1. 项目概述

在过去的十年里，WiFi感知技术已经从单纯的通信功能扩展到包括室内定位、呼吸监测等丰富应用。这项技术的核心在于利用信道状态信息(CSI)来感知环境变化。然而，商业WiFi有限的带宽(通常20-80MHz)严重制约了其感知分辨率，这就像用低像素相机拍摄高清照片一样困难。

传统解决方案如频率跳变需要额外硬件支持且引入延迟，而多天线阵列则增加成本。我们提出的Neuro-Wideband(NWB)技术突破性地通过深度学习，仅需单次窄带CSI测量就能生成等效宽带eCSI。这相当于在不升级相机硬件的情况下，通过算法提升图像分辨率。

2. 核心技术原理

2.1 CSI与多径效应基础

无线信号在传播过程中会遇到反射、折射等现象，形成多径效应。信道状态信息(CSI)可以表示为：

H(f) = Σ(αₗ·e^(-j2πfτₗ))

其中αₗ和τₗ分别代表第l条路径的衰减和时延。在窄带系统中，由于频率分辨率不足，这些参数难以准确解析。

2.2 NWB创新架构

NWB的核心突破在于发现了CSI频率外推的物理可行性：

1. 自条件学习框架 ：将窄带CSI作为条件输入，预测宽带eCSI
2. 无监督训练机制 ：通过随机子带采样实现自监督学习
3. 样本特异性建模 ：每个CSI样本独立处理，保留独特多径特征

我们设计的WUKONG系统包含四大创新模块：

• 相对频率嵌入(RFE)
• 自条件扩散模型
• 频率感知Transformer
• 一步式CSI外推

3. 实现细节解析

3.1 相对频率嵌入设计

RFE模块通过创新的坐标转换机制处理变长CSI输入：

1. 随机选择CSI子段作为锚点视图(anchor view)
2. 计算完整CSI相对于锚点的坐标
3. 采用cos-sin位置编码表示频率关系

这种设计使得模型能够：

• 处理任意协议和带宽的CSI输入
• 支持灵活的外推倍数k
• 保持频率连续性

3.2 自条件扩散过程

与传统扩散模型不同，我们的创新点在于：

1. 前向过程 ：在潜在空间添加噪声 q(zₜ|z₀) = N(zₜ; √ᾱₜz₀, (1-ᾱₜ)I)

2. 反向过程 ：以窄带CSI为条件去噪 p_θ(z_{t-1}|zₜ) = N(z_{t-1}; μ_θ(zₜ,t), Σ_θ(zₜ,t))

3. 损失函数 ：最小化噪声预测误差 L = ∥εₜ - ε̂ₜ∥²

3.3 频率感知Transformer

核心创新是频率感知交叉注意力机制：

Attention(Q,K,V) = softmax((EW_q)(z_gW_k)^T/√d)(z_gW_v)

其中E为RFE编码，z_g是CSI潜在表示。这种设计能：

• 建模跨频率尺度关系
• 保持多径特征一致性
• 实现端到端训练

4. 实验验证

4.1 评估设置

我们构建了包含多种场景的数据集：

环境类型	样本数	特点
会议室	12,000	静态场景
办公室	12,000	中度动态
走廊	12,000	人员流动
教室	12,000	高度动态

硬件平台包括：

• Raspberry Pi + AX200(160MHz)
• NUC + AX210(1GHz带宽)
• Quantenna AP(80MHz)

4.2 性能对比

与传统方法FIRE相比，NWB展现出显著优势：

指标	20→40MHz	20→80MHz	20→160MHz
MSE(NWB)	0.223	0.274	0.321
MSE(FIRE)	0.35	0.52	N/A
AccCIR↑	0.756	0.738	0.717

关键发现：

1. 外推误差随倍数增加但保持线性增长
2. 多径分辨率显著提升(见图7)
3. 计算延迟仅0.5ms/样本

5. 应用案例

5.1 高精度定位

在DLoc数据集上的测试表明：

带宽	平均ToF误差(ns)	90%误差(ns)
20MHz	50.03	90.03
80MHz	35.34	49.77
160MHz(eCSI)	29.29	51.26
320MHz(eCSI)	27.15	44.73

5.2 多人呼吸监测

7m×7m房间内实验设置：

• 3名测试者位于LOS 1m/2m/4m处
• 相同呼吸频率(15bpm)但交替屏息

结果：

• 传统20MHz CSI无法区分个体
• eCSI能清晰分离各人呼吸信号(图10)
• 平均误差<0.5bpm

6. 工程实践要点

6.1 参数调优经验

通过网格搜索得出的最佳配置：

• 子带采样次数：4次
• 扩散步数：50步
• 批大小：1024
• 学习率：0.02(余弦退火)

注意：批量过大(>1024)会导致性能下降，这与传统DL任务不同

6.2 常见问题排查

1. 相位不连续 ：

   • 检查RFE模块的坐标计算
   • 验证频率归一化是否一致

2. 分辨率提升不足 ：

   • 增加Transformer层数(建议4-6层)
   • 调整扩散步数(30-100)

3. 泛化性能下降 ：

   • 确保训练集包含足够多环境类型
   • 尝试动态调整锚点选择策略

7. 技术局限与展望

当前NWB的物理验证限于160MHz带宽，但理论支持更高外推。未来方向包括：

1. 与UWB系统交叉验证
2. 联合建模硬件相位误差
3. 扩展到毫米波等新频段
4. 开源生态建设

在实际部署中发现，办公环境中的金属家具会引入异常多径。我们通过增加类似场景的训练数据，使模型鲁棒性提升37%。这提示环境多样性对模型泛化至关重要。