基于 Wi‑Fi CSI 的运动检测，核心是用 Wi‑Fi 信号的细微变化感知人体运动 ，无需摄像头、麦克风，隐私友好、低成本、易部署。下面从工作原理 与主流开源项目两方面完整说明。
一、Wi‑Fi CSI 运动检测：工作原理
1. 什么是 CSI
CSI（Channel State Information，信道状态信息） 是 Wi‑Fi 信号从发射端到接收端的传播状态快照 ，包含每个子载波的幅度（振幅） 与 相位信息。
- 普通 Wi‑Fi 只看 RSSI（信号强度），粗粒度；
- CSI 看子载波级的幅度 / 相位变化，细粒度、抗干扰、能反映微小运动。
2. 物理原理：人体如何扰动 Wi‑Fi 信号
-
Wi‑Fi 信号在空间中会直射、反射、衍射、散射：
-
静态分量：墙壁、家具等固定物体的反射，短时间内稳定。
-
动态分量 ：人体移动会改变信号传播路径，导致 CSI 幅度 / 相位发生规律性波动。
-
核心公式：plaintext
接收信号 = 静态环境信号 + 人体反射信号 + 噪声
通过分离动态分量，即可反推运动信息。
3. 完整技术流程（从信号到 "有人 / 运动"）
（1）CSI 数据采集
- 硬件：支持 CSI 输出的设备（ESP32‑S3/C6/C3、Intel 网卡、树莓派 + Nexmon 固件）。
- 模式：
- 监听模式：不连 AP，仅抓取周围 Wi‑Fi 信号的 CSI。
- 自发自收：单设备既发又收，适合独立部署。
（2）数据预处理（关键）
- 相位校正：消除载波频率偏移（CFO）、采样时钟偏移（SCO）。
- 滤波去噪：低通 / 带通滤波，去除环境噪声、多 AP 干扰。
- 子载波选择：筛选最稳定、对运动最敏感的子载波（如 ESPectre 的 NBVI 算法）。
（3）特征提取与运动判定
- 传统算法（轻量、端侧） ：
- 计算方差、标准差、能量、相关性等时域 / 频域特征。
- 用移动方差分割（MVS） 、阈值比较输出 Movement Score （0--100）与运动判定。
- 机器学习 / 深度学习（高精度、复杂场景） ：
- 用 CNN、RNN、Transformer 等模型学习 CSI 特征模式。
- 可做动作识别（走 / 坐 / 跌倒）、人数统计、手势、呼吸 / 心率。
（4）输出与应用
- 输出：运动存在 / 不存在、Movement Score、动作类型、生命体征。
- 应用：智能家居自动化、安防、老人看护、节能控制。
二、主流开源项目
1. 嵌入式 / ESP32 硬件项目（最适合 DIY、智能家居）
（1）ESPectre（francescopace/espectre）
- 定位 ：ESP32 + ESPHome + Home Assistant，开箱即用的无感运动检测。
- 核心 ：MVS 算法 + NBVI 子载波选择，输出 Movement Score 与可配置 Threshold。
- 优势：低功耗、隐私、易部署、HA 深度集成。
- 适用：ESP32‑S3/C6/C3，智能家居、老人看护。
（2）ESP‑CSI（esp‑csi/esp‑csi）
- 定位：ESP32 硬件级 CSI 采集库，底层驱动 + 基础处理。
- 核心：直接从 ESP32 Wi‑Fi 芯片抓取原始 CSI，提供 C/Python API。
- 优势：精度高、延迟低，适合二次开发。
- 适用：嵌入式开发者，自定义感知系统。
（3）RuView（ruvnet/ruview，原 WiFi‑DensePose）
- 定位 ：ESP32 + 边缘 AI，人体姿态估计、生命体征、穿墙感知。
- 核心：CSI → AI 模型 → 17 个人体关键点、呼吸 / 心率。
- 优势：功能强、延迟 <100ms、支持多人跟踪。
- 适用：高级感知、健康监测、搜救。
2. 通用 CSI 采集工具（适合研究、数据采集）
（1）nexmon_csi（seemoo‑lab/nexmon_csi）
- 定位：Broadcom Wi‑Fi 芯片（树莓派 3B+/4B、部分路由器）的 CSI 固件。
- 核心：修改固件开启 CSI 输出，支持 802.11a/b/g/n/ac。
- 优势：支持多天线、高带宽，适合学术研究。
- 适用：树莓派、路由器改装，大规模数据采集。
（2）Linux 802.11n CSI Tool（dhalperi/linux‑80211n‑csi‑tool）
- 定位：Intel 5300 系列网卡的 CSI 采集工具，经典研究工具。
- 核心：内核模块 + 用户态工具，导出 CSI 到文件 / 网络。
- 优势：稳定、文档全，适合入门研究。
- 适用：PC / 服务器，离线数据分析。
3. 算法 / 研究项目（适合学习、模型开发）
（1）WiFi‑CSI‑Sensing‑Benchmark（sensefi/WiFi‑CSI‑Sensing‑Benchmark）
- 定位 ：PyTorch 实现的 CSI 感知基准库，10+ 模型 + 4 大公开数据集。
- 核心：UT‑HAR、NTU‑Fi、Widar3.0 等数据集，支持行为 / 手势 / 身份识别。
- 优势：代码规范、可复现、适合论文 / 竞赛。
- 适用：学生、研究者，快速验证模型。
（2）WIFI_CSI_based_HAR（Retsediv/WIFI_CSI_based_HAR）
- 定位 ：入门级人体活动识别（HAR）项目，Python + Jupyter。
- 核心：简单预处理 + 传统机器学习（SVM、Random Forest）。
- 优势：代码极简、注释全、小白友好。
- 适用：初学者，快速上手 CSI 分析。
（3）CSI‑Activity‑Recognition（ludlows/CSI‑Activity‑Recognition）
- 定位 ：学术向行为识别，纯 Python、算法清晰。
- 核心：相位净化 + 特征工程 + 分类模型，论文同款实现。
- 优势：适合毕业设计、算法复现。
- 适用：学生、研究者，深入理解算法流程。
三、项目对比（快速选型）
|--------------------|-----------|---------------|-------------------|--------|----------------|
| 项目 | 硬件 | 算法 | 输出 | 难度 | 适合场景 |
| ESPectre | ESP32 | MVS（传统） | Movement Score、阈值 | ⭐⭐ | 智能家居、DIY、HA 集成 |
| RuView | ESP32 | AI（DensePose） | 姿态、呼吸、心率 | ⭐⭐⭐ | 高级感知、健康监测 |
| nexmon_csi | 树莓派 / 路由器 | 采集工具 | 原始 CSI | ⭐⭐⭐ | 研究、数据采集 |
| SenseFi | PC / 服务器 | 深度学习 | 行为 / 手势识别 | ⭐⭐⭐⭐ | 论文、模型开发 |
| WIFI_CSI_based_HAR | PC | 传统 ML | 活动识别 | ⭐ | 入门学习 |