基于CSI特征的AI人物活动侦测系统、方法、电子设备及存储介质技术方案

本发明专利技术揭示了一种基于CSI特征的AI人物活动侦测系统、方法、电子设备及存储介质，所述AI人物活动侦测系统包括：CSI波型获取模块、噪声消除模块、特征提取模块及AI人物活动侦测模块；CSI波型获取模块用以获取设定区域的无线电通道信息CSI幅值的波型数据；噪声消除模块用以消除CSI波型获取模块获取的CSI幅值波型数据中的噪声；特征提取模块用以对经过所述噪声消除模块噪声消除后的数据进行CSI幅值波形的特征提取；AI人物活动侦测模块，连接所述特征提取模块，用以获取所述特征提取模块提取的特征，并以此侦测环境中人物活动。本发明专利技术提出的基于CSI特征的AI人物活动侦测系统、方法、电子设备及存储介质，可提高人物活动侦测的精确度及效率。度及效率。度及效率。

【技术实现步骤摘要】
基于CSI特征的AI人物活动侦测系统、方法、电子设备及存储介质


[0001]本专利技术属于电子信息
，涉及一种活动侦测系统，尤其涉及一种基于CSI特征的AI人物活动侦测系统、方法、电子设备及存储介质。

技术介绍

[0002]利用无线电通道信息(Channel state information，CSI)侦测物体活动是近年无线通讯朝向AI发展的新方向，新兴的应用如:人物活动侦测、呼吸侦测、动作侦测、室内定位等即是利用空气中传播的无线电对于环境中人物之通道响应情况搭配人工智能做出的智能应用，优势在于现今无线电涵盖范围广，也无摄像机般具有身份隐私问题，能辅助各产业对于人物活动之监测。
[0003]一般无线电通道信息(CSI)的AI侦测系统受限于:(1)CSI维度高达56个子载波，在高维度下提取重要特征之困难；(2)环境或是硬件接收器影响之噪声过多，使资料误差大；(3)噪声异常值处理受限于不同资料分配影响，无法找到适用于不同分配的滤除噪声临界值；(4)CSI对于不同环境具有不同通道响应；(5)CSI亦会在同一环境中随着时间而偏移；(6)找本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CSI特征的AI人物活动侦测系统，其特征在于，所述AI人物活动侦测系统包括：CSI波型获取模块，用以获取设定区域的无线电通道信息CSI幅值的波型数据；噪声消除模块，连接所述CSI波型获取模块，用以消除所述CSI波型获取模块获取的CSI幅值波型数据中的噪声；特征提取模块，连接所述噪声消除模块，用以对经过所述噪声消除模块噪声消除后的数据进行CSI幅值波形的特征提取；AI人物活动侦测模块，连接所述特征提取模块，用以获取所述特征提取模块提取的特征，并以此侦测环境中人物活动。2.根据权利要求1所述的AI人物活动侦测系统，其特征在于：所述AI人物活动侦测系统进一步包括AI人物活动侦测模型，用以通过AI学习，获取CSI幅值波形的特征与环境中人物活动之间的关联；所述AI人物活动侦测模块连接所述AI人物活动侦测模型，能根据所述特征提取模块提取的特征利用所述AI人物活动侦测模型，侦测环境中人物活动。3.根据权利要求2所述的AI人物活动侦测系统，其特征在于：所述AI人物活动侦测系统进一步包括AI人物活动侦测模型构建模块，所述AI人物活动侦测模型构建模块用以构建AI人物活动侦测模型；所述AI人物活动侦测模型构建模块包括：CSI波型获取单元，用以获取设定区域的无线电通道信息CSI幅值的波型数据；噪声消除单元，连接所述CSI波型获取单元，用以消除所述CSI波型获取单元获取的CSI幅值波型数据中的噪声；特征提取单元，连接所述噪声消除单元，用以对经过所述噪声消除单元噪声消除后的数据进行CSI幅值波形的特征提取；AI人物活动侦测模型生成单元，连接所述特征提取单元，用以通过AI学习，利用所述特征提取单元提取的CSI幅值波形特征及对应环境中任务活动，生成AI人物活动侦测模型。4.根据权利要求2所述的AI人物活动侦测系统，其特征在于：所述噪声消除模块利用卡尔曼滤波器重新校正观测值；卡尔曼滤波器利用上一个时间点的估计值以及当前时间的观测值计算出当前状态的估计值；在卡尔曼滤波处理过程中，包括两个阶段：预测与更新；在预测阶段中，卡尔曼滤波器利用上一个时间点的估计值和系统噪声计算出对当前时间点的估计值而估计值协方差是由上一个时间的估计值协方差和系统噪声后计算得到；其中，w和v分别表示过程和观测的噪声；A和H为测量系统的参数，为矩阵；Q和R为系统的协方差矩阵，其符合常态分布；为矩阵；Q和R为系统的协方差矩阵，其符合常态分布；在更新阶段中，滤波器计算卡尔曼增益值K
t
和利用当前状态的观测值来优化在预测阶段所获得的估计值以获得更精确的新估计值和更新后的估计值协方差矩阵
其中，I为单位矩阵；其中，I为单位矩阵；其中，I为单位矩阵；信号观测值和估计值之间的权重衡量方式如下：当卡尔曼增益大于设定阈值时，系统相信观测值大于估计值；反之，卡尔曼增益小于设定阈值时，系统相信估计值大于观测值；最后，将估计值协方差作为AI人物活动侦测模型的输入之一，以达到有效的信号追踪效果；在抽取CSI特征前先进行异常值移除，噪声消除模块中利用卡尔曼滤波重新以时间上的波型演进重塑波型，达到时间轴波型分配上的相似性，降低噪声导致CSI过于分散的分布情况，并搭配正负三倍绝对中位差自动化滤除异常值；特征提取模块将特征值进一步的消除其环境及时间造成的波动，为了去除不同环境下的变化或是同一环境但因为时间造成的变化，使用滑动窗口Sliding Window及自定义卷积Convolution技术应用于连续封包下的CSI振幅变异量；自定义卷积Convolution处理数学模型如下式，其中，y
t
为t时刻的输入值，N为时间推移；在系统中，卡尔曼滤波的状态由以下两个变量表示：x、P，其中x为消噪后的CSI数据，P为用来更新下个时刻观测值的协方差矩阵，在AI人物活动侦测模型的训练模型中，采用P为输入，为观测卡尔曼滤波在原始信号中的补偿状况；将滑动窗口sliding window与卷积convolution过滤环境与时间变动的特征值，与通过卡尔曼滤波得到的协方差矩阵，来作为LSTM的输入，因为当CSI越不稳定，得到的变异值越大，因此将协方差矩阵用来训练，可以减弱时间偏移所造成的信号差异，通过连续的时间点来进行判断，得知何时产生的信号变异较大，以训练有无人活动在特定环境的分类模型；AI人物活动侦测模块用来判断特定环境当中是否有人活动。5.一种基于...

【专利技术属性】
技术研发人员：蔡守柔，傅翔祺，陈彦志，陈渝朋，萧文远，陈贵祥，
申请(专利权)人：博流智能科技上海有限公司，
类型：发明
国别省市：