前 言
随着物联网(IoT)各种无线信号(如Wi-Fi、LoRa、RFID)它充满了我们的生活和工作空间。在过去的十年里，许多复杂的无线传感技术和系统被广泛应用于各种应用（如手势识别、定位、物体成像）。最近，深度人工智能(AI)，又称深度学习(DL)，它在计算机视觉方面取得了巨大的成功。一些研究初步证明，深度人工智能也有利于无线传感，从而迈出了全新的一步[1]。
本文分为两篇文章，介绍了从深度人工智能技术中受益的无线传感的发展。
本文主要介绍了深度人工智能和无线传感的背景、现有的相关调查、问题和挑战以及深度人工智能实现无线传感的未来趋势。
下一篇主要介绍无线传感系统(Wireless Sensing Systems，WSSs)基于深度人工智能的现有技术（信号预处理、高级特征提取和传感模型形成），与传统方法进一步比较。本文主要参考文献[1]。
无线传感系统的工作过程
无线传感系统的工作过程主要分为信号输入、信号处理、建模和应用三个部分。
1.信号输入：无线传感系统的信号输入是从无线电中获得的原始信号信息。接收信号强度指示器(Received Signal Strength Indicator,RSSI)，也可以是信道状态信息(Channel State information,CSI)。
2.信号处理和建模：信号处理和建模是无线传感系统的关键组成部分，负责处理输入信号和建立模型，以便在目标场景中应用。该部分主要分为三个通用功能模块：信号预处理、先进特征提取和传感模型形成。它是三个可用于深度人工智能优化的模块，也是本文主要介绍的三个模块。
3.应用程序：应用程序是无线传感系统工作过程的最后一步和最终目标。通过接收、处理和分析信号，完成目标场景中的预期功能和目标。
如图1所示。
图1 无线传感系统的工作过程
信号预处理
接收原始信号输入后，无线传感系统需要相应地处理信号，然后获取关注的数据。由于无线环境的复杂性、异构和演变，降噪和数据自适应通常用于提取特征。
降噪方面，Widar3.0首先通过CSI测量体坐标速度剖面(BVP)，BVP它与收发器的部署或表演者的方向无关，是该领域无关的物理特征。其次，通过集成cnn的GRU该模型进一步提高了特定领域的降噪效果，并在直接应用于新领域时取得了相当好的性能。重要的是，它显示了信号处理和DL降低噪声的潜力是技术的结合。WiPose使用3D BVP去除与姿势无关的噪音，使用7层CNN-LSTM增强模型。
传统降噪的基本思想是利用预测干扰进行校准计算，其性能取决于干扰测量的粒度和适应性。DL从技术的角度来看，它可以区分感兴趣的信号和噪声，如硬件异质性和背景干扰引起的相位偏移、闪光效应和远近问题引起的无关反射路径以及不平整的频率响应。
数据自适应，DFAR通过学习具有深度特征的思想，实现跨场景条件下特征转移的最大、最小对抗，然后通过mmWave跨场景活动识别定制多层次CNN，减少新环境特征转移引起的退化。DFGR针对Wi-Fi的域相关CSI，设计了深度特征提取和深度相似度评价网络，评估了训练集到新测试条件的可转移相似性。CrossSense设计7层前馈ANN漫游模型采用迁移学习技术去除不相关成分，进一步减少训练工作量，同时扩展到跨场景条件。EI和RF-Sleep将对抗架构集成到特征提取器中，可以通过专门为生成器和识别器设计的损失函数来学习与环境无关的组件。
一方面，利用压缩算法去除冗余部分，提高计算效率；另一方面，合成算法可以获取多维信息，使其对细粒度的感知变量更加敏感。基于上述比较DL数据自适应，更好地去除信号不相关成分，更好地感知特征，甚至转移跨场景的特征。
提取高级特征
接收来自信号预处理模块的信号，下一步是建立进一步模型的提取特征。
DL该技术因其高学习能力而被广泛应用于特征提取。许多基于卷积的网络被用于空间分析，包括MLP、CNN以及一些衍生网络，如编码器-解码器网络。实验表明，使用简单MLP极化提取处理后的无线信号，MLP优于传统基础ML如REF-SVM、k-NN和Na?ve Bayes。CNN具有较强的空间特征自动优化能力，基于局部连通性、参数共享、输入自适应性和等效性。WSSs结合CNN进行更细粒度的空间特征提取。例如， SignFi进一步使用9层CNN从CSI为了识别276个手势，测量范围与相位获取空间相关。Shi等在传统的SVM结合欺骗计划CNN从日常活动中提取9个人工设计的生理特征（如体型、身高、体重）和行为特征（如行走模式），绘制11个用户身份验证的独特空间特征。我们可以看到，DL可以减少网络的使用WSSs繁琐的手工特征设计和进一步的自我应用工作
DL该技术还可用于捕获时间快照等时间信号RNN、LSTM和GRU。考虑到二维AoA-ToF剖面噪声，RTrack设计了一种RNN，即使在低信噪比的情况下，二维也可以使用MUSIC容易出现误差2D距离剖面映射到细粒度的目标反射面。其原理是RNN噪声、多路径和移动性问题的影响可以通过连续二维剖面之间的时间结构来纠正。WSSs结合时间快照和空间优势，协调估计距离和方向。它也适用于神经网络，如Widar3.0设计的基于CNN的GRU提取空间和时间特征的网络。
为了有效地提取物理特征，可以利用对抗结构，如GAN学习信号输入与应用输出之间的隐藏连接。RF-Sleep利用条件对抗架构来区分假样本和地面真实性CNN-RNN特征提取器学习睡眠检测的最佳特征。EI采用GAN模型从CNN在特征提取器中去除不相关部件，降低了跨域场景的部署成本。GAN集成到WSSs这是一个很有前途的方向，GAN计算机视觉领域的快速发展，如Pix2pix GAN和Cycle-GAN，鼓励我们在未来的工作中挖掘GAN和WSSs潜在组合。
建立传感模型
在提取了上述特征后，其余的挑战是制定一个将原始信号输入与最终应用程序输出连接起来的模型。这里介绍的模型建模方法包括传统的模型建模方法：基于几何建模、基于统计建模、基于机器学习的建模和基于深度人工智能的建模。如图2所示。
图2 建立传感模型的方法
基于几何建模。几何模型用于距离和方向估计给定提取的特征，三角形的几何性质可用于估计发射信号的直接（最短）路径的位置，覆盖三边测量和三角测量。另一种几何模型是菲涅耳带模型，用于定位和跟踪。菲涅耳带模型表示一系列波叠加强度增强和交替减弱的同心椭球区。它是由反射路径的相位变化引起的，导致波叠加相位的相位和相位干扰。
基于统计数据的建模。统计模型制定了从输入到输出的映射来优化数值，这取决于经验测量或概率函数来描述无线信道。例如，为了获得用于感知任务的多维和互补信息，一个直观的想法是提取多个特征，以提供额外的抗噪声能力，包括空间优势、时间快照和物理特征。因此，可以利用联合多参数估计来整合各种特征获得最终结果。
基于机器学习(ML)建模。基于浅层学习的机器学习或模型通常被用来寻找应用输出的输入源边界。ML常用模型有模型构建k近邻、SVM以及自组织映射、隐马尔可夫模型、随机森林、决策树和简单贝叶斯。
基于深度人工智能的建模。与上述三种传统建模方法相比，DL该模型可以更有效地将原始信号输入与最终应用程序的输出连接起来，特别是对高细粒度的感知任务，如骨体网格重建等高细粒度的感知任务。有很多种DL技术可以从图像翻译、多任务学习、迁移学习等其他领域转移。在保持原有优势的基础上，进一步培训其他领域的成熟模型，取得更好的效果。
小 结
人工智能技术越来越多地应用于许多领域，并显示出巨大的应用潜力，使其面向普遍感知WSSs中不可或缺。上篇中，介绍了深度人工智能及无线传感的背景，通过现有的相关调查，了解了现有研究在DL结合无线传感的贡献和可行性。阐述了两者结合带来的问题和挑战，最后讨论了深度人工智能实现无线传感的未来趋势。本文为下一篇文章，主要结合WSSs在工作过程中，介绍了基于深度人工智能的现有技术和一些传统方法，包括信号预处理、高级特征提取和传感模型形成。
参考文献
[1] Li C,Cao Z,Liu Y. Deep AI Enabled Ubiquitous Wireless Sensing: A Survey[J]. ACM Computing Surveys (CSUR),2021,54(2): 1-35.
