近些年,随着机器学习以及譬如射频和红外传感器等无线情景感知技术的快速的发展,WiFi由于其易获得性和低成本性,使得人们对WiFi的研究超越其最原始的用途,多种多样的无设备被动WiFi识别与检测系统应运而生。在这篇文章中,我们提出了基于信道状态信息的反网瘾系统,通过利用信道状态信息的细粒度性,首次展现了利用WiFi信号中的信道状态信息(Channel State Information,CSI)检测打游戏这个动作。该系统通过学习玩家的动作以及他们在打游戏时的共同特征来识别这个在电脑前的行为是不是打游戏。我们把该系统的研究与实现建立在普通商用WiFi设备上。主要包括以下研究内容:首先,利用核密度估计(Kernel Density Estimation,KDE)的方法,求取最佳行为检测阈值,也即实现从静默状态到动作状态的检测(入侵检测),实验结果验证了该算法在室内多径环境下可以很好的检测到行为状态的开始,正确率可达94.2%。然后,在检测到行为状态开始后,再进一步通过一定算法判断该行为是否是打游戏。这里我们首先通过主成分分析法(Principal Component Analysis,PCA)对原矩阵降维与降噪,然后利用小波变换(WaveletTransform,WT)将降维后的信号的时间-频率信息提取出来,然后求取其统计特征并进行标准化处理,这时幅值特征提取完毕,再结合有时间相关性的相位差特征,共同注入到分类器中进行识别。最后,我们选取支持向量机(Support Vector Machine,SVM),并通过对其参数的调节,实现最佳检测性能。实验结果证明该系统不仅抗干扰,又具有很高的识别正确率,其最佳检测率高达95.8%,而且误判率低于4.4%。我们认为该项技术可以广泛的应用在未来的智能家居和智能办公室场景中。