一种基于Wi-Fi信道状态信息的人体动作识别方法技术

本发明专利技术公开了一种基于Wi

A human motion recognition method based on Wi Fi channel state information

【技术实现步骤摘要】
一种基于Wi
‑
Fi信道状态信息的人体动作识别方法


[0001]本专利技术属于移动通信领域，具体是一种基于Wi
‑
Fi信道状态信息的人体动作识别方法。

技术介绍

[0002]人体动作识别是近年来新兴起的一个前沿研究热点，成为健康监护、安防监控、智能家居等领域中不可避免的重要研究内容。人体动作识别主要分为两类，一类是基于设备的人体动作识别方法，使用相机和可穿戴传感器或手机端来实现识别任务。
[0003]这些方法在识别复杂场景中的活动方面表现良好，但是也存在很多缺点。主要包括在隐私方面保护不够，具有侵入性；容易受到可视角度的限制，只能在一个很有限的角度内监测目标；不能应对烟雾、遮挡乃至视觉欺骗的情况等等。而另一类基于无设备的人体动作识别方法可以有效克服这些缺点。这类方法采用基于射频（RF）的传感，使用COTS设备无线信号的射频传感器进行活动识别。主要通过普适的无线信号如Wi
‑
Fi、超宽带（UWB）、雷达（Radar）、Zigbee、蓝牙（Bluetooth）等对人体和环境以非侵入性的方式进行非接触式感知来解决上述局限性。因此，基于无设备的方法在新型人机交互、行为识别等领域有着广泛的应用，受到学术界和工业界的持续关注与重视。
[0004]在基于无设备的方法中，利用Wi
‑
Fi信号实现人体动作识别的应用最为广泛。主要有以下三点原因：首先它是经济的，随着商用WiFi设备和基础设施的普及程度越来越高，感知人体和环境不需要部署专门的传感器；其次，在几乎所有室内环境中，商业Wi
‑
Fi设备的部署都很容易获得Wi
‑
Fi信号；最重要的是基于Wi
‑
Fi信号的识别确保了一种非侵入性和隐私保护的传感方式，可以捕获由于人类运动引起的信号反射。
[0005]但是，目前基于Wi
‑
Fi信道状态信息的人体动作识别方法都存在数据预处理麻烦和数据质量低的问题。CSI数据属于物理层，可以衡量信道状态和区分多径分量，具有更加细粒度的频谱分辨率。而这也使得CSI数据包含了更多的噪声。因此，为分类算法提供高质量的输入数据，并寻求相应的解决方案，在理论方法研究与现实应用方面都有着极为重要的意义。
[0006]为此，提出一种基于Wi
‑
Fi信道状态信息的人体动作识别方法。

技术实现思路

[0007]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于Wi
‑
Fi信道状态信息的人体动作识别方法，该方法在提高CSI（信道状态信息）数据质量的同时提高识别准确率。
[0008]为实现上述目的，根据本专利技术的第一方面的实施例提出一种基于Wi
‑
Fi信道状态信息的人体动作识别方法，包括：划分CSI数据集；运用Hampel滤波和滑动平均滤波对CSI数据集内的CSI数据进行滤波；
利用LOF（局部异常因子）算法分析每类动作所有子载波的CSI幅度的平均值和标准差是否远离中心，选取LOF值1的子载波，最终选择同时满足50%以上动作种类的连续子载波作为稳定子载波；提取CSI数据的时域特征和频域特征；采用精细KNN分类算法对人体动作进行分类识别。
[0009]优选的，设定采集环境为教室，且在划分CSI数据集时，限定每个用户的站立位置、面部朝向和接收机位置，同时每个用户的站立位置、面部朝向和接收机位置唯一。
[0010]优选的，对CSI数据集内的CSI数据进行Hampel滤波的过程包括以下步骤：给定一维向量序列，该一维向量序列表示为 ；围绕CSI数据集内的CSI数据生成观测窗口，设定半个窗口宽度为k，整个窗口宽度为2k+1，包含中心元素；其中的中心元素为CSI数据集内的CSI数据；通过中位数的绝对值估计各样本对中值的标准差，判定的有效性。
[0011]优选的，若判定中心元素有效，则输出中心元素；若判定该数据为奇异数据，则用窗口中值取代中心元素；公式进行表达时表示如下：其中，是滤波后的数据，返回一个和大小一样的矩阵；在信号处理过程中，从一条CSI数据中提取的幅值是一个二维矩阵，那么Hampel将的每一列都看成是独立的通道，即将的每一个子载波看成一个独立通道。
[0012]优选的，通过Hampel滤波后的信号为一个和X大小一样的向量或矩阵。
[0013]优选的，对CSI数据集内的CSI数据进行滑动平均滤波的过程为：将一个测量数据视为一个长度固定为的队列，每次采集新样本时，将测量结果放在队列的末端，并且去掉原来队首的一个数据；在信号处理过程中，从一条CSI数据中提取的幅值是一个二维矩阵，可以用如下公式表示为：其中表示为第次采样经滤波后的输出；表示为未经滤波的第次的采样值；为滑动平均项数。
[0014]优选的，LOF算法直接给CSI数据集中的每个子载波计算一个离群因子LOF，通过判断LOF值是否接近于1来判定是否是离群因子。
[0015]如果LOF值小于等于1，则该点为密集点；如果LOF值大于1，则该点为离散点。
[0016]优选的，LOF算法通过点到点的距离、第距离、第距离邻域、可达距离和局部可达密度来计算全部离群因子；计算公式表示如下：
其中，表示第距离邻域，即点的第距离以内所有点的集合；表示点的局部可达密度。
[0017]优选的，采用精细KNN分类算法对人体动作进行分类的过程包括：利用训练数据对特征向量空间进行划分，并将划分结果作为最终算法模型；将数据集打乱后，80%的数据作为训练集，20%的数据作为测试集；在训练集中的每个数据都存在标签，已知数据与所属分类的对应关系；测试集是没有标签的数据，将该数据的每个特征与训练集中数据对应的特征进行比较，然后提取训练集中特征最相近的数据的分类标签；邻点个数设置为1，距离度量使用欧氏距离；在信号处理过程中，第条子载波的第个采样点可以表示为，第条子载波的第个采样点可以表示为；那么，两个采样点之间的距离可以表示为： 。
[0018]与现有技术相比，本专利技术的有益效果是：本专利技术提出子载波选取算法，使人体动作分类算法中输入数据的质量更高；同时，提取稳定子载波的时频域特征作为识别模型的输入，进一步提高了基于Wi
‑
Fi信道状态信息的人体动作识别方法的识别率。
[0019]本专利技术提出的识别模型在识别率上表现良好，经过实验，该识别模型在跨环境和跨用户方面也表现不错。
附图说明
[0020]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0021]图1为本专利技术的流程图；图2为本专利技术动作识别模型总体设计图；图3为Hampel滤波流程图；图4为滑动平均滤波流程图；图5为LOF算法选取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Wi
‑
Fi信道状态信息的人体动作识别方法，其特征在于，包括：划分CSI数据集；运用Hampel滤波和滑动平均滤波对CSI数据集内的CSI幅值数据进行离散点去除和降噪；利用LOF算法分析每类动作所有子载波的CSI幅度的平均值和标准差是否远离中心，选取LOF值1的子载波，并选择同时满足50%以上动作种类的连续子载波作为稳定子载波；提取CSI数据的时域特征和频域特征；采用精细KNN分类算法对人体动作进行分类识别。2.根据权利要求1所述的一种基于Wi
‑
Fi信道状态信息的人体动作识别方法，其特征在于，设定采集环境为教室，且在划分CSI数据集时，限定每个用户的站立位置、面部朝向和接收机位置，同时每个用户的站立位置、面部朝向和接收机位置唯一。3.根据权利要求2所述的一种基于Wi
‑
Fi信道状态信息的人体动作识别方法，其特征在于，对CSI数据集内的CSI数据进行Hampel滤波的过程包括以下步骤：给定一维向量序列，该一维向量序列表示为 ；围绕CSI数据集内的CSI数据生成观测窗口，设定半个窗口宽度为k，整个窗口宽度为2k+1，包含中心元素；其中的中心元素为CSI数据集内的CSI数据；通过中位数的绝对值估计各样本对中值的标准差，判定的有效性。4.根据权利要求3所述的一种基于Wi
‑
Fi信道状态信息的人体动作识别方法，其特征在于，若判定中心元素有效，则输出中心元素；若判定该数据为奇异数据，则用窗口中值取代中心元素；公式进行表达时表示如下：其中，是滤波后的数据。5.根据权利要求4所述的一种基于Wi
‑
Fi信道状态信息的人体动作识别方法，其特征在于，通过Hampel滤波后的信号为一个和X大小一样的向量或矩阵。6.根据权利要求5所述的一种基于Wi
‑
Fi信道...

【专利技术属性】
技术研发人员：李小龙，甘星宇，董莉，黄华，
申请(专利权)人：湖南工商大学，
类型：发明
国别省市：