【技术实现步骤摘要】
基于WiFi信道状态信息的室内行为实时识别方法及系统
[0001]本专利技术涉及行为识别领域,更具体的说,涉及一种基于WiFi信道状态信息的室内行为实时识别方法及系统。
技术介绍
[0002]随着无线网络和移动智能终端的日益普及,利用无线感知技术进行人体行为识别已经成为普适计算领域的一个热点研究课题。人体行为识别目前主要借助接触式和非接触式技术实现。相比与接触式,非接触式方法具有无需穿戴移动设备、成本低廉、便捷安全等优点。非接触式行为识别包括基于光学摄像头方法,存在隐私安全入侵且易受光线影响的问题;基于雷达的方法,存在造价高、信号处理较困难的问题。相比于上述传统方式,WiFi信号对光照不敏感、成本低、易于安装并保护隐私,因此比上述方法更实用。
[0003]基于WiFi行为识别技术通常包括两种类型的接收信号——信道状态信息(Channel State Information,CSI)和接收信号强度(Radio Signal Strength Index,RSSI)。RSSI易受窄带和多径干扰,识别精度低,性能有限。相比之下,CSI可以呈现不同频率下多径传播的幅值和相位,从而提供更丰富和稳定的信道参数。因此,CSI比RSSI更适合于人体行为识别。
[0004]连续行为分割通常包括两种方法:变化点检测(Change Point Detection,CPD)和基于阈值的方法。CPD是一种使用时间序列数据信息来确定是否发生变化以及发生变化点位置的方法。广泛应用于语音识别、图像分析、气候变化检测和医疗状况检测。基 ...
【技术保护点】
【技术特征摘要】
1.一种基于WiFi信道状态信息的室内行为实时识别方法,其特征在于,具体过程如下:获得各个行为下的CSI数据;对所述CSI数据的相位和幅度进行预处理,得到CSI相位差矩阵和用于连续行为分割的幅度信息;根据所述幅度信息确定连续行为的分割点,再用所述分割点对测试数据CSI序列进行分割,构建分割后的测试数据的相位差扩展矩阵;采用双重动态阈值方法确定连续行为的分割点,提出介于动态有行为发生和静态无行为发生的中间状态,并赋予标签,再通过设置滑动窗口和前进步长来优化标签,最后根据标签变化点和平均活动时长确定连续行为分割点;将所述相位差矩阵用于构建相位差扩展矩阵,再将该扩展矩阵作为特征矩阵输入到高斯混合模型
‑
隐马尔可夫模型中,进行行为实时判别,并输出人体行为的判别结果和运动引起的CSI幅度及相位差变化。2.根据权利要求1所述的基于WiFi信道状态信息的室内行为实时识别方法,其特征在于,对CSI信息进行预处理,获得含有人体运动特征的CSI相位差矩阵,所述CSI相位差矩阵用于相位差扩展矩阵的构建,具体如下:1)解卷绕消除相位模糊性某接收天线第i个子载波采集到的CSI数据,其采集数据相位可表示为:式中,表示CSI数据的实际相位,δ和β分别表示信道和设备的非理想性引起的时间和相位偏移,N=64表示OFDM系统中FFT窗长度,ki表示接收天线采集的第i个子载波的索引,z表示第i个子载波的环境噪声;采用Matlab库函数“Unwrap”来消除子载波的相位模糊性,恢复出其真实相位;2)线性变换消除相位线性误差设置相位斜率a和偏移量b两个参数:设置相位斜率a和偏移量b两个参数:定义线性变换之后的校正相位:因子载波k
i
是对称的,则在忽略噪声z的前提下,校正相位已基本消除δ
和β偏移,3)构建接收天线间CSI相位差矩阵采用3根接收天线和1根发射天线,得到接收天线CSI子载波的相位差随时间变化的矩阵P
df
:式中,为第k、l个接收天线间的相位差相位,表达式为利用Savitzky
‑
Golay滤波器,消除存在于CSI相位差中的环境突发噪声。3.根据权利要求1所述的基于WiFi信道状态信息的室内行为实时识别方法,其特征在于,构建相位差扩展矩阵时,在CSI相位差信息的基础上,将相位差序列的均值、标准差、相位差平坦度分布特征也作为识别特征,得到基于相位差矩阵的相位差扩展矩阵。4.根据权利要求3所述的基于WiFi信道状态信息的室内行为实时识别方法,其特征在于,相位差扩展矩阵具体如下:式中,为相位差序列,相位差序列的均值,相位差序列的标准差,为相位差序列平坦度,其中用来描述相位差序列的分散程度,相位差平坦度矩阵的元素计算公式为:式中,w为选取的相位差序列时间窗长度,P
df
(j)为相位差序列的第k个的相位差值。5.根据权利要求1所述的基于WiFi信道状态信息的室内行为实时识别方法,其特征在于,将原用于基于人体3D骨骼数据行为识别的高斯混合模型
‑
隐马尔可夫模型用到基于WiFi信号的行为识别;将构建的相位差扩展矩阵作为高斯混合模型
‑
隐马尔可夫模型的识别特征,具体的,将获得的CSI数据按照2:1的比例划分为训练数据集和测试数据集;对于训练数据集,利用鲍姆韦尔奇算法训练得到隐马尔可夫模型的隐藏概率矩阵A和初始概率矩阵π两个参数,利用K均值算法和EM算法得到观测概率矩阵B;训练得到隐含有人体行为类别的HMM模型后,输入测试数据,利用前后向算法对每个测试数据计算得到每个模型对应的概率,概率最大值对应模型下的行为即为预测行为。6.根据权利要求5所述的基于WiFi信道状态信息的室内行为实时识别方法,其特征在于,将测试数据输入到训练好的高斯混合模型
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。