WIFI CSI动作识别数据集全解析:从数据采集到深度学习应用

WIFI信号状态信息 CSI 数据处理篇之读取数据与数据解析(二) 本篇主要讲做完实验后怎么处理收集到的数据。处理数据的第一步是正确的读取和存储这些数据。 阅读详情

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3x1 MIMO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
WIFI中CSI的读取 学习目标: 目前正在做基于WIFI的无设备定位,准备使用信道状态信息(CSI),学习一下。 目前采集数据环境已经搭建好,准备研究信号的预处理。 学习内容: 1、 信号的读取——read_bf_file函数的研究 2、 3、 4、 1. read_bf_file详解: %READ_BF_FILE Reads in a file of beamforming feedback logs. % This version uses the *C* version of read_bfee, ... 阅读详情

相关推荐

WIFI信号状态信息 CSI 深度学习之数据集

所有的数据以及实验参数都上传到了figshare中并说明,仅供参考。

Silver_777的博客 1055

基于Web的实时WIFI CSI可视化

据上篇文章,已在Linux系统中安装LinuxCsiTools,用特定IntelWiFiLink 5300无线网卡收集WiFi信道数据。然后在matlab中利用CsiTools提供的工具解析数据,画出数据实时变化图像。本文重点是在matlab中建立TcpIp连接把数据传给JavaWeb,用Echarts控件在Web界面上画实时图像。 其中得到的CSI数据如下: 这是一个单位为线性的1×2×30的CSI矩阵,它表示此时链路的输入输出信道状态信息。 然后在二个不同的空间路径对1×2×30的CSI矩阵进行测量并

Abandon Yourself 的博客 3208

基于WiFi CSI的无接触动作识别:从原理到实战

信道状态信息(CSI)是WiFi信号在OFDM子载波上的幅度与相位采样,能精细刻画多径传播环境。人体动作会改变反射与散射路径,从而在CSI序列中产生可测量的扰动。通过采集CSI、预处理、特征提取与分类,可实现无接触、低隐私风险的动作识别,如跌倒检测、智能家居触发。相比RSSI,CSI提供更细粒度信息;相比摄像头,CSI不涉及图像隐私。本文以WiFi感知为核心,详解CSI采集、预处理与模型训练全流程,并分享避坑经验。

weixin_30872577的博客 309

基于WIFI CSI的深度学习数据集构建与活动识别应用

本文详细介绍了如何利用WIFI信道状态信息进行室内人员活动识别。通过搭建CSI数据采集环境、设计实验方案、进行数据预处理与特征工程,并构建深度学习模型,实现了基于WIFI信号的无感活动感知。该方法无需摄像头或可穿戴设备,在保护隐私的同时,为智能家居、健康监测等应用提供了新思路。

weixin_29079643的博客 294

室内CSI指纹定位数据集参考

随着WiFi技术的发展,IEEE802.11n系列通信协议及其之后的无线局域网协议应用了多输入多输出(multiple-input multiple-output,MI-MO)和正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)等技术,使得WiFi收发设备之间的信道特征可以在物理层进行估计,并以信道状态信息(channel status information,CSI)的形式存储下来。实验使用一个无线路由AP作为发射机(共2根发射天线),使用一台配备了Intel WiFi Link 5300无线网卡和Ubuntu操作系统的台式机作为接收机(共3根接收天线)。通过修改NIC的设备驱动程序,来读取每个数据包接收时以CSI的形式记录在硬件中的CSI值,并生成包含CSI信息的dat文件。这些dat文件是以二进制进行保存的,最后我们还要使用MATLAB或者Python程序来读取dat文件,从而获取丰富的csi信息。每个位置点测试1500个数据包。

信道状态信息(CSI)的数据集(一个点)

信道状态信息(CSI)的数据集(一个点)

射频接收机本振相噪指标计算:从倒易混频到GSM实战

在射频接收机设计中,相位噪声是衡量本振信号频谱纯度、影响系统灵敏度的关键指标。其核心影响机制源于倒易混频原理:当不纯净的本振信号与强带外阻塞信号混频时,本振的噪声边带会被转换到中频通带内,从而抬升接收机噪声基底。这一过程直接决定了接收机在阻塞测试等场景下的性能极限。从技术价值看,精确计算本振相噪要求,是进行系统噪声预算、实现成本与性能权衡的核心依据。尤其在手机、基站等对灵敏度要求极高的应用中,它指导着锁相环和压控振荡器的选型与设计。本文以经典的GSM DCS1800标准为例,通过详细的公式推导与变量分析,演

weixin_30368405的博客 335

Simulink中为Scope模块添加图例的方法

比如我要在Scope模块输出三轴加速度的数据,但三轴数据波形混杂在一起不太好看,此时就需要在Scope模块中添加图例来使波形看起来更加清晰明了。 注:我这里使用的Matlab版本为2019a 1.首先在simulink中打开,需要添加图例的Scope,如图示: 2.在Matlab,command窗口输入: >> set(0,'ShowHiddenHandles','On'); >> set(gcf,'menubar','figure'); 此时你会发现Scope窗口菜单栏多了好几

Kunfly的博客 1万+

Windows+VSCode+Cline+MCP全流程配置指南

本文提供了一份详细的Windows+VSCode+Cline+MCP全流程配置指南,旨在帮助开发者打造高效的AI辅助编码工作站。文章从环境准备讲起,逐步指导安装VSCode、配置Cline插件、搭建Node.js环境,并重点详解如何通过MCP为Cline集成文件系统和GitHub等工具服务器,实现用自然语言操控开发环境,从而显著提升日常编码与文件管理效率。

weixin_28840143的博客 554

YOLOv11 损失函数进阶:SlideLoss 让小目标检测精度飙升

创建self.loss_fun = loss_fun # 基础损失函数(如BCEWithLogitsLoss)self.loss_coef = loss_coef # 损失系数# 计算滑动权重:根据预测与真实值的差异判断样本难度# 难度越高,权重越大该类在原有损失函数的基础上,通过diff计算样本预测与真实值的差异(差异越大,样本越难),进而生成动态权重,实现对难样本的重点学习。

m0_64661770的博客 238

034、MLCA 多尺度局部上下文注意力的 YOLOv11 适配:轻量级金字塔式空间上下文聚合

本文介绍了一种将多尺度局部上下文注意力(MLCA)模块集成到YOLOv11模型中的方法,以解决小目标检测中空间信息丢失的问题。MLCA采用金字塔式局部上下文聚合策略,通过不重叠的网格划分实现轻量级空间注意力计算,相比全局注意力机制能更好地保留小目标特征。 作者详细记录了实现过程,包括模块定义、参数调优和训练技巧,特别指出避免使用BN而改用GroupNorm以提升训练稳定性。在VisDrone数据集上的实验表明,MLCA-YOLOv11在参数量和计算量基本不变的情况下,mAP提升2.5%,其中行人检测提升3.

sundong_81的博客 289

ultralytics.data.utils——utils.py子模块代码详读

ultralytics.data.utils——utils.py子模块代码详读

Together_CZ的博客 1722

微调大模型如何准备数据集——常用数据集,Alpaca和ShareGPT

在大模型微调中,我们一般使用Alpaca 和 ShareGPT和两种格式的数据集。

Science prince的博客 1099

PyTorch深度学习实战(24)——使用U-Net架构进行图像分割

图像分割 (Image segmentation) 是计算机视觉领域中的一个重要任务,旨在将图像划分为具有语义信息的不同区域或对象。与目标检测任务不同,图像分割要求像素级别的精确定位和分类,将每个像素标记为属于哪个类别或属于哪个区域。在本节中,我们将介绍图像分割的基本概念,并训练一个基于 U-Net 架构的图像分割模型。

盼小辉丶的博客 1万+

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

上一篇: 解决Unity Android崩溃的终极指南:从libil2cpp.so到源代码的逆向追踪技巧
下一篇: PyTorch多GPU训练避坑指南:从DataParallel到DistributedDataParallel的实战选择
r2s3t4
博客等级 码龄1天 0粉丝 1301原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址