CN105809110A - 一种基于无线信号强度的行为识别系统与方法 - Google Patents
一种基于无线信号强度的行为识别系统与方法 Download PDFInfo
- Publication number
- CN105809110A CN105809110A CN201610102216.8A CN201610102216A CN105809110A CN 105809110 A CN105809110 A CN 105809110A CN 201610102216 A CN201610102216 A CN 201610102216A CN 105809110 A CN105809110 A CN 105809110A
- Authority
- CN
- China
- Prior art keywords
- signal
- data
- system server
- identification system
- behavior
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000006399 behavior Effects 0.000 claims description 64
- 230000000694 effects Effects 0.000 claims description 40
- 238000001228 spectrum Methods 0.000 claims description 23
- 230000006854 communication Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000009471 action Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 230000003542 behavioural effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 4
- 230000003247 decreasing effect Effects 0.000 abstract 1
- 230000036314 physical performance Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 8
- 231100001261 hazardous Toxicity 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000284 resting effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- NHDHVHZZCFYRSB-UHFFFAOYSA-N pyriproxyfen Chemical compound C=1C=CC=NC=1OC(C)COC(C=C1)=CC=C1OC1=CC=CC=C1 NHDHVHZZCFYRSB-UHFFFAOYSA-N 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于无线信号强度的行为识别系统，它包括识别系统服务器、一个或多个信号接收器、信号发射器、用户终端；可以方便的适应性添加多个设备同时采集信号强度指示，进一步提高了系统的可靠性和覆盖范围。还包括一种基于无线信号强度的行为识别方法，该方法中所有处理流程集中在识别系统服务器，信号接收器的功能更加简化，仅仅需要采集信号并发送给识别系统服务器，这样可以降低接收器的物理性能要求，使得接收器的体积小，价格便宜，降低了整个系统的成本，同时，部署非常方便。
Description
技术领域
本发明属于无线网络和行为识别领域，尤其涉及一种基于无线信号强度的人体行为动作识别的系统与方法。
背景技术
在行为识别领域，对人体行为的识别及检测在医疗、监控系统中具有非常重要的作用。在医疗领域，对人体摔倒行为的检测能够很好的对老人或者孩童的危险行为进行监控并发出预警，避免意外事故的发生。同时，在监控领域，实时的人体行为检测能够检测出无线网络覆盖范围内个人的行为动作，检测结果可以实时的反馈给用户。如此，用户可以实时收到监测范围内的所有行为，以达到监控安防的目的。由于无线信号具有电磁波的特性，信号的传播具有穿透，折射，反射等特性，因此与传统的辅助医疗系统与监控系统相比，覆盖范围更广，无死角，同时不受天气，亮度等影响，同时成本低，性价比高。
当前比较流行的行为识别系统多数是基于传感器等感知设备，辅以机器学习，信号处理等方法以达到行为识别的目的。由于客观因素，此类方法存在的天然的缺陷，它需要使用者能够熟悉并使用具有传感器的智能设备，这对于多数老年人来说，是一件极其困难的事。即使是当前种类繁多的可穿戴智能设备而言，仍旧需要佩戴在身上，依旧存在着局限。
随着无线网络的普及，各类无线设备，包括Wifi、蓝牙，3G/4G以及不久将出现的5G设备已经遍布在我们日常生活中的各个角落中。现有的人体行为检测系统通常是提取智能设备中的传感器信息，如加速度计，陀螺仪，磁力计，通过分析并提取人体行为对传感器的数据的影响，使用机器学习的方法提取行为特征完成行为识别。如索尼公司的布莱恩·克拉克森提出的CN100545658C。这种方法是典型的采用加速度计辅以陀螺仪等传感器，提取出行为特征，从而达到识别目的。这种方法最大的缺陷是需要具有传感器的智能设备，相对于本发明而言，设备成本较高，而本发明对比于当前比较流行而言，用户甚至感觉不到自己正处于被监控的状态中，系统能够自动根据无线信号覆盖的环境下的人体各个行为对信号的影响，提取出对应的行为特征，从而完成行为识别。其成本较低，效果较好，对信号覆盖范围内的区域都有效，相对于配有传感器的智能设备而言，好处是明显的。
在图像处理领域，对人体行为的识别通常通过摄像头实时抓拍录像，通过图像识别的方法完成行为识别，如《基于体感摄像机的人体活动识别的特征提取方法》(公开号：CN104091167A)。此方法受限于当前环境的影响，在环境比较恶劣，如夜晚，背景复杂的情况下，识别的成功率将大大降低。本发明相对于该方法而言，弥补了环境对系统的影响，同时解决了摄像头普遍存在的镜头死角问题。
发明内容
本发明针对现有的行为识别系统的弱点，提出一种基于无线信号的对医疗和安防有益的人体行为识别系统，识别信号覆盖范围内的人体的多个动作，包括摔倒等危险动作，摆脱设备的束缚。
本发明的基本原理是利用在无线信号的覆盖范围内，人体各个动作会对无线信号产生不同影响，根据人体各个不同的行为对信号的反射提取出能够反应人体行为的频谱特征，使用监督式学习方法完成对人体行为的识别和预测。
本发明采用的技术方案是：利用通用的无线设备采集信号强度指示信息，能够进行可靠的人体行为的识别，能够对信号覆盖范围内的所有的行为进行识别，更加具有普适性，使得行为识别系统的应用范围更加广泛。
在医疗领域，能够用于老人或者孩童的无人看护，当识别出发生了摔倒等危险行为时，本系统能够通过网络通信的方式对看护人或者监护人进行预警，避免意外的发生。在监控领域，若信号覆盖范围内发生了指的关注的行为，如走路，跑步等行为，系统可以判定当前有人在监控区域内，系统通过网络通信的方式发送给使用者。
同时，本发明提出了一种信号覆盖范围的扩展方法，利用多个设备同时采集信号强度指示，进一步提高了系统的可靠性和覆盖范围。本发明使用一种监督式的机器学习方法，使用机器学习和信号处理的方法，通过预先训练数据模型，对原始数据进行处理、提取各个行为对应的频谱特征进行预测，得到结果。本系统在走路、跑步、站起、坐下、摔倒等行为动作的情况下，平均预测的成功率在90％以上。
本发明采用以下技术方案：
使用一个或者多个通用无线设备采集无线信号，设备将采集的信号发送至识别系统服务器，识别系统服务器区分不同设备发送的信号，实时对信号进行处理，获取信号特征并且给出行为识别结果，利用多个信号采集设备同时进行行为识别，以此达到信号覆盖范围的扩展，以达到更高的识别性能。所述通用无线设备指的是支持WiFi、Zigbee、Bluetooth或60Ghz通信的商用无线设备。
主要技术特征是一、通用无线设备；二、利用无线信号强度提取行为特征完成识别；三、利用多个设备信号进行综合处理。四、信号覆盖范围的扩展，完成对更大区域内的人体动作的识别；五、系统的识别算法，本系统使用监督式学习中的SVM算法，辅以信号处理，能够对原始数据进行处理，识别，同时识别的准确率高达90％以上。
一种基于无线信号强度的行为识别系统，其特征在于：它包括识别系统服务器、信号接收器、信号发射器、用户终端；
信号接收器采集信号发射器发射的无线信号数据，并将无线信号数据发送给识别系统服务器；识别系统服务器通过无线形式与用户终端相连，负责对信号接收器采集到的信号进行数据预处理、频谱分析以及实时的识别，适时对用户终端提醒或警告。
上述行为识别系统进一步特征在于：信号接收器为一个或者多个通用无线设备，当无线信号接收器为多个通用无线设备，通过比较每个无线信号接收器的接收的无线信号强度变化来判断入侵者的具体位置；通用无线设备指的是支持WiFi、蓝牙、Zigbee或者60Ghz通信的无线设备；无线信号强度是指接收信号强度指示。
本发明还包括一种基于无线信号强度的行为识别方法，其特征在于，包括以下步骤：
步骤1，采集原始数据：信号接收器接收信号发射器发射的无线信号，并发送给识别系统服务器；
步骤2，对采集的原始数据进行预处理；
步骤3，对预处理得到的数据进行频谱特征分析；
步骤4，行为识别：通过监督式学习方法，使用预先训练的模型实时对采集的数据进行行为识别和预测；
步骤5，判断识别的行为信息是否需要被关注：若判断行为需要关注，则将识别的结果实时的反馈给用户终端；若不是需要关注的行为，则回到步骤1。
上述行为识别方法的进一步特征在于：信号发射器以固定频率发送广播数据包，这段通信过程中不对通信进行加密；信号接收器与识别系统服务器之间的通信中，信号接收器使用加密算法进行加密，识别系统服务器使用相应的解密算法对发送的数据进行解密，保证原始数据不被篡改。
使用一个或者多个信号接收器采集无线信号，识别系统服务器区分不同设备发送的信号，实时对信号进行处理，获取信号特征并且给出行为识别结果；识别系统服务器通过不同的无线设备信号的识别结果，判断该行为发生的位置并进行记录或者反馈；将运行过程中的行为信息通过日志的形式记录并保存，包括动作识别信息，时间信息。
对原始数据的预处理步骤为：识别系统服务器对采集到的无线信号数据进行去噪处理，包括去除平均、滑动平均、滤波。
步骤3后进一步包括：
步骤31，提取人体动作对应频域特征作为行为特征，构成一组特征值；
步骤32，对特征值进行数据归一化处理。
步骤3中频谱特征分析方法为：对一定时间内的数据进行短时傅立叶变换，将时域信息转换成频域信息；频谱特征是指，信号在人体各个行为的运动速度对应频谱内的能量大小以及不同时间点的频谱能量变化。
监督式学习方法通过支持向量机实现，使用机器学习和信号处理的方法，通过预先训练数据模型，对原始数据进行处理、提取各个行为对应的频谱特征进行预测，得到结果。
识别系统服务器通过多线程的方式实现信号的覆盖范围扩展，识别系统服务器为每一个信号接收器开辟一个线程，每个线程都维持一个可循环的一维数组，每个数组中存储对应的信号接收器发送的原始数据；识别系统服务器反馈给用户终端的方式包括：网络IP电话、邮件，智能手机软件、网络通知。
与现有技术相比，本发明具有以下有益效果：本发明利用无线设备发出的无线信号，能够实现在无线信号的覆盖范围内，人体行为的检测和识别，该发明的好处在于：不需要额外携带或者穿戴任何操作繁琐的智能设备，成本较低。系统自动通过人体行为动作对无线信号收集的影响完成对个人动作的识别，使用者甚至感知不到自己正处于监控中，能够很好的检测出老人或者孩童是否摔倒，或者其他意外的行为，避免意外的发生。
本系统使用监督式学习算法，辅以信号处理，能够对原始数据进行处理，识别，同时识别的准确率高达90％以上。
此外，识别系统不受天气，亮度等环境因素的影响，仅收集环境中的无线信号强度，通过信号处理的专业知识完成对信号数据的频谱分析，准确率高，对信号覆盖范围内的区域都有效。同时信号的覆盖范围全面无死角，可扩展，效率较高。由于不需要使用者任何的配合和注意，自动化程度远超过可穿戴或者智能设备，更具有普适性。相对于摄像头或者可穿戴设备来说，即使是晚上，如果有意外发生，系统仍旧能够很好的工作，提取出对应的行为特征，从而完成行为识别，效果较好。
所有处理流程集中在识别系统服务器，信号接收器的功能更加简化，仅仅需要采集信号并发送给识别系统服务器，这样可以降低接收器的物理性能要求，使得接收器的体积小，价格便宜，降低了整个系统的成本，同时，部署非常方便。普通的个人PC的硬件要求完全能够达到系统的性能要求，因此，服务器的成本不会因为系统的架构而有所提高，这里的个人PC为配有通用无线设备的笔记本，台式机，或者NUC(一种intel开发的基于x86架构的设备)等等。
附图说明
图1是本发明实施例的系统结构。
图2是本发明实施例的的实施流程。
图3是静止状态下的信号强度指示。
图4是走路状态下的信号强度指示。
图5是跑步状态下的信号强度指示。
图6是站起/坐下状态下的信号强度指示。
图7是摔倒状态下的信号强度指示。
图8是走路状态下经过滤波和快速傅立叶变换后的频谱示例。
图9是跑步状态下经过滤波和快速傅立叶变换后的频谱示例。
图10是站起/坐下状态下经过滤波和快速傅立叶变换后的频谱示例。
图11是摔倒状态下经过滤波和快速傅立叶变换后的频谱示例。
具体实施方式
下面结合附图及实施例对本发明作进一步描述。
本发明利用人的日常的行为对在无线信号覆盖范围内的信号的干扰，采用通用无线设备收集信号数据，使用信号处理，机器学习的方法，通过事先训练的预测模型，实时的给出行为预测结果，以达到人体行为识别的目的。识别的结果可以用于老人的看护，特定区域的行为监控等场所。
图1是本发明的系统结构图，其中，信号接收器图中仅列出2个，实际应用中可以根据需要进行扩展。该系统包含行为识别系统服务器104，主要负责对信号接收器102-103采集到的信号进行数据预处理、频谱分析以及实时的识别。同时，若识别的结果是需要关注的，比如摔倒，则服务器将结果通过网络通信的方式发送给监护人或者看护人，同时，服务器会将识别的结果通过日志的形式保存在服务器本地数据库中，方便日后查询等操作。这里的信号接收器指的是支持Wifi的通用无线设备，可以是无线路由器、手机、机顶盒、台式/笔记本计算机、pad等。信号接收器的主要作用就是采集由信号发射器101发出的无线信号，并将采集到的数据通过Socket发送给服务器。信号发射器101是与接收器通信技术相同的发射端，可以是无线路由器、智能设备，raspberry(树莓派)等。服务器通过对接收端传递的数据进行处理和行为识别，将行为识别的结果保存在本地数据库中，同时，将识别的危险的行为通过网络通信方式发送给监护人或者看护者。
此种系统架构最大的好处是，所有处理流程集中在识别系统服务器，信号接收器的功能更加简化，仅仅需要采集信号并发送给识别系统服务器，这样可以降低接收器的物理性能要求，使得接收器的体积小，价格便宜，降低了整个系统的成本，同时，部署非常方便。由于此种方法处理的过程集中在识别系统服务器，因此可能会有服务器性能要求的担忧。普通的个人PC的硬件要求完全能够达到系统的性能要求，因此，服务器的成本不会因为系统的架构而有所提高，这里的个人PC为配有通用无线设备的笔记本，台式机，或者NUC(一种intel开发的基于x86架构的设备)等等。
系统中各个部分之间的通信使用无线信道进行通信。信号发射器和信号接收器处于同一个局域网中。信号发射器使用UDP网络通信协议对局域网中的所有机器以固定频率发送广播包，而各个信号接收器使用已有的工具(如iperf)采集无线信号数据RSSI。同时，各个信号接收器与识别系统服务器使用TCP建立可靠的连接，同时将采集到的原始数据发送给识别系统服务器。由于信号发射器仅是以固定频率发送广播包，而广播数据包中并无有效内容，因此，在这段通信过程中不需要对通信进行加密。对接收器与识别系统服务器之间的通信，信号接收器可以使用当下比较流行的加密算法对发送的数据进行加密(如AES等)，同时，识别系统服务器使用相应的解密算法对发送的数据进行解密，这样以保证原始数据不被篡改。
图2是本发明的一种具体实施流程：
步骤201：识别系统服务器接受来自信号接收器采集的无线信号数据。
步骤202：服务器对接受到的信号进行预处理，其中包括去除平均(即将所有的数据减去一段数据内的数据的平均数)，滑动平均，滤波。
步骤203：服务器通过快速傅立叶变换将对应于一段时间内的数据(假设发送速率是2500packets/s,可以提取1024个packet的rssi数据，大致对应于0.5s的数据)经过预处理和滤波之后的信号数据由时域转换到频谱域，这里的预处理包括去除平均，滑动平均等。去除平均指的是将1024个packet对应的rssi的值分别减去1024个rssi的平均值，使得数据的度量保持在同一起点，能够更好的反应出数据变化情况。滑动平均指的是每处理1024个packet之后，将起点向后移动一段距离(例如移动256个packet)，再次取1024个packet的RSSI的值进行数据处理，这样处理的目的是保持处理时间的连续性，使得处理数据的密度更大，得到的效果更好。上文所述的短时快速傅立叶变换能够将采集的时域数据转换到频域数据，形成频谱特征数据集，对该数据集，需要进行归一化处理。归一化指的是将经过数据预处理的数据集对应的每一列特征值进行缩放。假设有80个特征值构成一组特征，同时每一列的特征之间相互独立，归一化的过程则是将每一列的数据都缩放在一个范围内，如0到1之间。这样做的目的是降低变化幅度较大的特征列的影响，若某一列的变化范围在0到100之间，而另一列的变化范围在0到20之间，则前者的变化对训练模型的影响明显比后者强，但结果往往是多个特征值共同决定的。
步骤204：通过事先训练的预测模型，对由步骤203提取出的特征进行行为识别。
步骤205：判断识别的行为是否需要被关注。如果是需要关注的行为，如摔倒等，则将识别结果发送给监护人或者护理人员或者系统使用者，如果不是需要关注的行为，则将识别的结果保存在服务器本地数据库中，同时回到步骤201。
本发明实施的具体方法如下：
使发射器和接收器在同一个局域网内，对于整个系统而言，这里的信号接收器需要采集有信号发射器发送的数据包中的RSSI数据。由于发射器以每秒钟2500个数据包的速率发送数据，因此，接收器收集的速率也是2500发送给识别系统服务器的速率也是2500个有效数据。对于需要的数据包中的RSSI数据，市场上大多数的商用无线网卡均支持，因此轻易通过开源的软件可以获得。
通常通过商用的无线网卡设备获得的RSSI数据仅仅是数据链路层的数据，因此数据质量往往较差，其数据单位是分贝(dB)，通常的分辨率是1dB。在此种情况下，人体行为对环境中的无线信号的影响通常在1-5dB左右。因此，收集的原始RSSI数据的数据预处理，包括去噪，滤波等都是非常必要的。
图3是静止状态下采集的RSSI数据的示意图。由图可见，在静止状态下，数据基本可以保持稳定，一般在1-2个dB的范围内变化，变化的幅度较小。
图4是走路状态下采集的RSSI原始数据的示意图。由图可见，与静止状态下的数据图3相比，变化幅度有点提升，并不明显，但是人体运动的速度和信号的频率是相关的，可以通过去噪的方法，将原始数据经过滤波器滤波，再通过快速傅立叶变换得到反应走路变化规律的频谱特征，其结果如图8所示。常见的去噪方法有很多，比如低通滤波器，带通滤波器，滑动窗口平均等等，图8所示的结果既是使用滑动窗口平均进行去噪得到的。类似的，图5是跑步状态下采集的RSSI原始数据的示意图，图9是跑步状态下经过滤波，快速傅立叶变换之后得到的频谱特征图。同理，图6与图10分别对应的是站起/坐下状态下的原始数据图和经过一系列处理之后得到的频谱特征图，图7与图11分别对应的是摔倒状态下的原始数据图和经过一系列处理之后得到的结果图。
具体的行为识别原理如下：经过人体的行为反射之后，信号到达接收器的相位和LOS(Line-Of-Sight)直达的信号相位之间会有区别，而这个区别是周期变化的，所以经过叠加的信号强度值有可能变大，也有可能变小。而不同的行为对于信号的影响的规律是不同的，这种影响的规律可以通过在接收器采集到的数据进行信号分析得到。
由于原始数据是以一定频率的速率采集的，因此，可以将原始的时域信号数据通过时频域分析工具将其转化为频率信号数据，这里，本发明采用的是快速傅立叶变换。在时频域分析之前，需要对采集到的原始数据进行数据预处理。上文有提到，通过开源的工具得到的RSSI原始数据较为粗糙，需要对数据进行预处理，包括去除平均，滤波(滑动平均)，将滤波之后的数据按照一定长度进行组帧，本发明是以1024个数据值作为一个帧，每2个帧之间存在一定重复的区域，本发明每2个帧之间相隔256个点，这样的话2个帧之间的重复区域是768个数据值，这样即为给每个帧加上海明窗，以改善时频域信号的特性。对每个帧进行快速傅立叶变换，将时域数据转换为频域数据，得到能够反应人的不同行为的频谱特征。各个动作对应不同的运动频率，而人体的行为的频率往往都是低频的，因此，可以将频域数据的前100个值作为代表一个动作的行为特征，同时将改组特征进行归一化，去除明显错误的数据，放入事先训练好的SVM预测模型中，使用SVM分类器对该组特征值给出对应的分类结果。得到结果之后，系统即可判断预测出的行为是否需要关注，如在医疗系统中，摔倒等危险行为，监控系统中，走路跑步等可疑行为等。
在机器学习中，监督式学习算法非常重要的一种算法，这里采用SVM(SupportVectorMachine)对各个行为进行分类预测。需要事先训练出预测模型，根据预测模型对上述提取出的行为特征进行分类预测，本发明能够将走路，跑步，站起/坐下，摔倒进行分类，分类的总体准确率达到90％以上。根据预测模型得到分类结果之后，系统即会进入下一个模块。
在识别出运动中人的行为之后，根据应用领域，系统需要判断识别出的行为是否需要被关注。这里的应用领域可以事先设定，或者系统设置多个工作状态。例如，系统应用于2个领域，一个是医疗领域，一个是监控领域，则系统可以设置2个工作状态，状态1表示工作在医疗状态，状态2表示系统工作在监控状态。当工作在医疗状态时，本发明能够识别出摔倒行为，对于老人或者小孩来说，摔倒属于危险行为，老人由于体质较弱，如果摔倒，很可能引发一系列的连锁反应，若在无人看护的状态下摔倒，则可能引发生命危险，对于孩童，由于心智不全，无法判断自身是否处于危险状态，如果摔倒时撞伤头部或者身体某个部位，很可能无法准确判断自身健康状态，导致不可想象的后果。因此，当识别出摔倒行为之后，系统需要通过网络通信的方式将结果发送给监护人或者看护人员。
同时，系统属于信号覆盖范围可扩展的，因此，可以判断出摔倒的人是在哪个信号接收器覆盖范围内发生的，这样的话，同一个系统可以覆盖多个区域。例如，现代的家庭中，多个房间可以设置多个信号接收器，由于系统能够判断出摔倒行为是发生在某个信号接收器负责的区域，因此，能够更加准确的判定出可能发生摔倒的人，使得系统发挥效用的效果更好。对于监控状态，系统工作原理如上所述，本发明能够识别出各个接收器负责范围内的可识别的所有动作，因此，更加能够很好的判定监控区域的人的行为动作，这样，系统工作的效率非常高。服务器通过多线程的方式实现信号的覆盖范围扩展。在图1的系统架构中，服务器同时接受多个信号接收器发送过来的原始RSSI数据，服务器为每一个信号接收器开辟一个新的线程，每个线程都维持一个可循环的一维数组，每个数组中存储对应的信号接收器发送的原始数据。同时，每个线程实时的读取需要的数据，根据图2所示的系统工作流程给出结果。由于每个线程对应到单个的信号接收器，由于信号接收器和服务器之间的通信是通过socket，因此每个信号接收器都具有独立的IP地址和当前线程的线程ID，因此服务器很容易就可以将信号接收器的IP地址、线程ID以及识别结果绑定，当需要新加入信号接收器时，服务器只需要重新开辟线程进行处理即可，而服务器是按照接入的信号接收器的IP地址开辟线程的，由此实现信号覆盖范围的可扩展。
由于服务器能够将识别出的所有动作通过数据库保存在服务器中，因此，如果用户的网络通信出现故障，使得系统与使用者之间无法及时的沟通，使用者可以通过记录来查询一段时间内所有信号接收器负责区域内的所有识别出的行为。针对于此需要，服务器能够提供网站的形式，以便认证之后的使用者能够快速查询出自己想要的结果，这样能够避免计算机知识相对匮乏的更多使用者上手整个系统的速度，提高用户体验，不需要数据库相关的知识即可使用整个系统。
本发明已以较佳实施例公开如上，但它们并不是用来限定本发明，任何熟习此技艺者，在不脱离本发明之精神和范围内，自当可作各种变化或润饰，因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。
Claims (10)
1.一种基于无线信号强度的行为识别系统，其特征在于：它包括识别系统服务器、信号接收器、信号发射器、用户终端；
所述信号接收器采集所述信号发射器发射的无线信号数据，并将无线信号数据发送给所述识别系统服务器；所述识别系统服务器通过无线形式与所述用户终端相连，负责对所述信号接收器采集到的信号进行数据预处理、频谱分析以及实时的识别，适时对所述用户终端提醒或警告。
2.根据权利要求1所述的行为识别系统，其特征在于：所述信号接收器为一个或者多个通用无线设备，当无线信号接收器为多个通用无线设备，通过比较每个无线信号接收器的接收的无线信号强度变化来判断入侵者的具体位置；所述通用无线设备指的是支持WiFi、蓝牙、Zigbee或者60Ghz通信的无线设备；
所述无线信号强度是指接收信号强度指示。
3.一种基于无线信号强度的行为识别方法，其特征在于，包括以下步骤：
步骤1，采集原始数据：信号接收器接收信号发射器发射的无线信号，并发送给识别系统服务器；
步骤2，对采集的原始数据进行预处理；
步骤3，对预处理得到的数据进行频谱特征分析；
步骤4，行为识别：通过监督式学习方法，使用预先训练的模型实时对采集的数据进行行为识别和预测；
步骤5，判断识别的行为信息是否需要被关注：若判断行为需要关注，则将识别的结果实时的反馈给用户终端；若不是需要关注的行为，则回到步骤1。
4.根据权利要求3所述的行为识别方法，其特征在于：所述信号发射器以固定频率发送广播数据包，这段通信过程中不对通信进行加密；所述信号接收器与所述识别系统服务器之间的通信中，所述信号接收器使用加密算法进行加密，所述识别系统服务器使用相应的解密算法对发送的数据进行解密，保证原始数据不被篡改。
5.根据权利要求3所述的行为识别方法，其特征在于：使用一个或者多个信号接收器采集无线信号，所述识别系统服务器区分不同设备发送的信号，实时对信号进行处理，获取信号特征并且给出行为识别结果；所述识别系统服务器通过不同的无线设备信号的识别结果，判断该行为发生的位置并进行记录或者反馈；将运行过程中的行为信息通过日志的形式记录并保存，包括动作识别信息，时间信息。
6.根据权利要求3所述的行为识别方法，其特征在于，对原始数据的所述预处理步骤为：所述识别系统服务器对采集到的无线信号数据进行去噪处理，包括去除平均、滑动平均、滤波。
7.根据权利要求3所述的行为识别方法，其特征在于，步骤3后进一步包括：
步骤31，提取人体动作对应频域特征作为行为特征，构成一组特征值；
步骤32，对特征值进行数据归一化处理。
8.根据权利要求3所述的行为识别方法，其特征在于，步骤3中频谱特征分析方法为：对一定时间内的数据进行短时傅立叶变换，将时域信息转换成频域信息；所述频谱特征是指，信号在人体各个行为的运动速度对应频谱内的能量大小以及不同时间点的频谱能量变化。
9.根据权利要求3所述的行为识别方法，其特征在于：监督式学习方法通过支持向量机实现，使用机器学习和信号处理的方法，通过预先训练数据模型，对原始数据进行处理、提取各个行为对应的频谱特征进行预测，得到结果。
10.根据权利要求3所述的行为识别方法，其特征在于：所述识别系统服务器通过多线程的方式实现信号的覆盖范围扩展，所述识别系统服务器为每一个所述信号接收器开辟一个线程，每个线程都维持一个可循环的一维数组，每个数组中存储对应的信号接收器发送的原始数据；所述识别系统服务器反馈给所述用户终端的方式包括：网络IP电话、邮件，智能手机软件、网络通知。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610102216.8A CN105809110A (zh) | 2016-02-24 | 2016-02-24 | 一种基于无线信号强度的行为识别系统与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610102216.8A CN105809110A (zh) | 2016-02-24 | 2016-02-24 | 一种基于无线信号强度的行为识别系统与方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105809110A true CN105809110A (zh) | 2016-07-27 |
Family
ID=56466487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610102216.8A Pending CN105809110A (zh) | 2016-02-24 | 2016-02-24 | 一种基于无线信号强度的行为识别系统与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105809110A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446828A (zh) * | 2016-09-22 | 2017-02-22 | 西北工业大学 | 一种基于Wi‑Fi信号的用户身份识别方法 |
| CN107800493A (zh) * | 2017-10-29 | 2018-03-13 | 深圳市中安神盾科技有限公司 | 一种无线信号特征的生成方法 |
| CN107818663A (zh) * | 2017-09-18 | 2018-03-20 | 深圳大学 | 一种基于WiFi组网的室内智能安防方法、系统及介质 |
| CN108009089A (zh) * | 2017-12-01 | 2018-05-08 | 中南大学 | 一种基于透明计算的增量机器学习方法及系统 |
| CN108173975A (zh) * | 2018-03-12 | 2018-06-15 | 杨光亚 | 一种基于rssi信号检测的智能安防监测系统及方法 |
| CN109480787A (zh) * | 2018-12-29 | 2019-03-19 | 中国科学院合肥物质科学研究院 | 一种基于超宽带雷达的非接触式睡眠监测设备及睡眠分期方法 |
| CN110177373A (zh) * | 2019-05-22 | 2019-08-27 | 中国科学院信息工程研究所 | 接入点身份鉴别方法及装置 |
| CN110519718A (zh) * | 2018-10-08 | 2019-11-29 | 杭州鸿雁智能科技有限公司 | 一种基于无线信号的人体存在检测系统 |
| CN110794462A (zh) * | 2019-11-06 | 2020-02-14 | 广东博智林机器人有限公司 | 建筑工地安全监测系统及其监测方法、装置 |
| CN110942507A (zh) * | 2019-11-29 | 2020-03-31 | 腾讯科技（深圳）有限公司 | 一种确定部署空间的方法、装置及存储介质 |
| CN111227839A (zh) * | 2020-01-19 | 2020-06-05 | 中国电子科技集团公司电子科学研究院 | 一种行为识别方法及装置 |
| CN111491265A (zh) * | 2020-03-26 | 2020-08-04 | 微民保险代理有限公司 | 一种对象状态的推送方法和装置 |
| CN111540183A (zh) * | 2020-05-11 | 2020-08-14 | 苏州求臻智能科技有限公司 | 基于无线信号分析的巡检机器人安全区域入侵预警方法 |
| CN111711972A (zh) * | 2020-05-08 | 2020-09-25 | 北京连山时代科技有限公司 | 一种基于链路智选传输技术的手机通话系统 |
| CN114259223A (zh) * | 2021-12-17 | 2022-04-01 | 南昌航空大学 | 一种基于d型塑料光纤的人体运动状态监测系统 |
| TWI773038B (zh) * | 2020-12-22 | 2022-08-01 | 中華電信股份有限公司 | 基於無線訊號強度之失能通報系統和失能通報方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110285623A1 (en) * | 2010-05-24 | 2011-11-24 | Cywee Group Limited | Motion Sensing System |
| CN103606248A (zh) * | 2013-09-30 | 2014-02-26 | 广州市香港科大霍英东研究院 | 一种人体摔倒自动检测方法及系统 |
| CN103971108A (zh) * | 2014-05-28 | 2014-08-06 | 北京邮电大学 | 基于无线通信的人体姿态识别方法与装置 |
| CN104951757A (zh) * | 2015-06-10 | 2015-09-30 | 南京大学 | 一种基于无线信号的动作检测和识别的方法 |
| CN106066995A (zh) * | 2016-05-25 | 2016-11-02 | 西安交通大学 | 一种无线非绑定人体行为检测算法 |
-
2016
- 2016-02-24 CN CN201610102216.8A patent/CN105809110A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110285623A1 (en) * | 2010-05-24 | 2011-11-24 | Cywee Group Limited | Motion Sensing System |
| CN103606248A (zh) * | 2013-09-30 | 2014-02-26 | 广州市香港科大霍英东研究院 | 一种人体摔倒自动检测方法及系统 |
| CN103971108A (zh) * | 2014-05-28 | 2014-08-06 | 北京邮电大学 | 基于无线通信的人体姿态识别方法与装置 |
| CN104951757A (zh) * | 2015-06-10 | 2015-09-30 | 南京大学 | 一种基于无线信号的动作检测和识别的方法 |
| CN106066995A (zh) * | 2016-05-25 | 2016-11-02 | 西安交通大学 | 一种无线非绑定人体行为检测算法 |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446828A (zh) * | 2016-09-22 | 2017-02-22 | 西北工业大学 | 一种基于Wi‑Fi信号的用户身份识别方法 |
| CN107818663A (zh) * | 2017-09-18 | 2018-03-20 | 深圳大学 | 一种基于WiFi组网的室内智能安防方法、系统及介质 |
| CN107800493A (zh) * | 2017-10-29 | 2018-03-13 | 深圳市中安神盾科技有限公司 | 一种无线信号特征的生成方法 |
| CN108009089A (zh) * | 2017-12-01 | 2018-05-08 | 中南大学 | 一种基于透明计算的增量机器学习方法及系统 |
| CN108009089B (zh) * | 2017-12-01 | 2021-02-02 | 中南大学 | 一种基于透明计算的增量机器学习方法及系统 |
| CN108173975B (zh) * | 2018-03-12 | 2020-09-08 | 杨光亚 | 一种基于rssi信号检测的智能安防监测系统及方法 |
| CN108173975A (zh) * | 2018-03-12 | 2018-06-15 | 杨光亚 | 一种基于rssi信号检测的智能安防监测系统及方法 |
| CN110519718A (zh) * | 2018-10-08 | 2019-11-29 | 杭州鸿雁智能科技有限公司 | 一种基于无线信号的人体存在检测系统 |
| CN109480787A (zh) * | 2018-12-29 | 2019-03-19 | 中国科学院合肥物质科学研究院 | 一种基于超宽带雷达的非接触式睡眠监测设备及睡眠分期方法 |
| CN109480787B (zh) * | 2018-12-29 | 2021-06-25 | 中国科学院合肥物质科学研究院 | 一种基于超宽带雷达的非接触式睡眠监测设备及睡眠分期方法 |
| CN110177373A (zh) * | 2019-05-22 | 2019-08-27 | 中国科学院信息工程研究所 | 接入点身份鉴别方法及装置 |
| CN110177373B (zh) * | 2019-05-22 | 2020-07-07 | 中国科学院信息工程研究所 | 接入点身份鉴别方法及装置、电子设备、计算机可读存储介质 |
| CN110794462A (zh) * | 2019-11-06 | 2020-02-14 | 广东博智林机器人有限公司 | 建筑工地安全监测系统及其监测方法、装置 |
| CN110794462B (zh) * | 2019-11-06 | 2021-08-03 | 广东博智林机器人有限公司 | 建筑工地安全监测系统及其监测方法、装置 |
| CN110942507B (zh) * | 2019-11-29 | 2023-12-12 | 腾讯科技（深圳）有限公司 | 一种确定部署空间的方法、装置及存储介质 |
| CN110942507A (zh) * | 2019-11-29 | 2020-03-31 | 腾讯科技（深圳）有限公司 | 一种确定部署空间的方法、装置及存储介质 |
| CN111227839A (zh) * | 2020-01-19 | 2020-06-05 | 中国电子科技集团公司电子科学研究院 | 一种行为识别方法及装置 |
| CN111227839B (zh) * | 2020-01-19 | 2023-08-18 | 中国电子科技集团公司电子科学研究院 | 一种行为识别方法及装置 |
| CN111491265A (zh) * | 2020-03-26 | 2020-08-04 | 微民保险代理有限公司 | 一种对象状态的推送方法和装置 |
| CN111711972A (zh) * | 2020-05-08 | 2020-09-25 | 北京连山时代科技有限公司 | 一种基于链路智选传输技术的手机通话系统 |
| CN111540183A (zh) * | 2020-05-11 | 2020-08-14 | 苏州求臻智能科技有限公司 | 基于无线信号分析的巡检机器人安全区域入侵预警方法 |
| TWI773038B (zh) * | 2020-12-22 | 2022-08-01 | 中華電信股份有限公司 | 基於無線訊號強度之失能通報系統和失能通報方法 |
| CN114259223A (zh) * | 2021-12-17 | 2022-04-01 | 南昌航空大学 | 一种基于d型塑料光纤的人体运动状态监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105809110A (zh) | 一种基于无线信号强度的行为识别系统与方法 | |
| US10812761B2 (en) | Complex hardware-based system for video surveillance tracking | |
| Yan et al. | WiAct: A passive WiFi-based human activity recognition system | |
| CN107968689B (zh) | 基于无线通信信号的感知识别方法及装置 | |
| US20190279082A1 (en) | Methods and apparatus to determine weights for use with convolutional neural networks | |
| US10354127B2 (en) | System, method, and computer program product for alerting a supervising user of adverse behavior of others within an environment by providing warning signals to alert the supervising user that a predicted behavior of a monitored user represents an adverse behavior | |
| CN108734055B (zh) | 一种异常人员检测方法、装置及系统 | |
| US20180131554A1 (en) | Method, apparatus, server, and systems of time-reversal technology | |
| CN107316431A (zh) | 一种基于云端的智能家居安防系统 | |
| CN106214436A (zh) | 一种基于手机端的智能导盲系统及其导盲方法 | |
| CN111770427A (zh) | 麦克风阵列的检测方法、装置、设备以及存储介质 | |
| CN103606248A (zh) | 一种人体摔倒自动检测方法及系统 | |
| US20200372769A1 (en) | Threat detection platform with a plurality of sensor nodes | |
| Hao et al. | CSI‐HC: A WiFi‐Based Indoor Complex Human Motion Recognition Method | |
| Vasconcelos et al. | Counting mosquitoes in the wild: An internet of things approach | |
| US11257355B2 (en) | System and method for preventing false alarms due to display images | |
| US10834363B1 (en) | Multi-channel sensing system with embedded processing | |
| JP7192764B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
| Salah et al. | Accelerometer-based elderly fall detection system using edge artificial intelligence architecture | |
| Jeevitha et al. | A study on sensor based animal intrusion alert system using image processing techniques | |
| WO2016088611A1 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
| Mei et al. | WiWave: WiFi-based human activity recognition using the wavelet integrated CNN | |
| CN106941523B (zh) | 基于物联网的健康监测信息采集方法和系统 | |
| CN208223542U (zh) | 一种施工现场环境监测系统 | |
| Xia et al. | WiFi-based indoor passive fall detection for medical Internet of Things |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160727 |