ESP32 CSI 人体检测：采集、鲁棒特征、session 标定与误报评估

作者 Wu Jun · 更新于 2026-10-29 · 约 6 分钟

ESP32 能把 Wi-Fi CSI 做成便宜的运动传感器，但“串口有数据”离“可用于自动化”还有几步： 固定发送端、确认 CSI 字段、建立空房基线、按 session 标定，以及报告误报/漏报。

本文把“人体检测”严格定义为运动代理：能发现活动，不能证明静止的人一定存在，也不能识别身份或人数。 方法级背景可参考 CSI 感知综述 ^[1]。

0. 先看结论

1. 选采集拓扑

官方 esp-csi 提供 csi_recv_router、csi_recv 和 csi_send 等示例 ^[2]。ESPectre 则在设备端做运动检测并输出实体 ^[3]。

1.1 采集前必须确认的字段

• len 与本固件 CSI 缓冲区一致；
• data 的元素数量与 len 一致；
• first_word_invalid：某些 ESP32-S3 帧前 4 字节无效 ^[4]；
• rssi、noise_floor、local_timestamp 持续更新；
• 停止发送流量后，CSI 帧数明显下降，证明确实是收包触发。

ESP32 CSI 的每个复数样本通常是 int8 imaginary + int8 real，不能沿用路由器 int16 I/Q 的解析器。

2. 第一步不是算法，而是数据质量

先采 10 秒，输出以下统计：

frames_total
valid_csi_frames
duration = last_ts - first_ts
effective_rate = (valid_csi_frames - 1) / duration
gap_p50 / gap_p95 / gap_max
len histogram
RSSI min / mean / max
first_word_invalid count

如果有效帧率不足、包间隔不可解释或数据长度频繁变化，就不要进入阈值阶段。看起来“有波形”的 错误时间轴会让后续结论全部失效。

3. 先做逐子载波归一化

假设 H 是经过对齐的 frames × subcarriers 幅度矩阵。不要直接对原始幅度设置一个全局阈值： 不同子载波的噪声、衰减和缺失状态不同。

下面的代码只用“训练/空房 session”计算基线和尺度，再用它处理验证 session：

import numpy as np

def baseline_fit(H_quiet):
    baseline = np.median(H_quiet, axis=0)
    mad = np.median(np.abs(H_quiet - baseline), axis=0)
    scale = np.maximum(1.4826 * mad, 1e-6)
    return baseline, scale

def motion_series(H, baseline, scale, fs):
    # z 越大，表示当前子载波偏离空房基线的程度越高
    z = np.abs((H - baseline) / scale)
    frame_score = np.median(z, axis=1)      # 中位数抑制单个坏子载波
    width = max(1, int(round(fs)))          # 约 1 秒窗口
    kernel = np.ones(width) / width
    return np.convolve(frame_score, kernel, mode="same")

这只是透明、可复现的基线方法，不代表最优模型。任何深度学习或 ESPectre 模型也必须在独立 session 上验证； 不能在用于调参的空房数据上报告准确率。

4. 数据采集协议

记录：

• ESP32 型号、target、ESP-IDF 与固件 commit；
• 发送/接收板位置、高度、朝向、距离；
• 信道、带宽、RSSI、noise floor；
• 有效帧率、最大 gap、串口丢行；
• 受试者、房间、家具状态和标签来源。

采集协议至少覆盖两个位置、两个受试者；否则阈值很容易只拟合一个人和一个房间。训练/验证按 session 或日期切分，不能把相邻重叠窗口随机分到两边。

5. 阈值、滞回和保持时间

先分别得到：

q_quiet  = 训练空房 motion_series 的 P99
q_active = 训练活动 motion_series 的 P10

只有 q_quiet < q_active 且分离明显时，阈值才有意义。取中间区域并加滞回；如果两个分布重叠， 说明当前位置或特征无法区分，应先改硬件布局，而不是硬调阈值。

ENTER = q_quiet
EXIT = max(q_quiet * 0.8, q_active * 0.5)
MIN_ON_S = 0.5
MIN_OFF_S = 3.0

state = False
on_time = off_time = 0.0
dt = 1.0 / fs

for score in motion:
    if not state:
        on_time = on_time + dt if score > ENTER else 0.0
        if on_time >= MIN_ON_S:
            state, on_time, off_time = True, 0.0, 0.0
    else:
        off_time = off_time + dt if score < EXIT else 0.0
        if off_time >= MIN_OFF_S:
            state, on_time, off_time = False, 0.0, 0.0

这些是示例参数，不是各房间通用常数。真正的保持时间应由误报成本决定：开灯可以短， 安防报警必须长，并且需要人工复核。

6. 事件级评估

逐帧 accuracy 会对“没有运动”的多数样本过于乐观。家庭场景更应报告：

若没有同步视频或人工事件表，只能报告“未标定运动代理”，不能报告准确率。建议在报告里给出 原始数据路径、代码 commit、阈值、包率、位置和失败 session。

7. 真实房间中的失败模式

8. 什么时候换路由器或增加传感器

如果目标覆盖多个房间，一台 MT6000 可共享采集和网络，减少每屋一块 ESP32 的维护；代价是要处理 mt76 固件、独立 AP、CSI 采样率与路由器性能。参考MT6000 复现教程。

如果目标是可靠安防或跌倒报警，单一 CSI 传感器不够。应增加独立传感器、人工复核、故障告警和 隐私合规评估，而不是用不存在的准确率承诺替代工程设计。

9. 从零开始的验收顺序

1. 用官方示例得到 CSI_DATA；
2. 验证 len、data 数量、时间戳和包率；
3. 采空房/行走两个 session，画 motion score；
4. 用独立 session 检查分布是否重叠；
5. 设置滞回和保持时间；
6. 连续跑 24 小时，统计误报和不可用时间；
7. 最后才接 Home Assistant、灯或空调。

相关：ESP32 CSI 入门 · 接入 Home Assistant · 对比 mmWave 雷达 · Wi-Fi CSI 雷达