随着社会经济的快速发展，人们对家居环境的安全性、舒适度要求不断提高，智能家居系统应运而生。传统的家居防盗方法，如防盗门和防盗网已经不能满足人们的需求。同时，随着人员无序流动与日俱增，社会不安定因素随之增加，刑事案件特别是入室盗窃高发，因此智能化的防盗系统已成为研究热点。

目前，比较成熟的智能家居防盗监测方法主要有两大类：一类是基于传感器的方法，具有安装不方便的缺点；另一类是基于视频图像的方法，涉及人们隐私且无法解决遮挡的问题。同时，以上两种方法都需要为每个被监测的门窗配备相应的设备，成本和工作量都相当大。

信息技术的高速发展对人们的生活方式产生了深刻影响，与蓝牙技术一样，同属于短距离无线技术的WiFi（WirelessFidelity）已得到普遍应用，并给人们的工作生活带来了极大便利，如上班族们在麦当劳、肯德基、星巴克中浏览网页、新闻工作者们在会议现场发回稿件、普通人在家中随心所欲地用手机或笔记本电脑无线上网，WiFi早已无处不在。

基于当前WiFi普及率高，低成本、不受墙体家具遮挡影响、不涉及人们隐私等优点，福州大学物理与信息工程学院学者郭阿英、许志猛、余向阳提出了一种基于WiFi信道状态信息（channel state information，CSI）的智能家居防盗监测方法，通过采集WiFi信号的信道状态信息，利用卡尔曼滤波实现数据的去噪，采用K最邻近算法进行分类，最终实现静态、开门、开窗3种室内环境的监测，达到智能家居防盗监测的目的。

截至目前，该方法利用普适的WiFi设备实现了较高的监测识别率，填补了当前无线信号对于智能家居防盗监测的空白。相关论文已发表于2019年第12期《电气技术》，其题目为《一种基于信道状态信息的智能家居防盗监测方法》。

CSI的收集由两台配备有无线网卡的计算机实现，由天线进行数据的发射和接收，如系统框图（图1所示）所示。室内环境的改变会引起信号CSI的改变，由接收端获取到CSI。WiFi信号的CSI数据带有很多噪声，为了提高环境监测的准确率，该团队通过卡尔曼滤波去噪（一种去除噪声还原真实数据的数据处理技术），基于信号的幅度进行特征矩阵提取，再将特征矩阵输入至KNN（K-nearest neighbor）分类器，实现家居防盗监测。

图1 系统框架图

为了验证这一方法的可行性，该研究团队模拟了比较简单的场景进行测试。研究发现，静态环境下CSI幅值趋于稳定；当环境发生变化时，CSI的幅值波动比较剧烈。在动态的环境中，静止的识别率最低，但也可达到88%；开门的识别率最高，为100%。由于该测试环境是动态环境，室外人员的走动或室内人员的行为都会对CSI产生影响。未来，利用该方法还可进一步研究其他因素对于环境监测的影响，比如窗帘的影响，以实现更加实用的环境监测。