嵌入式技术、无线通信技术和互联网技术的不断革新与发展,促进了计算机、互联网、移动通信以及数字多媒体等应用的相互融合,越来越多的智能设备逐渐出现在人们的日常生活当中,并不断为人们提供各类定制化的信息与服务。然而在传统桌面计算或移动计算模式下,用户必须通过键盘、鼠标、触摸屏等方式与计算设备进行交互。为了简化交互过程,普适计算的概念被提出,其旨在把计算融入至人们生活的物理空间中,让硬件设备从人们的视线中消失,从而让人们更多地关注所需完成的任务本身。从人机交互的角度来看,这就意味着需要把人机接口从传统输入设备扩展到整个三维物理空间,即从传统桌面计算或移动计算模式下的“显式交互”转变为“隐式交互”。情境感知是实现隐式交互的重要基础,感知的方式主要包括接触式和非接触式。接触式感知主要通过嵌入式传感器或可穿戴设备识别并感知用户位置、行为动作、生理指标等信息。然而,由于接触式感知需要用户主动佩戴特定设备或与设备相接触,故在一定程度仍无法做到真正的隐式交互。非接触式感知则无需用户与硬件设备进行直接接触,且目前主要的非接触感知方式包括基于视觉的感知和基于语音的感知。近年来,Wi-Fi信号也逐渐被用于实现非接触式情境感知。Wi-Fi信号在传播过程中受不同障碍物的影响会以直射、反射、绕射或散射等传播方式到达接收机,而人体运动通常会改变Wi-Fi信号的传播路径,进而使得接收端多径叠加信号的接收信号强度(RSS)或信道状态信息(CSI)产生不同程度的变化。基于Wi-Fi信号的情境感知技术正是通过分析接收信号内在参数的变化模式以实现人体运动感知。相比于基于视觉或语音的感知方法,基于Wi-Fi信号的感知方法不受光照条件的约束,同时比语音系统的功耗更低、感知范围更广。而且更重要的是其不会造成视频或音频等隐私数据泄露问题。此外,由于Wi-Fi设备在日常生活中的广泛部署,也使得其成为了构建普适化情境感知应用的理想载体。本论文重点围绕人体行走运动感知这一主题,对基于Wi-Fi信号信道状态信息的人体行走感知技术进行了系统研究。主要研究工作与贡献如下:1.提出了基于频谱能量的行走运动检测方法。通过理论分析与实验研究发现,在室内人体日常活动中,行走运动具有相对较大的运动幅度(与挥手、睡觉等活动相比)以及相对较长的运动时间(与坐下、摔倒等活动相比)等特点。人体在行走过程中腿部或脚部运动会引起CSI幅值产生频率在30～60 Hz左右的波动,通过将该频段的加权频谱能量作为行走运动检测指标,同时结合运动时长参数,该方法可实现的平均检测真阳率(TPR)及假阳率(FPR)分别为96.41%和1.38%。由于无需像现有运动识别方法那样提取复杂的运动特征及训练运动分类器,因此该方法的处理流程更加简洁且计算复杂度更低,可实现对行走运动高效、快速的检测,在实际应用中具有较高的实用性。2.提出了基于离散小波变换与短时能量的计步方法。针对已识别得到的行走运动CSI数据片段,动态地从各CSI流中挑选出CSI幅值方差较大的多个子载波。通过离散小波变换(DWT)将选定的子载波数据分解成多个具有不同频率及时间尺度的小波系数,并计算与腿部或脚部运动速度相对应的细节系数的短时能量。为了消除信号传播距离变化所导致的短时能量偏差,提出利用滑动标准化技术来平衡短时能量以获得更平稳的有效波峰(波峰数即粗略记为步数)统计结果,并综合多个子载波及多个CSI流的统计步数输出得到最终的计步结果。通过在两种不同的室内场景下搭建实验平台对该方法的性能进行了验证,实验结果表明,该方法在两种不同室内场景下针对15名受试者的行走数据分别实现了 90.2%和87.59%的平均计步准确率,且能较好地适应环境变化。相比于现有直接利用CSI幅值低频分量或基于躯体运动速度的计步方法,该方法可针对包括原地踏步在内的行走运动实现准确且稳定的计步功能,同时感知范围也更大。3.提出了基于注意力机制的步态识别与行走方向估计方法。由于不同个体通常具有不同的身体形态及独特的行走步态,因此每个人在行走时身体各部位独特的运动模式会引发Wi-Fi信号的CSI幅值产生特定的变化模式。此外,人体行走时相对于收发设备距离及方向的改变会使得CSI幅值随时间产生不同的变化趋势。通过利用基于注意力机制的循环神经网络(RNN)编码器-解码器来挖掘CSI幅值中所蕴含着的与行走步态和方向相关的变化模式及变化趋势,可实现对人体步态及行走方向的联合识别与估计。通过在三种不同室内场景下开展行走实验对该方法的有效性进行了验证,最终结果表明,该方法在步态识别任务中针对4-10名受试者可实现的平均F1分数为97.32%～89.777%,而在行走方向估计任务中针对8个行走方向可实现的平均F1分数为97.41%;并且该方法在这两个任务中所能实现的平均识别准确率均达到或超过了98%。与现有方法相比,该方法可在注意力机制的引导下自适应地聚焦至CSI数据中有意义的数据片段,从而在进行步态识别时免除了步态周期检测及分割等处理步骤;同时,针对不同识别任务,该方法可动态地选择特定的数据片段并自主生成深层次、高质量的步态特征或方向特征,无需进行人工特征提取。