基于Wi-Fi信道状态信息的无接触式人体行为识别方法及系统技术方案

本发明专利技术属于行为识别技术领域，具体涉及一种基于Wi

【技术实现步骤摘要】
基于Wi
‑
Fi信道状态信息的无接触式人体行为识别方法及系统


[0001]本专利技术属于行为识别
，具体涉及一种基于Wi
‑
Fi信道状态信息的无接触式人体行为识别方法及系统。

技术介绍

[0002]人体行为识别有三种具有代表性的方法：基于视频的识别方法，基于可穿戴设备的识别方法以及基于Wi
‑
Fi信号的识别方法。其中基于视频的识别方法容易受到光线强度的影响，且具有入侵隐私的风险；基于可穿戴设备的识别方法需要人穿戴额外的硬件设备，且这些设备的价格较高。
[0003]随着无线网络技术的发展和成熟，许多家庭和公共场所都有安装无线路由器等Wi
‑
Fi设备，这类设备易携带安装，分布广泛，且成本低、是最大的传感网络之一。Wi
‑
Fi采用OFDM(正交频分复用)的方式实现无线信号的传输，在频域上可以将无线信号分成多个并发子载波。对于以OFDM形式传输的无线信号，采集方式包括传统的RSSI技术以及CSI(信道状态信息)技术。RSSI(信号强度指示符)只能反映了多径叠加的总幅度，而CSI呈现了不同频率(对应不同子载波)下多径传播的幅度和相位，从而更加精确地刻画了具有频率选择性衰落特性的信道。它描述了信号在每条传输路径上的衰弱因子，即信道增益矩阵中每个元素的值，如信号散射，环境衰弱，距离衰减等信息。因为CSI的敏感度远远高于RSSI，通过物理电气特征来识别人体的干扰规律从而完成识别，相比RSSI具有识别范围更大，识别效果更好，数据分辨率更好等特点。
[0004]目前，大部分的人体行为识别大多都是针对数据去噪、单目标多场景的行为识别、有效特征提取过少导致的泛化能力差、学习训练成本高以及缺乏在无线信号空间对人的行为活动的精细时空建模，导致识别精度低、鲁棒性差等问题。

技术实现思路

[0005]为解决以上现有技术存在的问题，本专利技术提出了一种基于Wi
‑
Fi信道状态信息的无接触式人体行为识别方法，该方法包括：在信号源处部署信道状态信息数据采集设备，该数据采集设备的位置作为监测点；具体步骤包括：
[0006]S1：实时获取信号源发射的不同动作的CSI子载波数据，得到第一信号；
[0007]S2：监测点对第一信号进行预处理，得到第二信号；
[0008]S3：对第二信号进行特征向量提取，选取与时间序列相关的最大分量作为数据的主特征变量，得到第三信号；
[0009]S4：对第二信号进行特征向量提取，选取与相位和幅值相关的最大分量作为数据的主特征变量，得到第四信号；
[0010]S5：各个监测点将第三信号和第四信号分别输入到训练好的机器学习模型中，得到第一行为识别结果和第二行为识别结果；
[0011]S6：将第一行为识别结果和第二行为识别结果输入到处理函数中，得到该监测点的第三人体行为识别结果；
[0012]S7：将第三人体行为识别结果输入到分类模型中，得到最终的行为识别结果。
[0013]优选的，信号源为Wi
‑
Fi信号源。
[0014]优选的，对第一信号进行预处里包括对第一信号进行数据去噪处理、数据平滑处理以及数据降维处理。
[0015]优选的，得到第三信号包括：采用时间序列挖掘分析法对第二信号进行特征提取，在提取的特征中筛选出与时间序列相关的最大分量作为第三信号。
[0016]优选的，得到第四信号包括采用基于时域和频率结合分析法对第二信号进行特征提取，得到CSI子载波随人体行为而发生变化的振幅和相位信息；采用滑动窗口法对提取的信息进行筛选，得到与相位和幅值相关的最大分量，将该分量作为第四信号。
[0017]优选的，机器学习模型包括门控循环单元和卷积神经网络；采用训练好的门控循环单元对第三信号进行行为识别，得到第一行为识别结果；采用训练好的卷积神经网络对第四信号进行行为识别，得到第二行为识别结果。
[0018]优选的，处理函数为Softmax函数。
[0019]优选的，分类模型为K最近邻算法模型。
[0020]一种基于Wi
‑
Fi信道状态信息的无接触式人体行为识别系统，该系统包括：数据采集模块、数据处理模块、前端服务器以及云平台服务器；
[0021]所述数据采集模块为信道状态信息数据采集设备，该设备用于接收CSI子载波信号，得到第一信号；
[0022]所述数据处理模块包括去噪模块和特征提取模块；
[0023]所述去噪模块用于对第一信号进行去噪、平滑以及数据降维处理，得到第二信号；
[0024]所述特征提取模块用于对第二信号进行特征提取，得到第三信号和第四信号，并将第三信号和第四信号发送的前端服务器；
[0025]所述前端服务器用于对第三信号和第四信号的行为进行识别，得到第一行为识别结果和第二行为识别结果；将第一行为识别结果和第二行为识别结果发送到云平台服务器中；
[0026]所述云台服务器对第一行为识别结果和第二行为识别结果进行计算预测，得到第三行为识别结果，并对第三行为识别结果进行分类，得到最终的识别结果。
[0027]进一步的，得到第三行为识别结果的公式为：
[0028]pred
i
＝w1*pred_GRU+w2*pred_CNN
[0029]本专利技术的有益效果：本专利技术将提取出的特征分别输入到GRU和CNN并行模型中，再利用softmax函数得到当前监测节点的识别结果，由于在当前环境部署了多个监测节点，每个节点都会通过上述方法得到一个预测的结果，再把所有节点的预测结果通过KNN算法得到最终的识别结果，且识别效果较好。
附图说明
[0030]图1为本专利技术基于Wi
‑
Fi CSI的人体动作识别的总体流程图；
[0031]图2为本专利技术CSI数据预处理流程图；
[0032]图3位本专利技术GRU单元结构示意图；
[0033]图4位本专利技术KNN算法流程图；
[0034]图5为本专利技术基于基于Wi
‑
Fi信道状态信息的无接触式人体行为识别系统的结构示意图
具体实施方式
[0035]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0036]一种基于Wi
‑
Fi信道状态信息的无接触式人体行为识别方法，该方法包括在信号源处部署信道状态信息数据采集设备，该数据采集设备的位置作为监测点，如图1所示，具体步骤包括：
[0037]S1：实时获取信号源发射的不同动作的CSI子载波数据，得到第一信号。本专利技术中的信号源为Wi
‑
Fi信号源，部署的信道状态信息数据采集设备为CS本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Wi
‑
Fi信道状态信息的无接触式人体行为识别方法，该方法包括在信号源处部署信道状态信息数据采集设备，该数据采集设备的位置作为监测点，其特征在于，包括：S1：实时获取信号源发射的不同动作的CSI子载波数据，得到第一信号；S2：监测点对第一信号进行预处理，得到第二信号；S3：对第二信号进行特征向量提取，选取与时间序列相关的最大分量作为数据的主特征变量，得到第三信号；S4：对第二信号进行特征向量提取，选取与相位和幅值相关的最大分量作为数据的主特征变量，得到第四信号；S5：各个监测点将第三信号和第四信号分别输入到训练好的机器学习模型中，得到第一行为识别结果和第二行为识别结果；S6：将第一行为识别结果和第二行为识别结果输入到处理函数中，得到该监测点的第三人体识别结果；S7：将第三人体行为识别结果输入到分类模型中，得到最终的行为识别结果。2.根据权利要求1所述的一种基于Wi
‑
Fi信道状态信息的无接触式人体行为识别方法，信号源为Wi
‑
Fi信号源。3.根据权利要求1所述的一种基于Wi
‑
Fi信道状态信息的无接触式人体行为识别方法，对第一信号进行预处里包括对第一信号进行数据去噪处理、数据平滑处理以及数据降维处理。4.根据权利要求1所述的一种基于Wi
‑
Fi信道状态信息的无接触式人体行为识别方法，得到第三信号包括：采用时间序列挖掘分析法对第二信号进行特征提取，在提取的特征中筛选出与时间序列相关的最大分量作为第三信号。5.根据权利要求1所述的一种基于Wi
‑
Fi信道状态信息的无接触式人体行为识别方法，得到第四信号包括采用基于时域和频率结合分析法对第二信号进行特征提取，得到CSI子载波随人体行为而发生变化的振幅和相位信息；采用滑动窗口法对提取的信息进行筛选，得到与相位和幅值相关的最大分量，将该分量作为第四信号。6.根据权利要求1所述的一种基于Wi
‑<...

【专利技术属性】
技术研发人员：程克非，徐家顺，张亮，陈京浩，罗维，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：