随着社会的发展,环境污染、生活习惯、流感病毒等种种因素使得呼吸疾病的发病人群日益年轻化,由呼吸疾病引发的死亡率在城市中死亡率占据第三位,在农村中甚至占据首位。每个人的呼吸特征基本相同,呼吸的普适性是人们得以对其进行研究的基础。监测呼吸能为健康监测提供很有参考价值的数据,使医生能更有效地诊断病情,咳嗽作为一种特定的呼吸特征,对各种病情的诊断有很高的参考意义,当前的研究大多结合语音识别领域中的常用的端点检测算法,通过分析人体咳嗽声音的特征来咳嗽监测。基于声音的检测方法在复杂噪音环境下识别准确率较低,而大多数室内环境噪声普遍存在。随着Wi Fi网络的普遍部署,Wi Fi设备的信道状态信息（Channel State Information,CSI）能够记录不同呼吸动作造成的传输信道的变化,可以用于咳嗽识别。面向咳嗽检测的CSI数据采集和预处理技术使用线性拟合方法消除因设备时钟不同步和检测时延而导致的相位误差,利用基于中值绝对偏差的滤波器将CSI幅值的离群点替换为中位数,将一维的CSI幅值数据分解成5层进行小波去噪处理,去除信号增幅的噪声。面向咳嗽检测的特征提取技术使用CSI幅值来量化子载波对人体运动的敏感程度,为提取出明显特征和降低计算成本,筛选出最敏感的子载波的相位信息进行处理,提取天线间相位差的方差、极差、均值和四分位矩等特征作为分类器的输入。由于样本数据有限,分类器采用基于小样本学习的原型网络。原型网络对于每种类别只需要很少的样本数据,其将每个类的样本数据映射到嵌入空间内,提取它们的均值作为类的原型,通过训练使本类别数据与类原型的距离最近,与其他类原型距离较远。分类时对测试样本数据到各个类原型的距离做softmax,从而判断测试样本的类别。实验结果表明在复杂室内环境下,该系统对人体咳嗽对识别率达到93.62%,,与KNN算法比有更高的准确率,能够作为咳嗽监测方案为用户提供健康参考。