基于层次化transformer模型的WiFi动作识别方法技术

本发明专利技术提供一种基于层次化transformer模型的WiFi动作识别方法，通过采集人员在室内场景下的多种动作的WiFi信号，获得CSI数据作为样本数据，并标注活动类别标签后，获得数据集，将数据集划分得到训练集和测试集；构建层次化transformer模型，层次化transformer模型提取局部关联特征，以获得样本的全局特征，并得到样本的最终特征表达后，获得分类标签；获得训练后的层次化transformer模型；将测试集的样本数据输入到训练后的层次化transformer模型，输出人体动作识别的预测结果；该方法能够有效提高无线感知动作识别的精度和效率，且具有更高的可靠性和更强的泛化能力。有更高的可靠性和更强的泛化能力。有更高的可靠性和更强的泛化能力。

【技术实现步骤摘要】
基于层次化transformer模型的WiFi动作识别方法


[0001]本专利技术涉及一种基于层次化transformer模型的WiFi动作识别方法，属于无线信号行为感知


技术介绍

[0002]随着计算机及通信技术的迅速发展，无线网络在全球范围内广泛地普及，利用无线信号如WiFi、毫米波等进行人体行为感知成为了一个研究热点。基于WiFi信号的人体行为感知需要利用收集到的WiFi信号的CSI信息，提取人体动作的特征，从而完成活动感知识别任务。
[0003]目前，大多数基于WiFi信号动作识别的工作，未考虑CSI数据的局部和整体时序特性的关联性，进而导致特征辨识力差、感知识别精度低等问题。此外，现有的特征提取模型依赖于大规模的训练样本，人力和计算成本高。
[0004]例如，中国专利技术专利CN201910396091 .8公开的一种基于WIFI信道信息的人体行为识别方法，采用的是简单的卷积神经网络模型，同样并未考虑数据之间的关联性和层次性，存在感知识别精度低的问题。
[0005]上述问题是在WiFi动作识别过程中应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于层次化transformer模型的WiFi动作识别方法，其特征在于：包括以下步骤，S1、采集人员在室内场景下的多种动作的WiFi信号，并提取信道状态信息CSI，对信道状态信息CSI进行滤波预处理后，获得CSI数据作为样本数据，并标注活动类别标签后，获得数据集，将数据集划分得到训练集和测试集；S2、构建层次化transformer模型，将样本数据输入层次化transformer模型，层次化transformer模型提取局部关联特征，以获得样本的全局特征，并得到样本的最终特征表达后，获得分类标签；S3、利用训练集的样本数据和活动类别标签，训练步骤S3构建的层次化transformer模型的网络参数，获得训练后的层次化transformer模型；S4、将测试集的样本数据输入到训练后的层次化transformer模型，输出人体动作识别的预测结果。2.如权利要求1所述的基于层次化transformer模型的WiFi动作识别方法，其特征在于：步骤S2中，层次化transformer模型包括多层卷积神经网络、底层变换结构即低层transformer结构、高层变换结构即高层transformer结构、线性归一化层和分类层，多层卷积神经网络：将CSI数据沿着时间轴划分成的微动作片段作为输入，生成基于微动作片段的卷积特征映射图；低层transformer结构：对基于微动作片段的卷积特征映射图的时序信息，提取局部关联特征；高层transformer结构：将同一样本数据的多个片段的局部关联特征整合后作为输入，获得样本的全局特征；线性归一化层：由样本的全局特征，得到样本的最终特征表达；分类层：用于对输入的样本的最终特征表达，获得分类结果。3.如权利要求2所述的基于层次化transformer模型的WiFi动作识别方法，其特征在于：层次化transformer模型中，多层卷积神经网络包括数据输入层、两层二维卷积神经网络和数据输出层，数据输入层用于输入CSI数据沿着时间轴划分成的微动作片段，两层二维卷积神经网络用于生成基于微动作片段的卷积特征映射图，并由数据输出层输出基于微动作片段的卷积特征映射图。4.如权利要求3所述的基于层次化transformer模型的WiFi动作识别方法，其特征在于：多层卷积神经网络中，每层二维卷积神经网络包...

【专利技术属性】
技术研发人员：盛碧云，韩瑞，肖甫，桂林卿，蔡惠，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：