World Sleep Industry ENCYCLOPEDIA

Wi-Fi CSI睡眠体动识别算法

4.4.1

定义、输入与任务边界

Wi‑Fi 信道状态信息(CSI)睡眠体动识别算法利用无线信号在发射端、接收端与室内反射路径之间传播时的变化,判断床上人体是否发生动作,并可进一步区分微动、翻身、坐起、离床或未知事件。人体移动会改变直达与多径分量的幅度和相位,因此无需摄像头或穿戴传感器也能获得运动线索。

CSI 通常按天线对、子载波、数据包和时间给出复数信道响应,比把整个信道压缩为单一数值的 RSSI 更细。它不是人体轮廓、关节轨迹或睡眠阶段的直接图像。算法应说明无线制式、频段、带宽、发射与接收设备、天线配置、数据包来源和可用 CSI 维度,避免把不同硬件输出视为相同输入。

“体动”必须有操作定义:它可以表示任意非呼吸运动、持续超过阈值的活动,也可以是具有起止和类别的事件。检测到床区无线扰动不等于确认某位睡眠者翻身,更不等于诊断周期性肢体运动、癫痫发作或觉醒。临床或安全用途需要同步参考信号和针对最终任务的独立验证。

采集链路、幅相与校准

CSI 受发射功率、自动增益、载波频偏、采样频偏、包检测延迟和相位绕回影响。原始幅度可能随增益切换跳变,原始相位也可能包含与人体无关的线性趋势和随机偏置。预处理应记录并校正可识别的硬件误差,同时保留校正方法、失败状态和原始时间戳,不能把所有变化都归因于体动。

数据包到达常不均匀,并可能因网络负载、干扰或省电策略丢失。插值和重采样可形成规则时间轴,却会改变事件边缘与频谱;发送探测包则会占用信道并受接入规则限制。算法应报告实际包率分布、丢包、时间戳精度和有效吞吐,并验证在真实网络流量下仍能达到所需时间分辨率。

发射器、接收器和床的位置决定感知区域及多径几何。移动路由器、改变天线方向、更换床位、开关门或新增家具都可能重塑基线,邻居移动和其他无线设备也会扰动链路。安装应保存房间与链路配置,执行空房和有人静息校准,并在环境显著改变时触发质量告警或重新验证。

预处理、链路选择与事件分割

预处理可以包括异常包剔除、相位展开、幅度归一化、去趋势、低通或带通、主成分、天线比值以及时频变换。不同步骤可能放大噪声或丢失缓慢转身,参数应针对目标动作尺度确定。若用整夜统计量进行归一化,必须防止未来信息泄漏到实时输出或测试窗口。

多天线、多子载波提供大量相关序列,但不是每条链路都穿过床区或对当前姿势敏感。链路选择可依据稳定性、运动响应、信噪比或学习权重,并应避免只在测试数据上挑选最优通道。融合时要保留天线对和子载波来源,检查单一故障、深衰落或射频干扰是否主导最终结果。

事件分割通常用短窗方差、差分能量、相关性变化、信号子空间或学习模型定位开始与结束。窗口长度、重叠、迟滞、最短持续时间和相邻事件合并会直接改变次数与时长。呼吸、床体振动和动作后的多径恢复可能产生尾迹,算法应设置过渡或未知状态,而不是把一个翻身拆成多个事件。

表征、分类与时间语境

体动表征可使用幅相统计量、子载波相关矩阵、Doppler 或时频能量、持续时间、空间链路变化,也可由卷积、循环、注意力或自监督模型学习。大动作的能量容易辨认,手足微动、被褥移动和姿势微调更易重叠。模型应与任务粒度匹配,不能以粗粒度训练标签支撑精细动作名称。

睡眠动作具有时间语境:一次翻身常含准备、主动作和稳定阶段,坐起可能随后离床,周期性运动则需要连续事件间隔。状态机或序列模型可减少逐帧抖动,但规则不能凭先验自动补出未观测的动作。输出应保留事件概率、类别置信度、边界不确定性和模型拒绝结果。

呼吸造成的微弱周期变化可作为静息背景,也可能在浅眠动作附近被掩盖。体动识别应与呼吸估计共享质量信息,却不能因呼吸波消失就判为动作,也不能把动作造成的宽带变化解释为呼吸异常。若下游用于睡眠分期,应单独验证完整分期模型,而非从体动准确率推断睡眠阶段准确率。

标签、多人环境与混杂因素

训练标签可来自同步红外视频、压力垫、加速度计、人工 PSG 标记或多源共识。每种参照观察的对象不同:腕部加速度不能完整代表躯干翻身,视频会被被褥遮挡,人工事件边界也有分歧。标注规范应定义身体部位、类别、起止、最短事件和未知,并测量标注者一致性。

房间内走动者、同床者、宠物、风扇、窗帘、机器人和可调床均可改变 CSI。仅凭单条链路通常难以确认是谁移动;多链路定位或源分离仍会在遮挡、轨迹交叉和同时动作时失效。系统应先判断占用与可归属性,再输出个人事件,并把多人混叠保留为独立状态。

被褥厚度、睡姿、体型、床的材质、设备高度和非视距路径会改变同一动作的表现。夜间网络信道、固件与自动频率选择也可能变化。训练集应覆盖这些因素并记录元数据;若算法在新房间执行快速适配,适配数据、更新边界和负迁移检测必须与最终测试分开。

验证、泛化与结果报告

数据划分应以受试者、房间和采集时段为单位,避免同一夜的相邻窗口跨入训练与测试。随机窗口划分会让模型记住房间基线、人员特征和无线噪声。应进行未见受试者、未见房间、设备更换及隔日或跨季节测试,并区分零样本部署、少量校准和完全重新训练。

事件检测应报告灵敏度、阳性预测值、事件匹配容差、时间误差、每小时误报和有效覆盖;多类别识别还需混淆矩阵、宏平均指标与未知拒绝。逐帧准确率会被长时间静息类别支配,不能单独代表动作性能。每项结果应按动作大小、姿势、距离、视距条件、单人或多人和房间分层。

压力测试应包含丢包、流量突增、信道切换、设备重启、家具变化、旁人经过和同时动作。比较算法时应固定数据版本、标签、采样协议和计分单位,并报告计算延迟与资源使用。外部验证需使用独立地点和硬件,失败夜、无输出和重新校准次数也应纳入,而不是只报告成功片段。

部署、隐私与安全边界

设备端处理可以只上传事件和质量信息,减少原始 CSI 暴露,但无线感知仍可能推断占用、作息和活动。系统应提供明确告知、适当同意、身份与权限管理、最小化采集、加密、保留和删除机制。同住者与访客同样可能被感知,不能把“无摄像头”等同于没有隐私风险。

部署时应锁定或记录频段、带宽、天线、固件和链路角色,监测包率、基线漂移及环境改变。更新模型或自动适配前后要用固定基准检查误报、漏报、覆盖和亚组性能,并支持回退。持续低质量、设备移动或多人不可分离时,界面应显示不可用而非延用旧状态。

Wi‑Fi CSI 体动识别适合提供非接触活动趋势和研究特征,但不能单独证明睡眠、觉醒、周期性肢体运动或其他疾病事件。异常频繁的动作若伴随伤害风险、呼吸异常或明显日间症状,应按适当流程进一步评估。可信系统应明确区分无线变化、推断动作和临床解释,并允许人工复核同步证据。