CN109670434B - 基于无线信道状态信息的坐姿时长检测方法 - Google Patents

Abstract

本发明采用一种基于无线信道状态信息的坐姿时长检测方法，包括：将被监测区域按有、无人员处于坐姿状态分为两种情况，分别采集这两种情况下的信道状态信息幅度数据；对采集到的数据首先去除离群值，然后基于小波变换实现低通滤波，接着利用主成分分析（PCA）算法降低数据维度，最后计算第二、三、四主成分的方差值作为SVM训练的样本；利用样本训练得出基于SVM的分类模型；实时采集信道状态信息，根据分类模型对被监测区域是否有人员处于坐姿状态进行判别，如果有人员在被监测区域内保持坐姿，则记录保持坐姿的时长。本发明实现了无线网络信道状态信息数据和支持向量机技术的结合，与现有技术相比，提高了坐姿状态判别的准确率。

Description

基于无线信道状态信息的坐姿时长检测方法

技术领域

本发明涉及室内人员的身体姿态判断和支持向量机技术领域，特别涉及一种基于无线信道状态信息的坐姿时长检测方法。

背景技术

目前，基于WiFi信号的室内人员感知技术，有着广泛的应用，例如静止状态下的人员检测、室内定位、人员活动识别等。

C.Wu等人于2015年在IEEE Journal on Selected Areas in Communications上发表的论文“Non-Invasive Detection of Moving and Stationary Human With WiFi”中提出基于CSI的幅度和相位信息的人员检测系统DeMan，通过检测人员呼吸来判断被监测区域是否有处于静止状态的人员存在，但是该方法并没有考虑到被监测人员的年龄、性别、身材等可能会影响呼吸速率的因素，因此不能够广泛推广和使用。

X.Li等人于2016年在Proceedings of ACM International Joint Conferenceon Pervasive and Ubiquitous Computing(UbiComp)上发表的论文“Dynamic-MUSIC:Accurate Device-free Indoor Localization”中提出了基于信号到达角度(Angle OfArrival,AOA)的定位系统MaTrack，通过分析不同子载波的CSI相位变化，计算目标反射信号的方向，从而实现定位，但是当目标处于静止状态时，定位精度就会下降，不能达到预期定位要求。

H.Li等人于2016年在Proceedings of ACM International Joint Conferenceon Pervasive and Ubiquitous Computing(UbiComp)上发表的论文“WiFinger:Talk toYour Smart Devices with Finger-grained Gesture”中提出了手势识别系统WiFinger，不同的手势动作会产生不同的信道状态信息数据，通过检测信道状态信息数据来完成手势识别，但是该方法能够识别的手势有限，而且识别准确率也不是很高。

发明内容

本发明的目的旨在提供一种基于无线信道状态信息的坐姿时长检测方法，用于解决室内人员状态判别准确率不高，且易受到无关人员干扰等问题。

本发明提供一种基于无线信道状态信息的坐姿时长检测方法，包括了：S1、将被监测区域按有、无人员处于坐姿状态分为两种情况，分别采集这两种情况下的信道状态信息幅度数据；S2、对采集到的数据进行处理，得到用于SVM训练的样本，其中处理过程包括：S21、利用hampel identifier方法去除离群值；S22、基于小波变换实现低通滤波；S23、利用主成分分析(PCA)算法降低数据维度并计算主成分的方差值；S3、利用样本训练得出基于SVM的分类模型；S4、实时采集信道状态信息数据，根据分类模型，对被监测区域是否有人员处于坐姿状态进行判别，如果有人员在被监测区域内保持坐姿，则记录保持坐姿的时长。

进一步地，所述步骤S2可以包括：

S21、每个采集到的数据包中包含了30个子载波的幅度和相位信息，将每个数据包中的子载波幅度数据提取出来，以300个数据包为一组，构造若干个30*300的矩阵，每一个矩阵经过以下的处理步骤：

采集到的数据会受到环境噪声的影响，这些影响会在数据中产生离群值，而离群值会干扰最终的状态识别结果，本发明使用hampel identifier方法去除离群值：

首先，将30*300矩阵A进行转置得到矩阵A^T，输入A^T第一个列向量x₁,x₂,…x_i，其中x_i表示第1个子载波的第i个CSI幅度值，设置滑动窗口宽度2k；

接着，计算中位数m_i，其中m_i＝median(x_i-k,x_i-k+1,…,x_i,…,x_i+k-1,x_i+k)，median(·)为中位数的计算公式，x_i表示第i个CSI幅度值；

然后，计算标准偏差σ_i，其中σ_i＝1.4826×median(|x_i-k-m_i|,…,|x_i+k-m_i|)，|x_i-m_i|表示第i个CSI幅度值与对应的中位数m_i的差值|x_i+k-m_i|表示第i+k个CSI幅度值与对应的中位数m_i的差值；

最后，根据离群值判决条件|x_i-m_i|>n_σσ_i来判断x_i是否为离群值，其中n_σ是阈值，σ_i为标准偏差，若判决条件成立，则表明x_i是离群值，此时用m_i代替x_i，若判决条件不成立，则表明x_i不是离群值，不需要做任何处理，将30个列向量均用hampel identifier方法处理以后，得到的是300*30的矩阵B。

S22、采集到的原始数据中会包含诸如电磁干扰，温湿度变化等带来的高频噪声，为了减少这些噪声干扰，采用基于小波变化的低通滤波法滤除噪声：

首先，将带有噪声的输入信号即矩阵B进行转置得到矩阵B^T，对B^T行向量进行l层小波分解；

接着，分别得到每次分解的近似系数(又称为低频分量)和细节系数(又称为高频分量)，对每一层的高频分量，选择阈值进行量化处理，实现滤波功能；

最后，根据每一层的高频分量和第l层的低频系数，实现信号重构，当矩阵中所有的行向量均经过滤波以后，得到的是30*300的矩阵C。

S23、由于采集的样本中包含了很多数据包的子载波幅度数据，这些数据之间是有着相互关联的，为了减少数据的冗余性，利用PCA算法进行降维：

首先，对数据进行初始化，将矩阵C转置，再计算每个列向量的均值，每一列向量中的元素均减去该列向量的均值，得到均值为0的矩阵D；

接着，求矩阵D的协方差矩阵和协方差矩阵对应的特征值以及特征向量；

然后、将特征值按照从大到小的顺序排列，选出最大的4个，将4个特征值对应的4组特征向量构造成一组变换基，用初始化后的矩阵D乘以变换基即可得到第一至第四主成分，由于第一主成分中包含较多噪声，因此只保留第二、三、四主成分；

最后、分别计算三个主成分的方差，将得到的方差作为支持向量机的输入。

进一步地，所述步骤S3可以包括：

利用支持向量机实现分类，就是在两组样本之间寻找超平面，使得样本可以被分隔开，训练的目的是寻找一个超平面，使得离超平面比较近的点能有更大的间距：

首先，根据定义构造优化公式maxg(w,b)，其中g(w,b)表示样本点到超平面的几何距离，其中w超平面的为法向量，b为截距，输入所有的样本数据和对应的标签，有人坐在被监测区域的标签值为“-1”，没人坐在被监测区域的标签值为“1”；

接着，转换优化公式，并引入限制条件；

然后，构造拉格朗日函数L(w,b,α)，其中L(·)为拉格朗日函数，w超平面的为法向量，b为截距，α为拉格朗日乘子，且α≥0，分别对w,b求偏导，带入转换以后的优化公式，求解得出α最优解α^*；

再接着，根据拉格朗日乘子最优解α^*，解出超平面法向量w的最优解w^*和截距b的最优解b^*；

最后，得出分类平面w^*·x+b^*＝0，其中x为输入样本，w^*为法向量的最优解，b^*为截距的最优解，以及分类模型决策函数f(x)＝sgn(w^*·x+b^*)，其中sgn(·)为符号函数。

进一步地，所述步骤S4可以包括：

实时采集信道状态信息幅度数据，按照步骤S2所描述的过程进行处理，得到3个方差值，根据训练得出的SVM分类模型，判断当前被监测位置是否有人员处于坐姿状态，当模型的输出值为“-1”时，表明当前被监测位置有人员保持坐姿，此时开始计时，直到模型的输出值为“1”时，表示被监测位置没有人员处于坐姿状态，则停止计时，按照上述步骤就可以实现人员坐姿时长的检测。

附图说明

图1是基于无线信道状态信息的坐姿时长检测方法原理图；

图2是主成分分析算法原理图；

图3是支持向量机算法原理图。

具体实施方式

本发明所述的基于无线信道状态信息的坐姿时长检测方法，具体实施方式包含以下几个步骤：

(1)将被监测区域按有、无人员处于坐姿状态分为两种情况，分别采集这两种情况下的信道状态信息幅度数据，主要过程包括：

1)选取在身高、年龄、身材上均有差异的男、女志愿者各8人；

2)设置数据包的采集时间间隔为0.01s，即1秒钟可以采集100个数据包；

3)在志愿者坐在被检测区域时，连续采集10分钟，共可获得60000个数据包，在没有志愿者坐在被检测区域时，也连续采集10分钟，共可获得60000个数据包；

4)将两种情形下的数据包以300个为一组，经后续处理以后用于训练。

(2)对采集到的数据进行处理，得到用于SVM训练的样本，其中处理过程包括

1)利用hampel identifier方法去除离群值：

每个采集到的数据包中包含了30个子载波的幅度和相位信息，将每个数据包中的子载波幅度数据提取出来，以300个数据包为一组，构造若干个30*300的矩阵，每一个矩阵经过以下的处理步骤：

首先，将30*300矩阵A进行转置得到矩阵A^T，输入A^T第一个列向量x₁,x₂,…x_i，其中x_i表示第1个子载波的第i个CSI幅度值，设置滑动窗口宽度2k；

接着，计算中位数m_i，

m_i＝median(x_i-k,x_i-k+1,…,x_i,…,x_i+k-1,x_i+k) (1)

其中，median(·)为中位数的计算公式，x_i表示第i个CSI幅度值；

然后，计算标准偏差σ_i，

σ_i＝κ×median(|x_i-k-m_i|,…,|x_i+k-m_i|) (2)

其中|x_i-m_i|表示第i个CSI幅度值与对应的中位数m_i的差值，κ≈1.4826；

最后，对于离群值判别条件，

|x_i-m_i|>n_σσ_i (3)

判决条件成立，则表明x_i是离群值，此时用m_i代替x_i，若判决条件不成立，则表明x_i不是离群值，不需要做任何处理，将30个列向量均用hampel identifier方法处理以后，得到的是300*30的矩阵B。

2)基于小波变换实现低通滤波：

采集到的原始数据中会包含诸如电磁干扰，温湿度变化等带来的高频噪声，为了减少这些噪声干扰，采用基于小波变化的低通滤波法滤除噪声：

首先，将带有噪声的输入信号即矩阵B进行转置得到矩阵B^T，对B^T行向量进行l层小波分解；

接着，分别得到每次分解的近似系数(又称为低频分量)和细节系数(又称为高频分量)，对每一层的高频分量，选择阈值进行量化处理，实现滤波功能；

最后，根据每一层的高频分量和第l层的低频系数，实现信号重构，当矩阵中所有的行向量均经过滤波以后，得到的是30*300的矩阵C。

3)利用主成分分析(PCA)算法降低数据维度并计算主成分的方差值：

由于采集的样本中包含了很多数据包的子载波幅度数据，这些数据之间是有着相互关联的，为了减少数据的冗余性，利用PCA算法进行降维：

首先，对数据进行初始化，将矩阵C转置，再计算每个列向量的均值，每一列向量中的元素均减去该列向量的均值，得到均值为0的矩阵D；

接着，求矩阵D的协方差矩阵和协方差矩阵对应的特征值以及特征向量；

然后、将特征值按照从大到小的顺序排列，选出最大的4个，将4个特征值对应的4组特征向量构造成变换矩阵，用初始化后的矩阵D乘以变换基即可得到第一至第四主成分，由于第一主成分中包含较多噪声，因此只保留第二、三、四主成分；

最后、分别计算三个主成分的方差，将得到的方差作为支持向量机的输入。

(3)利用样本训练得出基于SVM的分类模型：

利用支持向量机实现分类，就是在两组样本之间寻找超平面，使得样本可以被分隔开，训练的目的是寻找一个超平面，使得离超平面比较近的点能有更大的间距：

首先，根据定义构造优化公式maxg(w,b)，其中g(w,b)表示样本点到超平面的几何距离，其中w超平面的为法向量，b为截距，输入所有的样本数据和对应的标签，有人坐在被监测区域的标签值为“-1”，没人坐在被监测区域的标签值为“1”；

然后，构造拉格朗日函数L(w,b,α)，其中L(·)为拉格朗日函数，w超平面的为法向量，b为截距，α为拉格朗日乘子，且α≥0，分别对w,b求偏导，带入转换以后的优化公式，求解得出α最优解α^*；

再接着，根据拉格朗日乘子最优解α^*，解出超平面法向量w的最优解w^*和截距b的最优解b^*；

最后，得出分类平面

w^*·x+b^*＝0 (4)

其中x为输入样本，w^*为法向量的最优解，b^*为截距的最优解，以及分类模型决策函数

f(x)＝sgn(w^*·x+b^*) (5)

(4)实时采集信道状态信息数据，根据分类模型，对被监测区域是否有人员处于坐姿状态进行判别，如果有人员在被监测区域内保持坐姿，则记录保持坐姿的时长：

实时采集信道状态信息幅度数据，按照步骤(2)中所描述的过程进行处理，得到3个方差值，根据训练得出的SVM分类模型，判断当前被监测位置是否有人员处于坐姿状态，当模型的输出值为“-1”时，表明当前被监测位置有人员保持坐姿，此时开始计时，直到模型的输出值为“1”时，表示被监测位置没有人员处于坐姿状态，则停止计时，按照上述步骤就可以实现人员坐姿时长的检测。

Claims (1)

1.一种基于无线信道状态信息的坐姿时长检测方法，其特征在于，包括：

S1、将被监测区域按有、无人员处于坐姿状态分为两种情况，分别采集这两种情况下的信道状态信息幅度数据；

S2、对采集到的数据进行处理，得到用于支持向量机(SVM)训练的样本，其中处理过程包括：

S21、每个采集到的数据包中包含了30个子载波的幅度和相位信息，将每个数据包中的子载波幅度数据提取出来，以300个数据包为一组，构造若干个30*300的矩阵，每一个矩阵经过以下的处理步骤：

采集到的数据会受到环境噪声的影响，这些影响会在数据中产生离群值，而离群值会干扰最终的状态识别结果，使用hampel identifier方法去除离群值：

首先，将30*300矩阵A进行转置得到矩阵A^T，输入A^T第一个列向量x₁,x₂,…x_i，其中x_i表示第1个子载波的第i个信道状态信息(CSI)幅度值，设置滑动窗口宽度2k；

接着，计算中位数m_i，其中m_i＝median(x_i-k,x_i-k+1,…,x_i,…,x_i+k-1,x_i+k)，median(·)为中位数的计算公式，x_i表示第i个CSI幅度值；

然后，计算标准偏差σ_i，其中σ_i＝1.4826×median(|x_i-k-m_i|,…,|x_i+k-m_i|)，|x_i-k-m_i|表示第i-k个CSI幅度值与对应的中位数m_i的差值，|x_i+k-m_i|表示第i+k个CSI幅度值与对应的中位数m_i的差值；

最后，根据离群值判决条件|x_i-m_i|>n_σσ_i来判断x_i是否为离群值，其中n_σ是阈值，σ_i为标准偏差，若判决条件成立，则表明x_i是离群值，此时用m_i代替x_i，若判决条件不成立，则表明x_i不是离群值，不需要做任何处理，将30个列向量均用hampel identifier方法处理以后，得到的是300*30的矩阵B；

S22、基于小波变换实现低通滤波；

S23、利用主成分分析(PCA)算法降低数据维度并计算主成分的方差值；

S3、利用样本训练得出基于支持向量机的分类模型；

S4、实时采集信道状态信息数据，根据分类模型，对被监测区域是否有人员处于坐姿状态进行判别，如果有人员在被监测区域内保持坐姿，则记录保持坐姿的时长。

Images