【技术实现步骤摘要】
一种基于对抗式元学习的跨场景人体动作识别方法
[0001]本专利技术涉及无线网络、人体动作识别和深度学习领域,尤其涉及一种基于少样本的对抗式元学习方法。
技术介绍
[0002]近年来,随着物联网技术的发展,基于无线电技术的人体动作识别系统在智慧家庭、健康监护等领域得到了广泛的应用,因此越来越受到人们的关注。现有的方法可分为WIFI、超宽带(UWB)和射频识别标签(RFID)等。其中UWB技术需要部署大量设备来接收、处理信号,需要改造场地,从而导致代价高昂;而基于RFID标签、手机或可穿戴设备来实现人体识别也需要目标随身携带设备。目前基于WIFI的人体动作识别系统由于具有不需要在目标上附加任何设备,部署成本低和隐私泄露担忧等优点正成为一种流行的技术。而且现在WIFI信号覆盖领域广泛,小到个人家庭,大到医院商场等都部署有WIFI设备,可以方便的获取WIFI数据,因此基于WIFI的人体动作识别技术受到了众多研究者的青睐。
[0003]在无线电通信领域,如在IEEE 802.11n等通信标准协议中,信道状态信息(Channel State Information,CSI)以物理层为基础,描述了信道的幅度和相位特性,能够更好地反映细粒度的信道信息,可以用来表示信道链路的质量。由于CSI对由人体动作引起的环境动态变化较为敏感,基于此特性,研究人员开发设计了多种基于CSI的人体动作识别系统。
[0004]但目前,实际的基于CSI的人体动作识别系统在部署时面临两大挑战:一是CSI数据易受动态环境变化的影响。具体来说, ...
【技术保护点】
【技术特征摘要】
1.一种基于对抗式元学习的跨场景人体动作识别方法,其特征是按如下步骤进行:步骤1、选定两个室内环境布局不同的房间记为场景1和场景2,并分别部署一对WIFI收发设备:所述WIFI收发设备中的WIFI信号的发送设备为带有a根天线的路由器,记为AP,WIFI信号的接收设备为带有b根天线的无线网卡,记为RP,且路由器AP和无线网卡RP间隔距离为l,从而在场景1和场景2中分别构成a
×
b个天线对用于发送和接收无线电信号,且每个天线对有z个可用的子载波;步骤2、数据采集和预处理;步骤2.1、原始数据采集:在场景1中,利用WIFI收发设备按照采样时间t和采样速率p采集人体动作CSI信号,并将第w次采集的第c种类别且维度为(a
×
b,z,p
×
t)的三维人体动作CSI信号记为csi
c,w
,其中,w∈[1,W],W表示采集的总次数,c∈[1,C],C表示人体动作的种类;步骤2.2、数据预处理:使用离散小波滤波方法对所述人体动作CSI信号csi
c,w
进行降噪处理,再基于阈值分割方法对降噪处理后的人体动作CSI信号进行尺寸转换,得到预处理后的人体动作CSI信号并记为x
c,w
,并记第c种类别的人体动作CSI信号x
c,w
所对应的标签标注为y
c
,从而一共得到C
×
W个带标签的CSI样本(x
c,w
,y
c
);步骤2.3、构建元学习训练任务集D
Train
={T
i
|i=1,2,
…
,I},I表示学习任务的总个数:从所述人体动作CSI样本中随机选择N个动作类别的K个人体动作CSI样本构成第i个元学习任务T
i
,并将第i个元学习任务T
i
划分为支持集T
is
和查询集T
iq
,分别记为其中,表示第i个元学习任务支持集T
is
中第n个动作类别的第k1个人体动作CSI样本;表示第i个元学习任务查询集T
iq
中第n个动作类别的第k2个人体动作CSI样本,K1表示第i个元学习任务支持集T
is
中每种类别的人体动作CSI样本数量,K2表示第i个元学习任务查询集T
iq
中每种类别的人体动作CSI样本数量,K1+K2=K;步骤3、构建对抗式元学习神经网络模型,包含:特征提取器模块、生成器模块、鉴别器模块和人体动作识别模块;步骤3.1、所述特征提取器模块使用R1个卷积单元,且每个卷积单元依次包含一层Convolution卷积层、一层BatchNorm批归一化层和一层Leaky
‑
ReLu激活函数层;且每个卷积单元的输出均连接一层DropOut层;所述第i个元学习任务支持集T
is
经过特征提取器模块的处理后,输出第i组人体动作CSI样本的特征向量CSI样本的特征向量表示得到的第i个元学习任务支持集T
is
中第n个动作类别的第k1个人体动作CSI样本的特征向量;步骤3.2、所述生成器模块依次使用R2个反卷积单元和R3个卷积单元,每个反卷积单元依次包含一层ConvolutionT反卷积层、一层BatchNorm批归一化层、一层Leaky
‑
ReLu激活函数层和tanh层;将第i组人体动作CSI特征向量F
is
输入到所述生成器模块...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。