CN106658590B

CN106658590B - 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现

Info

Publication number: CN106658590B
Application number: CN201611271308.5A
Authority: CN
Inventors: 赵彦超; 刘尚清; 陈兵
Original assignee: Nanjing University of Aeronautics and Astronautics
Current assignee: Nanjing University of Aeronautics and Astronautics
Priority date: 2016-12-28
Filing date: 2016-12-28
Publication date: 2023-08-01
Anticipated expiration: 2036-12-28
Also published as: CN106658590A

Abstract

本发明公开了一种基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现。本发明主要监控室内是否有人出入的状态以及确定房间中的人数。本发明是WiFi信号在多人环境感知的首次应用，利用广泛使用的WiFi信号，获取CSI(Channel State Information，信道状态信息)信息，通过对CSI数据的分析，处理，采用有效的去噪方法去除环境噪声，提取波形，使用隐马尔科夫方法建立室内出入监测模型，使用神经网络的方法建立人数识别模型，通过出入监测模型修正人数识别模型，从而进一步提高人数识别的准确率，实现对室内环境状态的有效监控。

Description

基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现

技术领域

本发明公开了基于WiFi信道状态信息多人室内环境状态监控系统，主要用于解决在WiFi环境下多人室内环境状态监控问题，本发明主要包括两个部分状态监控：多人出入监控和人数判定，涉及到信号去噪、特征波形提取、为多人出入监控和人数判定建立模型、模型自动纠正等技术。

背景技术

基于WiFi技术的无线局域网已在室内得到广泛应用，其所能提供的服务已不限于信息通信。迅速涌现的诸类新兴应用，如人体检测，室内定位，穿墙断层扫描活动识别等，在不断革新无线局域网的应用领域。在室内环境中，发射的无线信号通常不会沿直接路径到达接收器。事实上，接收到的信号通常是信号经由家具、人体及其他障碍物的反射、衍射和散射形成的多路信号的叠加，这种现象被称为多径效应。物理空间限制了无线信号的传播，相对应，无线信号也可以反过来被用于感知其所经过的物理环境。无论是环境物体(如墙壁、家具)还是人体(如位置、移动)都可以对无线信号进行“调制”，从而形成周期性或时变的信号，通过对这种信号进行分析，可对环境进行推断感知。

目前利用WiFi信号进行环境感知的主要手段是获取CSI数据或者RSSI数据进行分析，CSI是无线网卡对无线信道频率的响应估计，根据IEEE 802.11n标准，无线信号可以使用正交频分复用将信号调制成56个或者114个子载波，CSI可以看做是无线网卡对每个子载波信道增益的估计，CSI包含振幅和相位的信息，相比于RSSI(信号强度信息)，CSI是细粒度的RSSI值，能够精确刻画出每个信道状态的改变，准确度较高。

近年来，国外研究人员修改了无线网卡驱动程序，使得用户层应用程序可以访问CSI数据，一系列基于CSI研究课题被不断提出并逐渐成为无线网络领域的前沿问题和热点问题。华盛顿大学的D.Halperin开发一套获取CSI数据的工具：Linux 802.11n CSI Tool，使得基于CSI的环境感知技术得到了迅速发展。许多学者利用CSI信息做了很多研究包括无线定位、动作识别、人数判定、身份验证等，并取得了显著的成绩。在计算机网络、移动计算、智能家居等很多著名的国际学术会议和期刊上发表了许多的文章。相关研究中，西安交通大学的WeiXi提出的Electronic-Frog Eye系统，是第一个也是唯一一个尝试使用CSI来进行室内人数测量。他根据多人运动的情况下，CSI变化幅度更加剧烈，方差更大的特点提出了一个算法Dilatation-based crowed profiling，根据这个算法判断CSI变化的强度大小，在此基础上利用灰色理论的相关办法，测量房间中人的数量。2015年Manikanta Kotaru团队提出利用CSI的相位信息使用music算法，充分利用了CSI包含的子载波数量较大，CSI对环境状态变化敏感等特点，实现室内人数的精确定位，定位精确度可以达到厘米级。2016年来自北京大学的Xiang Li改良Manikanta的工作，提出了dynamic-music算法，充分利用信号之间的高度相关性，降低多径的数目，使得测量信号到达角(AOA)的准确率进一步提高，定位精度得到进一步提升。南京大学的Wei Wang团队提出Carm，提出室内环境下的人体运动的速度模型和动作模型，深入分析了CSI的振幅信息和相位信息，各种去噪方法(中值滤波，butterworth)对于CSI的适用性，提出根据子载波信息的相关性，使用PCA的去噪方法有效的去除多余噪声数据，使用小波变换的方法降低数据维度，在不同频域上提取细节小波信息，使用隐马尔科夫链的方法建立马尔科夫动作模型(hmm)，使用十折交叉验证的方法确定模型所需参数，为室内中每种动作行为建立模型，从而实时的识别每种动作。每种动作识别的准确率可以到达96％以上。本系统是CSI在多人环境下的首次应用，通过接收端CSI数据，人体运动所产生的CSI值的变化，进出门动作所产生的CSI波形的特殊性以及每个人步态的特殊性，去除噪声，切割波形，提取开关门动作所产生的特征值，步态信息，匹配CSI波形等各个方面，判断房间中人数，感知室内状态是否发生改变，是否发生入侵行为。

发明内容

[发明目的]：本发明主要解决在WiFi环境下，多人室内状态监控的问题。

[技术方案]：本发明方案主要包括以下内容：

1)室内进出监测模型的建立

室内进出监测模型建立涉及到数据的噪声处理，波形切分，提取特征值，建立模型等方面。

噪声处理：因为有效的去除噪声数据才能提高系统检测的准确率。所以噪声处理至关重要。传统的去噪方法包括Butterworth去噪法、中值去噪法。但是由于CSI数据不仅包含高频噪声也存在低频噪声，而Butterworth滤波器只能去除高频噪声，对于开关门动作之间所引起的一些低频噪声，不能达到有效的去噪目的。但是由于各子载波之间存在相关性，本发明所采用的方法是采用Butterworth和主成分分析(PCA)来共同去除噪声，能够最大程度上降低噪声。同时采用PCA的方法能够有效的降低数据维度，降低运算复杂度。

波形切分：波形切分需要切分出开关门动作发生的时间间隔，找到每个动作所发生的时间阈，从而在每个时间阈提取需要的信息。本发明所采用的技术路线是根据进出门动作的动作序列不同，所导致的开关门和行走所产生的动作序列波形方差不同，根据方差判断每个时间阈所对应的不同动作，从而准确的进行波形切分。

提取特征值：数据特征主要包括均值、方差、最小最大值等。不同动作产生的CSI时间序列数据，可能有不同的数据特征。如何提取显著的特征数据是设计系统的一大难点，对于本系统是针对每一个时间窗口提取窗口信号的能量值和能量方差，最大程度上刻画出CSI波形和动作之间的关系。

模型建立：使用CSI进行建模主要有SVM模型，隐马尔科夫模型，决策树模型等。每种模型各有优缺点，但是隐马尔科夫模型较其他模型来说有一个最大的优势，就是模型状态的转化，开关门动作可以分为明显的若干阶段，这个阶段的概念刚好和隐马尔科夫模型中状态的概念相对应，使得模型的物理意义较为直观。

2)人数识别模型建立

室内房间人数模型的建立一直是一个很大的难题，有使用灰色理论的方法建立一个模型，但是目前对于灰色理论在计算机方面的研究还不算深入，灰色理论的发展不算成熟，还有一些学者尝试使用空间谱的一些经典算法，比如music算法，但是这些方法对于室内环境不算一个很好的尝试，因为music算法测量多人的环境需要多天线阵列，这对于无线室内环境来说，不是一个很好的选择。本系统采取的方法是用深度学习的方法建立模型，由于在多人的复杂环境下，对于CSI波形提取所需要的和人数相关的特征难度很大，所以采用深度学习的方法，避免这个问题。同时利用进出门模型判定高准确率的现实，确定房间中是否有人数的变化，从而导致房间人数状态的改变，不断学习人数模型，调整参数，从而进一步提高人数判定的准确率。

[有益效果]：本发明利用无线信号的多径效应在WiFi环境下进行室内环境状态监控，克服了传统监控方法的不足。另外，本发明利用现有的商用WiFi设备以及目前WiFi普遍的状况，为本发明的推广创造了条件。然后本发明作为WiFi环境感知在多人室内环境的首次应用，拓展了无线感知的应用领域。最后，本发明的设计保证了整个机制的真实性。

[附图说明]：

图1为本发明提出的实验环境图；

图2系统流程图；

图3隐马尔科夫模型

图4深度学习示意图。

[具体实施方式]：

以下结合附图和具体实例对本发明做具体的介绍。

本系统有两部分组成：信号发射器与信号接收器。以现有商业WiFi设备作为信号发射器，用装有Intel5300的设备(笔记本或者台式机)作为信号接收器。部署两个路由器，一个路由器用于监控是否有人出入的行为，另外一个路由器用于监控房间中人数的状态。如附图1实验环境图所示，采集完数据之后，将对CSI数据进行处理，分别建立出入检测模型和人数识别模型，如附图2所示，具体实施过程如下：

步骤1：对CSI数据进行去噪处理

步骤1.1：利用巴特沃斯滤波器去噪。巴特沃斯滤波器的特点是通频带内的频率响应曲线最大限度平坦，没有起伏，而在阻频带则逐渐下降为零。利用此特点，巴特沃斯滤波器可以对采集的CSI数据进去噪处理，去除大部分的噪声。巴特沃斯滤波可用如下公式表示：

其中，w代表角频率，w_c代表截止频率，n代表滤波器的顺序，G₀代表直流分量。

步骤1.2：利用PCA(主成份分析)去噪。根据噪声数据在不同信道是不相关的而由开关门动作所产生的数据在不同信道具有相关性，PCA可以进一步去除了细微的噪声，并且降低了CSI的数据维度，提高了系统的识别效率。其具体过程如下：

1)将不同信道的CSI数据减去其平均值，形成标准CSI矩阵

2)求特征协方差矩阵

3)求协方差的特征值和特征向量

4)将特征值按照从大到小的顺序排序，选择其中最大的k个，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵

5)将样本点投影到选取的特征向量上

出入检测模型建立

步骤1：波形划分

步骤1.1：设置滑动窗口W，计算出每一组信道数据在第j个窗口的绝对均值偏差：

步骤1.2：计算所有信道的绝对均值偏差和：

步骤1.3：设定阈值

超出一定阈值的即可认为是另外一个动作的开始

步骤2：提取特征值

本系统提取人运动每个窗口的能量值和能量方差。计算每组信道数据在第i个窗口的能量总和Energy和能量方差D，其中n代表的是在第i个窗口的采样点数量

D＝∑_i(||A||²-(∑_i||A||²)/n)/n

步骤3：训练隐马尔科夫模型

隐马尔科夫模型示意图如附图3所示，使用随机变量Zt描述t时刻系统状态的概率分布具有转移概率，在第t时刻系统状态的实际状态Zt未知，相反在t时刻对系统有一个观测Xt，而状态和观测不是一一对应的，一个状态可能以不同概率产生若干种预测。开关门动作可以分为明显的若干阶段，这个阶段的概念刚好和隐马尔科夫模型中状态的概念相对应，所以使用隐马尔科夫模型进行建模能够理想的效果。

步骤4：分类

使用10折交叉验证的方法确定模型参数包括HMM模型的状态数S及mixtures，从而选取最优参数建立模型，对于不同动作分类不同模型，从而实现开关门动作的准确识别。

人数识别模型：

步骤1：深度学习建模

如附图4所示，学习过程包括三个阶段：预训练，展开参数，调整参数阶段

步骤1.1在预训练阶段使用三层CNN神经网络，其中图中的k_i表示层数，用h_i表示每一层所含有的节点数，使用w₁，w₂，w₃分别表示数据输入层input1和第一层神经网络，第一层神经网络和第二次神经网络，第二次神经网络和第三层神经网络的权值，为了得到最优权值，我们需要对输入数据最大化边缘分布可以用公式表示为

我们使用RBMs去降低深度学习的复杂度，对于每一层RBM模型，联合分布Pr表示如下

E(h^i-1，hⁱ)＝-b^i-1h^i-1-bⁱhⁱ-h^i-1w_ihⁱ

其中b表示第i层到i-1层的偏差

步骤1.2当预训练阶段训练完成后，我们得到神经网络的权值，在展开参数阶段，使用前向算法得到新的输入数据input2

步骤1.3最后在调整参数阶段我们使用后向算法，通过计算输入数据input1和新的input2数据的偏差去修正权重，得到最优权值。

步骤2：动态调整人数模型

由于室内环境的复杂性，人运动的不可知性，使用深度学习的方法利用深度学习不需要手动提取特征值的特点，有效的解决了提取特征值困难的问题，为了进一步提高人数识别的准确率，根据出入模型判定房间中是否有人数改变，从而导致房间状态发生变化，反馈到人数模型，不断修正模型，使模型能够更加准确的判定房间中人数，提高识别人数的准确率。

Claims

1.基于WiFi信道状态信息的多人室内环境状态监控方法，应用于多人室内环境状态监控系统，其特征在于，

1)本方法是用于多人实时环境感知的首次应用；

2)为室内进出监测建立模型；包括如下步骤：

步骤1：波形切分，利用人体动作对CSI波形产生不同的影响，根据方差的差异对波形进行有效的切分；

步骤2：提取每个时间片的能量值和能量方差作为特征值；

步骤3：通过隐马尔科夫的方法为室内出入监测建立模型；

步骤4：分类；

3)为人数识别建立模型；包括如下步骤：

步骤1：预训练阶段使用三层CNN神经网络，为了得到最优权值，对输入数据最大化边缘分布，用公式表示为：

max∑_h1∑_h2∑_h3Pr(h⁰，h¹，h²，h³)

使用RBMs去降低深度学习的复杂度，对于每一层RBM模型，联合分布Pr表示如下

E(h^i-1，hⁱ)＝-b^i-1h^i-1-bⁱhⁱ-h^i-1wⁱhⁱ

其中b表示第i层到i-1层的偏差；

步骤2：展开参数阶段，当预训练阶段训练完成后，得到神经网络权值，使用前向算法得到新的输入数据input2；

步骤3：调整参数阶段，使用后向算法，通过计算输入数据input1和新的input2数据的偏差去修正权重，得到最优权值；

4)利用室内进出监测模型修正人数识别模型，提高识别准确率。

2.如权利要求1所述的基于WiFi信道状态信息的多人室内环境状态监控方法，其特征在于，本方法是多人实时环境感知的首次应用；利用CSI进行环境感知动作感知、身份认证都是在多人的环境下进行的，本方法是CSI多人实时环境感知的首次应用，能够实现实时室内进出监测和室内人数识别，监测房间状态是否发生改变。

3.如权利要求1所述的基于WiFi信道状态信息的多人室内环境状态监控方法，其特征在于，需要切分出开关门动作发生的时间间隔，找出每个动作发生的时间阈，本方法利用人体不同动作对波形产生的差异性，根据方差进行有效的切割；

步骤1：设置滑动窗口W，计算出每一组信道数据在第j个窗口的绝对均值偏差：

步骤2：计算所有信道的绝对均值偏差和：

步骤3：设定阈值超出一定阈值的即认为是另外一个动作的开始。

4.如权利要求1所述的基于WiFi信道状态信息的多人室内环境状态监控方法，其特征在于，提出使用隐马尔克夫方法建立模型，开关门动作分为明显的若干阶段，所述若干阶段的概念和隐马尔科夫模型中状态的概念具有相对性。

5.如权利要求1所述的基于WiFi信道状态信息的多人室内环境状态监控方法，其特征在于，使用10折交叉验证的方法确定模型参数，包括HMM模型的状态数S及mixtures，从而选取最优参数建立模型，对于不同动作分类不同模型，从而实现开关门动作的准确识别。

6.如权利要求1所述的基于WiFi信道状态信息的多人室内环境状态监控方法，其特征在于，利用室内进出监测模型修正人数识别模型，根据出入模型判定房间中是否有人数改变，从而导致房间状态发生变化，反馈到人数模型，不断修正模型，使模型能够更加准确的判定房间中的人数。