RuView：将日常WiFi信号转化为实时空间智能与生命体征监测

这是什么

ruvnet/RuView 是一个开源的边缘空间感知系统（主语言 Rust，GitHub ★76509），它把普通的 WiFi 路由器变成一套无需摄像头、无需穿戴设备的接触式传感器。系统使用低成本 ESP32 微控制器（最低 $9/节点）捕获 WiFi 信道状态信息（Channel State Information, CSI），通过脉冲神经网络和预训练模型实时分析环境中人体的存在、呼吸、心率、活动以及房间级占位状态，并能穿透墙壁、在完全黑暗的环境下工作。

RuView 原生集成四大智能家居生态：Home Assistant（通过 HA-DISCO MQTT）、Apple Home / HomePod（作为 HAP-1.1 桥接设备）、Google Home 和 Amazon Alexa（通过同一 HA 桥接或 Matter 端点）。用户可以直接用 Siri、Google Assistant 或 Alexa 语音查询房间内人员状态和生命体征，无需编写自定义技能。

项目提供完整的硬件固件、边缘服务器、预训练模型（Hugging Face 上的 ruvnet/wifi-densepose-pretrained，4-bit 量化后仅 8KB）、以及 105 个边缘模块目录，所有处理都在本地完成，无需云端。

解决的问题

传统室内人体感知方案存在明显短板：

• 摄像头视觉方案：隐私风险高，无法穿墙，弱光/黑暗环境失效。
• 穿戴设备：需要用户主动佩戴，不适于老人、婴儿或非固定场景，且需要充电。
• 专用传感器（红外、激光雷达等）：成本高，部署复杂，覆盖范围有限。

RuView 提出一个纯射频方案：利用现有 WiFi 路由器发射的无线电波在空间中传播时会被人体扰动这一物理现象，通过分析 CSI 随时间的微妙变化来推断位置、运动和生命体征。系统不依赖互联网，所有推理在边缘（ESP32 或本地树莓派）完成，无隐私泄露风险。最终实现：用已有的 WiFi 基础设施 + $9 的 ESP32 芯片，就能获得相当于摄像头+可穿戴设备的感知能力。

核心功能

• 存在检测与人员计数：穿墙检测房间内是否有人，区分单人/多人，跟踪进出事件。使用最小割（mincut）算法实现准确人员计数。
• 生命体征监测：无接触测量呼吸频率和心率，可在睡眠或静坐状态下持续监测。提供 BreathingExtractor 和 HeartRateExtractor 等 Python 接口。
• 活动识别：从时域 CSI 模式识别行走、静坐、手势、跌倒等动作。预训练模型（wifi-densepose-pretrained）实现 82.3% 的时域三元组准确率（held-out，无标签），模型仅 8KB（4-bit 量化），可在树莓派上以微秒级速度运行。
• 环境映射：利用射频指纹区分房间、检测家具移动、识别新增物体。
• 睡眠质量分析：整夜监测，包含睡眠阶段分类和初筛呼吸暂停。
• 多生态原生集成：每个节点暴露 21 个实体（11 个原始信号 + 10 个推断状态，如 someone-sleeping, possible-distress, room-active, fall-risk-elevated, bed-exit 等），附带 3 个 Home Assistant 蓝图。通过 --mqtt 参数即可接入 Home Assistant，或作为 Matter 桥接接入 Apple Home / Google Home / Alexa / SmartThings。
• 边缘模块目录：105 个可直接在 ESP32 上运行的边缘模块，覆盖 CSI 预处理、SNN 学习、证人链（Ed25519）等能力，无需网络。

亮点 / 与同类相比

相比之下，现有 CSI 人体感知项目（如 WiFi-based respiration monitoring、WiFi CSI Action Recognition 研究项目）多停留在实验室原型阶段，依赖昂贵 USRP 或专用网卡，且缺乏完整的集成生态和易用性工具链。RuView 在多个维度具有显著优势：

| 维度 | RuView | 同类竞品（典型研究/开源） | |------|--------|---------------------------| | 硬件成本 | $9 ESP32-S3/C6 | 通常需要 USRP 或 Intel 5300 网卡（$100+） | | 部署复杂度 | 一键刷固件 + --mqtt 接入 HA | 需手动搭建 Python 处理 pipeline，无现成集成 | | 模型大小与速度 | 8KB 4-bit 量化模型，树莓派微秒级推理 | 典型模型 > 10MB，推理需 GPU | | 智能家居集成 | 四大平台原生支持（HA、Apple、Google、Alexa） | 无集成或仅限 MQTT 桥接 | | 隐私与离线 | 全边缘处理，无需云、无需互联网 | 多数需服务器或依赖云端 | | 环境适应性 | 30 秒内自适应（SNN 学习），利用邻居路由器作为免费雷达照明 | 通常需手动校准 | | 精度 | 真实时域三元组准确率 82.3%（此前单类录制“100%”已撤回） | 多数研究只在单场景下报告 >90% |

RuView 还引入见证链（Ed25519 witness chain），对每个测量结果做密码学认证，确保数据不可篡改，适合需要审计的场景。此外，系统支持 WiFi 6（ESP32-C6）和 802.15.4 网格，利用 HE-LTF 子载波标记和 TWT 省电模式，可实现超低功耗（~5μA 电池节点）的种子节点。

适合谁用 / 上手

适合用户：

• 智能家居爱好者：希望在不改动装修、不添加摄像头的前提下获得房间级智能感知（自动开灯、空调因人调节、离床警报）。
• 远程监护者：用于老人独居异常检测（如长时间不动、跌倒风险），无需对方佩戴任何设备。
• 办公空间管理员：统计会议室占用、工位活跃度，优化空间利用。
• 研究人员：作为 CSI 数据采集和处理的现成平台，可替换预训练模型进行科研。
• 开发者：利用开放的边缘模块目录和 Rust / Python 接口，构建自定义感知应用。

上手方式（提供四种路径）：

1. 零硬件体验（Docker）：

   docker pull ruvnet/wifi-densepose:latest
   docker run -p 3000:3000 ruvnet/wifi-densepose:latest
   # 打开 http://localhost:3000 查看模拟数据
   

2. 低成本硬件（ESP32-S3，$9）：

   • 刷写固件，通过串口设置 WiFi 和目标 IP，即可开始采集 CSI 数据。
   • 运行 scripts/rf-scan.js 等边缘脚本进行实时处理。

3. Python 包（无需硬件，可用于模拟或连接已有节点）：

   pip install ruview[client]
   from ruview import BreathingExtractor, HeartRateExtractor
   # 或使用 asyncio WebSocket + MQTT 客户端
   

4. 完整系统（Cognitum Seed，$140）：将 ESP32 节点与 Cognitum Seed 配对，获得持久化存储、kNN 分类和见证链支持。

详细文档见项目仓库 docs/integrations/home-assistant.md 和 Hugging Face 模型页面 ruvnet/wifi-densepose-pretrained。注意当前预训练模型以 JSONL RVF 格式分发，而 v2 解析器仅支持二进制 RVF 段格式（已知差距），社区正在修复中。