CN109002866A - 一种动作识别方法 - Google Patents

Abstract

本发明公开了一种动作识别方法，该方法通过将RSS值与相位值相结合并应用权重评估方法进行活动识别，使活动识别结果更加准确，从而可以准确的感知目标的活动；本发明通过设置全局路径限制来减少信息冗余，使计算复杂度减少60％，提高了匹配的速度。

Description

一种动作识别方法

技术领域

本发明涉及属于无线行为监测领域，涉及一种动作识别方法。

背景技术

在照顾患者和老年人等电子健康，儿童保健，智能家居和入侵检测等应用中，活动识别起着重要的作用。然而绑定式(需携带其他设备)活动识别方法是不方便且不切实际的。因此非绑定式(无携带其他设备)活动识别方法在行为监测应用中一直有着重要的作用。

传统的活动识别主要依赖于摄像机，但摄像机将带来隐私问题。近年来，可见光，声波信号和RF(射频信号)等都被用到活动识别中来。其中，可见光需要花费大量人力修改硬件，声波信号只能在短距离内使用且信号容易受其他音频信号影响。最近，研究人员将注意力放在红外设备，雷达和基于RF(射频信号)设备上。然而红外设备和雷达应用昂贵的设备，使得活动识别成本过高；基于RF的设备对于大规模部署来说也并不是经济的。而基于指纹的低成本的RFID(射频识别设备)标签的活动识别方法的准确率却很低，并且由于数据库过大使得识别时间过长。

综上，现有的被动式活动识别方法普遍存在以下缺陷：1)设备昂贵，成本高；2)识别准确率低；3)识别时间长。

发明内容

针对上述现有技术中存在的缺陷或不足，本发明的目的在于，提供一种动作识别方法，该方法能够实现动作的准确识别。

为了实现上述目的，本发明采用如下技术方案：

一种动作识别方法，包括以下步骤：

步骤1，针对RSS特征数据库和相位值特征数据库中的每个模板动作，在识别区域内的待识别动作对应的多个时刻下的RSS值中选取属于[X_min,X_max]范围内的RSS值，作为映射RSS值，所有映射RSS值形成该模板动作对应的映射RSS特征向量；在识别区域内的待识别动作对应的多个时刻下的相位值中选取属于[X_min,X_max]范围内的相位值，作为映射相位值，所有映射相位值形成该模板动作对应的映射相位值特征向量；其中，X_min＝(m-n)/3，其中，m为识别区域内的待识别动作对应的多个时刻下的RSS值的总个数，n为该模板动作对应的模板RSS特征向量中的元素的个数；

步骤2，对每个模板动作对应的模板RSS特征向量和映射RSS特征向量采用T-DTW算法进行处理，得到该模板动作对应的RSS距离向量R；

对每个模板动作对应的模板相位值特征向量和映射相位值特征向量采用T-DTW算法进行处理，得到该模板动作对应的相位距离向量P；

步骤3，对每个模板动作，基于该模板动作对应的RSS距离向量R，求得该RSS距离向量对应的RSS权重；基于该模板动作对应的相位距离向量P，求得该RSS距离向量对应的相位权重；基于RSS权重和相位权重，求得该模板动作与待识别动作的匹配值；选取所有匹配值的最小值对应的模板动作即为待识别动作的识别结果。

具体地，所述步骤3中的基于该模板动作对应的RSS距离向量R，求得该RSS距离向量对应的RSS权重，采用的方法如下：

步骤s1：求RSS距离向量R中的每个RSS距离值对应的多个指标的标准值，采用公式(1)计算：

其中，RR_ij为RSS距离向量R中的第i个RSS距离值对应的第j个指标的标准值，其中，j＝1,2,3；FR_ij为为RSS距离向量R中的第i个RSS距离值对应的第j个指标，FR_imin为RSS距离向量R中的第i个RSS距离值对应的所有指标的最小值；R_min为RSS距离向量R中所有RSS值的最小值；max(R-R_min)为向量R-R_min中RSS值的最大值；

步骤s2：求RSS距离向量R中的每个RSS距离值对应的每个指标的概率，采用公式(2)计算：

其中，PR_ij为RSS距离向量R中的第i个RSS距离值对应的第j个指标的概率，I为RSS距离向量R中RSS距离值的总数；

步骤s3：求RSS距离向量R中的所有RSS距离值对应的每个指标的综合信息熵，采用公式(3)计算：

其中，QR_j为RSS距离向量R中的所有RSS距离值对应的第j个指标的综合信息熵；

步骤s4：求RSS距离向量R中的所有RSS距离值对应的每个指标的权重，采用公式(4)计算：

其中，WR_j为RSS距离向量R中的所有RSS距离值对应的第j个指标的权重；

步骤s5：求RSS距离向量对应的RSS权重WR_总，采用公式(5)计算：

具体地，所述步骤3中的基于该模板动作对应的相位距离向量P，求得该RSS距离向量对应的相位权重；采用的方法如下：

步骤ss1：求相位距离向量P中的每个相位距离值对应的多个指标的标准值，采用公式(6)计算：

其中，RP_ij为相位距离向量P中的第i个相位距离值对应的第j个指标的标准值，其中，j＝1,2,3；FP_ij为相位距离向量P中的第i个RSS距离值对应的第j个指标，FP_imin为相位距离向量P中的第i个相位距离值对应的所有指标的最小值；P_min为相位距离向量P中所有相位距离值的最小值；max(P-P_min)为向量P-P_min中相位距离值的最大值；

步骤ss2：求相位距离向量P中的每个相位距离值对应的每个指标的概率，采用公式(7)计算：

其中，PP_ij为相位距离向量P中的第i个相位距离值对应的第j个指标的概率，M为相位距离向量P中相位距离值的总数；

步骤ss3：求每个指标的综合信息熵，采用公式(8)计算：

其中，QP_j为第j个指标的综合信息熵；

步骤ss4：求每个指标的权重，采用公式(9)计算：

其中，WP_j为第j个指标的权重；

步骤ss5：求相位距离向量P对应的相位权重WP_总，采用公式(10)计算：

具体地，所述步骤3中的基于RSS权重和相位权重，求得该模板动作与待识别动作的匹配值；采用的方法如下：

W＝AWR_总+BWP_总

其中，A和B均为常数，WR_总为RSS权重，WP_总为相位权重。

本发明还提供一种活动识别方法，包括以下步骤：

步骤1：求识别区域内的待识别活动对应的多个时刻下的RSS值和相位值；待识别活动包括多个待识别动作；

步骤2，对所有时刻下的RSS值和相位值均进行去噪处理，得到所有时刻下的去噪后的RSS值和相位值；所有去噪后的RSS值形成RSS特征向量，所有去噪后的相位值形成相位值特征向量；

步骤3，对RSS特征向量和相位值特征向量采用分解方法进行处理，得到每个待识别动作的开始时刻和结束时刻；根据每个待识别动作的开始时刻和结束时刻将待识别活动分解为多个待识别动作，得到每个待识别动作对应的多个时刻下的RSS值和相位值；

步骤4，基于每个待识别动作对应多个时刻下的RSS值和相位值，对待识别动作进行动作识别；

所述的基于每个待识别动作对应多个时刻下的RSS值和相位值，对待识别动作进行动作识别，为根据权利要求1-4中任一权利要求所述的动作识别方法进行动作识别。

与现有技术相比，本发明具有以下技术效果：本发明通过将RSS值与相位值相结合并应用权重评估方法进行活动识别，使活动识别结果更加准确，从而可以准确的感知目标的活动；本发明通过设置全局路径限制来减少信息冗余，使计算复杂度减少60％，提高了匹配的速度。

下面结合附图和具体实施方式对本发明的方案作进一步详细地解释和说明。

附图说明

图1为全局路径限制的方法示意图；

图2为三个不同场景(院楼大厅、实验室、书吧)下的活动分割精度分布图；

图3为三个场景(院楼大厅、实验室、书吧)下的活动识别真阳率图；

图4为三个场景(院楼大厅、实验室、书吧)下的活动识别假阳率图；

图5为实验室场景下不同人做活动时的活动识别真阳率图和假阳率图；

图6为实验室场景下不同数量标签做活动时的活动识别真阳率图和假阳率图；

图7为实验室场景下用不同强度活动时真阳率图和假阳率图；

图8为实验室场景下不同通信距离活动时真阳率图和假阳率图。

具体实施方式

本发明提供一种动作识别方法，该方法在识别区域中部署RFID系统，RFID系统包括多个RFID标签、一个天线和一个RFID读写器。在识别区域中执行待识别动作，RFID读写器输出识别区域内的待识别动作对应的多个时刻下的RSS值和识别区域内的待识别动作对应的多个时刻下的相位值。该方法包括以下步骤：

步骤1，基于RSS特征数据库和相位值特征数据库中的每个模板动作，在识别区域内的待识别动作对应的多个时刻下的RSS值中选取属于[X_min,X_max]范围内的RSS值，作为映射RSS值，所有映射RSS值形成该模板动作对应的映射RSS特征向量；在识别区域内的待识别动作对应的多个时刻下的相位值中选取属于[X_min,X_max]范围内的相位值，作为映射相位值，所有映射相位值形成该模板动作对应的映射相位值特征向量。其中，X_min＝(m-n)/3，其中，m为识别区域内的待识别动作对应的多个时刻下的RSS值的总个数，n为该模板动作对应的模板RSS特征向量中的元素的个数。经过实验验证选取这四条直线所确定的区间，既可以保证匹配的准确性，又可以减少数据计算量。X_min和X_max的确定方法如下：将直线y＝2x和直线的交点的横坐标作为X_min，将直线和直线y＝2x+m-2n的交点的横坐标作为X_max。RSS特征数据库包括多个模板RSS特征向量，每个模板RSS特征向量对应一个模板动作。RSS特征数据库和相位值特征数据库中的多个模板动作相同，一一对应。

步骤2，对每个模板动作对应的模板RSS特征向量和映射RSS特征向量采用T-DTW算法进行处理，得到该模板动作对应的RSS距离向量R。经过T-DTW处理后得到了数据库每个已有模板和待识别动作的最短路径。好处是缩短了计算时间，保证了匹配的准确性。

对每个模板动作对应的模板相位值特征向量和映射相位值特征向量采用T-DTW算法进行处理，得到该模板动作对应的相位距离向量P。

步骤4，对每个模板动作，基于该模板动作对应的RSS距离向量R，求得该RSS距离向量对应的RSS权重，基于该模板动作对应的相位距离向量P，求得该RSS距离向量对应的相位权重；基于RSS权重和相位权重，求得该模板动作与待识别动作的匹配值；选取所有匹配值的最小值对应的模板动作即为待识别动作的识别结果。

具体地，步骤4中基于该模板动作对应的RSS距离向量R，求得该RSS距离向量对应的RSS权重，采用的方法如下：

步骤s1：求RSS距离向量R中的每个RSS距离值对应的多个指标的标准值，采用公式(1)：

其中，RR_ij为RSS距离向量R中的第i个RSS距离值对应的第j个指标的标准值，其中，j＝1,2,3，第1个指标为识别准确率，第2个指标为识别区域大小，第三个指标为原始数据组，三个指标为设定值；FR_ij为RSS距离向量R中的第i个RSS距离值对应的第j个指标，FR_imin为RSS距离向量R中的第i个RSS距离值对应的所有指标的最小值；R_min为RSS距离向量R中所有RSS值的最小值；max(R-R_min)为向量R-R_min中RSS值的最大值。

步骤s2：求RSS距离向量R中的每个RSS距离值对应的每个指标的概率：

其中，PR_ij为RSS距离向量R中的第i个RSS距离值对应的第j个指标的概率，I为RSS距离向量R中RSS距离值的总数。

步骤s3：求RSS距离向量R中的所有RSS距离值对应的每个指标的综合信息熵：

其中，QR_j为RSS距离向量R中的所有RSS距离值对应的第j个指标的综合信息熵。

步骤s4：求RSS距离向量R中的所有RSS距离值对应的每个指标的权重：

其中，WR_j为RSS距离向量R中的所有RSS距离值对应的第j个指标的权重。

步骤s5：求RSS距离向量对应的RSS权重WR_总：

具体地，步骤4中的基于该模板动作对应的相位距离向量P，求得该RSS距离向量对应的相位权重；采用的方法如下：

步骤ss1：求相位距离向量P中的每个相位距离值对应的多个指标的标准值，采用公式(6)计算：

其中，RP_ij为相位距离向量P中的第i个相位距离值对应的第j个指标的标准值，其中，j＝1,2,3，第1个指标为识别准确率，第2个指标为识别区域大小，第三个指标为原始数据组，三个指标为设定值；FP_ij为相位距离向量P中的第i个RSS距离值对应的第j个指标，FP_imin为相位距离向量P中的第i个相位距离值对应的所有指标的最小值；P_min为相位距离向量P中所有相位距离值的最小值；max(P-P_min)为向量P-P_min中相位距离值的最大值。

步骤ss2：求相位距离向量P中的每个相位距离值对应的多个指标的概率PP_ij，采用公式(7)计算：

其中，PP_ij为相位距离向量P中的第i个相位距离值对应的第j个指标的概率，M为相位距离向量P中相位距离值的总数。

步骤ss3：求每个指标的综合信息熵，采用公式(8)计算：

其中，QP_j为第j个指标的综合信息熵；

步骤ss4：求每个指标的权重WP_j，采用公式(9)计算：

其中，WP_j为第j个指标的权重；

步骤ss5：求相位距离向量P对应的相位权重WP_总，采用公式(10)计算：

具体地，步骤3中的基于RSS权重和相位权重，求得该模板动作与待识别动作的匹配值；采用的方法如下：

W＝AWR_总+BWP_总

其中，A和B均为常数，WR_总为RSS权重，WP_总为相位权重，在本实施例中，A＝0.72，B＝0.34～0.41。

本发明另一个方面提供一种活动识别方法，具备包括以下步骤：

步骤1：求识别区域内的待识别活动对应的多个时刻下的RSS值和相位值；待识别活动包括多个待识别动作。

本实施例中，在识别区域内部署RFID系统，RFID系统包括RFID标签，天线和RFID阅读器，RFID标签设置在识别区域的边缘的正上方，RFID标签对面放置天线；当在识别区域内执行待识别活动时，RFID标签，天线和RFID阅读器之间进行通信，从而获取多个时刻下的RSS值和相位值。

步骤2，对所有时刻下的RSS值和相位值均进行去噪处理，得到所有时刻下的去噪后的RSS值和相位值；所有去噪后的RSS值形成RSS特征向量，所有去噪后的相位值形成相位值特征向量。

在本实施例中，对RSS值进行去噪处理采用的方法为D-Gaussion算法，对相位值进行去噪处理，采用的方法为基于stein的无偏风险估计方法。

步骤3，对RSS特征向量和相位值特征向量采用分解方法进行处理，得到每个待识别动作的开始时刻和结束时刻；根据每个待识别动作的开始时刻和结束时刻将待识别活动分解为多个待识别动作，得到每个待识别动作对应的多个时刻下的RSS值和相位值。

步骤4，基于每个待识别动作对应多个时刻下的RSS值和相位值，对待识别动作进行动作识别；所述的基于每个待识别动作对应多个时刻下的RSS值和相位值，对待识别动作进行动作识别，为根据上述动作识别方法进行动作识别。

实施例

使用一套通用的RFID系统在西北大学信息科学与技术学院院楼一楼大厅、西北大学信息科学与技术学院的通信实验室以及西北大学信息科学与技术学院院楼二楼书吧中完成测试，三种不同的室内环境形成三种不同的多径条件。本实验中，总共有五种不同的实验(即验证不同环境、不同监测目标、不同标签数量、不同活动强度、标签与天线之间不同距离)用于验证本发明的有效性、可行性以及鲁棒性，三种不同的实验场景，在每个测试点需要对每个活动进行5次测试。

场景设置

在监测区域中部署7个RFID被动式标签，相邻标签以0.6m间距组成标签矩阵，标签矩阵为1行7列，标签EPC编号为0001～007，按序列排序；标签阵列的两个相对侧部署一个天线，天线与标签阵列的间距为3.5m，两个定向天线连接有一个RFID读写器，RFID阅读器与天线的间距为0.5m，RFID天线和标签阵列均距离地面1.05m，虽然标签密度较大，但RFID标签便宜(每个3～5美分)，标签总价格较低，因此部署成本低；

实施例1：

本实施例的目标在于验证本发明的有效性和鲁棒性；首先，在三个不同的室内场景部署相同数量的标签、天线以及RFID读写器，三个场景分别为验室建筑的大厅、正方形办公室、图书馆；实验过程中，我们选择相同的志愿者在每个测试点需要对每个活动至少进行5次测试。

通过三个不同场景下的实验，得到不同场景下的活动识别精度。针对有效性，从图2可以看出，混淆矩阵中显示所有场景下每种活动的活动识别精度的平均值，这些平均值均维持在0.84～0.89，所以本发明在活动识别方面具有有效性；针对鲁棒性，从图3、图4可以看出，三个场景下每种活动的平均真阳率均大于0.79，平均假阳率均小于0.15。同时三个场景所有活动的的平均真阳率分别为0.8125、0.815和0.8483，假阳率分别为0.12、0.1和0.077，可见三个场景在真阳率和假阳率上差别不大，所以本发明方法在活动识别方面具有鲁棒性。

实施例2：

本实施例的目标在于验证本发明在目标个体不同时的情况；首先，在第一个室内场景即实验室部署相同数量的标签、天线以及RFID读写器，分别选择7个体型差别较大的志愿者进行活动，然后使用本发明方法进行验证。

如图5所示，7个志愿者执行活动的切割精度均维持在0.90～0.96，表示不同监测目标时的活动识别精度，根据图中显示，本发明方法针对大多数志愿者执行的活动，在这种情况下，我们发现平均真阳率达到了85％，平均假阳率不超过12％。因此，我们得出结论，人类的多样性对活动识别的准确性几乎没有影响。

实施例3：

本实施例的目标在于验证本发明在不同数量标签时的情况，在第一个室内场景(即实验室建筑的大厅)分别部署数量为9、11、17、21、33和41个标签，大小约为7米×9米，除了墙壁，没有障碍物。标签阵列放置在高度为1.05米的监控区域。更重要的是，只有一个天线被部署在标签阵列的两端。每个天线与标签阵列之间的距离约为350米，每一个标签的距离为0.6m。在距离天线0.5米的地方部署一个阅读器。分别选择同一个志愿者(身高175cm)进行活动，然后使用本发明方法进行验证。

如图6所示，表示不同标签数量时的活动识别精度，从图中可以看出，真阳率随着标签数量的增加不断增加，但当标签数量大于6时，真阳率不断降低，假阳率的情况与真阳率的情况相反。一般情况下，随着标签数量增多，真阳率会不断增大，但事实情况并不是这样，当标签数量大于某个程度时，真阳率不但不增加，反而降低。主要原因为当标签数量过多会造成每个标签的采样率降低，从而对活动不敏感，造成了真阳率的降低。

实施例4：

本实施例的目标在于验证本发明在不同的摆动强度时的情况；在实验中，我们发现摆动幅度和摆动幅度有两种情况，即活动识别的准确性，但活动场所是相同的，只有强度不同。因此，我们猜测活动的强度可能会影响活动识别的准确性。为了验证这一假设，我们在三组实验的基础上，在小、中、大强度下建立了实验。

实验结果如图7所示，我们可以清楚地看到，随着活动强度的增加，真阳率的价值在增加，假阳率也在下降。综上所述，大强度活动可以显著提高识别精度。

实施例5：

本实施例的目标在于验证本发明在不同距离的天线和标签下的实验情况；在同样的实验条件下，我们建立了不同间距的天线和标签的实验。距离分别是0.5、1.5、2、2.5、3、3.5、4、5、5.5、6m。

实验结果如图8所示，我们可以清楚地看到，当通信距离为2.5m时，活动识别准确率最高，最高为90％。当距离小于2.5m或大于2.5m时，精度下降。因此，选择合适的距离可以提高活动识别的准确性。

Claims (5)

1.一种动作识别方法，其特征在于，包括以下步骤：

步骤1，针对RSS特征数据库和相位值特征数据库中的每个模板动作，在识别区域内的待识别动作对应的多个时刻下的RSS值中选取属于[X_min,X_max]范围内的RSS值，作为映射RSS值，所有映射RSS值形成该模板动作对应的映射RSS特征向量；在识别区域内的待识别动作对应的多个时刻下的相位值中选取属于[X_min,X_max]范围内的相位值，作为映射相位值，所有映射相位值形成该模板动作对应的映射相位值特征向量；其中，X_min＝(m-n)/3，其中，m为识别区域内的待识别动作对应的多个时刻下的RSS值的总个数，n为该模板动作对应的模板RSS特征向量中的元素的个数；

步骤2，对每个模板动作对应的模板RSS特征向量和映射RSS特征向量采用T-DTW算法进行处理，得到该模板动作对应的RSS距离向量R；

对每个模板动作对应的模板相位值特征向量和映射相位值特征向量采用T-DTW算法进行处理，得到该模板动作对应的相位距离向量P；

步骤3，对每个模板动作，基于该模板动作对应的RSS距离向量R，求得该RSS距离向量对应的RSS权重；基于该模板动作对应的相位距离向量P，求得该RSS距离向量对应的相位权重；基于RSS权重和相位权重，求得该模板动作与待识别动作的匹配值；选取所有匹配值的最小值对应的模板动作即为待识别动作的识别结果。

2.如权利要求1所述的动作识别方法，其特征在于，所述步骤3中的基于该模板动作对应的RSS距离向量R，求得该RSS距离向量对应的RSS权重，采用的方法如下：

步骤s1：求RSS距离向量R中的每个RSS距离值对应的多个指标的标准值，采用公式(1)计算：

其中，RR_ij为RSS距离向量R中的第i个RSS距离值对应的第j个指标的标准值，其中，j＝1,2,3；FR_ij为为RSS距离向量R中的第i个RSS距离值对应的第j个指标，FR_imin为RSS距离向量R中的第i个RSS距离值对应的所有指标的最小值；R_min为RSS距离向量R中所有RSS值的最小值；max(R-R_min)为向量R-R_min中RSS值的最大值；

步骤s2：求RSS距离向量R中的每个RSS距离值对应的每个指标的概率，采用公式(2)计算：

其中，PR_ij为RSS距离向量R中的第i个RSS距离值对应的第j个指标的概率，I为RSS距离向量R中RSS距离值的总数；

步骤s3：求RSS距离向量R中的所有RSS距离值对应的每个指标的综合信息熵，采用公式(3)计算：

其中，QR_j为RSS距离向量R中的所有RSS距离值对应的第j个指标的综合信息熵；

步骤s4：求RSS距离向量R中的所有RSS距离值对应的每个指标的权重，采用公式(4)计算：

其中，WR_j为RSS距离向量R中的所有RSS距离值对应的第j个指标的权重；

步骤s5：求RSS距离向量对应的RSS权重WR_总，采用公式(5)计算：

3.如权利要求1或2所述的动作识别方法，其特征在于，所述步骤3中的基于该模板动作对应的相位距离向量P，求得该RSS距离向量对应的相位权重；采用的方法如下：

步骤ss1：求相位距离向量P中的每个相位距离值对应的多个指标的标准值，采用公式(6)计算：

其中，RP_ij为相位距离向量P中的第i个相位距离值对应的第j个指标的标准值，其中，j＝1,2,3；FP_ij为相位距离向量P中的第i个RSS距离值对应的第j个指标，FP_imin为相位距离向量P中的第i个相位距离值对应的所有指标的最小值；P_min为相位距离向量P中所有相位距离值的最小值；max(P-P_min)为向量P-P_min中相位距离值的最大值；

步骤ss2：求相位距离向量P中的每个相位距离值对应的每个指标的概率，采用公式(7)计算：

其中，PP_ij为相位距离向量P中的第i个相位距离值对应的第j个指标的概率，M为相位距离向量P中相位距离值的总数；

步骤ss3：求每个指标的综合信息熵，采用公式(8)计算：

其中，QP_j为第j个指标的综合信息熵；

步骤ss4：求每个指标的权重，采用公式(9)计算：

其中，WP_j为第j个指标的权重；

步骤ss5：求相位距离向量P对应的相位权重WP_总，采用公式(10)计算：

4.如权利要求1所述的动作识别方法，其特征在于，所述步骤3中的基于RSS权重和相位权重，求得该模板动作与待识别动作的匹配值；采用的方法如下：

W＝AWR_总+BWP_总

其中，A和B均为常数，WR_总为RSS权重，WP_总为相位权重。

5.一种活动识别方法，其特征在于，包括以下步骤：

步骤1：求识别区域内的待识别活动对应的多个时刻下的RSS值和相位值；待识别活动包括多个待识别动作；

步骤2，对所有时刻下的RSS值和相位值均进行去噪处理，得到所有时刻下的去噪后的RSS值和相位值；所有去噪后的RSS值形成RSS特征向量，所有去噪后的相位值形成相位值特征向量；

步骤3，对RSS特征向量和相位值特征向量采用分解方法进行处理，得到每个待识别动作的开始时刻和结束时刻；根据每个待识别动作的开始时刻和结束时刻将待识别活动分解为多个待识别动作，得到每个待识别动作对应的多个时刻下的RSS值和相位值；

步骤4，基于每个待识别动作对应多个时刻下的RSS值和相位值，对待识别动作进行动作识别；

所述的基于每个待识别动作对应多个时刻下的RSS值和相位值，对待识别动作进行动作识别，为根据权利要求1-4中任一权利要求所述的动作识别方法进行动作识别。