本团队的研究领域主要包括无线通信与网络、智能感知等。其中，无线通信与网络方向主要研究新一代网络协议、无线资源管理、室内定位等，智能感知方向主要研究智能可穿戴设备、智能无线感知、人工智能算法等。
下面分别介绍几个研究方向的代表性成果。
1、 室内定位
在室内定位中，通常都需要利用信号与距离的映射关系，如果非视距信号比视距信号更强，无疑会打乱这一映射关系。我们通过对信号传播延时和信号接收功率之间的关系，分析非视距信号与视距信号的不同特性，并利用该特性识别非视距信号，从而降低非视距信号对定位的影响。某一个位置接收信号的信号强度是符合正态分布的，我们利用这一特性，将信号的飞行时间（ToF）与信号强度（RSSI）进行比较，计算信号属于非视距信号的概率，滤除非视距信号概率较高的信号，保留非视距信号概率较低的信号。获得非视距信号概率后，将这一概率用于位置估计。
2、无线资源管理——信道绑定
在无线局域网中，可以通过信道绑定技术将几个基本信道构成一个更宽的信道。更宽的信道可以增加单个基本服务集（BSS）中的潜在吞吐量。然而，信道绑定之后，可用的非重叠信道会变少，导致相邻BSS之间的信道争用变得更严重，因此，需要选择适当的信道带宽。在传统的信道绑定算法下，会出现各BSS轮流使用最大信道带宽的情况。为了避免所有BSS轮流使用最大带宽导致的性能损失，我们提出了一种限定信道绑定范围的方法，每个BSS的信道绑定只能在备选基础信道中选择。
备选基础信道根据可达吞吐量的分析产生。我们提出了一种使用图论方法计算可达吞吐量的方法。首先根据BSS间的潜在信道竞争关系，得到冲突图，然后，将冲突图划分为多个连通分量，并根据最大团的划分计算每个连通分量的可达吞吐量，获得整个网络的可达吞吐量。可达吞吐量的分析考虑了BSS间的信道竞争关系，对于与最大可达吞吐量的各BSS的信道带宽可以较为有效地控制BSS间的信道竞争带来的影响。
3、智能可穿戴设备——睡眠状态下呼吸率心率检测
检测睡眠状态下呼吸率、心跳率和翻身情况等信息有助于疾病预防和健康管理。我们设计了基于压电陶瓷的非接触式多通道睡眠信息检测系统；通过嵌入床垫的多个压电陶瓷传感器感知人体微小震动引起的压力变化，基于区域短时能量分布的体动姿态识别算法和自回归参数模型功率谱估计计算呼吸率；将胸腔振动位移信号转化为加速度信号以分离心跳信号，采用快速集合经验模式分解算法和自适应特征波定位算法计算心跳率。实验结果表明，该方法呼吸率平均误差小于3%，心跳率平均误差小于5%。
4、智能无线感知——基于WiFi CSI的动作与步态识别
在WiFi等无线通信系统中，信道状态信息（Channel State Information,CSI）能够反映信道链路传输特性，在人体动作发生时会导致传输环境发生变化，这种变化会反映在CSI所描述的特性中，可以通过不同的CSI特征对不同的动作进行识别。如果能够达到更精细的识别效果，还能够识别步态等个体特征。基于此原理，在通过对CSI数据进行处理、分析、特征提取后，利用不同分类模型，可实现动作、步态识别。
5、人工智能算法——多源卷积神经网络集成
利用团队自研的智能鞋垫采集用户活动数据，通过卷积神经网络（CNN）可以获得不错的跌倒检测结果，但如果样本数量有限，往往导致过拟合问题。为了提高检测精度，我们提出了一种多源CNN集成(MCNNE)结构，将智能鞋垫的压力传感器、加速度传感器和陀螺传感器采集的数据作为基分类器的独立输入，五种日常生活活动(躺在床上、弯腰、正常走、慢跑和躺下)和四个不同的方向(向前、向后、向左、向右)的跌倒作为MCNNE的输出。利用三种传感器阵列采集的数据集对MCNNE进行训练，使其具有较高的检测精度。
