一种非接触式连续行为感知方法技术

本发明专利技术涉及一种非接触式连续行为感知方法，步骤如下：(1)CSI数据的预处理；(2)连续行为信息的分割算法；(3)行为信息的特征分析；(4)最优子载波的选择；(5)改进的支持向量机分类算法。针对现有的行为动作数据集大多数是来自于单个行为动作系列的问题，提出了一种基于滑动窗口的连续行为动作数据分割算法，在连续的人体行为信息中提取出只包含有一种行为的片段。同时提出了一种改进的支持向量机感知算法，其实现简单且高效。其实现简单且高效。其实现简单且高效。

【技术实现步骤摘要】
一种非接触式连续行为感知方法


[0001]本专利技术属于计算机
，尤其是一种非接触式连续行为感知方法。

技术介绍

[0002]在如今计算机技术快速发展的时代，在以前以机器为中心的计算模式很显然不能满足当代社会的要求，现如今正朝着以人为中心的计算模式转变。实现更高层次的人机交互是众多研究学者的科研目标，也是未来的发展方向。所谓人机交互技术，指的是用户通过表情、语音、行为动作等预先设定好的交互模式，与计算机设备之间产生数据交换，并使其完成指定任务的过程。其中人体行为感知作为重要的研究领域，对人机交互技术起着至关重要的作用，与此同时，对改善我们的生活方式也起到了极大的帮助。
[0003]所谓人体行为感知技术是对人体的行为模式和动作类型进行识别与分析，主要通过视频图像、传感器设备、无线信号来获取信息。从大的层面上来看，人体行为感知技术主要涉及到了三个领域，分别为基于计算机视觉的人体行为感知、基于可穿戴式传感器的人体行为感知和基于无线信号的人体行为感知。根据检测方式的不同，可以将现有的行为感知方法分为接触式和非接触式两类。
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非接触式连续行为感知方法，步骤如下：(1)连续行为信息的分割算法获取的CSI数据首先需要经过数据预处理，预处理后的连续多行为数据中，包含了这段时间内发生的多个人体活动，例如行走、挥手、跑步、踢腿等。在行为感知时，如果一个行为片段中只包含有一种行为的信息，将便于提取这种行为的特征。例如在提取行走行为的特征值时，只需要多个行走的运动片段，而不能将行走和其他行为混合在一起。因此当一段CSI数据包含了多种行为时，自动地对其进行行为分割将带来极大的便利。通过设定一个阈值来将不同的行为片段分割出来。据此提出了一种连续行为信息的分割算法，选择使用标准差来进行分割。该算法的主要思想是：通过一个固定长度的滑动窗口来计算窗口内CSI幅值信息的标准差，由于在活动时的幅值信息波动较大，当窗口在其上面滑动时，计算得到的标准差都比较大，而两个行为之间的CSI幅值信息较为平缓，当窗口滑动到这段平缓部分时，计算得到的标准差较小，通过设定阈值，将一段连续窗口内标准差大于阈值的CSI片段提取出来，就完成了对一个行为信息的分割。滑动窗口的分割算法步骤如下：(2)行为信息的特征分析
①
特征提取在一段行为信息中包含有大量的CSI数据，对每种行为的CSI幅值信息分别在时域和频域上选取9种特征值，这些特征值相互独立、容易判别，并且在分类器中具有良好的可分性。其中，时域范围内提取的特征值为：1)均值，反应了CSI信号在一段时间窗口内的平均特征。2)最小值，表示了在一段时间窗口内的最小值特征。
3)最大值，表示了在一段时间窗口内的最大值特征。4)众数，表示了该窗口数据中出现次数最多的数值。5)方差，反映了随机变量与均值之间的偏离程度。6)变异系数，又称离散系数，表示了数据相对于均值的离散趋势。7)能量，等于该窗口内所有数据的平方和。频域范围内提取的特征值为：功率谱密度，表示为信号自相关函数的傅里叶变换，其计算公式为：其中是信号的自相关函数，用来描述信号在频域内的能量分布。由功率谱密度，可以提取到振幅的统计特征，提取的特征值为：8)振幅幅值：9)振幅方差：
②
特征分析当检测区域中有人体活动发生时，上述9个特征值均会发生一定的变化，但是在不同行为动作的影响下，每个特征值的变化都存在一定差别。(3)最优子载波的选择在接收天线众多的子载波中，相同的人体行为可以独立地影响接收天线，进而影响不同的子载波。每一条子载波在受到相同人体行为的影响下，表现为波动程度与幅值大小的不同。由于频率的多样性，不同子载波对人体活动具有不同的敏感度。利用CSI幅值信息的方差来量化子载波对人体行为的敏感度，同时选取具有最大CSI振幅方差的子载波来进行人体行为识别。(4)改进的支持向量机分类算法在SVM分类算法中，一个分离超平面并不能完全将行为信息的特征值分成两部分，因此
松弛变量ξ的引入是为了允许部分训练集中的样本出现分类错误，并对这些错误的训练样本增加惩罚因子C，表示了对样本点分类错误的惩罚力度。针对行为感知中训练样本存在离群点的问题，对传统的SVM分类算法进行了改进，在每一个样本点中都加入了带有权值变量β的松弛变量βξ，并且满足0≤β≤1，这就意味着分类器对每一个样本的重视程度都不一样，若样本点距离类中心越远，则该点属于这类的可能性越小，赋予较小的权值，就相当于丢弃了这些样本，反之则赋予较大的权值，以此来减小离群点对分类性能的影响。假设在训练集中有m个数据样本，每个样本有n个特征值属性，第i个样本可以表示为：{x
i
，y
i
}(i＝1，2，
…
，m)，其中x
i
＝{x
i1
，x
i2
，
…
，x
in
}，表示第i个样本的特征值集合，y
i
∈{-1，+1}表示第i个样本的类别标签。设分离超平面的方程为：w
·
x
i
+b＝0
ꢀꢀ
式(11)其中w＝{w1，w2，
…
，w
n
}，表示权重向量，b表示偏倚。由几何关系可知，在分离超平面上方的点满足式(12)，在分离超平面下方的点满足式(13)：w
·
x
i
+b＞0
ꢀꢀ
式(12)w
·
x
i
+b＜0
ꢀꢀ
式(13)代入类别标签值后，可以使边缘部分的分离超平面表示为：H1：w
·
x
i
+b≥1，y
i
＝+1

【专利技术属性】
技术研发人员：张锐，汪志伟，王燕，闫博，郭洪飞，胡斌，郗风江，
申请(专利权)人：天津科技大学，
类型：发明
国别省市：