CSI Dataset for Wireless Human Sensing on 80 MHz Wi-Fi Channels

本数据集名为'CSI Dataset for Wireless Human Sensing on 80 MHz Wi-Fi Channels'，由意大利帕多瓦大学信息工程系创建。数据集包含超过十三小时的IEEE 802.11ac信道测量数据，总大小为23.6GB，涵盖了十三名参与者在不同环境、日期和硬件条件下的测量。数据集旨在支持活动/身份识别和人员计数算法的测试，特别强调了域多样性，包括环境、人员和Wi-Fi硬件的变化。创建过程中，数据收集在半消声室中进行，以减少多路径衰落的影响，并首次包括了当发射器和监视器之间的直接路径被完全阻塞时的测量数据。该数据集适用于开发和评估无线传感技术，特别是在活动识别、人员识别和人员计数等领域。

This dataset, titled 'CSI Dataset for Wireless Human Sensing on 80 MHz Wi-Fi Channels', was developed by the Department of Information Engineering at the University of Padua, Italy. It contains over 13 hours of IEEE 802.11ac channel measurement data with a total size of 23.6 GB, covering measurements collected from 13 participants across diverse environments, dates, and hardware configurations. This dataset is designed to support the testing of activity/identity recognition and people counting algorithms, with a particular emphasis on domain diversity, including variations in environments, participants, and Wi-Fi hardware. Data was collected in a semi-anechoic chamber during the dataset's development to mitigate the effects of multipath fading, and it is the first dataset to include measurements where the direct line-of-sight path between the transmitter and monitoring receiver was completely blocked. This dataset is suitable for developing and evaluating wireless sensing technologies, particularly in the domains of activity recognition, person identification, and people counting.

搜集汇总

数据集介绍

构建方式

在无线人体感知研究领域，构建具有高泛化能力的数据集是推动算法发展的关键。本数据集采用IEEE 802.11ac标准，在80MHz带宽信道上进行信道状态信息采集，通过部署由不同品牌路由器组成的多种Wi-Fi网络配置，在包括卧室、客厅、半电波暗室在内的七个不同环境中开展测量。数据采集过程涉及十三名志愿者，跨越多个测量日期，并首次引入了对发射端与监测端之间直射路径的完全遮挡场景，以及在半电波暗室中减少多径效应的控制实验，从而系统性地纳入了时间、空间、人员及硬件等多个维度的域多样性。

特点

该数据集的核心特征在于其前所未有的域多样性与技术先进性。作为首个在80MHz Wi-Fi信道上提供人员计数与身份识别数据的大规模公开资源，它包含了超过13小时、容量达23.6GB的信道状态信息轨迹。数据集不仅涵盖了七种人类活动、十名人员以及多种环境下的测量，更通过在不同日期重复实验引入了时间多样性，并包含了直射路径受阻与非视距条件下的独特数据样本。这些特征使得该数据集能够有效支持对感知算法跨域鲁棒性与适应性的严格评估，为开发可部署于现代商用Wi-Fi设备的即插即用式感知解决方案奠定了坚实基础。

使用方法

研究人员可利用该数据集开发与评估面向活动识别、人员身份识别及人员计数等应用的机器学习模型。数据集按应用目标（AR, PI, PC）及具体实验设置（环境、硬件、日期）被组织为26个子文件夹，每个文件包含以复数矩阵形式存储的信道频率响应轨迹及相应的活动或人员标签。使用者可通过分析不同子集，专门研究算法在时间推移、环境变更、硬件差异或存在障碍物等情况下的泛化性能。此外，通过有选择地利用242个OFDM子信道中的数据，亦可模拟在20MHz或40MHz等更窄带宽上的感知任务，为跨代Wi-Fi设备的算法移植提供便利。

背景与挑战

背景概述

随着Wi-Fi设备的普及，基于无线信号传播变化进行人体感知的研究逐渐成为智能环境与普适计算领域的热点。由意大利帕多瓦大学与巴勒莫大学的研究团队于2023年发布的“CSI Dataset for Wireless Human Sensing on 80 MHz Wi-Fi Channels”，旨在应对现有数据在频带宽度与领域多样性上的局限。该数据集依托IEEE 802.11ac标准，在80MHz带宽下采集了超过13小时的通道状态信息，涵盖十三名受试者在多种环境、不同硬件配置下的活动数据，其核心研究问题聚焦于提升无线人体感知算法的领域自适应能力，为活动识别、人员计数与身份认证等任务提供了关键数据支撑，推动了可泛化感知模型的发展。

当前挑战

该数据集致力于解决无线人体感知领域中的领域适应性问题，其核心挑战在于设计能够跨越不同环境、人员与硬件配置的鲁棒性算法。现有感知方法常因训练数据缺乏多样性而难以应对真实场景中的动态变化，例如信号传播受多径效应、障碍物遮挡及环境细微变动的影响显著。在构建过程中，研究团队面临多重挑战：需在80MHz宽频带上实现高精度通道状态信息采集，同时确保数据在时间、空间与硬件层面的多样性；此外，还需克服非视距条件下的信号衰减问题，并在半电波暗室等受控环境中模拟无多径干扰的理想场景，以评估各类干扰因素对感知性能的影响。

常用场景

经典使用场景

在无线感知领域，基于Wi-Fi信道状态信息（CSI）的人类活动识别已成为一项核心研究课题。该数据集通过80 MHz带宽的IEEE 802.11ac信道测量，为机器学习算法提供了丰富的训练与验证基础。其经典应用场景集中于开发跨域自适应感知模型，利用多环境、多人员及多硬件配置下的信道数据，构建能够稳健识别行走、奔跑、跳跃等七类日常活动的分类系统。数据集中的半消声室测量与直接路径阻塞场景进一步拓展了算法在复杂传播条件下的泛化能力，为智能环境中的无设备监测奠定了数据基石。

衍生相关工作

该数据集已催生了一系列经典研究工作，特别是在跨域感知算法设计方面。例如，SHARP算法利用该数据集实现了环境与人员无关的活动识别，通过提取域不变特征提升了模型泛化能力。在少样本学习领域，ReWiS等研究基于数据集的多元配置，开发了多天线多接收器的CSI学习框架，显著降低了新环境下的数据需求。此外，数据集中的阻塞路径与半消声室数据激发了多径效应分析与干扰抑制的新方法，为复杂传播环境下的感知优化提供了实证基础。这些衍生工作共同推动了无线感知从实验室原型向实际部署的跨越。

数据集最近研究

最新研究方向

在无线感知领域，随着IEEE 802.11bf标准的推进，Wi-Fi信道状态信息（CSI）已成为实现非侵入式人体监测的关键技术。该数据集以其80 MHz带宽和显著的领域多样性，为开发鲁棒的跨域自适应算法提供了重要基础。前沿研究聚焦于利用该数据集探索时间、环境和硬件变化下的感知鲁棒性，特别是在非视距条件和多径干扰场景中的性能评估。热点方向包括结合少样本学习与深度学习模型，以提升活动识别、人员计数和身份验证的泛化能力，推动智能建筑与健康监护应用的实用化进程。

相关研究论文

• A CSI Dataset for Wireless Human Sensing on 80 MHz Wi-Fi Channels

  帕多瓦大学信息工程系，意大利 · 2023年