foysalhaque/BeamSense-ComNet

BeamSense是一个大规模MU-MIMO Wi-Fi感知数据集，基于从商用802.11ac设备收集的波束成形反馈信息（BFI）和信道状态信息（CSI）。该数据集对应于以下研究：- **BeamSense: Rethinking Wireless Sensing with MU-MIMO Wi-Fi Beamforming Feedback (Computer Networks, 2025)** - **BFA-Sense: Learning Beamforming Feedback Angles for Wi-Fi Sensing (PerCom Workshops, 2024)**。BeamSense包含来自多个Wi-Fi站点（STAs）在不同环境和方向下的同步BFI、BF角度和CSI样本。它设计用于：- 使用波束成形反馈信息（BFI）和CSI进行人类活动识别 - 使用波束成形反馈信息（BFI）和CSI进行手势识别 - 无设备感知 - 跨域泛化 - 波束成形反馈分析 - 基于波束成形反馈的攻击 - Wi-Fi感知算法开发。数据集内容包括：- 原始波束成形反馈包捕获：包含BF报告包（BFI）和PHY元数据 - 同步CSI：使用Nexmon修改的管道从PCAP中提取 - 同步BFI和CSI。多环境、多日收集：- 包括来自办公室、教室和厨房环境的数据 - LOS和NLOS情况 - 多日数据收集 - 3名不同的人类受试者在多种环境和方向下执行20种不同的活动 - 来自多个STAs的空间多样化数据。

BeamSense is a large-scale MU-MIMO Wi-Fi sensing dataset built upon Beamforming Feedback Information (BFI) and Channel State Information (CSI) collected from commodity 802.11ac devices. The dataset corresponds to the research presented in: - **BeamSense: Rethinking Wireless Sensing with MU-MIMO Wi-Fi Beamforming Feedback (Computer Networks, 2025)** - **BFA-Sense: Learning Beamforming Feedback Angles for Wi-Fi Sensing (PerCom Workshops, 2024)**. BeamSense contains synchronized BFI, BF angles, and CSI samples from multiple Wi-Fi stations (STAs) under different environments and orientations. It is designed for: - Human activity recognition with Beamforming Feedback Information (BFI) and CSI - Gesture recognition with Beamforming Feedback Information (BFI) and CSI - Device-free sensing with BFI - Cross-domain generalization - Beamforming Feedback analysis - Beamforming Feedback-based attacks - Wi-Fi sensing algorithm development. Dataset Contents: - Raw Beamforming Feedback Packet Captures: Contains BF report packets (BFI), and PHY metadata - Synchronized CSI: Extracted from PCAPs using Nexmon-modified pipelines - Synchronized BFI and CSI. Multi-Environment, Multi-Day Collection: - Includes data from: Office, Classroom, and Kitchen environments - LOS and NLOS cases - Multiple days of data collection - 3 Different human subjects perform 20 different activities in multiple environments and orientations - Spatially diverse data from multiple STAs.

搜集汇总

数据集介绍

构建方式

BeamSense-ComNet数据集基于商用802.11ac设备，通过同步采集波束赋形反馈信息、波束赋形角度与信道状态信息构建而成。数据收集覆盖办公室、教室和厨房等多种环境，包含视距与非视距场景，并在多天内由三位不同受试者执行20种不同的活动，同时记录多个站点在不同方位下的空间多样性数据。原始波束赋形反馈数据包通过PCAP捕获，而同步的CSI则利用Nexmon修改后的管道提取，确保了BFI与CSI在时间维度上的精确对齐。

特点

该数据集的核心特点在于其大规模、多环境、多日期的采集策略，有效支持了人体活动识别、手势识别及无源感知等无线感知任务。BFI作为802.11ac标准中原生存在的反馈信息，相比传统的CSI更易获取且不依赖专用硬件，显著降低了感知系统的部署门槛。同步提供的BF角度与CSI数据，为跨域泛化、波束赋形反馈分析及新型感知算法开发提供了丰富的基准资源。

使用方法

研究者可直接使用HuggingFace平台上的原始PCAP文件或提取后的同步BFI与CSI张量进行模型训练与评估。数据集适用于基于机器学习的分类任务，如将BFI或CSI序列作为输入特征，预测受试者的活动类别。此外，利用其多环境与多方位的数据分布，可开展跨域迁移学习实验，测试模型在新场景下的泛化能力。建议数据加载时按环境、受试者或站点进行拆分，以适配不同的实验设计需求。

背景与挑战

背景概述

BeamSense-ComNet数据集由研究团队于2024至2025年间构建，聚焦于利用商用802.11ac设备中的多用户多输入多输出（MU-MIMO）波束赋形反馈信息（BFI）与信道状态信息（CSI）实现无线感知。该数据集的核心研究问题在于突破传统无线感知对专用硬件或高开销CSI的依赖，探索BFI在人体活动识别、手势识别及无设备感知等任务中的潜力。通过同步采集BFI、波束赋形角度与CSI，并在办公室、教室和厨房等多环境、多日、多朝向的场景下收集数据，BeamSense为无线感知领域提供了跨域泛化研究的基础资源，其发表于《Computer Networks》等期刊的工作推动了Wi-Fi感知算法的发展和信息安全攻击的潜在探讨。

当前挑战

该数据集所解决的领域核心挑战在于：传统Wi-Fi感知依赖全信道状态信息（CSI）的获取，但商用设备中CSI的提取通常需要固件修改或外部硬件，限制了大规模部署；而波束赋形反馈信息（BFI）虽易于从商用设备获取，却面临信息维度低、噪声大且难以直接映射环境变化的困境。在构建过程中，挑战包括：多用户、多天线条件下的同步采集难度大，需设计定制软件栈协调BFI与CSI的时间对齐；不同环境（如教室与厨房）的射频特征差异显著，且人体朝向、动作幅度等变量导致数据分布高度异质；此外，大规模标注涉及20种活动与多位受试者，要求精确的时序对齐与动作标签，以避免监督信号失真。

常用场景

经典使用场景

BeamSense-ComNet数据集专为基于多用户多输入多输出（MU-MIMO）Wi-Fi波束赋形反馈信息（BFI）与信道状态信息（CSI）的传感研究而设计。其最经典的使用场景涵盖人类活动识别与手势识别，研究人员可借助BFI与CSI的同步数据，在办公室、教室及厨房等多种室内环境下，对20种不同活动进行分类。数据集中包含视距与非视距传播条件，以及多个人类受试者的多朝向数据，为开发鲁棒的Wi-Fi感知识别算法提供了基础。

解决学术问题

该数据集直面设备无关传感（Device-free Sensing）中的关键学术难题，即如何利用商用802.11ac设备中的波束赋形反馈替代传统高开销的CSI进行人体感知。BeamSense通过提供同步的BFI与CSI样本，使研究者能够验证BFI在活动分类任务中的等效性或互补性，从而降低传感系统的部署成本。此外，数据集涵盖跨域（环境、朝向、受试者）数据，为研究跨域泛化问题提供了标准化基准，推动了Wi-Fi传感从实验室走向真实场景的学术进程。

衍生相关工作

BeamSense衍生的经典工作包括《BeamSense: Rethinking Wireless Sensing with MU-MIMO Wi-Fi Beamforming Feedback》（Computer Networks, 2025）和《BFA-Sense: Learning Beamforming Feedback Angles for Wi-Fi Sensing》（PerCom Workshops, 2024）。前者系统性地重新定义了基于MU-MIMO波束赋形反馈的Wi-Fi感知范式，后者则聚焦于从波束赋形反馈角度中学习传感特征。这些工作不仅验证了BFI替代CSI的可行性，还引入了跨域迁移学习的策略，为后续基于Wi-Fi波束赋形反馈的感知研究奠定了理论和数据基础。