关于wifi信道状态信息，csi数据的子载波

Question

在用csi做行为识别，用的是公开数据集wiar，每根天线30个子载波
我现在是把每个子载波都单独拿出来了，也就是认为一个动作有一个特征，对应一个子载波，30个子载波就相当于有30个样本，按照一维信号分类的方式去处理的
今天突然发现好像30个子载波实际上是一个动作的30个特征，也就是有30维，所以只相当于1个样本
但是我前面那样算好像也确实能正确分类，只不过每个子载波都分了一个类，而实际上应该30个子载波分一次类
所以说我这个处理方法可行吗？想不明白了

Answer 1

引自免费微信小程序：皆我百晓生

理解您的困惑后，我们可以从几个角度分析这个问题。首先，我们要明确的是，CSI（Channel State Information）数据包含了无线通信环境中多径传播、相位变化等丰富的信息，这些信息对于行为识别确实可以提供多维度的特征。

当您将30个子载波看作30个独立的特征时，您实际上是将它们视为30个不同的通道，每个通道捕捉到了信号在特定频率上的响应。这种方法虽然简化了问题，但可能会丢失一些子载波之间潜在的相关性，因为实际情况下，这些子载波是在同一时刻测量的，它们反映了同一个场景的不同方面。

如果您将30个子载波看作30维空间中的一个点，那么它们确实构成了一个高维特征向量，其中每个维度代表一个子载波的幅度或相位。在这种情况下，每个动作将由这样的一个30维特征向量表示，而不是30个独立的动作实例。

对于是否合理的问题，这取决于模型的能力和数据的特性。有些深度学习模型，比如卷积神经网络（CNN），通过学习局部相关性和共享权重，可以在高维输入中提取有用的特征。因此，将30个子载波作为30维特征进行处理是可以的。然而，这并不意味着您不能尝试其他的方法，比如使用子载波之间的统计关系，或者利用时间序列信息（如果有的话）。

为了更好地利用这些信息，您可以考虑以下几种方式：

1. 单值归一化：对每个子载波的幅度或相位进行归一化，确保所有特征都在相同的尺度上。
2. 堆叠时间窗口：如果数据包含多个时间步，可以将连续的时间窗口内的子载波特征拼接在一起，形成一个更高维度的特征向量，这样可以捕捉到动态行为的变化。
3. 使用时频域特征：除了幅度和相位外，还可以计算子载波的傅里叶变换得到频谱信息，结合时域信息，构建更全面的特征。
4. 降维技术：使用PCA（主成分分析）、t-SNE（t分布随机邻域嵌入）等方法降低特征维度，同时保留大部分原始信息。
5. 利用子载波间的相关性：设计特殊的网络结构，如自注意力机制，来捕捉子载波间的相关性。

下面是一个简单的示例，展示如何将30个子载波作为3D张量输入到一个简单的全连接网络中：

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Flatten

# 假设我们有100个样本，每个样本有30个子载波
num_samples = 100
num_subcarriers = 30
input_shape = (1, num_subcarriers)

# 创建一个简单的全连接网络
model = Sequential([
    Flatten(input_shape=input_shape),
    Dense(64, activation='relu'),
    Dense(16, activation='relu'),
    Dense(1, activation='sigmoid')  # 对于二分类任务，最后一层输出1个节点
])

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 假设X_train和y_train是你的训练数据
# X_train应该是形状为(num_samples, 1, num_subcarriers)的数组
# y_train应该是形状为(num_samples, 1)的数组
model.fit(X_train, y_train, epochs=10, batch_size=32)

根据您的具体需求和数据集的特点，您可以选择合适的策略来处理子载波数据。