关键词：手势识别;WiFi信号;非接触式传感
1引言
近年来，得益于计算机技术和通信技术的飞速发展，非接触传感应用逐渐进入人们的日常生活并引起广泛关注。将非接触传感技术应用于渐冻症患者，是非接触传感的一个重要应用场景，通过有效识别和解析渐冻症患者的手势微小动作，可实现情感表达和信息交互，其对于改善渐冻症患者的生活质量具有重要意义[1]。
以此为契机，科研人员围绕手势识别、微动识别开展了深入研究，典型代表有：北京邮电大学的李增皓等人采用软件无线电技术提出了一种基于SORA平台和Choi-Williams分布的人体手势识别方法，但该系统对使用环境要求较高，若周边环境太暗，则在图像信息中提取的有效手势信息量将大幅减少，从而对数据处理造成严重影响[2]。Abdelnasser等人利用接收信号强度指示（Received Signal Strength Indication， RSSI）设计了Wigest系统，通过RSSI值的波动来感知用户手势，手势的识别准确率可以达到96%[3]。然而RSSI仅能提供关于信道变化的粗粒度信息，而不包含关于细微运动引起的小规模衰落和多径效应的细粒度信息，因此难以应用于细粒度的手指微动识别。Tan等人采用信道状态信息（Channel State Information， CSI）提出了WiFinger系统，该系统利用商用WiFi网卡获得细粒度的CSI数据，采用主成分分析和子载波选择技术提取手势特征，同时引入环境噪声消除机制减轻环境变化引起的信号动态影响[4]。上述方案仅能实现特定规则的手势动作，且识别性能需要以发射机、接收机的位置固定为前提，以上因素导致其在渐冻症患者微动手势识别领域存在瓶颈。
基于此，本文设计并实现了一种基于WiFi信号的非接触式微动感知系统，采用摩尔斯码实现手势动作的多维表达，引入信号转换机制解决识别精度的位置受限问题，并在实际场景下完成了系统的性能验证，测试结果表明，所设计的系统具有良好的识别精度和鲁棒性。
2 CSI基本概念
3系统方案
3.1系统框架
如图1所示为微动感知系统的框架，主要由四部分组成：实时数据采集、数据预处理、信号模式转换和手势识别与解码。
1）实时数据采集
本文采用Intel 5300网卡、笔记本电脑、TP-Link路由器等构建系统硬件平台，实时采集CSI数据。其中TP-Link路由器作为发射端，装有Intel 5300网卡的笔记本电脑作为接收端，通信基于IEEE 802.11n协议，笔记本电脑不断地从路由器中接收CSI数据包样本并实时处理数据。
2）数据预处理
针对直接采用CSI进行微动识别的局限性，本文设计了一种数据预处理方案。首先，利用从CSI数据样本包中同时获得的两个CSI流（每个接收天线一个）计算CSI比。然后，采用Savitzky-Golay滤波器对CSI比信号的原始幅度进行去噪，该滤波器可以在保持手指运动引起的较大信号变化的同时，有效地去除较小的随机变化。
3）信号模式转换
信号模式转换是微动感知系统的核心内容。首先，根据不同位置同一信号特征不一致的问题，本文设计了一种信号转换机制，将不同位置的信号模式转换为一种波形。然后，利用CSI比幅值的变化来检测连续手势之间的停顿，分割经转换机制变换后的手指手势。
4）手势识别与解码
手势识别将分段信号与参考信号进行比较匹配，识别分段信号的含义。首先，将每种手指手势的分段信号进行统一归一化处理，得到统一度量下的分段信号。然后，采用动态时间规整（Dynamic Time Warping， DTW）算法来计算归一化分段信号和标准化参考信号之间的相似性，选择相似度最高的参考信号模式作为所执行的手指手势。最后，根据识别出的手指手势进行摩尔斯编码，编码从开始手势开始到结束手势结束，并将累积的摩尔斯码映射为相应的输入字符。
3.2数据预处理
由于WiFi信号会通过多条路径从发送端传输到接收端，这些路径总共分为两种，即动态路径和静态路徑[5]。静态路径是由视线路径和环境中静态物体的反射路径组成，它不会随时间发生变化，而动态路径是由目标物体的移动所反射的信号路径。通常情况下，发射端与接收端的时钟是不同步的，在t时刻接收到的CSI可以表示为：
3.4手势动作多维表达
鉴于渐冻症患者的身体条件，本文将摩尔斯码融入到本系统的设计中，根据摩尔斯码的特点设计了一系列手指手势，手指手势的完成仅依靠一根手指实现，以进一步减少渐冻症患者手指的运动量。不同于原始的摩尔斯码的设计，本文将手指的抬起手势作为开始手势，手指的下落手势作为结束手势，手指的下落再抬起手势作为“ ”手势，重复两次“ ”手势对应的手指操作作为“ ”手势。本文所设计的手指手势可以用于编码国际标准化组织的基本拉丁字母、阿拉伯数字和一组标点符号，实现渐冻症患者希望与他人能够正常交流的心愿。
4实验验证与性能分析
4.1实验设置
为了验证所提系统的可行性，本文搭建了如图2所示的实验场景，实验场景主要由Intel 5300网卡，路由器和笔记本电脑组成。选择家庭、办公室以及会议室三种实际场景进行实验，选择五名志愿者参与实验，包括两名女性和三名男性，志愿者对26个英文字母、10个阿拉伯数数字和18个标点符号执行采用摩尔斯码设计的手指手势。每名志愿者执行9次手指手势，每个手指动作执行45次，共计2430次。 4.2性能分析
本文采用識别精度来评估系统性能，识别精度定义为志愿者所执行的手指手势能够被微动感知系统正确识别的百分比，从字符识别精度和基本手势识别精度两方面入手证明所提系统的有效性。
1）基本手势识别精度：不论是英文字母还是阿拉伯数字都是由开始、结束、“ ”手势和“ ”手势四种基本手势混合组成输入，因此准确识别四种基本手势是实现字符的高精度识别的前提。图3示出了四种基本手指手势的混淆矩阵。从混淆矩阵中可以看到，系统对四种基本手指手势的识别率都很高，对开始手势、“ ”手势、“ ”手势和结束手势的识别准确率分别达到了97%、98%、98%和96%。
2）字符识别精度：图4所示为使用信号转换机制变换前后24个字母的识别精度，由图可知，所提系统对所有字母的识别率都很高，本文所提出的信号转换机制将识别率从40%左右提高到90%左右，系统的整体识别准确率超过92%。
5结语
针对渐冻症患者无法与他人进行交流的问题，本文设计了一种基于WiFi信号的非接触式微动感知系统，利用普通WiFi设备无接触地追踪手指细微的移动，引入一种基于CSI比的数据预处理方法，去除信号传输中产生的相位偏移，提高信噪比，设计一种信号转换机制对手势信号进行处理，实现稳定的传感功能，设计一种基于的摩尔斯码的手指手势方案，实现手指动作的多维表达。本文设计系统对用户手势识别精度达到92%，且对环境变化和用户多样性具有较强的鲁棒性，对于改善渐冻症患者的生活质量具有较为突出意义。
参考文献：
[1]Ume? Universitet.（Jan.26，2017）. Eye Muscles Are Resilient to ALS. Accessed： Feb.9，2019.
[2]李增皓.基于CW分布和改进FOA的手势识别研究[D].北京邮电大学，2017.
[3]Abdelnasser H， Youssef M， and Harras K A. Wigest： A ubiquitous wifi-based gesture recognition system[C]. In Computer Communications （INFOCOM），2015 IEEE Conference on （2015），1472-1480.
[4]Tan S， Yang J. WiFinger： Leveraging commodity WiFi for fine-grained finger gesture recognition[C]. In Proc.17th ACM Int. Symp. Mobile Ad Hoc Netw. Comput，2016，201-210.
[5]H. Wang et al.，“Human respiration detection with commodity WiFi devices： Do user location and body orientation matter？” in Proc. ACM Int. Joint Conf. Pervasive Ubiquitous Comput.（UbiComp），2016， pp.25–36.