一种室内被动式人体行为识别方法及装置制造方法及图纸

本发明专利技术公开了一种室内被动式人体行为识别方法及装置，将室内的活动空间划分成若干区域，采集每个区域中的每种活动的反射信号的CIR数据包，获得H（M、N、Z）矩阵；对H（M、N、Z）矩阵进行预处理，得到预处理后的H（M、N、Z）矩阵；对预处理后的H（M、N、Z）矩阵进行特征提取，获取CNN模型的训练样本；利用训练样本对CNN模型进行迁移学习，获得训练好的CNN模型；获取室内CIR幅度值，将CIR幅度值输入训练好的CNN模型，输出人体行为。本发明专利技术提供的一种室内被动式人体行为识别方法及装置，检测设备简单，成本低，隐私性佳，识别效果好。识别效果好。识别效果好。

【技术实现步骤摘要】
一种室内被动式人体行为识别方法及装置


[0001]本专利技术涉及一种室内被动式人体行为识别方法及装置，属于信息处理


技术介绍

[0002]物联网技术的迅速发展促进了人与物、物与物之间的联系,极大地改变了人类的生活方式。人体行为识别作为物联网智能化领域重要的研究热点之一,为人们的生活带来了很大方便。各种智能化系统已开始应用到生活的各个领域,典型的一个应用就是为独居老人专门设计的跌倒检测系统。
[0003]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。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。
[0004]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，通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种室内被动式人体行为识别方法，其特征在于：包括如下步骤：步骤一：将室内的活动空间划分成若干区域，采集每个区域中的每种活动的反射信号的CIR数据包，获得H(M、N、Z)矩阵，其中M代表区域编号，N代表人体活动类型，Z代表CIR数据包；步骤二：对H(M、N、Z)矩阵进行预处理，得到预处理后的H(M、N、Z)矩阵；步骤三：对预处理后的H(M、N、Z)矩阵进行特征提取，获取CNN模型的训练样本；步骤四：利用训练样本对CNN模型进行迁移学习，获得训练好的CNN模型；步骤五：获取室内CIR幅度值，将CIR幅度值输入训练好的CNN模型，输出人体行为。2.根据权利要求1所述的一种室内被动式人体行为识别方法，其特征在于：CIR计算公式如下：H(i)＝||H(i)||e
j∠H(i)
其中，H(i)表示第i个子载波的信道状态信息，||H(i)||表示第i个子载波的幅度，∠H(i)表示第i个子载波的相位，j是复数的虚部。3.根据权利要求1所述的一种室内被动式人体行为识别方法，其特征在于：所述区域编号获取方法如下：将活动空间划分为区域面积相同的n
×
n分布的M个区域，并从最左上角开始，每行从左向右依次对每个区域进行编号。4.根据权利要求1所述的一种室内被动式人体行为识别方法，其特征在于：所述步骤二包括如下步骤：使用hampel对H(M、N、Z)矩阵的CIR数据包进行滤波处理，获得滤波后的H(M、N、Z)矩阵；对滤波后的H(M、N、Z)矩阵的CIR数据包进行插值处理，获得插值后的H(M、N、Z)矩阵；对插值后的H(M、N、Z)矩阵的CIR数据包进行卡尔曼平滑滤波，获得平滑后的H(M、N、Z)矩阵；对平滑后的H(M、N、Z)矩阵的CIR数据包进行小波变换，获得去噪后的H(M、N、Z)矩阵；利用PCA主成分分析法对去噪后的H(M、N、Z)矩阵的CIR数据包进行数据降维处理，得到降维后的H(M、N、Z)矩阵。5.根据权利要求1所述的一种室内被动式人体行为识别方法，其特...

【专利技术属性】
技术研发人员：张登银，马永连，陆松浩，郭丁旭，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：