【技术实现步骤摘要】
本专利技术涉及无线通信，具体地涉及一种基于信道状态信息的对象活动识别方法及装置。
技术介绍
1、随着科技的快速发展，人体动作识别可以应用的领域逐渐增加。例如，人体动作识别可以应用于医疗领域、智能家居领域等。在进行人体动作识别时，人体动作识别系统可以采用不同的技术，如基于可穿戴传感器、雷达、计算机视觉等。由于人体所做动作可以通过无线网络（wireless fidelity，wifi ）信号来捕获，因此基于wifi的动作识别引起了人们的关注。与其他人体动作识别技术相比，基于wifi的技术具有成本低、无需穿戴设备、不涉及隐私问题等优势。wifi信号包括接收信号强度指示（received signal strengthindicator，rssi）和信道状态信息（channel state information，csi）。rssi广泛应用于基于wifi的人体动作识别，它是多个信号路径的聚合信号强度，具有简单性和低硬件要求的优势，但它只是无线信道的粗略表示。而csi信号可以从子载波中提取更丰富的多径信息，csi以物理层为基础，描述了信道的幅度和相位特性，能够更好地反映细粒度的信道信息。
2、在输入形式上，不同于自然语言的一维序列，每个 csi 数据输入是一个二维矩阵，二维矩阵的两个轴分别表示时间和信道。尽管许多传统的行为识别方法都取得了良好的性能，但这些方法在时间上没有明确的模型变化和相互依赖性。虽然直观上看，csi 数据更像一幅二维图像，但由于 csi 的两个维度的含义是完全不同的，如果使用如卷积神经网络（convolut
技术实现思路
1、鉴于上述问题，本专利技术提供了提高的基于信道状态信息的对象活动识别方法及装置。
2、根据本专利技术的第一个方面，提供了一种基于信道状态信息的对象活动识别方法，包括：获取关于目标对象的对象活动数据矩阵，其中，对象活动数据矩阵包括多个对象活动数据单元，每个对象活动数据单元包括按照时间序列排列的多个对象活动数据，每个对象活动数据包括来自传感器的信道状态数据，多个对象活动数据单元分别来自不同的多个传感器，多个传感器同时作用于目标对象上；使用滑动窗口沿对象活动数据矩阵的时间序列方向对对象活动数据矩阵进行分割，得到分割矩阵；将分割矩阵依次输入至卷积神经网络模型和双向长短时记忆网络模型，以便进行下述操作，其中，卷积神经网络模型包括多尺度卷积层、激活函数层和池化层：利用多尺度卷积层对分割矩阵进行卷积操作，得到目标第一特征；利用激活函数层对目标第一特征进行激活操作，得到目标第二特征；利用池化层对目标第二特征进行随机池化操作，得到目标空间特征；将利用双向长短时记忆网络模型对分割矩阵进行特征提取，得到目标第一时间特征和目标第二时间特征；基于目标空间特征、目标第一时间特征和目标第二时间特征，确定对象活动分类结果。
3、根据本专利技术的实施例，多尺度卷积层包括多个卷积单元，分割矩阵的个数为多个；利用多尺度卷积层对分割矩阵进行卷积操作，得到目标第一特征，包括：针对第k个分割矩阵，分别利用多个卷积单元中每个卷积单元对第k个分割矩阵进行卷积操作，得到与每个卷积单元各自对应的目标卷积特征，其中，k为正整数；对多个目标卷积特征进行融合操作，得到第k个分割矩阵的融合特征；基于多个分割矩阵中每个分割矩阵的融合特征，确定目标第一特征。
4、根据本专利技术的实施例，分别利用多个卷积单元中每个卷积单元对第k个分割矩阵进行卷积操作，得到与每个卷积单元各自对应的目标卷积特征，包括：针对第j个卷积单元，利用第j个卷积单元的第一卷积核对第k个分割矩阵进行卷积操作，得到第j个卷积特征，其中，j为正整数；在确定第j个卷积单元具有第二卷积核的情况下，将第j个卷积单元的第二卷积核分解为第一中间卷积核和第二中间卷积核；利用第一中间卷积核对第j个卷积特征进行卷积操作，得到第j个中间卷积特征；利用第二中间卷积核对第j个第一中间特征进行卷积操作，得到与第j个卷积单元对应的目标卷积特征。
5、根据本专利技术的实施例，其中，基于目标空间特征、目标第一时间特征和目标第二时间特征，确定对象活动分类结果，包括：对目标空间特征、目标第一时间特征和目标第二时间特征进行融合操作，得到目标第三特征；将目标第三特征输入至全连接层进行全连接操作，得到目标第四特征；将目标第四特征输入至归一化层进行分类处理，得到对象活动分类结果。
6、根据本专利技术的实施例，其中，双向长短时记忆网络模型包括前向层和后向层；其中，将利用双向长短时记忆网络模型对分割矩阵进行特征提取，得到目标第一时间特征和目标第二时间特征，包括：针对第l个分割矩阵，利用前向层处理第l个分割矩阵，得到第l个分割矩阵的第一时间特征，其中，l为正整数；利用后向层处理第l个分割矩阵，得到第l个分割矩阵的第二时间特征；基于多个分割矩阵中每个分割矩阵的第一时间特征，确定目标第一时间特征；基于多个分割矩阵中每个分割矩阵的第二时间特征，确定目标第二时间特征。
7、根据本专利技术的实施例，其中，使用滑动窗口沿对象活动数据矩阵的时间序列方向对对象活动数据矩阵进行分割，得到分割矩阵，包括：将滑动窗口沿对象活动数据矩阵的时间序列方向对对象活动数据矩阵进行多次分割，得到多个目标第一分割矩阵；对多个目标第一分割矩阵进行筛选，得到多个分割矩阵。
8、根据本专利技术的实施例，其中，获取关于目标对象的对象活动数据矩阵，包括：对原始对象活动数据矩阵中的对象活动数据进行相位校准处理，得到校准后的对象活动数据矩阵；对校准后的对象活动数据矩阵中的对象活动数据进行振幅降噪处理，得到对象活动数据矩阵。
9、根据本专利技术的实施例，其中，利用池化层对目标第二特征进行随机池化操作，得到目标空间特征，包括：基于池化层的池化窗口对目标第二特征不同区域进行提取，得到多个池化矩阵；计算多个池化矩阵中每个池化矩阵的概率矩阵，其中，概率矩阵的概率元素是通过池化矩阵中的池化元素除以池化矩阵中所有池化元素之和得到的；针对多个概率矩阵中的每个概率矩阵，按照预设概率选取概率矩阵中的元素，得到目标空间特征。
10、根据本专利技术的实施例，其中，将利用双向长短时记忆网络模型对分割矩阵进行特征提取之前，还包括：
11、本专利技术的第二方面提供了一种基于信道状态信息的对象活动识别装置，包括：获取模块，用于获取关于目标对象的对象活动数据矩阵，其中，对象活动数据矩阵包括多个对象活动数据单元，每个对象活动数据单元包括按照时间序列排列的多个对象活动数据，每个对象活动数据包括来自传感器的信道状态数据，多个对象活动数据单元分别来自不同的多个传感器，多个传感器同时作用于目标对象上；分割模块，用于使用滑动窗口沿对象活动数据矩阵的时间序列方向对对象活动数据矩阵进行分割，得到分割矩阵；输入模块，用于将分割矩阵依次输入至卷积神经网络模型和双向长短时记忆网络模型，以便进行下述操作，其中，卷积神经网络模型包括多尺度卷积层、激活函数层和池化层：卷积模块，本文档来自技高网...
【技术保护点】
1.一种基于信道状态信息的对象活动识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述多尺度卷积层包括多个卷积单元，所述分割矩阵的个数为多个；
3.根据权利要求2所述的方法，其特征在于，所述分别利用所述多个卷积单元中每个卷积单元对所述第k个分割矩阵进行卷积操作，得到与所述每个卷积单元各自对应的目标卷积特征，包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所述目标空间特征、所述目标第一时间特征和所述目标第二时间特征，确定对象活动分类结果，包括：
5.根据权利要求1或2所述的方法，其特征在于，所述双向长短时记忆网络模型包括前向层和后向层；
6.根据权利要求1或2所述的方法，其特征在于，所述使用滑动窗口沿所述对象活动数据矩阵的时间序列方向对所述对象活动数据矩阵进行分割，得到分割矩阵，包括：
7.根据权利要求1所述的方法，其特征在于，所述获取关于目标对象的对象活动数据矩阵，包括：
8.根据权利要求1所述的方法，其特征在于，所述利用所述池化层对所述目标第二特征进行随
9.根据权利要求1所述的方法，其特征在于，所述将所述利用双向长短时记忆网络模型对分割矩阵进行特征提取之前，还包括：
10.一种基于信道状态信息的对象活动识别装置，其特征在于，所述装置包括：
...【技术特征摘要】
1.一种基于信道状态信息的对象活动识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述多尺度卷积层包括多个卷积单元，所述分割矩阵的个数为多个；
3.根据权利要求2所述的方法，其特征在于，所述分别利用所述多个卷积单元中每个卷积单元对所述第k个分割矩阵进行卷积操作，得到与所述每个卷积单元各自对应的目标卷积特征，包括：
4.根据权利要求1所述的方法，其特征在于，所述基于所述目标空间特征、所述目标第一时间特征和所述目标第二时间特征，确定对象活动分类结果，包括：
5.根据权利要求1或2所述的方法，其特征在于，所述双向长短时记忆网络模型包括前向层和...
【专利技术属性】
技术研发人员：陈彦，吴啸明，张东恒，尤毅，林联明，孙启彬，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
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。