基于CSI与双线程卷积网络的位置无关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CSI与双线程卷积网络的位置无关的人体动作识别方法，其步骤包括：1、采集CSI动作样本数据；2、对CSI动作样本数据进行预处理；3、构建双线程卷积网络；4、将预处理后的训练样本输入到双线程卷积网络进行训练得到分类模型；5、将预处理后的测试样本输入分类模型中进行人体动作识别。本发明专利技术无需用户提供新位置上的样本或再次训练模型即可实现在室内任意位置上的动作识别，实用性较强。强。强。

【技术实现步骤摘要】
基于CSI与双线程卷积网络的位置无关的人体动作识别方法


[0001]本专利技术属于无线通信
，具体的说是一种基于CSI与双线程卷积网络的位置无关的人体动作识别方法。

技术介绍

[0002]近年来，人体动作识别技术在智能家居、安全监控和健康监控等各个领域的应用受到越来越多的重视。人体动作识别方法主要包括基于可穿戴传感器的和基于计算机视觉的等。上述方法都具有较好的识别效果。但是，基于可穿戴传感器的动作识别需要人体一直佩戴设备，会给用户造成不便。而基于计算机视觉的动作识别存在视线(LOS)要求、照明要求，且容易侵犯用户的隐私。与上述方法相比，基于商业WiFi的动作识别由于不侵犯用户隐私、不受光线影响、没有设备限制而受到广泛关注。
[0003]基于WiFi的人体动作识别分为采用接收信号强度信息(RSSI)的和采用信道状态信息(CSI)的。相比于RSSI，CSI以物理层为基础，具有更细粒度的信息，并且能够在一定程度上区分多径分量。因此，基于CSI的人体动作识别技术被广泛研究。
[0004]现有的方法已经在基于CSI的动作识别上取得了良好的效果，但是其位置泛化性的一些挑战还没有得到充分的解决。即在特定位置下训练的动作识别模型很难在其他位置采集的动作样本上有良好的表现。这是因为原始的CSI样本中不仅包含动作信息，还包含来自环境的信息。位置的改变意味着感知环境的改变，从而使反射、衍射、多径效应等因素的影响发生变化，导致不同位置上采集到的相同动作的CSI样本也具有不同的数据分布。
[0005]目前已有的三种解决方案：一是采集尽可能多的位置的样本，以学习不同位置上的动作的特征。但在实际的应用中，获取尽可能多的位置的数据耗费时间和精力，影响用户体验。二是通过元学习的方法学习和记忆不同位置动作的特征，实现用少量样本识别新位置的动作。但是元学习的方法仍然需要提供新位置上的样本作为支持集。三是通过转换函数生成新位置上手势的虚拟样本，通过DWT提取特征来训练KNN得到适用于各新位置的分类模型。但该方法在识别新位置上的动作时需要重新训练模型。
[0006]综上所述，上述三种方法虽然取得了良好的效果，但是他们需要采集新位置上的样本或对模型进行再训练，这耗费时间和精力，降低了实用性。

技术实现思路

[0007]本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于CSI与双线程卷积网络的位置无关的人体动作识别方法，以期能在人体所处位置发生变化时，无需重新收集数据或再次训练模型即可对新位置上的动作进行高精度的识别，从而能增强动作识别的实用性以适应不同的应用场景。
[0008]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0009]本专利技术一种基于CSI与双线程卷积网络的位置无关的人体动作识别方法的特点在于，是按如下步骤进行：
[0010]步骤1、采集CSI动作数据；
[0011]步骤1.1、在室内一矩形区域内选取间距为d的p个位置和任意分布的q个位置，在所述p个位置中选取p1个位置作为训练位置，将其余p2个位置和q个任意位置作为测试位置，p＝p1+p2；
[0012]步骤1.2、在所述矩形区域的外侧使用路由器作为WiFi信号的发送设备，记为AP，使用k张网卡作为接收设备，并将第i个接收设备记为R
i
，i∈[1,k]；
[0013]步骤1.3、在第j个训练位置上执行n种人体动作，并使用所述第i个接收设备R
i
以采样速率v采集所述发送设备AP发送的a根天线上的x个WiFi信号，从而构建第j个训练位置上的第i个CSI动作数据j∈[1,p1]；
[0014]步骤2、对CSI动作数据进行预处理；
[0015]步骤2.1、提取所述第i个CSI动作数据的幅度值，并进行离散小波变换后得到去噪后的第j个训练位置上的第i个CSI动作样本数据
[0016]步骤2.2、提取所述第i个CSI动作数据的多普勒频移动作样本数据；
[0017]步骤2.2.1、对所述第i个CSI动作数据进行天线选择，选出第i个CSI动作数据的a根天线中WiFi信号的均值与标准差比值最大的一根天线
[0018]步骤2.2.2、将所述第i个CSI动作数据的其他天线上的WiFi信号与天线上的WiFi信号进行共轭乘法，从而得到消除随机相位偏移后的第i个CSI动作数据
[0019]步骤2.2.3、通过巴特沃斯带通滤波器对所述第i个CSI动作数据进行滤波，并通过PCA方法选取的第一主分量数据再对所述第一主分量数据进行短时傅里叶变换后得到多普勒频移动作样本数据
[0020]步骤2.3、将k个接收设备上的去噪后的CSI动作样本数据和多普勒频移动作样本数据组合后，得到第j个训练位置上的组合动作样本数据J
j
；
[0021]步骤3、构建双线程卷积网络，包括：特征提取模块和分类模块；并将所述组合动作样本数据J
j
输入到所述双线程卷积网络中；
[0022]步骤3.1、构建所述特征提取模块，包括：并联设置的全局特征提取模块和局部特征提取模块；
[0023]步骤3.1.1、所述全局特征提取模块由u个3D卷积块和一个通道注意力机制块构成；其中，第U个3D卷积块记为3DConv
U
，U∈[1,u]；
[0024]所述第U个3D卷积块3DConv
U
包括：m个三维卷积层以及对应连接的m个ReLU激活函数层；
[0025]当U＝1时，将所述组合动作样本数据J
j
输入全局特征提取模块，并经过第U个3D卷积块3DConv
U
的处理后输出第U个全局时空特征Gf
j,U
；
[0026]当U＝2，3，
…
，u时，将第U
‑
1个全局时空特征Gf
j,U
‑1输入第U个3D卷积块3DConv
U
中
进行处理，并输出相应的全局时空特征Gf
j,U
；从而由第u个3D卷积块3DConv
u
得到第u个全局时空特征Gf
j,u
并记为全局时空特征Gf
j
；
[0027]所述通道注意力机制块由3D全局最大池化层MaxPool、3D全局平均池化层AvgPool、全连接层MLP和激活函数sigmoid构成；
[0028]所述全局时空特征Gf
j
输入所述通道注意力机制块中，并分别经过所述3D全局最大池化层MaxPool和3D全局平均池化层AvgPool的处理后，相应得到最大池化特征向量GF
j,max
和平均池化特征向量GF
j,avg
；将所述最大池化特征向量GF
j,max
和平均池化特征向量GF
j,avg
作为全连接层MLP的输入，并利用式(1)计算通道注意力权重GF
j,channe本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CSI与双线程卷积网络的位置无关的人体动作识别方法，其特征在于，是按如下步骤进行：步骤1、采集CSI动作数据；步骤1.1、在室内一矩形区域内选取间距为d的p个位置和任意分布的q个位置，在所述p个位置中选取p1个位置作为训练位置，将其余p2个位置和q个任意位置作为测试位置，p＝p1+p2；步骤1.2、在所述矩形区域的外侧使用路由器作为WiFi信号的发送设备，记为AP，使用k张网卡作为接收设备，并将第i个接收设备记为R
i
，i∈[1,k]；步骤1.3、在第j个训练位置上执行n种人体动作，并使用所述第i个接收设备R
i
以采样速率v采集所述发送设备AP发送的a根天线上的x个WiFi信号，从而构建第j个训练位置上的第i个CSI动作数据步骤2、对CSI动作数据进行预处理；步骤2.1、提取所述第i个CSI动作数据的幅度值，并进行离散小波变换后得到去噪后的第j个训练位置上的第i个CSI动作样本数据步骤2.2、提取所述第i个CSI动作数据的多普勒频移动作样本数据；步骤2.2.1、对所述第i个CSI动作数据进行天线选择，选出第i个CSI动作数据的a根天线中WiFi信号的均值与标准差比值最大的一根天线步骤2.2.2、将所述第i个CSI动作数据的其他天线上的WiFi信号与天线上的WiFi信号进行共轭乘法，从而得到消除随机相位偏移后的第i个CSI动作数据步骤2.2.3、通过巴特沃斯带通滤波器对所述第i个CSI动作数据进行滤波，并通过PCA方法选取的第一主分量数据再对所述第一主分量数据进行短时傅里叶变换后得到多普勒频移动作样本数据步骤2.3、将k个接收设备上的去噪后的CSI动作样本数据和多普勒频移动作样本数据组合后，得到第j个训练位置上的组合动作样本数据J
j
；步骤3、构建双线程卷积网络，包括：特征提取模块和分类模块；并将所述组合动作样本数据J
j
输入到所述双线程卷积网络中；步骤3.1、构建所述特征提取模块，包括：并联设置的全局特征提取模块和局部特征提取模块；步骤3.1.1、所述全局特征提取模块由u个3D卷积块和一个通道注意力机制块构成；其中，第U个3D卷积块记为3DConv
U
，U∈[1,u]；所述第U个3D卷积块3DConv
U
包括：m个三维卷积层以及对应连接的m个ReLU激活函数层；当U＝1时，将所述组合动作样本数据J
j
输入全局特征提取模块，并经过第U个3D卷积块3DConv
U
的处理后输出第U个全局时空特征Gf
j,U
；
当U＝2，3，
…
，u时，将第U
‑
1个全局时空特征Gf
j,U
‑1输入第U个3D卷积块3DConv
U
中进行处理，并输出相应的全局时空特征Gf
j,U
；从而由第u个3D卷积块3DConv
u
得到第u个全局时空特征Gf
j,u
并记为全局时空特征Gf
j
；所述通道注意力机制块由3D全局最大池化层MaxPool、3D全局平均池化层AvgPool、全连接层MLP和激活函数sigmoid构成；所述全局时空特征Gf
j
输入所述通道注意力机制块中，并分别经过所述3D全局最大池化层MaxPool和3D全局平均池化层AvgPool的处理后，相应得到最大池化特征向量GF
j,max
和平均池化特征向量GF
j,avg
；将所述最大池化特征向量GF
j,max
和平均池化特征向量GF
j,avg
作为全连接层MLP的输入，并利用式(1)计算通道注意力权重GF
j,channel
；GF
j,channel
＝sigmoid(MLP(MaxPool(Gf
j,u
))+MLP(AvgPool(Gf
j,u
)))
ꢀꢀꢀꢀꢀ
(1)式(1)中，MLP表示全连接层，sigmoid表示激活函数，MaxPool表示3D全局最大池化层，AvgPool表示3D全局平均池化层；将所述通道注意力权重GF
j,channel

【专利技术属性】
技术研发人员：张勇，殷雨晴，王昱洁，于光伟，武定超，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：