在稳定性方面优于CSI，但在敏感性方面稍逊，适用于不同的应用场景。

贡献

提出了MUSE-Fi，第一个能够实现多人物理分离的WiFi感知系统。
揭示了近场支配效应，并利用其实现多人感知。
设计了三种感知策略，并配备了SRA来处理多用户场景下的稀疏流量。
分析了BFI感知与传统CSI感知的优缺点。
实现了MUSE-Fi原型，并通过广泛的实验验证了其有效性。

MUSE-Fi

MUSE-Fi（MUti-person SEnsing Exploiting Near-field Wi-Fi Channel Variation）是一种基于WiFi的多人感知系统，它能够实现多人物理分离的感知。以下是MUSE-Fi的具体介绍：

基本概念

定义：MUSE-Fi是一种利用WiFi设备（如智能手机）与接入点（AP）之间的近场信道变化进行多人感知的系统。
核心原理：当一个主体靠近其个人WiFi设备时，该设备的信道变化主要由该主体的运动引起，而其他主体的干扰可以忽略不计，这种现象被称为近场支配效应。

工作原理

近场支配效应：MUSE-Fi利用近场支配效应，即当主体靠近其个人WiFi设备时，该设备的信道变化主要由该主体的运动引起，而其他主体的干扰可以忽略不计。
三种感知策略：
- UL-CSI Sensing：利用上行链路流量和CSI进行感知。
- DL-CSI Sensing：利用下行链路流量和CSI进行感知。
- UL-BFI Sensing：利用上行链路流量和BFI进行感知。
稀疏恢复算法（SRA）：为了解决实际多用户通信场景中流量的突发性和间歇性问题，MUSE-Fi提出了一种稀疏恢复算法，用于从稀疏样本中恢复连续的信道变化。