本发明专利技术属于动作数据感知与识别技术领域，公开了基于WiFi的无接触动作识别方法、系统及实验室装置。该方法包括：通过WiFi设备获取信道状态信息数据；对接收的信道状态信息数据进行预处理，消除机器运作和环境干扰带来的噪声信息，利用动态子载波选择算法对每条天线链路间多个子载波的信道状态信息数据进行选取子载波；对获取的信道状态信息数据进行动态与静态的判断，并将动作区间切割出来；对动作区间进行特征提取；将提取的特征进行训练，并基于训练模型进行动作的识别分类。本发明专利技术提出动态子载波选择算法以及分割辅助算法，有效提高了动作区间的分割精度和动作分类准确性。动作区间的分割精度和动作分类准确性。动作区间的分割精度和动作分类准确性。
【技术实现步骤摘要】
基于WiFi的无接触动作识别方法、系统及实验室装置
[0001]本专利技术属于动作数据感知与识别
，尤其涉及基于WiFi的无接触动作识别方法、系统及实验室装置。
技术介绍
[0002]随着无线通信与智能信息技术的不断发展，智能应用逐渐深入到现实生活当中，物联网相关技术设备与周围的环境进行数据交换，从而实现对不同目标之间的智能化检测、识别等。作为物联网技术研究的热点，人类活动识别被认为是许多新兴物联网应用的关键方面。在过去的几年里，手势识别在智能家居、医疗保健、跟踪和检测以及其它工业和学术领域发挥着重要作用。
[0003]将人体动作的识别应用于实际场所能够为人们的生活提供很多的便利。传统的动作识别包括基于传感器的方法、基于视频的方法和基于射频的方法。这些传统方法主要依赖于专用设备，具有许多不足之处，基于传感器的部署必须要穿戴相关的传感器设备，这会对使用者带来诸多不便、基于视频的方法需要在光线较好的地方才能实现，而且存在侵犯用户隐私的问题、基于射频的方法成本较高，不便普及。相比于传统的识别技术，基于WiFi技术的动作识别具有明显的优势，它成本低、不需要特别的部署，可穿墙扫描、保障个人隐私、不受光照影响，无论是在人们的日常家居环境还是在忙碌的工作场所，无线网络都随处可见。
[0004]通过上述分析，现有技术存在的问题及缺陷为：虽然基于WiFi技术的动作识别方法已经拥有较多的研究和较好的效果，但目前使用WiFi技术进行动作识别还具有一定问题，现有技术中，无线设备在干扰情况下数据采集质量不佳、分割不精确导致动作识别准确率下降。
技术实现思路
[0005]为克服相关技术中存在的问题，本专利技术公开实施例提供了基于WiFi的无接触动作识别方法、系统及实验室装置。
[0006]所述技术方案如下：基于WiFi的无接触动作识别方法，其特征在于，该方法包括以下步骤：S1，通过WiFi设备获取信道状态信息数据；S2，对接收的信道状态信息数据进行预处理，消除机器运作和环境干扰带来的噪声信息，利用动态子载波选择算法对每条天线链路间多个子载波的信道状态信息数据进行选取子载波；S3，对获取的信道状态信息数据进行动态与静态的判断，并将动作区间切割出来；S4，对步骤S3中所述的动作区间进行特征提取；S5，利用分类模型将提取的特征进行训练，并基于训练模型进行动作的识别分类。
[0007]在步骤S2中，对接收的信道状态信息数据进行预处理具体包括如下步骤：
S2.1，对信道状态信息进行去噪声：将信道状态信息数据解析，提取信道状态信息数据幅值，利用低通滤波进行初步滤波，使用小波变换平滑滤波，通过滤波降噪消除机器运作和环境干扰带来的噪声信息；S2.2，利用动态子载波选择算法选择与动作数据最相关的子载波作为最优子载波反映动作特征。
[0008]在步骤S2.2中，动态子载波选择算法包括：通过嵌套循环的方式动态地计算每组输入数据每个子载波的方差，再将该数据的每个子载波的方差进行排序，选取一定数量的最优子载波后循环进入下一组数据进行子载波选取；其中，方差用于表示数据的离散程度，在一组序列中，方差的计算公式为：；其中，为平均数，为序列第i点的数值，为序列总长度。
[0009]在步骤S3中，对获取的信道状态信息数据进行动态与静态的判断中，检测区域内获取的信道状态信息数据无人体运动时的状态为静止状态，信道状态信息波形振幅平稳，人体在检测区域内做出动作时，信道状态信息波形振幅出现扰动，进行动态判断将动作区间切割出来；所述动态判断包括以下步骤：S3.1，利用分割辅助算法对扰动的信道状态信息波形振幅进行数据处理；S3.2，根据数据处理后的信道状态信息波形振幅获得动作区间的起始点和结束点，将动作区间切割出来。
[0010]在步骤S3.1中分割辅助算法包括以下步骤：（1）计算整个CSI时间序列L的标准差，标准差表示一组数值的离散程度，标准差越大，表示该组数值与均值的偏差越大，当序列L长度为n时，整个序列幅值的均值为，为窗内i点的振幅值，标准差的计算公式为：；式中，；（2）设置一个滑动窗口W，以步长为1在序列L上由左向右滑动，计算各窗口内的均值，均值的公式为：；式中，，为第j个窗口内的均值，为窗内第一个点的幅值，是窗内第M个点的幅值，第M个点的幅值为窗内最后一点的幅值，M为窗口W的长度；将序列中所有数据点的幅值顺序与标准差作比较，第i点的幅值记为,当大于或等于时，保持第i点幅值不变，当小于时，将相应窗内的均值赋予该点的值，第i点的幅值表达公式为：
；式中，；（3）为保持动作区间内部不受影响，设置一个新的滑动窗口w，w的长度应设置的小于或等于动作区间长度，设定一个阈值T，当窗的起始点和结束点都大于该阈值时为该窗内所有点赋值为原来数据值，窗的起始点和结束点都大于该阈值的表达式为，，阈值T为标准差，表示窗的起始点值，表示窗的结束点值。
[0011]在步骤S3.2将动作区间切割出来包括：使用滑动窗口w，记窗长为m，以步长为1遍历信道状态信息时间序列L，计算每个滑动窗口中的方差，通过滑动窗口方差的值获得动作区间的起始点，滑动窗口方差的计算公式如式：；式中，表示滑动窗口方差，为第i点的值，为窗内数据值的平均值；滑动窗口从左向右顺序滑动时，将整个序列上各滑动窗口内的方差值进行比较，滑动窗口方差的值最大的窗口的左端点为动作区间的起始点；滑动窗口从右向左反向滑动时，将整个序列上各滑动窗口内的方差值进行比较，滑动窗口方差的值最大的窗口的右端点为动作区间的结束点。
[0012]在步骤S4中，特征提取包括：运用STFT将时域CSI序列数据转化为时频域的频谱图，以频谱图作为分类特征输入到神经网络进行动作的分类识别；将CSI时间序列数据进行STFT的过程包括：采用滑动窗口机制，给连续的CSI序列信号乘一个时间有限的窗函数，令窗函数在时间轴上移动，通过计算每个窗口的傅里叶变换得到各个窗内时域信号对应的频谱，堆叠起来形成CSI信号的时频谱图；时间序列x(t)的短时傅里叶变换定义为公式：；式中，为t时刻的频谱，为分析窗函数；表示频率。
[0013]在步骤S5中，构建分类模型，所述分类模型采用卷积神经网络模型，利用采集的几种动作的特征训练并保存分类模型，将测试样本输入训练完成的分类模型，根据预测类别的比例，确定动作类别，预测占比最高的为当前动作类别。
[0014]本专利技术的另一目的在于提供一种基于WiFi的无接触动作识别系统，实施所述的基于WiFi的无接触动作识别方法，该系统包括：WiFi设备，用于获取信道状态信息数据；CSI数据预处理模块，用于对接收的信道状态信息数据进行预处理，消除机器运作和环境干扰带来的噪声信息，并对信道状态信息数据选取子载波；动作区间切割模块，用于对此时的信道状态信息数据进行动态与静态的判断，实现将动作区间切割出来；动作识别分类模块，用于对所述的动作区间进行特征提取；以及利用分类模型将
提取的特征进行训练，最后基于训练模型实现动作的识别分类。
[0015]本专利技术的另一目的在于提供一种实验室装置，所述实本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于WiFi的无接触动作识别方法，其特征在于，该方法包括以下步骤：S1，通过WiFi设备（1）获取信道状态信息数据；S2，对接收的信道状态信息数据进行预处理，消除机器运作和环境干扰带来的噪声信息，利用动态子载波选择算法对每条天线链路间多个子载波的信道状态信息数据进行选取子载波；S3，对获取的信道状态信息数据进行动态与静态的判断，并将动作区间切割出来；S4，对步骤S3中所述的动作区间进行特征提取；S5，利用分类模型将提取的特征进行训练，并基于训练模型进行动作的识别分类。2.根据权利要求1所述的基于WiFi的无接触动作识别方法，其特征在于，在步骤S2中，对接收的信道状态信息数据进行预处理具体包括如下步骤：S2.1，对信道状态信息进行去噪声：将信道状态信息数据解析，提取信道状态信息数据幅值，利用低通滤波进行初步滤波，使用小波变换平滑滤波，通过滤波降噪消除机器运作和环境干扰带来的噪声信息；S2.2，利用动态子载波选择算法选择与动作数据最相关的子载波作为最优子载波反映动作特征。3.根据权利要求2所述的基于WiFi的无接触动作识别方法，其特征在于，在步骤S2.2中，动态子载波选择算法包括：通过嵌套循环的方式动态地计算每组输入数据每个子载波的方差，再将该数据的每个子载波的方差进行排序，选取一定数量的最优子载波后循环进入下一组数据进行子载波选取；其中，方差用于表示数据的离散程度，在一组序列中，方差的计算公式为：；其中，为方差，为平均数，为序列第i点的数值，为序列总长度。4.根据权利要求1所述的基于WiFi的无接触动作识别方法，其特征在于，在步骤S3中，对获取的信道状态信息数据进行动态与静态的判断中，检测区域内获取的信道状态信息数据无人体运动时的状态为静止状态，信道状态信息波形振幅平稳，人体在检测区域内做出动作时，信道状态信息波形振幅出现扰动，进行动态判断将动作区间切割出来；所述动态判断包括以下步骤：S3.1，利用分割辅助算法对扰动的信道状态信息波形振幅进行数据处理；S3.2，根据数据处理后的信道状态信息波形振幅获得动作区间的起始点和结束点，将动作区间切割出来。5.根据权利要求4所述的基于WiFi的无接触动作识别方法，其特征在于，在步骤S3.1中，分割辅助算法包括以下步骤：（1）计算整个CSI时间序列L的标准差，标准差表示一组数值的离散程度，标准差越大，表示该组数值与均值的偏差越大；当序列L长度为n时，整个序列幅值的均值为，为窗内i点的振幅值，标准差的计算公式为：
；式中，为标准差，；（2）设置一个滑动窗口W，以步长为1在序列L上由左向右滑动，计算各窗口内的均值，均值的公式为：；式中，，为第j个窗口内的均值，为窗内第一个点的幅值，是窗内第M个点的幅值，第M个点的幅值为窗内最后一点的幅值，M为窗口W的长度；将序列中所有数据点的幅值顺序与标准差作比较，第i点的幅值记为,当大于或等于时，保持第i点幅...
【专利技术属性】
技术研发人员：梁泉泉，王文华，于智杰，张琨，吴庆哲，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。