WiFi DensePose 项目提供了一个纯 Rust 实现的信号处理管道，将商用 WiFi 的 Channel State Information (CSI) 信号转化为实时人体姿态估计、生命体征监测（心率 HR 和呼吸率 RR）以及低计算量的存在检测能力。该技术无需摄像头、无需可穿戴设备，仅依赖 WiFi 信号的多径传播特性，通过幅度 / 相位扰动回归人体表面 UV 坐标和生理信号周期，特别适用于隐私优先的场景如老人监护、医院病房和灾难救援。
Rust 管道的核心架构与性能优势
Rust 管道从 CSI 采集到输出端到端优化，实现了 54K fps 的处理吞吐量，远超 Python 基线 810 倍加速。这得益于 SIMD 加速的信号处理和无外部依赖的 NN 推理栈。“CSI subcarrier amplitude/phase → DensePose UV maps | 54K fps (Rust)”
证据与实现路径：
- CSI 采集层：支持 ESP32-S3 mesh（20 Hz，56-192 子载波）或 Intel 5300 NIC。UDP 端口 5005 流式传输二进制帧，解析 I/Q → 幅度 / 相位。
- 预处理链：SpotFi 共轭乘法消除载波偏移（CFO/SFO），Hampel 滤波器（MAD σ=1.4826×3）剔除异常，相位展开避免 2π 跳变。子载波选择：方差比 top-K（提升 SNR 6-10 dB）。
- 特征提取：STFT 谱图（滑动窗 FFT），Fresnel 区几何建模（ΔΦ = 2π × 2Δd / λ），BVP 体速度剖面（注意力加权 Doppler）。
可落地参数与清单：
| 阶段 | 参数 | 值 | 作用 |
|---|---|---|---|
| 采集 | 采样率 | 20 Hz | 捕获微动 |
| 预处理 | Hampel k | 3 | 异常阈值 |
| 子载波 | K | 10-20 | 敏感选择 |
| 谱图 | 窗长 | 256 | 时间 - 频分辨 |
部署清单：
- Docker 拉取：
docker pull ruvnet/wifi-densepose:latest（132 MB）。 - 运行：
docker run -p 3000:3000 -p 3001:3001 -p 5005:5005/udp ruvnet/wifi-densepose:latest。 - 硬件：3-6x ESP32-S3（$54），provision SSID / 密码。
- 验证：
curl http://localhost:3000/api/v1/sensing/latest。
生命体征提取：频域回归与置信融合
管道针对胸腔微动设计 bandpass + FFT 峰值检测，实现非接触 HR/RR 监测。“Breathing detection | Bandpass 0.1-0.5 Hz → FFT peak | 6-30 BPM”
证据：
- 呼吸：0.1-0.5 Hz 带通（胸移 5-10mm），FFT 峰检测，置信 = 谱相干度。
- 心率：0.8-2.0 Hz 带通，微 Doppler 提取，融合姿势限制静止主体。
- 多人体：独立子载波分配（~3-5/AP），物理限由多径分辨。
工程参数：
| 体征 | 频段 (Hz) | FFT 窗 | 峰阈值 | 置信阈值 |
|---|---|---|---|---|
| RR | 0.1-0.5 | 128 | -10 dB | >0.7 |
| HR | 0.8-2.0 | 256 | -15 dB | >0.6 |
监控要点：
- API：
/api/v1/vital-signs轮询 BPM + 置信。 - WS：
ws://localhost:3001/ws/sensing实时流。 - 告警：RR <6 或>30 BPM 触发；融合姿势跌倒检测（<2s）。
回滚策略：若置信 < 0.5，fallback RSSI variance。
存在检测：低开销运动功率谱
存在检测无需全 CSI，仅 RSSI 方差 + 运动带功率，延迟 <1ms。即使消费 WiFi 笔记本，也支持粗粒度监测。“Presence sensing | RSSI variance + motion band power | < 1ms latency”
证据与参数：
- 方差阈值：自适应（3σ 基线）。
- 运动带：1-2 Hz 功率 > 阈值（动态学习 10min）。
- 通过墙：Fresnel + 多径，深度至 5m。
清单：
- 源：
--source wifi（Windows/Linux）。 - 输出：
/api/v1/sensingoccupancy 计数。 - 扩展：多 AP 线性（4 AP ~15-20 人）。
风险与限界：
- 非 CSI 硬件：仅 RSSI，精度降至粗存在，无姿势 / 体征。
- 干扰：多径 null 区盲点，解：mesh 部署冗余 AP。
- 计算：ESP32 仅 55KB 模型（int4 量化），边缘友好。
高级扩展：自学习与灾难模式
自学习 WiFi AI 生成 128 维环境指纹，支持异常入侵检测。WiFi-Mat 模式：通过瓦砾呼吸签名 + START 分级（Red/Yellow/Green/Black）。
部署参数：
- 指纹：
--embed，HNSW 索引搜索。 - MAT：
DisasterConfig::sensitivity(0.85)，穿 30cm 混凝土。
该管道在实际中证明了 WiFi 感知的工程可行性，结合 Docker 和 Rust 的零依赖特性，便于从原型到生产。
资料来源：
- GitHub: ruvnet/wifi-densepose
- arXiv:2301.00250 (DensePose From WiFi)