中阁补算将学會通沁第17卷第2期2021年2月 的双重特点，既能对感知对象关联的标签信号（如 关联性融合多标签的反射信号，进行心率信号提取： 与绑定对象位置相关联的信号特征)进行直接感知， 最后，采用动态规划的方式，对心率的融合信号进 又能利用感知对象对标签反射信号的影响（如与非 行分割，实现细粒度的心率感知。 绑定反射对象相关联的信号特征)感知状态变化。 通过混合式感知的方式，进一步深入挖掘标签阵列 发展趋势与展望 中多标签感知信号的时空关联性，可实现感知结果 的“去粗存精”和“去伪存真”。下文以笔者研究团 随着物联网与人工智能在理论、方法和技术等 队近年来的相关成果为例，介绍基于RFID混合式 层面的进一步融合、演进，人类对物理世界的感知 感知的典型案例。 已经进入了“泛在智能”阶段，“AI+IoT”的泛在 基于RFID的人体生命体征监测系统：当前的 智能框架将进一步渗透到各种新型环境感知技术中 心率感知或者采用专业的医用心电图(ECG)设 去。对于以RFID为例的无源感知技术而言，为了 备，部署麻烦且价格昂贵；或者采用可穿戴设备或实现更为精确和泛化的感知，我们需要完成“特征 无线设备进行感知，只能测量粗粒度心率信息，难成像”和“智能推理”两个任务。“特征成像”是 以检测早搏、心率不齐等隐患。考虑到人体的呼吸 指需要基于各种感知前端，从原始无线信号中提取 和心跳均对RD信号产生影响，笔者研究团队研出更多的与感知环境和目标相关的信号特征，并且 发了一套基于RFID的人体生命体征监测系统RF- 尽可能将这些信号特征以二维、三维甚至多维的方 ECG。RF-ECG系统利用部署在胸口的一组RFID 式进行成像，如基于光谱图、距离-多普勒成像等 标签阵列进行呼吸和心率的感知。其中，呼吸的胸 的热力图。“智能推理”是指需要根据“特征成像” 廓变化改变标签的位置，称为“运动效应”：心跳的 输出的多维特征实现分类、回归等推理过程。传统 舒张收缩影响信号的反射，称为“反射效应”。为消的建模推理方法由于泛化性的需求导致模型相对简 除运动效应带来的显著干扰，F-ECG系统采用“信单，难以用“模型驱动”的方式细致、有效地刻画 号分离”的思路对心率进行细粒度感知。如图6所示，多维信号特征与最终输出的分类/回归结果之间的 F-ECG系统在胸口处部署一组标签阵列，并利用非线性关系。因此，我们需要进一步基于深度学习、 正前方的天线持续扫描标签进行心电图感知。F-强化学习等方法实现“数据驱动”的推理过程，结 ECG首先利用多个标签的空间关联性，进行胸廓位合“模型驱动”带来的启发和范式，基于大量标记 置变化的绑定式感知，并从原始信号中分离去除“运 的感知数据实现精确、泛化、鲁棒的泛在智能感知 动效应”；然后，利用非绑定式反射信号模型，抽 机制。 取心跳带来的“反射效应”，并利用多标签的时间 随着越来越多的研究者和实践者进入无源感知 技术领域并开疆拓土，该技术将从“拓展感知范畴” 和“探索感知极限”两个方面得到进一步发展。其中， 心电图 “拓展感知范畴”是指无源感知的功能将从传统的 运动效应 定位追踪拓展到更多新型模态的感知，包括物体姿 态追踪、人体微动作感知、人体生命体征监测等：“探 索感知极限”是指无源感知的性能将从原先的“分 米级”感知精度，逐步向“厘米级”甚至“毫米级” 反射效应 标签阵列 感知精度演进。最后，明代思想家王守仁提出的“知 天线 行合一，止于至善”思想可以为无源感知技术的未 图6，基于RFD的人体生命体征监测 来发展做一个美好的注解—通过对实际应用模式 2525 第 17 卷  第 2 期  2021 年 2 月 的双重特点，既能对感知对象关联的标签信号（如 与绑定对象位置相关联的信号特征）进行直接感知， 又能利用感知对象对标签反射信号的影响（如与非 绑定反射对象相关联的信号特征）感知状态变化。 通过混合式感知的方式，进一步深入挖掘标签阵列 中多标签感知信号的时空关联性，可实现感知结果 的“去粗存精”和“去伪存真”。下文以笔者研究团 队近年来的相关成果为例，介绍基于 RFID 混合式 感知的典型案例。 基于 RFID 的人体生命体征监测系统 ：当前的 心率感知或者采用专业的医用心电图（ECG）设 备，部署麻烦且价格昂贵 ；或者采用可穿戴设备或 无线设备进行感知，只能测量粗粒度心率信息，难 以检测早搏、心率不齐等隐患。考虑到人体的呼吸 和心跳均对 RFID 信号产生影响，笔者研究团队研 发了一套基于 RFID 的人体生命体征监测系统 RF￾ECG[23]。RF-ECG 系统利用部署在胸口的一组 RFID 标签阵列进行呼吸和心率的感知。其中，呼吸的胸 廓变化改变标签的位置，称为“运动效应”；心跳的 舒张收缩影响信号的反射，称为“反射效应”。为消 除运动效应带来的显著干扰，RF-ECG 系统采用“信 号分离”的思路对心率进行细粒度感知。如图6所示， RF-ECG 系统在胸口处部署一组标签阵列，并利用 正前方的天线持续扫描标签进行心电图感知。RF￾ECG 首先利用多个标签的空间关联性，进行胸廓位 置变化的绑定式感知，并从原始信号中分离去除“运 动效应”；然后，利用非绑定式反射信号模型，抽 取心跳带来的“反射效应”，并利用多标签的时间 关联性融合多标签的反射信号，进行心率信号提取； 最后，采用动态规划的方式，对心率的融合信号进 行分割，实现细粒度的心率感知。 发展趋势与展望 随着物联网与人工智能在理论、方法和技术等 层面的进一步融合、演进，人类对物理世界的感知 已经进入了“泛在智能”阶段，“AI+IoT”的泛在 智能框架将进一步渗透到各种新型环境感知技术中 去。对于以 RFID 为例的无源感知技术而言，为了 实现更为精确和泛化的感知，我们需要完成“特征 成像”和“智能推理”两个任务。“特征成像”是 指需要基于各种感知前端，从原始无线信号中提取 出更多的与感知环境和目标相关的信号特征，并且 尽可能将这些信号特征以二维、三维甚至多维的方 式进行成像，如基于光谱图、距离 - 多普勒成像等 的热力图。“智能推理”是指需要根据“特征成像” 输出的多维特征实现分类、回归等推理过程。传统 的建模推理方法由于泛化性的需求导致模型相对简 单，难以用“模型驱动”的方式细致、有效地刻画 多维信号特征与最终输出的分类 / 回归结果之间的 非线性关系。因此，我们需要进一步基于深度学习、 强化学习等方法实现“数据驱动”的推理过程，结 合“模型驱动”带来的启发和范式，基于大量标记 的感知数据实现精确、泛化、鲁棒的泛在智能感知 机制。 随着越来越多的研究者和实践者进入无源感知 技术领域并开疆拓土，该技术将从“拓展感知范畴” 和“探索感知极限”两个方面得到进一步发展。其中， “拓展感知范畴”是指无源感知的功能将从传统的 定位追踪拓展到更多新型模态的感知，包括物体姿 态追踪、人体微动作感知、人体生命体征监测等；“探 索感知极限”是指无源感知的性能将从原先的“分 米级”感知精度，逐步向“厘米级”甚至“毫米级” 感知精度演进。最后，明代思想家王守仁提出的“知 行合一，止于至善”思想可以为无源感知技术的未 图 6 基于 RFID 的人体生命体征监测 来发展做一个美好的注解——通过对实际应用模式 心电图 运动效应 反射效应 标签阵列 天线