一种室内非接触式人体活动识别方法及系统技术方案

本发明专利技术公开了一种室内非接触式人体活动识别方法及系统，包括：利用天线阵列采集室内的反射信号；对反射信号滤波处理得到去除噪声后的反射信号；输入到预先训练好的人体活动识别模型，确定人体活动类别，所述人体活动识别模型为预先训练好的基于迁移学习算法的CNN网络模型。优点：使用天线阵列采集人的动作，在室内进行活动识别，可以应用于居家养老的场景；对原始数据进行降噪，能够去除大部分的高频噪声，并且保留信号的相位变化；采用CNN结构进行训练旨在降低系统复杂性，同时利用迁移学习的思想，赋予该系统单独学习的能力，并将从一个位置获得的知识用于其他位置。最终达到了使用尽可能少的数据来实现高精度的位置无关感知的目的。的目的。的目的。

【技术实现步骤摘要】
一种室内非接触式人体活动识别方法及系统


[0001]本专利技术涉及一种室内非接触式人体活动识别方法及系统，属于信息


技术介绍

[0002]实现高层次人机交互是未来的发展方向.对人体行为的准确感知和理解则是必不可少的技术支撑。传统的人体行为识别利用各种传感器，如物理传感器、摄像头等，近些年来，随着无线网络的快速发展，射频信号的作用已经从单一的通信介质扩展到非侵入式的环境传感工具，利用无线信号进行人体行为识别，解放了用户的穿戴限制，拥有广阔的发展前景。
[0003]其基本原理是射频信号通过多路径在无线介质中传播，反射不同物体并到达接收器，因此携带有关环境的信息。人体是良好的反射体，通过分析接收到的射频信号模式和特征，可以检测人类活动和行为状态，如呼吸率、手势和跌倒等。近年来，被广泛关注的深度学习已经被成功运用于语音识别、图形识别等各个领域，在特征提取方面取得了显著成效。通过深度学习从室内环境无线信号中提取出特征，可以进行人体活动识别。
[0004]但是如果用冗余的数据去训练一个模型可能会导致过拟合的现象，而且特征过于单一导本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种室内非接触式人体活动识别方法，其特征在于，包括：利用天线阵列采集室内的反射信号；对反射信号滤波处理得到去除噪声后的反射信号；输入到预先训练好的人体活动识别模型，确定人体活动类别，所述人体活动识别模型为预先训练好的基于迁移学习算法的CNN网络模型。2.根据权利要求1所述的室内非接触式人体活动识别方法，其特征在于，对所述反射信号采用主成分分析方法对反射信号进行滤波，得到去除噪声后的反射信号，将去除噪声后的反射信号输入到预先训练好的人体活动识别模型。3.根据权利要求2所述的室内非接触式人体活动识别方法，其特征在于，所述对所述反射信号采用主成分分析方法对反射信号进行滤波，包括：将室内的活动空间划分成若干位置区域，采集每个位置区域中的每种活动的固定时间的反射信号的数据包，去除每种活动的固定时间的反射信号的数据包中的静态路径部分；将去除静态路径部分的每种活动的固定时间的反射信号的数据包切割成若干固定时间长度的时间快，根据所有的时间快形成对应于该种活动的矩阵H；根据矩阵H得到协方差矩阵H
T
×
H，计算协方差矩阵H
T
×
H的相关矩阵，相关矩阵由协方差矩阵的相关系数构成，相关矩阵的大小为N
×
N，其中N是数据流的个数；对得到的相关矩阵进行特征分解，计算得到特征向量；根据公式h
a
＝H
×
q
a
进行信号重构，得到去除噪声后的反射信号，其中q
a
是第a个特征向量，h
a
是第a个主成分。4.根据权利要求2所述的室内非接触式人体活动识别方法，其特征在于，所述人体活动识别模型的训练过程包括：获取预先构建的CNN模型，所述CNN模型的结构包括若干卷积层、池化层和一个全连接层，卷积层依次通过池化层相连，最后一个卷积层通过池化层连接全连接层；根据相邻位置具有相似的统计特征的结论以及最大均值差异的结果确定合适的训练位置，获取该训练位置的去除噪声后的反射信号组成初始训练数据集；利用初始训练数据集对CNN模型进行训练，获得初始最佳模型参数；利用初始最佳模型参数初始化CNN模型；获取非合适的训练位置上的去除噪声后的反射信号组成二级训练数据集；冻结全连接层之前的卷积层和池化层的参数，然后使用二级训练数据集训练全连接层，直到达到迭代次数的上限或达到预设的精度，得到训练好的人体活动识别模型。5.一种室内非接触式人体活动识别系...

【专利技术属性】
技术研发人员：张登银，杨妍，徐业鹏，齐城慧，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：