# 用 WiFi CSI 实现生命体征监测与存在检测：工程参数与集成 > 基于 WiFi DensePose 项目，利用商品 WiFi CSI 信号工程化实时呼吸、心率监测及存在检测，提供信号处理参数、阈值配置与部署清单。 ## 元数据 - 路径: /posts/2026/03/01/wifi-csi-vital-signs-presence-detection/ - 发布时间: 2026-03-01T20:47:01+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 站点: https://blog.hotdry.top ## 正文 WiFi 信号在日常环境中无处不在，利用其 Channel State Information (CSI) 可以实现非接触式人体姿态估计、生命体征监测和存在检测，而无需部署摄像头或可穿戴设备。这种方法的核心在于捕捉人体运动对 WiFi 多径传播引起的微小扰动，特别是胸腔呼吸和心跳导致的相位/幅度变化。通过物理建模和机器学习融合，系统能以毫秒级延迟输出可靠结果，特别适用于隐私敏感场景如医疗、养老和智能家居。 WiFi DensePose 项目展示了这一技术的成熟实现。它将 CSI 子载波的幅度和相位转换为 DensePose UV 映射用于姿态，同时提取呼吸（6-30 BPM）和心率（40-120 BPM）。存在检测则依赖 RSSI 方差和运动频带功率，延迟小于 1ms，甚至支持穿墙检测达 5m 深度。该项目采用 Rust 重写管道，实现 54K fps 处理速度，vital signs 模块达 11,665 fps，远超 Python 基线 810 倍。 ### CSI 采集与预处理管道 工程化从硬件采集开始。推荐使用 ESP32-S3 mesh（3-6 个节点，总成本约 54 美元），以 20 Hz 采样率输出二进制 CSI 帧（56-192 子载波）。标准消费 WiFi（如笔记本）仅支持 RSSI 粗粒度存在检测，准确率较低。 预处理管道包括： 1. **相位校正**：SpotFi 共轭乘法消除 CFO/SFO，公式 H1[k] * conj(H2[k])，保留环境相位差。 2. **异常值滤除**：Hampel 滤波器，使用中位数绝对偏差 (MAD) 替换离群点，阈值 σ̂ = 1.4826 × MAD，抵抗 50% 污染。 3. **子载波选择**：ruvector-mincut 算法选 top-K 敏感子载波（variance ratio > 阈值），提升 SNR 6-10 dB，默认 K=20。 这些步骤在 Rust 中单线程下仅 18.47 µs/帧，确保实时性。 ### 生命体征提取参数 vital signs 聚焦周期信号： - **呼吸检测**：带通滤波 0.1-0.5 Hz（对应 6-30 BPM），后 FFT 峰值检测。窗口大小 10s（200 样本@20Hz），峰值置信度 >0.7。Fresnel 区建模补偿多径：ΔΦ = 2π × 2Δd / λ，胸腔位移 5-10mm 引起幅度调制。 - **心率检测**：带通 0.8-2.0 Hz（40-120 BPM），同 FFT。使用谱相干性过滤伪峰，阈值 0.6。微多普勒从子载波相位差提取。 参数清单： | 参数 | 值 | 作用 | 调整建议 | |------|----|------|----------| | breath_low_hz | 0.1 | 滤波下限 | 儿童调 0.15 | | breath_high_hz | 0.5 | 滤波上限 | 成人默认 | | heart_low_hz | 0.8 | 心率下限 | 运动后上调 1.0 | | fft_window_sec | 10 | 频率分辨率 0.1 Hz | 低功耗调 5s | | confidence_thresh | 0.7 | 峰值置信 | 噪声环境 0.5 | | snr_min_db | 10 | 信号质量门 | <5dB 丢弃帧 | 监控点：每帧输出置信度（0-1），异常时 fallback 到运动分数。回滚策略：若连续 30s 无有效 vitals，警报“信号丢失”并切换 RSSI 模式。 ### 存在检测集成 存在检测更鲁棒： - **核心指标**：RSSI 方差 > 0.5 dB 或运动频带（1-5 Hz）功率 > 阈值（-20 dB）。 - **多径建模**：ruvector-solver 计算 Fresnel 区，穿墙阈值 depth=5m。 - **多人支持**：每个 AP 区分 3-5 人（56 子载波限），多 AP 线性扩展。 参数： | 参数 | 值 | 作用 | |------|----|------| | rssi_var_thresh | 0.5 dB | 静态阈值 | | motion_power_db | -20 | 频带功率 | | presence_timeout_s | 5 | 无扰动清零 | | max_persons | 5 | 物理上限 | 集成到系统中：Docker 一键部署 `docker run -p 3000:3000 ruvnet/wifi-densepose:latest`，REST API `/api/v1/sensing` 获取最新帧，WebSocket `:3001/ws/sensing` 实时流。ESP32 固件闪存后 UDP 5005 推流。 ### 部署与优化清单 1. **硬件准备**：3x ESP32-S3，provision SSID/password，target-ip 192.168.1.20。 2. **Docker 启动**：暴露 3000(REST)/3001(WS)/5005(UDP)。 3. **模型加载**：`--model model.rvf --progressive`，Layer A 瞬载 vitals。 4. **阈值调优**：日志 RUST_LOG=debug，观察 SNR/confidence，迭代 thresh。 5. **监控仪表**：Prometheus 端点追踪 fps、丢帧率、vitals 准确率。 6. **回滚**：环境多径强 → 降采样率 10Hz；无 CSI 硬件 → RSSI-only。 风险：多径干扰伪高峰值（解：子载波选择 + 相干性）；功耗（ESP32 休眠模式，采样 duty cycle 50%）。测试：`--source simulate` 无硬件验证管道。 实际部署中，医院病房单 ESP32 监测呼吸异常，零售店多 AP 流量计数，均避开 GDPR 视频合规。未来 SONA 自适应将进一步提升跨环境泛化。 **资料来源**： - [WiFi DensePose GitHub](https://github.com/ruvnet/wifi-densepose)：核心管道、参数、基准。 - 项目 ADR-021：vital signs 细节。 ## 同分类近期文章 ### [NVIDIA PersonaPlex 双重条件提示工程与全双工架构解析](/posts/2026/04/09/nvidia-personaplex-dual-conditioning-architecture/) - 日期: 2026-04-09T03:04:25+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 NVIDIA PersonaPlex 的双流架构设计、文本提示与语音提示的双重条件机制，以及如何在单模型中实现实时全双工对话与角色切换。 ### [ai-hedge-fund：多代理AI对冲基金的架构设计与信号聚合机制](/posts/2026/04/09/multi-agent-ai-hedge-fund-architecture/) - 日期: 2026-04-09T01:49:57+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析GitHub Trending项目ai-hedge-fund的多代理架构，探讨19个专业角色分工、信号生成管线与风控自动化的工程实现。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [tui-use 框架：让 AI Agent 自动化控制终端交互程序](/posts/2026/04/09/tui-use-ai-agent-terminal-automation-framework/) - 日期: 2026-04-09T01:26:00+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 详解 tui-use 框架如何通过 PTY 与 xterm headless 实现 AI agents 对 REPL、数据库 CLI、交互式安装向导等终端程序的自动化控制与集成参数。 ### [LiteRT-LM C++ 推理运行时：边缘设备的量化、算子融合与内存管理实践](/posts/2026/04/08/litert-lm-cpp-inference-runtime-quantization-fusion-memory/) - 日期: 2026-04-08T21:52:31+08:00 - 分类: [ai-systems](/categories/ai-systems/) - 摘要: 深入解析 LiteRT-LM 在边缘设备上的 C++ 推理运行时，聚焦量化策略配置、算子融合模式与内存管理的工程化实践参数。