用 Python 处理 Wi-Fi CSI：解析、清洗、热图与运动指标

2026-10-11 · 约 2 分钟

拿到 CSI 只是第一步；真正决定成败的是解析 → 清洗 → 特征这三步。本文给出可直接运行的最小实现。

1. 解析：先认清两种容器

import struct
REC = struct.Struct("<dH")
HDR = struct.Struct("<I6sbBBBBBHHHH")
payload = HDR.size + 256 * 4          # 1048

def iter_records(path):
    with open(path, "rb") as f:
        while True:
            head = f.read(REC.size)
            if len(head) < REC.size:
                return
            _ts, length = REC.unpack(head)
            buf = f.read(length)
            if len(buf) < HDR.size:
                return
            ts, ta, rssi, snr, bw, ch, mode, _pad, n, tx, rx, chain = HDR.unpack_from(buf)
            iq = struct.unpack_from(f"<{n*2}h", buf, HDR.size)
            yield dict(ts=ts, ta=ta, rssi=rssi, snr=snr, n=n, tx=tx, rx=rx,
                       chain=chain, i=iq[0::2], q=iq[1::2])

样例数据：10 秒 / 256 子载波（可直接验证上面的解析器 ^[4]）。

2. 清洗：相位为什么要校正

原始相位包含三部分：真实信道相位、CFO/SFO 造成的线性漂移、以及硬件相关的固定偏移。 不校正直接做 FFT，噪声会盖住呼吸/运动成分。常用三步：

1. 去卷绕（np.unwrap）；
2. 线性拟合去斜率（去掉 CFO/SFO）；
3. 跨天线共轭乘 / CSI ratio（消除发射端相位噪声）。

import numpy as np

def sanitize_phase(phase):
    p = np.unwrap(phase)
    idx = np.arange(len(p))
    slope, intercept = np.polyfit(idx, p, 1)      # 线性漂移
    return p - (slope * idx + intercept)          # 去斜率 + 去常量

3. 特征：幅度热图与运动指标

amp = np.abs(i + 1j * q)                 # 每个子载波的幅度
heatmap = np.vstack(amplitude_rows)      # 形状 (测量数, 子载波数)

# 1 秒滚动运动指标：相邻测量之间的幅度变化
motion = np.abs(np.diff(heatmap, axis=0)).mean(axis=1)

本项目 10 分钟实测数据画出来的热图与运动曲线（原始抓包见数据集 ^[5]）：

4. 常见坑

5. 下一步

• 抓包与脚本：工具与数据集
• 算法选型：SenseFi（深度学习基准 ^[3]）、csiread（高速 Cython 解析 ^[2]）
• 多平台解析/可视化：CSIKit（Atheros / Intel / Nexmon / ESP32 等格式 ^[1]）
• 工程化：把上面三步串成服务，见实时平台方案