WIFI CSI动作识别数据集全解析:从数据采集到深度学习应用
最近几年,我身边不少做感知和模式识别的朋友,都开始把目光从传统的摄像头、传感器,转向了房间里那些看不见摸不着的无线电波。尤其是利用商用Wi-Fi设备的信道状态信息进行动作识别,这个领域的热度肉眼可见地攀升。它不像摄像头那样有隐私争议,也不像穿戴设备那样需要用户配合,理论上,只要有个路由器,就能“感知”房间里的动静,这听起来简直像是科幻片里的场景。但真要把这个想法落地,第一个拦路虎就是数据——去哪里找高质量、标注清晰的CSI数据集?找到了又该怎么用?这篇文章,我就想结合自己折腾过的一些项目和公开的经典数据集,比如WiSA,来一次彻底的拆解。我们不只谈数据“是什么”,更要深挖“怎么来”以及“怎么用”,目标是让你拿到一个CSI数据集后,能清晰地知道每一步该做什么,以及如何避开那些我踩过的坑。
1. 理解CSI数据的本质:从无线电波到数字矩阵
在开始摆弄任何数据集之前,我们必须先搞清楚CSI到底是什么。简单来说,当Wi-Fi信号从发射端(比如路由器)传播到接收端(比如你的手机或网卡)时,它会经历反射、折射、散射等一系列复杂过程。信道状态信息,就是接收端对当前无线信道传播特性的一种精细测量。它描述的是一条信号路径在特定频率下的幅度衰减和相位偏移。
注意:CSI与我们更熟悉的接收信号强度指示有本质区别。RSSI只是一个信号强度的宏观标量值,信息量极其有限。而CSI是一个多维向量,包含了多个子载波上各自的幅度和相位信息,能刻画信号在空间传播中更细微的变化,这正是它能用于感知的物理基础。
一个典型的采用Intel 5300网卡和配套工具采集的CSI数据,其结构可以这样理解:
- 空间流维度:取决于发射和接收天线的数量。例如,常见的
3x1MIMO配置(3发1收),就会形成3条空间流。 - 子载波维度:在OFDM系统中,一个信道带宽(如20MHz)会被划分为多个正交的子载波。Intel 5300网卡通常能捕获30个子载波的信息。
- 时间维度:以固定的采样频率(如1000Hz)持续采集,形成时间序列。
因此,原始CSI数据可以看作是一个四维张量:[时间戳, 空间流, 子载波, 复数(幅度&相位)]。理解这个数据结构,是后续所有预处理和模型设计的前提。
# 一个简化的CSI数据块示例结构(假设使用Python的numpy)
import numpy as np
# 假设采集了1000个时间点,3条空间流,30个子载波
csi_data_shape = (1000, 3, 30) # 这仅表示幅度或相位的形状,实际复数存储会更复杂
# 实际数据可能是一个复数数组,例如:
# csi_complex = np.random.randn(1000, 3, 30) + 1j * np.random.randn(1000, 3, 30)
# amplitude = np.abs(csi_complex) # 幅度
# phase = np.angle(csi_complex) # 相位
2. 深入WiSA数据集:采集协议与数据内涵解析
以WiSA这个被广泛引用的数据集为例,我们来解剖一个标准CSI动作识别数据集是如何诞生的。它的设计细节直接决定了数据的质量和适用边界。
2.1 硬件与采集环境搭建
WiSA的采集设置非常具有代表性,几乎成了后续许多研究的参考模板。
- 核心硬件:两台搭载Intel 5300无线网卡的Ubuntu电脑。这款网卡之所以成为研究界的“宠儿”,是因为其开源驱动和固件允许开发者访问底层的CSI信息,这是商用
1055



被折叠的 条评论
为什么被折叠?



