【技术实现步骤摘要】
基于深度非负矩阵分解的CSI动作识别方法及系统
[0001]本专利技术涉及人体动作识别
,尤其涉及基于深度非负矩阵分解的
CSI
动作识别方法及系统
。
技术介绍
[0002]人体动作识别的目的在于,在成功实现动作跟踪
、
特征提取的基础上,通过分析获得的人体动作特征参数,自动识别人体动作类型;现有的采用信道状态信息
(CSI)
识别动作的系统,大都分为两种,一种是采用传统的机器学习方法,通过手动提取数据的特征,对数据进行各种各样的处理,然后将提取的特征,采用支持向量机
(support vector machine
,
SVM)、K
最近邻
(k
‑
Nearest Neighbor
,
KNN)
和随机森林等方法处理提取到的特征,最后进行动作分类;另一种是采用现有的深度学习技术,对原始数据做比较少的处理,大多采用现代的神经网络:多层感知机
(Multiple Layers Machine
,
MLP)
卷积神经网络
(Convolution Neural Network
,
CNN)、
循环神经网络
(Recurrent Neural Network,RNN)
等网络,让网络自身去提取数据的特征,对动作进行分类;
[0003]但是,传统的机器学习方法,分类效果的好坏很大程度上取决于工作者 ...
【技术保护点】
【技术特征摘要】
1.
基于深度非负矩阵分解的
CSI
动作识别方法,其特征在于,包括以下步骤:采集
CSI
信号数据并对所述
CSI
信号数据进行子载波振幅计算处理,得到
CSI
的子载波振幅;通过深度非负矩阵分解方法对所述
CSI
的子载波振幅进行特征提取处理,得到低维特征系数矩阵;引入位置编码,通过自注意力机制分类器对所述低维特征系数矩阵进行分类处理,得到
CSI
信号数据分类结果
。2.
根据权利要求1所述基于深度非负矩阵分解的
CSI
动作识别方法,其特征在于,所述采集
CSI
信号数据并对所述
CSI
信号数据进行子载波振幅计算处理,得到
CSI
的子载波振幅这一步骤,其具体包括:通过蓝牙模块获取
CSI
信号数据;基于所述
CSI
信号数据,提取所述
CSI
信号数据中每个子载波在时间上的值,得到
CSI
的子载波复数值;对所述
CSI
的子载波复数值的实部与虚部依次进行平方相加开根计算处理,得到初步的
CSI
的子载波振幅;对所述初步的
CSI
的子载波振幅进行归一化处理,得到
CSI
的子载波振幅
。3.
根据权利要求2所述基于深度非负矩阵分解的
CSI
动作识别方法,其特征在于,所述通过深度非负矩阵分解方法对所述
CSI
的子载波振幅进行特征提取处理,得到低维特征系数矩阵这一步骤,其具体包括:设置所述深度非负矩阵分解方法中
NMF
的层数;基于所述深度非负矩阵分解方法对所述
CSI
的子载波振幅进行一次
NMF
分解处理,得到第一次分解的特征矩阵和第一系数矩阵;基于所述深度非负矩阵分解方法对所述第一系数矩阵进行二次
NMF
分解处理,得到第二次分解的特征矩阵和第二系数矩阵;对所述第二系数矩阵进行上述
NMF
分解处理,直至所述
NMF
分解的次数达到所述
NMF
的层数,停止
NMF
分解;根据每一次
NMF
分解对应的特征矩阵和最后一次
NMF
分解对应的系数矩阵,构建所述低维特征系数矩阵
。4.
根据权利要求3所述基于深度非负矩阵分解的
CSI
动作识别方法,其特征在于,所述低维特征系数矩阵包括若干个特征矩阵和一个系数矩阵,其表达式为:
X≈W1W2W3...W
n
H
n
上式中,
W1W2W3...W
n
表示第
n
层分解的特征矩阵,
H
n
表示第
n
层分解的系数矩阵,
X
表示低维特征系数矩阵
。5.
根据权利要求3所述基于深度非负矩阵分解的
CSI
动作识别方法,其特征在于,所述深度非负矩阵分解方法中
NMF
的层数为三层,其中:基于第一层
NMF
,用于获取每个时间点上多个
CSI
的子载波之间的关系;基于第二层
NMF
,用于根据所述每个时间点上多个
CSI
的子载波之间的关系进行抽象特征提取;基于第三层
NMF
,用于对所述抽象特征进行数据降维处理
。
6.
根据权利要求1所述基于深度非负矩阵分解的
CSI
动作识别方法,其特征在于,所述引入位置编码,通过自注意力机制分类器对所述低维特征系数矩阵进行分类处理,得到
...
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。