CN109672485A - 基于信道状态信息室内人员实时入侵及运动速度检测方法 - Google Patents

Abstract

本发明属于无线通信技术领域，公开了一种基于信道状态信息室内人员实时入侵及运动速度检测方法，利用现有WIFI环境实现与设备无关的室内运动检测系统。通过有效利用CSI信息，包括对原始信息的多链路筛选、幅度及相位特征值加权和多天线判决，实现对入侵检测系统检测率的提升，并且在检测到人员入侵后触发速度估计模块，当检测到一段时间内速度为0时，结束速度估计模块，进入下一次入侵检测状态。本发明在能获取人体运动速度的同时，有效提高了入侵检测的准确率，并且两个模块相互控制触发，综合提高了室内人员实时入侵及其运动速度检测系统的整体性能。

Description

基于信道状态信息室内人员实时入侵及运动速度检测方法

技术领域

本发明属于无线通信技术领域，尤其涉及一种基于信道状态信息室内人员实时入侵及运动速度检测方法。

背景技术

目前，业内常用的现有技术是这样的：随着智能设备和移动应用的快速发展，被动式入侵检测在智慧医疗、安防监控及紧急救助等诸多领域都得到了广泛应用，在多个方面都具有很大的发展潜力和非常广泛的应用前景。目前用于人体检测的技术主要有基于计算机视觉、红外线、超声波和无限射频识别，上述方法或不具有普适性，只能在单一场景下工作，或需要被检测人员穿戴特殊设备。如果为了上述目的特意部署专用的传感器，也能达到目标效果，但却花费巨大。若能利用广泛部署的WIFI基础设施实现这些功能，不仅能节约成本、方便使用，另外还具有适应性广泛这一特点。这种方式不需要另外部署传感器网络，也不需要被检测人员携带专门的检测设备，甚至不需要传感器。在传统的传感器网络中，需要在指定区域部署大量专门的传感器节点，这些传感器节点负责感知信号，并通过专用的信道将采集到的信号传输出去。这种方法不仅需要耗费大量的人力物力来部署设备，还耗能巨大，并且需要定期维护因此，传统的入侵检测技术不能满足高效、低成本、和人们日益增长的需求。由于无线通信技术的发展，WLAN网络已随处可见，利用WIFI网络的入侵检测已成为研究热点。

目前利用WIFI信号设计与设备无关被动式人体检测系统常用的物理量特征是RSSI，其方便获取，但由于RSSI是多条路径的信号强度叠加，受环境中其他噪声影响很大。例如利用RSSI的异常波动来捕获环境变化来实现人体检测，该技术在进行入侵检测时存在检测结果不可靠的缺陷，因为入侵检测需要实时检测环境特征变化情况，而RSSI来自MAC层，是多条路径信号强度的叠加，室内环境下多径和噪声的影响会使RSSI精准性受到严重干扰，具有较强的随机性和动态性。而CSI为更细粒度的物理层信息，能够同时测量多个OFDM子载波的信道信息，所以能为无线环境感知提供更准确地检测。例如FIMD系统实现了一个与设备无关的室内入侵检测系统，与基于RSSI的RASID系统相比，FIMD从CSI中提取了时间稳定性更好的特征，利用了CSI幅度信息，提高了检测率。该系统虽然利用了更细粒度的CSI信息，但是并未达到足够的准确度。其原因在于：该系统只利用了CSI幅度特征，并且没有考虑多天线带来的性能提升。现有基于CSI的入侵检测系统大多数只利用了其幅度信息或相位信息并未将两者进行有效结合，且检测阶段需要大量的训练数据，最终只能获取单一的有无信息，并未获取运动信息，因此如何有效利用多链路CSI信息来实现实时准确的被动式入侵检测，并获取运动信息具有重要的现实意义与应用价值。

综上所述，现有技术存在的问题是：目前入侵检测技术未有效利用CSI信息、复杂度高。

解决上述技术问题的难度：

为解决上述技术问题，主要有以下技术难点：如何有效利用和筛选CSI多链路信息，室内环境下如何在去除噪声的同时保证信号本身的波形特征，正确提取CSI幅度和相位特征值并进行结合，如何从CSI信息中获取人体运动速度信息。

解决上述技术问题的意义：

入侵检测及运动速度检测对于生产生活都有十分重要的意义，不论是家庭、商场还是医院等场所，都会有广泛的应用。解决上述技术问题，使被动式人体入侵及其运动速度检测更能满足低成本和高精度的要求。

发明内容

针对现有技术存在的问题，本发明提供了一种基于信道状态信息室内人员实时入侵及运动速度检测方法。

本发明是这样实现的，一种基于信道状态信息室内人员实时入侵及运动速度检测方法，所述基于信道状态信息室内人员实时入侵及运动速度检测方法包括：

第一步，通过现有WIFI设备采集信道状态信息并根据相关性进行链路选择，通过预处理算法对原始数据进行去噪和平滑处理；

第二步，通过特征提取算法分别提取CSI幅度和相位可表征环境状态的特征值，并对其进行加权处理；

第三步，利用聚类算法和多天线进行结果判决，检测到人员入侵后触发测速模块；

第四步，通过MUSIC算法计算由于人体移动导致的多普勒速度；

第五步，步第四步得到多个速度估计值，在多个估计值中选出由于人体运动造成的反射路径速度估计值。当检测到一段时间内速度为0时，结束速度估计模块，进入下一次入侵检测状态回到第二步。

进一步，所述基于信道状态信息室内人员实时入侵及运动速度检测方法具体包括以下步骤：

步骤一，获取发射端TX和接收端TR之间的CSI信息，包括多组链路的子载波信息：

其中，csi_i,j表示第i(i＝1,…,M*N)个数据流中的第j(j＝1,…,K)个子载波上的信道状态数据信息，M为发射端天线数，N为接收端天线数，K为子载波个数，通过分析不同链路天线间相关性进行链路选择，将CSI矩阵由M*N*K降为N*K，再通过Hampel算法去除异常值，经过小波变换阈值去噪法去除噪声得到每根接收天线对应的信道状态信息为CSI^rx＝[csi(f₁),csi(f₂),...,csi(f_K)]^T，其中rx(rx＝1,...,N)代表第rx根接收天线，(·)^T表示对矩阵或矢量的转置运算符号，提取CSI幅度信息|CSI^rx|，相位信息∠CSI^rx；

步骤二通过特征提取算法分别提取CSI幅度和相位可表征环境状态的特征值，并对其进行加权处理；

步骤三，将步骤二得到的特征值集合作为输入参数，利用DBSCAN聚类算法进行分类检测，并利用多天线进行联合判决；

步骤四，检测到人员入侵后，触发速度估计模块。利用MUSIC算法联合估由多普勒频移f_D引入的路径长度变化速度其中，f为信号原始频率，c为传播速度；

步骤五，步骤四会得到多个速度估计值，由于人体移动对人体反射路径产生的多普勒影响最大，所以在L个估计值中选最大的估计值即为人体反射路径速度估计；当检测到一段时间内速度为0时，结束速度估计模块，进入下一次入侵检测状态。

进一步，所述步骤一具体包括：

(1.1)对采集的多路CSI进行链路选择；

1a)发射端之间TX和接收端TR之间建立通信，采集到CSI为M*N*K维；

1b)分别计算M条链路对应的N个接收天线CSI相关性：

其中，corrcoef(·)为相关系数运算符，在M路CSI信息中选择相关性最高的一路；

(1.2)对原始CSI信息进行预处理；

1a)通过Hampel算法去除异常值，将分布在[μ-γσ,μ+γσ]范围外的点看作异常点，其中μ，σ分别代表中位数和绝对中位差，γ的取值根据不同的应用场景而变化，最常见的取值为3；

1b)小波滤波能同时在时域和频域联合分析，有效区分信号中的突变和噪声，经过小波变换阈值去噪法去除噪声得到每根接收天线对应的信道状态信息为CSI^rx＝[csi(f₁),csi(f₂),...,csi(f_K)]^T，其中rx(rx＝1,...,N)代表第rx根接收天线，(·)^T表示对矩阵或矢量的转置运算符号，提取CSI幅度信息|CSI^rx|，相位信息∠CSI^rx。

进一步，所述步骤二具体包括：

(1)设置滑动窗口w长度为n，将步骤一得到的CSI幅度和相位信息分别存入到矩阵|CSI^rx|和∠CSI^rx中：

分别计算其相关系数矩阵C_amp,C_ph：

C_amp＝corrcoef(|CSI^rx|),C_ph＝corrcoef(∠CSI^rx)；

其中，corrcoef(·)为相关系数矩阵运算符；

(2)计算相关系数矩阵特征值并按降序排序：

value_amp＝sort(eig(C_amp)),value_ph＝sort(eig(C_ph))；

其中，eig(·)为相关系数运算符号，sort(·)为排序函数，取最大特征值和第二大特征值：

由于相位信息比幅度信息更敏感，设定ω₁,ω₂分别为幅度相位加权因子，将两者特征值进行加权：

得到最终特征值F＝[α,ρ]。

进一步，所述步骤三具体包括：

(1)设定扫描半径eps和最小包含点数minPts；

(2)任选一个未访问数据点开始，找出与其距离在eps之内的所有附近点：比较附近点数量n与最小包含点数minPts的大小：

当n＞＝minPts时，将当前点与其附近点形成一个簇，并标记出发点为已访问，进入(2)；

当n＜＝minPts时，该点被暂标记为噪声点，进入(2)；

(3)设定阈值threshold,若当前滑动窗口内属于一个特定簇的特征值数量count大于threshold，则认为是静态；

(4)聚合多天线检测结果，输出检测结果D：

进一步，所述步骤四具体包括：

(1)在短时间内可认为v保持不变，t₀+t时刻的CSI表示为：

其中，L表示总路径数，α_l为第l条路径的增益。设窗口大小为n，则CSI表示为：

其中，(·)^T表示对矩阵或矢量的转置运算符号，f_k是第k个子载波的原始信号频率，为多普勒频移矩阵，是t₀时刻信号矩阵S(f)的第i条路径信号，表示为：

N(f)为噪声矩阵；

(2)应用MUSIC算法，计算X相关矩阵,对其进行特征分解：

R_X＝E[XX^H]

＝AE[SS^H]A^H+E[NN^H]；

＝AR_SA^H+σ²I

其中，R_S为信号矩阵的相关矩阵，I是n维单位矩阵，主对角线上元素均为1，其他元素为0，σ²是噪声方差，E[·]表示期望运算符，(·)^H表示对矩阵的共轭转置运算符号，对如下伪谱函数进行峰值搜索即得到多路径v估计值：

其中，E_N代表噪声子空间。

本发明的另一目的在于提供一种应用所述基于信道状态信息室内人员实时入侵及运动速度检测方法的智慧医疗控制平台。

本发明的另一目的在于提供一种应用所述基于信道状态信息室内人员实时入侵及运动速度检测方法的安防监控控制平台。

本发明的另一目的在于提供一种应用所述基于信道状态信息室内人员实时入侵及运动速度检测方法的紧急救助平台。

综上所述，本发明的优点及积极效果为：由于本发明在数据预处理阶段进行了链路选择，异常值剔除和小波滤波，对CSI信息进行了筛选和去噪，克服了由于数据原始误差导致的检测正确率低、可靠性差的不足，从而提高了检测率。

本发明将CSI幅度和相位特征值进行加权结合，并通过DBSCAN聚类算法，省去了现有技术需要线下采集数据训练的步骤，并能自动根据密度将数据分为簇，之后将多天线判决结果进行合并，进一步提升了系统性能和检测率。

本发明采用了基于MUSIC算法估计人员运动速度，获得速度估计的同时避免系统一直处于入侵检测状态。

附图说明

图1是本发明实施例提供的基于信道状态信息室内人员实时入侵及运动速度检测方法流程图。

图2是本发明实施例提供的对CSI进行预处理和提取特征值模块的子流程图。

图3是本发明实施例提供的分类检测模块详细流程图。

图4为是本发明实施例提供的与现有三种入侵检测方法对目标节点检测率仿真结果对比图。

图5是本发明实施例提供的当实验环境不变时，对不同天线个数检测率进行仿真效果图。

图6是本发明实施例提供的对入侵人员运动速度估计的仿真结果示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明以解决目前入侵检测技术未有效利用CSI信息、复杂度高的问题；对采集的CSI信息进行多链路筛选，将CSI幅度和相位特征值进行加权，通过基于密度的聚类算法结合多天线判决实现人体入侵判断，并通过MUSIC算法实现对入侵速度的估计。并进一步估计入侵人员实时运动速度，实现对室内环境更有效地监控。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于信道状态信息室内人员实时入侵及运动速度检测方法包括以下步骤：

S101：通过现有WIFI设备采集信道状态信息并根据相关性进行链路选择，通过预处理算法对原始数据进行去噪和平滑处理；

S102：通过特征提取算法分别提取CSI幅度和相位可表征环境状态的特征值，并对其进行加权处理；

S103：利用聚类算法和多天线进行结果判决，检测到人员入侵后触发测速模块；

S104：通过MUSIC算法计算由于人体移动导致的多普勒速度；

S105：步骤S104会得到多个速度估计值，在多个估计值中选出由于人体运动造成的反射路径速度估计值。当检测到一段时间内速度为0时，结束速度估计模块，进入下一次入侵检测状态回到步骤S102。

本发明实施例提供的基于信道状态信息室内人员实时入侵及运动速度检测方法具体包括以下步骤：

步骤一，获取发射端TX和接收端TR之间的CSI信息，包括多组链路的子载波信息：

其中，csi_i,j表示第i(i＝1,…,M*N)个数据流中的第j(j＝1,…,K)个子载波上的信道状态数据信息，M为发射端天线数，N为接收端天线数，K为子载波个数，通过分析不同链路天线间相关性进行链路选择，将CSI矩阵由M*N*K降为N*K，再通过Hampel算法去除异常值，经过小波变换阈值去噪法去除噪声得到每根接收天线对应的信道状态信息为CSI^rx＝[csi(f₁),csi(f₂),...,csi(f_K)]^T，其中rx(rx＝1,...,N)代表第rx根接收天线，(·)^T表示对矩阵或矢量的转置运算符号，提取CSI幅度信息|CSI^rx|，相位信息∠CSI^rx。具体实现如下：

(1.1)对采集的多路CSI进行链路选择；

1a)发射端之间TX和接收端TR之间建立通信，采集到CSI为M*N*K维；

1b)分别计算M条链路对应的N个接收天线CSI相关性：

其中，corrcoef(·)为相关系数运算符，在M路CSI信息中选择相关性最高的一路；

(1.2)对原始CSI信息进行预处理；

1a)通过Hampel算法去除异常值，将分布在[μ-γσ,μ+γσ]范围外的点看作异常点，其中μ，σ分别代表中位数和绝对中位差，γ的取值根据不同的应用场景而变化，最常见的取值为3；

1b)小波滤波能同时在时域和频域联合分析，有效区分信号中的突变和噪声，经过小波变换阈值去噪法去除噪声得到每根接收天线对应的信道状态信息为CSI^rx＝[csi(f₁),csi(f₂),...,csi(f_K)]^T，其中rx(rx＝1,...,N)代表第rx根接收天线，(·)^T表示对矩阵或矢量的转置运算符号，提取CSI幅度信息|CSI^rx|，相位信息∠CSI^rx。

步骤二通过特征提取算法分别提取CSI幅度和相位可表征环境状态的特征值，并对其进行加权处理；

如图2所示，本步骤的具体实现如下：

(2.1)设置滑动窗口w长度为n，将步骤1得到的CSI幅度和相位信息分别存入到矩阵|CSI^rx|和∠CSI^rx中：

分别计算其相关系数矩阵C_amp,C_ph：

C_amp＝corrcoef(|CSI^rx|),C_ph＝corrcoef(∠CSI^rx)；

其中，corrcoef(·)为相关系数矩阵运算符；

(2.2)计算相关系数矩阵特征值并按降序排序：

value_amp＝sort(eig(C_amp)),value_ph＝sort(eig(C_ph))；

其中，eig(·)为相关系数运算符号，sort(·)为排序函数，取最大特征值和第二大特征值：

由于相位信息比幅度信息更敏感，设定ω₁,ω₂分别为幅度相位加权因子，将两者特征值进行加权：

得到最终特征值F＝[α,ρ]。

步骤三，将步骤二得到的特征值集合作为输入参数，利用DBSCAN聚类算法进行分类检测，并利用多天线进行联合判决；本步骤的具体实现如下：

(3.1)设定扫描半径eps和最小包含点数minPts；

(3.2)任选一个未访问数据点开始，找出与其距离在eps之内的所有附近点：比较附近点数量n与最小包含点数minPts的大小：

当n＞＝minPts时，将当前点与其附近点形成一个簇，并标记出发点为已访问，进入(3.2)；

当n＜＝minPts时，该点被暂标记为噪声点，进入(3.2)；

(3.3)设定阈值threshold,若当前滑动窗口内属于一个特定簇的特征值数量count大于threshold，则认为是静态；

(3.4)聚合多天线检测结果，输出检测结果D：

步骤四，检测到人员入侵后，触发速度估计模块。利用MUSIC算法联合估由多普勒频移f_D引入的路径长度变化速度其中，f为信号原始频率，c为传播速度，具体实现如下：

(4.1)在短时间内可认为v保持不变，t₀+t时刻的CSI可以表示为：

其中，L表示总路径数，α_l为第l条路径的增益。设窗口大小为n，则CSI可表示为：

其中，(·)^T表示对矩阵或矢量的转置运算符号，f_k是第k个子载波的原始信号频率，为多普勒频移矩阵，是t₀时刻信号矩阵S(f)的第i条路径信号，可表示为：

N(f)为噪声矩阵。

(4.2)应用MUSIC算法，计算X相关矩阵,对其进行特征分解：

R_X＝E[XX^H]

＝AE[SS^H]A^H+E[NN^H]；

＝AR_SA^H+σ²I

其中，R_S为信号矩阵的相关矩阵，I是n维单位矩阵，主对角线上元素均为1，其他元素为0，σ²是噪声方差，E[·]表示期望运算符，(·)^H表示对矩阵的共轭转置运算符号，对如下伪谱函数进行峰值搜索即得到多路径v估计值：

其中，E_N代表噪声子空间。

步骤五，步骤四会得到多个速度估计值，由于人体移动对人体反射路径产生的多普勒影响最大，所以在L个估计值中选最大的估计值即为人体反射路径速度估计。当检测到一段时间内速度为0时，结束速度估计模块，进入下一次入侵检测状态。

下面结合仿真对本发明的应用效果作详细的描述。

一、仿真条件：在10m*10m视距可达的室内空间内部署发射接收端节点，装有Intel5300无线网卡笔记本电脑作为接收端，接收端AP选用的是带有三根天线的无线路由器。CSI收集工具是Linux平台上的开源驱动，在配置好设备后，就可以调整参数，收集CSI数据。

二、仿真内容与结果：

仿真1，用本发明与现有基于CSI的入侵检测系统FIMD和基于CSI方差阈值的入侵检测方法的检测精度对比，本发明使用以下指标来衡量系统检测精度：

(1)TP(true positive),即在实际环境中人员走动时，系统正确检测到为有人员入侵的情况概率；

(2)TN(true negative),指实际环境中没有人员走动，系统正确判断为静态环境的情况概率。

(3)FN(false positive),指实际环境中有人，系统误判为无人静态环境的概率。

(4)FP(false negative),指实际环境中没有人的静态情况下，而系统误判为有人的概率。

(5)DR(detection rate),检测率,系统做出正确判断检测出入侵的概率。

结果如图4所示。由图4可见，当滑动窗口大小设为400时，在相同环境和AP点数的情况下，本发明与基于CSI的入侵检测系统FIMD和基于CSI方差阈值的入侵检测方法相比，基于方差的检测方法检测率为91.9％，FIMD系统检测率为93.8％，本发明检测率为99.1％，因而相较于前两种方法，本发明正确检测概率更高，并且可以观察到随着滑动窗口长度的增长，检测精度也会有所提升。

仿真2，当实验环境不变时，对不同天线个数进行仿真，结果如图5所示。

由图5可见，当发射天线和接收天线个数均为3，检测率最高为0.997，而当发射天线和接收天线个数分别为2和1时，检测率仅为0.91，因而正确检测的概率随天线个数的增多而增加，可以避免由于多径和噪声影响下特定天线出现错误检测结果的情况。

仿真3，当有人员入侵时，通过本发明对人员运动速度进行估计，图6为仿真结果。

由图6可见，人员运动速度由慢变快再变快，大小为0～2m/s，符合实验真实情况。

下面结合实验对本发明的应用效果作详细的描述。

通过一系列实验仿真对系统性能进行了评估，对提出的入侵检测和速度估计进行实验设计和验证，对实验结果进行细致分析。当滑动窗口大小设为400时，在相同环境和AP点数的情况下，本发明与基于CSI的入侵检测系统FIMD和基于CSI方差阈值的入侵检测方法相比，基于方差的检测方法检测率为91.9％，FIMD系统检测率为93.8％，本发明检测率为99.1％，因而相较于前两种方法，本发明正确检测概率更高。当发射天线和接收天线个数均为3，检测率最高为0.997，而当发射天线和接收天线个数分别为2和1时，检测率仅为0.91，因而正确检测的概率随天线个数的增多而增加，可以避免由于多径和噪声影响下特定天线出现错误检测结果的情况。人员运动速度由慢变快再变快，大小为0～2m/s，符合实验真实情况。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于信道状态信息室内人员实时入侵及运动速度检测方法，其特征在于，所述基于信道状态信息室内人员实时入侵及运动速度检测方法包括：

第一步，通过现有WIFI设备采集信道状态信息并根据相关性进行链路选择，通过预处理算法对原始数据进行去噪和平滑处理；

第二步，通过特征提取算法分别提取CSI幅度和相位可表征环境状态的特征值，并对其进行加权处理；

第三步，利用聚类算法和多天线进行结果判决，检测到人员入侵后触发测速模块；

第四步，通过MUSIC算法计算由于人体移动导致的多普勒速度；

第五步，步第四步得到多个速度估计值，在多个估计值中选出由于人体运动造成的反射路径速度估计值；当检测到一段时间内速度为0时，结束速度估计模块，进入下一次入侵检测状态回到第二步。

2.如权利要求1所述的基于信道状态信息室内人员实时入侵及运动速度检测方法，其特征在于，所述基于信道状态信息室内人员实时入侵及运动速度检测方法具体包括以下步骤：

步骤一，获取发射端TX和接收端TR之间的CSI信息，包括多组链路的子载波信息：

其中，csi_i,j表示第i(i＝1,…,M*N)个数据流中的第j(j＝1,…,K)个子载波上的信道状态数据信息，M为发射端天线数，N为接收端天线数，K为子载波个数，通过分析不同链路天线间相关性进行链路选择，将CSI矩阵由M*N*K降为N*K，再通过Hampel算法去除异常值，经过小波变换阈值去噪法去除噪声得到每根接收天线对应的信道状态信息为CSI^rx＝[csi(f₁),csi(f₂),...,csi(f_K)]^T，其中rx(rx＝1,...,N)代表第rx根接收天线，(·)^T表示对转置运算符号，提取CSI幅度信息|CSI^rx|，相位信息∠CSI^rx；

步骤二通过特征提取算法分别提取CSI幅度和相位可表征环境状态的特征值，并对其进行加权处理；

步骤三，将步骤二得到的特征值集合作为输入参数，利用DBSCAN聚类算法进行分类检测，并利用多天线进行联合判决；

步骤四，检测到人员入侵后，触发速度估计模块；利用MUSIC算法联合估由多普勒频移f_D引入的路径长度变化速度其中，f为信号原始频率，c为传播速度；

步骤五，步骤四会得到多个速度估计值，由于人体移动对人体反射路径产生的多普勒影响最大，所以在L个估计值中选最大的估计值即为人体反射路径速度估计；当检测到一段时间内速度为0时，结束速度估计模块，进入下一次入侵检测状态。

3.如权利要求2所述的基于信道状态信息室内人员实时入侵及运动速度检测方法，其特征在于，所述步骤一具体包括：

(1.1)对采集的多路CSI进行链路选择；

1a)发射端之间TX和接收端TR之间建立通信，采集到CSI为M*N*K维；

1b)分别计算M条链路对应的N个接收天线CSI相关性：

其中，corrcoef(·)为相关系数运算符，在M路CSI信息中选择相关性最高的一路；

(1.2)对原始CSI信息进行预处理；

1a)通过Hampel算法去除异常值，将分布在[μ-γσ,μ+γσ]范围外的点看作异常点，其中μ，σ分别代表中位数和绝对中位差，γ的取值根据不同的应用场景而变化，最常见的取值为3；

1b)小波滤波能同时在时域和频域联合分析，有效区分信号中的突变和噪声，经过小波变换阈值去噪法去除噪声得到每根接收天线对应的信道状态信息为CSI^rx＝[csi(f₁),csi(f₂),...,csi(f_K)]^T，其中rx(rx＝1,...,N)代表第rx根接收天线，(·)^T表示对矩阵或矢量的转置运算符号，提取CSI幅度信息|CSI^rx|，相位信息∠CSI^rx。

4.如权利要求2所述的基于信道状态信息室内人员实时入侵及运动速度检测方法，其特征在于，所述步骤二具体包括：

(1)设置滑动窗口w长度为n，将步骤一得到的CSI幅度和相位信息分别存入到矩阵|CSI^rx|和∠CSI^rx中：

分别计算其相关系数矩阵C_amp,C_ph：

C_amp＝corrcoef(|CSI^rx|),C_ph＝corrcoef(∠CSI^rx)；

其中，corrcoef(·)为相关系数矩阵运算符；

(2)计算相关系数矩阵特征值并按降序排序：

value_amp＝sort(eig(C_amp)),value_ph＝sort(eig(C_ph))；

其中，eig(·)为相关系数运算符号，sort(·)为排序函数，取最大特征值和第二大特征值：

由于相位信息比幅度信息更敏感，设定ω₁,ω₂分别为幅度相位加权因子，将两者特征值进行加权：

得到最终特征值F＝[α,ρ]。

5.如权利要求2所述的基于信道状态信息室内人员实时入侵及运动速度检测方法，其特征在于，所述步骤三具体包括：

(1)设定扫描半径eps和最小包含点数minPts；

(2)任选一个未访问数据点开始，找出与其距离在eps之内的所有附近点：比较附近点数量n与最小包含点数minPts的大小：

当n＞＝min Pts时，将当前点与其附近点形成一个簇，并标记出发点为已访问，进入(2)；

当n＜＝min Pts时，该点被暂标记为噪声点，进入(2)；

(3)设定阈值threshold,若当前滑动窗口内属于一个特定簇的特征值数量count大于threshold，则认为是静态；

(4)聚合多天线检测结果，输出检测结果D：

6.如权利要求2所述的基于信道状态信息室内人员实时入侵及运动速度检测方法，其特征在于，所述步骤四具体包括：

(1)在短时间内可认为v保持不变，t₀+t时刻的CSI表示为：

其中，L表示总路径数，α_l为第l条路径的增益；设窗口大小为n，则CSI表示为：

其中，(·)^T表示对矩阵或矢量的转置运算符号，f_k是第k个子载波的原始信号频率，为多普勒频移矩阵，是t₀时刻信号矩阵S(f)的第i条路径信号，表示为：

N(f)为噪声矩阵；

(2)应用MUSIC算法，计算X相关矩阵,对其进行特征分解：

其中，R_S为信号矩阵的相关矩阵，I是n维单位矩阵，主对角线上元素均为1，其他元素为0，σ²是噪声方差，E[·]表示期望运算符，(·)^H表示对矩阵的共轭转置运算符号，对如下伪谱函数进行峰值搜索即得到多路径v估计值：

其中，E_N代表噪声子空间。

7.一种应用权利要求1～6任意一项所述基于信道状态信息室内人员实时入侵及运动速度检测方法的智慧医疗控制平台。

8.一种应用权利要求1～6任意一项所述基于信道状态信息室内人员实时入侵及运动速度检测方法的安防监控控制平台。

9.一种应用权利要求1～6任意一项所述基于信道状态信息室内人员实时入侵及运动速度检测方法的紧急救助平台。