一种基于机器学习的针对WiFi数据的手势识别方法技术

本发明专利技术公开了一种基于机器学习的针对WiFi数据的手势识别方法，涉及物联网动作识别领域，包括以下步骤：S1：构建多任务感知模型，所述的多任务感知模型包括若干个单任务模型、一个残差适配器、第一深度编码器；所述的单任务模型包括浅编码器、第二深度编码器、分类器；S2：将WiFi的CSI信道数据作为输入样本输入到多任务感知模型，采用知识蒸馏的方法对多任务感知模型进行训练，得到训练后的多任务感知模型。S3：利用训练后的多任务感知模型对WiFi数据进行预测分类，实现手势识别；本发明专利技术通过构建的多任务感知模型对WiFi的CSI信道数据中的多任务进行分类识别，实现针对WiFi数据进行手势识别，提高手势识别的准确率。提高手势识别的准确率。提高手势识别的准确率。

【技术实现步骤摘要】
一种基于机器学习的针对WiFi数据的手势识别方法


[0001]本专利技术涉及物联网动作识别领域，更具体的，涉及一种基于机器学习的针对WiFi数据的手势识别方法。

技术介绍

[0002]手势识别(human gesture recognition,HGR)在人机交互中发挥着重要作用，可以支持许多新兴的物联网应用，如智能家居、用户认证和医疗保健传统的手势识别系统依赖于摄像机、可穿戴设备和智能手机；这些方法会产生额外的设备成本，降低用户舒适度或引起隐私问题；具体来讲，基于计算机视觉的手势识别已经是较为成熟的方案；但是，该类方案需要使用摄像头进行图像获取，存在用户隐私泄露的风险；同时，该方案只能够在视距条件下进行手势识别，限制了应用场景。此外，基于可穿戴设备和手机内置传感器的方案需要用户随身携带，极大的影响了用户的舒适度。
[0003]近年来，随着泛在网技术的不断发展，无线射频感知获得了快速的发展及大量的关注；其中，基于Wi
‑
Fi、WB、MCW radar、米波的感知研究层出不穷；由于射频感知数据不具有直接的语义信息，因此该技术具有极高的隐私性；此外，该方案是无穿戴的非侵入式感知，对用户的舒适性无影响；相对于其他的射频感知方案，基于商用Wi
‑
Fi设备的感知还具有易部署和低成本的优点，而备受关注。
[0004]尽管基于WiFi的传感领域取得了重大进展，但各种开创性方法仅限于单任务传感，例如人类活动识别、室内定位、步态识别、呼吸检测；有一些关于基于WiFi的多用户手势识别的研究，然而，ARIL和WiHF是仅有的两项基于WiFi的多任务传感的工作；具体而言，ARIL旨在执行活动识别和室内定位的联合任务，构建在通用软件无线电外围设备上，而不是商业WiFi设备上，这降低了实用性；WiHF专注于同时实现跨域手势识别和用户识别，只能处理联合手势识别和用户识别任务。
[0005]基于WiFi的多任务传感的开发将提供比单任务传感更多的用户信息，这将促进许多物联网应用。例如，在智能家居应用中，该系统可以提供“谁在哪里做什么”的信息，这将有助于智能家居系统准确响应用户；
[0006]现有技术公开了一种用于手势检测和手势识别的多模态多任务模型，包括模态特征提取模块、多模态融合模块、模型多任务分类模块，其中，模态特征提取模块包括分别提取不同模态数据特征的网络结构以及共享特征层，所述模态特征提取模块用于对多模态数据进行预处理，提取共享多模态特征；多模态融合模块包含多模态通道注意力模块和任务相关特征层，所述多模态融合模块与模态特征提取模块相连接，以所述共享多模态特征作为多模态通道注意力模块的输入，提取融合后的任务相关特征，得到任务相关特征层；模型多任务分类模块与多模态融合模块相连接，以所述融合后的任务相关特征作为输入，对每个任务进行分类；其中，在训练过程中所述模态特征提取模块、所述多模态融合模块、所述模型多任务分类模块的网络参数被迭代更新。但现有技术并非针对WiFi数据进行手势识别，手势识别的准确率低。

技术实现思路

[0007]本专利技术为了解决现有技术中并非针对WiFi数据进行多任务感知，手势识别的准确率低的问题，提出了一种基于机器学习的针对WiFi数据的手势识别方法，通过对WiFi的CSI信道数据的处理，实现针对WiFi数据进行手势识别，提高手势识别的准确率。
[0008]为解决上述技术问题，本专利技术采用的技术方案是：
[0009]一种基于机器学习的针对WiFi数据的手势识别方法，包括以下步骤：
[0010]S1：构建多任务感知模型，所述的多任务感知模型包括若干个单任务模型、一个残差适配器、第一深度编码器；所述的单任务模型包括浅编码器、第二深度编码器、分类器；所述的浅编码器，用于提取任务的增幅矩阵的低级特征；所述的第二深度编码器，用于根据低级特征提取任务的高级特征；所述的分类器，用于对任务进行预测分类；所述的单任务模型用于预测单个任务的分类结果；所述的残差适配器，用于提取每个单任务特定的补偿特征；S2：将WiFi的CSI信道数据作为输入样本输入到多任务感知模型，采用知识蒸馏的方法对多任务感知模型进行训练，得到训练后的多任务感知模型。S3：利用训练后的多任务感知模型对WiFi数据进行预测分类，针对分类后的手势识别任务，实现手势识别。
[0011]本专利技术的工作原理如下：
[0012]采用WiFi的CSI信道数据作为输入样本，构建多任务感知模型并通过知识蒸馏方法进行训练，利用训练后的多任务感知模型对WiFi的CSI信道数据的多任务进行预测分类，针对分类好的手势识别任务，完成手势识别。
[0013]优选地，多任务感知模型的训练方法如下：
[0014]将WiFi的CSI信道数据对应任务的增幅矩阵作为数据集，数据集包括训练集和测试集；所述的训练集与测试集的比值为8:2；将训练集分别输入对应的单任务模型进行训练，训练后冻结单任务模型的参数；利用残差适配器提取每个单任务特定的补偿特征；使用第一深度编码器根据所有单任务的低级特征提取所有单任务的共同特征；将相应的补偿特征和共同特征的组合输入到每个分类器进行预测分类。
[0015]进一步地，所述的知识蒸馏方法如下：
[0016]根据WiFi的CSI信道数据对应的任务分别训练对应的单任务模型，样本共有T项任务，其中一个单任务为t；对于单任务t，训练一个单任务模型M
tst
(
·
；θ
st
,δ
st
,ξ
st
)，冻结单任务模型对应的参数；构建第一损失函数使得共同特征F
nwi,comm
在欧几里得距离下进行线性变换后接近单任务模型产生的高级特征F
t,nst,high
；利用第二损失函数使多任务感知模型得到的逻辑回归Z
t,nwi
与单任务模型的逻辑回归Z
t,nst
相似；对输入样本H
n
的最终输出是一组概率分布p
n
＝{p
1,n
,p
2,n
,...,p
T,n
}，对应所有T项任务；对于预测任务的结果，定义第三损失函数l
wi
(p
n
,y
n
)；综合第一损失函数、第二损失函数、第三损失函数，得到第四损失函数，多任务感知模型的参数通过最小化第四损失函数来学习。
[0017]进一步地，对于输入样本H
n
上的第t项单任务，所述的第一损失函数的表达式如下：
[0018][0019]式中，LT
t
(
·
)是第t项任务的线性变换，实现为1*1*C*C的卷积，C是F
nwi,comm
的通道
数量；是对高级特征进行欧几里德线性变换。
[0020]更进一步地，所述的第二损失函数的表达式如下：
[0021][0022]式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的针对WiFi数据的手势识别方法，其特征在于，包括以下步骤：S1：构建多任务感知模型，所述的多任务感知模型包括若干个单任务模型、一个残差适配器、第一深度编码器；所述的单任务模型包括浅编码器、第二深度编码器、分类器；所述的浅编码器，用于提取任务的增幅矩阵的低级特征；所述的第二深度编码器，用于根据低级特征提取任务的高级特征；所述的分类器，用于对任务进行预测分类；所述的单任务模型用于预测单个任务的分类结果；所述的残差适配器，用于提取每个单任务特定的补偿特征；S2：将WiFi的CSI信道数据作为输入样本输入到多任务感知模型，采用知识蒸馏的方法对多任务感知模型进行训练，得到训练后的多任务感知模型。S3：利用训练后的多任务感知模型对WiFi数据进行预测分类，实现手势识别。2.根据权利要求1所述的一种基于机器学习的针对WiFi数据的手势识别方法，其特征在于，对多任务感知模型的训练方法如下：将WiFi的CSI信道数据对应任务的增幅矩阵作为数据集，数据集包括训练集和测试集；所述的训练集与测试集的比值为8:2；将训练集分别输入对应的单任务模型进行训练，训练后冻结单任务模型的参数；利用残差适配器提取每个单任务特定的补偿特征；使用第一深度编码器根据所有单任务的低级特征提取所有单任务的共同特征；将相应的补偿特征和共同特征的组合输入到每个分类器进行预测分类。3.根据权利要求2所述的一种基于机器学习的针对WiFi数据的手势识别方法，其特征在于，所述的知识蒸馏方法如下：根据WiFi的CSI信道数据对应的任务分别训练对应的单任务模型，对于单任务t，训练一个单任务模型M
tst
(
·
；θ
st
,δ
st
,ξ
st
)，冻结单任务模型对应的参数；构建第一损失函数使得共同特征F
nwi,comm
在欧几里得距离下进行线性变换后接近单任务模型产生的高级特征F
t,nst,high
；利用第二损失函数使多任务感知模型得到的逻辑回归Z
t,nwi
与单任务模型的逻辑回归Z
t,nst
相似；对输入样本H
n
的最终输出是一组概率分布p
n
＝{p
1,n
,p
2,n
,...,p
T,n
}，对应所有T项任务；对于预测任务的结果，定义第三损失函数l
wi
(p
n
,y
n
)；综合第一损失函数、第二损失函数、第三损失函数，得到第四损失函数，多任务感知模型的参数通过最小化第四损失函数来学习。4.根据权利要...

【专利技术属性】
技术研发人员：孙伟，胡凇源，张勰，唐承佩，
申请(专利权)人：中山大学，
类型：发明
国别省市：