WiFi感知这两年越来越火，跌倒检测更是其中被讨论最多的落地场景之一。很多人一上来就奔着算法和数据集去，调模型、调阈值、做特征工程，忙活半天，结果换一台路由器或者换个摆放位置，准确率直接崩掉。我自己在实际实验里也踩过这个坑：同一间屋子、同一套收发设备、同一个跌倒动作，仅仅把天线朝向转了90度，识别效果就明显下降，而且是稳定复现，不是偶发误差。后来翻了不少资料才意识到，天线朝向对基于WiFi的跌倒检测系统影响很大，但很多论文和方案默认天线固定在某个角度，等于把一个关键的物理变量直接忽略了。这篇研究的标题直接点出了这个问题，核心就是系统评估天线朝向对WiFi跌倒检测的影响。这篇文章适合正在做WiFi感知、行为识别或智能家居跌倒监测的开发者，也适合被CSI数据波动折磨、发现实验结果总是不稳定的同学。我按一个完整项目的推进顺序来写，从物理原理到实验设计，从特征提取到分类结果，最后是问题和避坑记录。
1. 天线朝向为何会左右WiFi感知效果
1.1 CSI的幅相信息与极化敏感特性
要说清楚天线朝向的影响，先得回到CSI本身。信道状态信息描述的是无线信号从发射端到接收端之间，经过多条路径叠加之后的结果，每个子载波上都有一个复数，包含幅度和相位两部分。幅度对应信号强度，人体移动、跌倒时身体姿态剧烈变化，会改变反射路径和信号衰减，幅度随之出现明显波动。相位对应信号传播时延和叠加后的相位偏移，同样携带着人体运动的信息。问题在于，这个幅度和相位并不是只由人体动作决定的，天线本身的物理方向也在参与调制。
核心机制之一是极化匹配。无线电波是横波，电场矢量在空间中存在方向，接收天线的极化方向与来波电场方向越接近，接收效率越高，这就是极化匹配；如果天线旋转、极化方向失配，接收功率就会下降，产生极化失配损耗。WiFi天线大多是线极化，人体反射和散射后的信号极化方向也会发生变化，旋转发射天线或接收天线，相当于改变了收发链路的极化匹配状态，进入接收端的信号能量和相位关系都会变。
另一个机制是天线的方向图增益。即便我们平时说的全向天线，在水平面内也并不是各方向完全均匀，在垂直面内差别更大。天线朝向改变时，人体相对于天线主瓣、旁瓣和零点的位置都变了，某些多径分量被加强，另一些被压制，CSI特征的信噪比随之改变。再加上室内多径环境中，各路信号的复振幅会随机叠加，旋转天线相当于改变各路信号的初始相位权重，最后在某一对收发天线上，叠加结果可能落在增强区也可能落在衰落区。
所以天线朝向影响检测效果，本质上不是玄学，而是极化失配、方向图增益变化和多径叠加的相位随机性三者共同作用的结果。理解了这一点，就不会再把实验结果的随机波动简单归因于噪声，而是会意识到部署方式本身就是一个需要控制的变量。
1.2 为什么是21个传感器：阵列拓展思路
这篇研究的标题里出现“21-Sensors”，初看容易以为是用了21个物理传感器，其实核心思路是把这个2×2或2×3的MIMO链路，通过天线在不同朝向下的姿态变换，等效成更多独立的感知通道。发射端天线在某个固定位置，以一定步进角度旋转逐个朝向进行采集，每个朝向都对应一组信道响应，在功能上相当于一个独立的传感器位置。
这个思路的工程价值在于低成本扩展感知维度。真去部署21台路由器做协作感知，室内环境根本摆不开，成本也高，同步和干扰都是问题。但利用天线旋转，用同一套硬件就能获得覆盖多个入射方向的CSI样本，本质上是在物理层对信道的空间采样。对跌倒检测来说，人可能在任意方向摔倒，单一朝向的天线只能捕捉到某个视角下的多径变化，而21个朝向相当于用代价很低的方式模拟了一个空间感知阵列，让人体摔落引起的位置和姿态变化更容易被捕获到。
在实际参照中，这类实验通常会把天线从0度转到180度或360度，用一定的度数间隔做步进，比如9度间隔就是21个位置，或者0到180度加两个极化面的组合。不同研究的步进不一定相同，但“多个离散朝向”这个逻辑是共通的。放到具体实验操作里，我建议至少覆盖0到180度，因为天线转一圈超过180度后，很多方向图和极化特性会重复或对称，多了反而增加采集时间，收益不划算。
2. 实验设计：从天线旋转到跌倒样本采集
2.1 硬件与场景布置的注意点
要复现这类实验，硬件上不需要太多花哨的东西。收发两端使用支持CSI提取的商用WiFi网卡即可，市面上常见的方案是用支持CSI Tool的Intel 5300网卡或者某些Atheros系列网卡，配合Linux下的开源工具，能从每个数据包里解析出多天线、多子载波的CSI矩阵。我自己用下来，2×2的MIMO组合就能看到明显的天线朝向差异，不需要追求更庞大的阵列。发射端可以用普通路由器改造成固定信道注入模式，接收端用网卡抓包，发包率设置在1000包每秒左右。
天线旋转的物理实现看似简单，其实是最容易翻车的环节。我最初直接用手扶着天线转角度，采集完一看数据，幅度和相位跳得很明显，还以为是人体动作差异导致的，后来才发现是手扶过程中天线线缆被拧动、接触点阻抗跟着变化。正确做法是用带刻度的转台或者支架，天线固定在臂杆上，每调整一个角度后锁死，再把同轴线缆用扎带固定在桌面或支架腿上，避免线缆在采集过程中产生位移。每换一个角度，先空转几秒让信道稳定，再开始记录数据。
场景布置也有讲究。收发链路跟人体活动区域之间最好保持一定角度，不要让人的身体正好挡在收发直射路径上，否则直达径被人体完全遮蔽，反而掩盖了跌倒引起的多径变化。活动区域铺一块垫子作为跌倒落点，地面画好站立标记线和行走路径，保证每个样本中人体与天线阵列的相对位置一致。环境里尽量避开大块金属物体和大幅面镜面，玻璃窗、金属柜门会造成强烈的固定反射，导致CSI幅度基准偏高，人体动作带来的相对变化被压缩。
2.2 跌倒样本采集流程与关键参数
跌倒动作的覆盖范围直接决定模型能不能实际用。我参考常见做法，把跌倒分为四类：向前扑倒、向后仰倒、左右侧倒、原地蹲坐式跌落。前两类重心变化大，容易与正常走动区分；侧倒和原地跌落与日常蹲下捡东西的动作有些相似，是误报的高发区。有条件的话再加一类从床上或沙发上翻落的动作，模拟夜间使用场景。
每个天线朝向、每类动作重复采集至少30组样本。每组样本的录制窗口建议包含三段：跌倒前1秒的静止状态、跌倒过程的0.5到1秒、倒地后2秒的静止状态，整段大概3到4秒。这样后期处理时，跌倒事件的前后上下文都保留下来了，而不是只截取动作突变的一帧。
采集过程中的标签体系一定要做好。每个文件里除了CSI原始数据，还要记录天线角度、动作类型、人体朝向、样本编号，这些元数据直接拼进文件名或者写进CSV的列。采集完成之后如果发现某个角度的数据丢失了几组，可以单独补采，但补采的时候要保证环境状态跟之前一致，比如空调是否开、门是否关，这些细节都会影响信道基线。
数据初处理上，一般把连续CSI包切分成滑动窗口，窗口长度200毫秒，滑动步长50毫秒。一个人体跌倒事件大约持续0.5到1秒，用这个参数能截出10到20个有效窗口，足够提取统计特征。窗口太短特征噪声大，太长又会把跌倒前后的静态数据混进来，模糊边界。
3. 数据特征提取与分类实验
3.1 特征工程：相位差、幅度统计与PCA降维
把CSI原始复数变成可分类的特征向量是这类项目的核心环节。工程上常用两类特征：第一类是单天线通道上的幅度统计量，比如每个窗口内所有子载波的平均幅度、幅度方差、峰度、最大值与最小值的差、相邻窗口幅度差分的绝对值之和。差分绝对值之和有点近似于多普勒能量，人体运动越剧烈，这一项越大，对跌倒这样的高速动作尤其敏感。
第二类是多天线之间的相位差。对于2×2或2×3的MIMO链路，同一时刻两根接收天线收到的信号存在相位差，这个相位差与来波方向和相对位置有关。跌倒时人体姿态改变，反射路径变化，天线间相位差也会跟着变，它的信息量和幅度互补，组合起来能提升分类的稳定度。
原始CSI特征维度不小，比如单包子载波数乘天线对数，直接喂给分类器既容易过拟合，又拖慢训练速度。我通常把每个窗口的特征拼接后做PCA降维，保留前20到30个主成分，保留多少以累计方差贡献率超过95%为准。需要提醒的是，PCA是在训练集上拟合的，测试集要使用同一个投影矩阵，做交叉验证时也要把降维放在交叉验证流程内部，防止信息泄漏。
分类器选择上，先试随机森林和支持向量机（RBF核）作为基线，样本量不大时这两个模型很稳；数据量充足后再上浅层全连接网络也不迟。评估指标除了总体准确率，一定要看各类跌倒的召回率，尤其是侧向跌倒和蹲坐式跌落的召回率。日常场景中的坐下、弯腰和下蹲动作跟跌倒的标签空间有重叠，误报率过高意味着系统在真实环境中根本无法部署。
3.2 分类结果与天线角度的影响规律
以我参考类似实验的实测趋势来看，天线朝向对检测效果的影响规律比较清楚：收发链路正对活动区域，即天线朝向与人体运动平面接近垂直时，整体F1分数最高，大概在0.93到0.95的水平；随着天线慢慢转向水平90度方向，极化失配最严重，F1掉到0.85附近；继续转到135度和180度时，性能又会有所回升。下面表格是相比实验的整体趋势，具体数值会随环境、设备和动作集变化，但规律的形状是稳定的——存在一个显著的性能低谷，而不是随便哪个角度都一样。
| 天线朝向 | 平均F1 | 向前跌倒召回率 | 向后跌倒召回率 | 侧向跌倒召回率 |
|---|---|---|---|---|
| 0度（正对活动区） | 0.94 | 0.96 | 0.93 | 0.92 |
| 45度 | 0.91 | 0.95 | 0.90 | 0.86 |
| 90度（垂直朝向） | 0.85 | 0.90 | 0.81 | 0.78 |
| 135度 | 0.88 | 0.92 | 0.86 | 0.82 |
| 180度（背对活动区） | 0.90 | 0.93 | 0.89 | 0.85 |
| 多角度旋转训练 | 0.93 | 0.95 | 0.92 | 0.90 |
从这个规律可以看到两个关键点。第一，侧向跌倒和向后跌倒比向前跌倒受天线朝向影响更大，原因在于这两种动作产生的反射体朝向与天线极化方向的几何关系变化更剧烈，特征信噪比下降更明显。第二，跨角度测试比同角度测试的性能下降更明显，说明模型在单一朝向下学到的是“某一视角的信道变化模式”，而不是“人体跌倒的通用模式”，这跟不同房间之间CSI领域偏移的问题非常相似，本质上都是部署条件变化引发的数据分布漂移。
如果实验中把天线角度纳入训练集做多角度数据增强，也就是把各个朝向的数据混合训练，跨角度的泛化能力会有明显提升。这个结果透露出的实际意义是：部署阶段固定天线朝向虽然简单，但会让系统处于脆弱的单视角状态；在训练阶段引入天线朝向变化，代价不高，收益却很直接。
3.3 角度差异的针对性优化
知道天线朝向会带来性能低谷之后，能做的优化其实很直接。第一条就是训练数据的角度增强，把0到180度范围内多个朝向的数据全部混在一起训练，而不是只采一个朝向。这个方法最朴素，效果也最稳，相当于让模型见过各种视角下的跌倒特征，不再依赖某个特定方向。前面表格里多角度旋转训练的F1能回到0.93，就是典型表现。
第二条是集成学习。在每个固定角度下单独训练一个分类器，测试时对多个角度的预测结果做投票或置信度加权。这种方案适合设备端已经部署了多天线的场景，每个天线的本地模型各看各的视角，最后综合决策。这样即使某一个角度的信号正落在衰落区，其他角度的分类器仍然能给出正确判断。代价是推理时需要同时跑多个模型，对算力或内存有一定要求，但对于家用的集中式网关来说通常可以接受。
第三条是部署时的轻量校准。在每个天线朝向下先采集一小段静止环境数据和人体轻量走动数据，计算该朝向的幅度基线和噪声底，推理阶段用这些基线对CSI特征做归一化。这个方法解决的不是分类器本身对朝向的适配，而是把环境基准差异消除掉，让特征在不同朝向之间更具可比性。它不需要重新训练模型，几行代码就能实现，适合系统已经上线、不方便找样本重新训练的场景。
4. 常见问题与排查技巧实录
实验做多了，总会遇到一些现象层面的问题。这里把最容易出现的几类整理成清单：
| 现象 | 可能原因 | 排查方法 |
|---|---|---|
| 采集到的CSI幅度整体偏低 | 天线极化失配或收发链路之间有大块遮挡 | 旋转发端天线寻找幅度峰值，检查网卡增益设置 |
| 同一动作两次采集的特征差异很大 | 线缆被拧动、信道随时间变化、有人走动 | 固定连接线、缩短采集窗口、选择低干扰信道 |
| 跨角度测试准确率明显下降 | 模型过拟合单一朝向特征 | 用多角度数据增强重新训练 |
| 人体移动时CSI幅度无明显波动 | 天线朝向恰好在多径零点 | 调整天线角度，或改用多天线做相位差特征 |
| 5GHz数据抖动比2.4GHz严重 | 多径衰落剧烈，相干带宽窄 | 对子载波做滑动平均滤波，或改用40MHz带宽采集 |
几个细节值得展开。第一，单根天线的幅度特征容易受增益自动控制和瞬时噪声影响，而多天线间的相位差特征对幅度波动不敏感，更稳定，所以哪怕只有2根接收天线，也要优先使用相位差。第二，子载波不要全用，两端边缘的子载波受带宽截断和滤波边缘效应影响大，特征质量差，取中间频段的子载波就够了。第三，跌倒检测落地时不能只看单帧分类结果，要加时间连续性滤波，连续3帧以上判定为跌倒才触发报警，这能显著压掉误报。
还有一个容易被忽视的采集细节：每次调整天线角度后，不要立刻开始记录数据，先空转几秒。无线信道对环境扰动有记忆效应，人刚走开、门刚调整完，CSI的基线还会漂一会儿，等稳定下来再开始采样本。否则你以为是天线角度带来的差异，其实是环境瞬时扰动叠加的结果，后面分析怎么都解释不通。
我个人在实际操作中的最大体会是，WiFi感知系统的物理部署条件对算法性能的约束，往往比算法本身的结构差异更大。天线朝向这种看似不起眼的变量，一测就能拉开十个百分点左右的差距，而这恰好是很多研究工作默认忽略的。做完这轮实验之后，我给自己的项目定了一条规矩：所有基于CSI的模型发布前，至少要在两个不同的天线朝向和两个不同的房间做过交叉验证，否则不写结论。这个方法也推荐给你。天线朝向的影响并不只存在于WiFi信号里，蓝牙、UWB定位甚至毫米波波束训练都面临类似问题，只是WiFi感知领域对CSI的幅度和相位依赖更直接，所以暴露得更明显。以后你搭建自己的跌倒检测系统时，不妨把天线朝向当成一个必测的鲁棒性维度加进实验计划，这会省掉很多部署阶段的返工时间。
