CN110414468B - WiFi环境下基于手势信号的身份验证方法 - Google Patents
WiFi环境下基于手势信号的身份验证方法 Download PDFInfo
- Publication number
- CN110414468B CN110414468B CN201910717874.1A CN201910717874A CN110414468B CN 110414468 B CN110414468 B CN 110414468B CN 201910717874 A CN201910717874 A CN 201910717874A CN 110414468 B CN110414468 B CN 110414468B
- Authority
- CN
- China
- Prior art keywords
- csi data
- gesture
- data signal
- wifi
- dtw
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012795 verification Methods 0.000 title claims abstract description 19
- 230000000306 recurrent effect Effects 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 230000009471 action Effects 0.000 claims abstract description 14
- 238000007637 random forest analysis Methods 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 5
- 239000004575 stone Substances 0.000 abstract description 14
- 239000004744 fabric Substances 0.000 abstract description 13
- 238000013461 design Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 8
- 238000001914 filtration Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010049565 Muscle fatigue Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种WiFi环境下基于手势信号的身份验证方法,利用中国传统游戏“剪刀,石头,布”作为手势进行研究,因为它们包含手在做动作时手指、手掌和手背等空间动作。本发明对CSI数据首先利用巴特沃斯低通滤波器和PCA方法进行了降噪。特征提取阶段使用一种新的特征DTW与其它特征一起区分个体。本发明利用随机森林为特征值加入权重,设计基于LSTM循环神经网络识别个体。本发明对于10个个体区分的准确度都达95%以上,平均准确率为97.4%。
Description
技术领域
本发明涉及身份识别方法领域,具体是一种WiFi环境下基于手势信号的身份验证方法。
背景技术
近年来,随着移动设备使用的迅速增加,可靠、方便的用户认证变得越来越重要,而根据用户动作进行身份识别的方式也越来越受到重视。以往对动作识别的研究可分为三大类:基于传感器、基于视频和基于射频。
基于传感器的动作识别依赖于独特信号单元传感器,但往往需要以特定的方式佩戴来确保准确的操作,然而人们一般不喜欢身体接触。基于视频的方法会引起严重的隐私问题,同时受到光线和视线的限制,并且存在入侵性过强的问题。
基于射频(Radio Frequency,RF)的动作识别中,大多数射频信号的采集需要专用设备,其中利用低成本、普及性强的WiFi基础设施采集到的CSI(Channel StateInformation,信道状态信息)信号进行动作识别为当前研究热点。现有技术:Liu J.,DongY.,Chen Y.Leveraging Breathing for Continuous User Authentication.Proceedingsof the 24th Annual International Conference on Mobile Computing andNetworking(MobiCom),2018:786-788,其公开了一种从现有WiFi信号提取人体呼吸生物特征的方法,但无法实现对人体手势的识别。
发明内容
本发明的目的是提供一种基于WiFi手势的身份验证方法,以解决现有技术无法基于WiFi信号实现手势识别的问题。
为了达到上述目的,本发明所采用的技术方案为:
基于WiFi手势的身份验证方法,其特征在于:包括以下步骤:
(1)、使多个受试者分别处于WiFi信号覆盖区域,由每个受试者分别作出猜拳手势动作,并采集WiFi信号中的CSI数据信号;
(2)、对步骤(1)采集到的CSI数据信号进行去噪处理,以去除其中的背景噪声;
(3)、利用方差特征对步骤(2)去噪后的连续的CSI数据信号进行窗口分割,为所做的手势活动提供更细的特征粒度;
(4)、采用动态时间规整算法DTW提取每个受试者对应的CSI数据信号窗口的DTW特征值,同时从每个受试者对应的CSI数据信号序列中提取常用的特征值;
(5)、赋予步骤(4)提取的DTW特征值、各个常用的特征值不同权重;
(6)、采用LSTM循环神经网络,将各个受试者的CSI数据信号输入至LSTM循环神经网络,同时将步骤(5)得到的各个特征值的权重加载至LSTM循环神经网络,由LSTM循环神经网络进行训练得到分类识别模型;
(7)、利用分类识别模型进行手势动作识别,进而实现身份验证。
所述的基于WiFi手势的身份验证方法,其特征在于:步骤(2)中,首先采用巴特沃斯滤波器,对CSI数据信号进行滤波,以去除高频噪声;
然后采用主成分分析方法PCA,以去除经过巴特沃斯滤波器的CSI数据信号中的高斯白噪声,实现对CSI数据信号的降维,最终得到去除了背景噪声的CSI数据信号。
所述的基于WiFi手势的身份验证方法,其特征在于:步骤(4)中的动态时间规整算法DTW,以其中一个受试者的CSI数据信号序列为标准,计算其他受试者的CSI数据信号序列与作为标准的CSI数据信号序列之间的最小距离,即为其他CSI数据信号序列的DTW特征值。
所述的基于WiFi手势的身份验证方法,其特征在于:步骤(4)中的常用的特征值至少包括最大值、最小值、偏度、峰度和方差。
所述的基于WiFi手势的身份验证方法,其特征在于:步骤(5)中采用随机森林算法赋予不同特征值不同的权重。
本发明选择利用中国传统猜拳游戏“剪刀,石头,布”作为手势进行研究,因为它们包含手在做动作时手指、手掌和手背等空间动作。本发明对WiFi信号中的CSI数据首先利用巴特沃斯低通滤波器和PCA方法进行了降噪。特征提取阶段使用一种新的特征DTW与其它特征一起区分个体。本发明利用随机森林为特征值加入权重,设计基于LSTM循环神经网络识别个体。
本发明对于10个体区分的准确度都达95%以上,平均准确率为97.4%。因此本发明可以用于小型办公环境或智能家居,与智能设备进行个性化交互,本发明与现有技术相比,能够实现基于WiFi信号的小规模人群猜拳手势动作识别,并具有准确率高的优点。
附图说明
图1是本发明中利用WiFi信号进行身份验证的Wi-ID系统概述框图。
图2是本发明具体实施例中去噪结果图,其中:
图(a)是滤波前30个子载波的CSI信号,图(b)是滤波后30个子载波的CSI信号,图(c)是滤波前CSI信号的热度图,图(d)是滤波后CSI信号的热度图。
图3是本发明具体实施例中受试者动作时间序列信号的比较图,其中:
图(a)是传统比较:欧氏距离,图(b)是DTW动态时间流。
图4是本发明具体实施例中手势的DTW特征,其中:
图(a)是志愿者1的标准手势,图(b)是志愿者1的测试手势,图(c)是志愿者2的测试手势。
图5是本发明实验评估时实验数据采集示意图,其中:
图(a)是手势“剪刀”,图(b)是手势“石头”,图(c)是手势“布”。
图6是本发明实验评估时个体区分的准确度。
图7是本发明实验评估时LSTM循环神经网络进行手势识别个体的结果,其中:
图(a)是用户识别的混淆矩阵,图(b)是正确率/召回率/F1-分。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
基于WiFi手势的身份验证方法,包括以下步骤:
(1)、如图1所示,采用Wi-ID发送器产生WiFi信号,由Wi-ID发送器定时传输(或广播)能够提取CSI信息的WiFi数据包。使多个受试者分别处于WiFi信号覆盖区域,由每个受试者分别作出猜拳手势动作(包括石头、剪刀、布),要求受试者之前未接受过任何表演培训,确保手势自然。采集WiFi信号中的CSI数据信号。
(2)、对步骤(1)采集到的CSI数据信号进行去噪处理,以去除其中的背景噪声。
本发明首先对初步得到的实验数据进行处理。由于采集数据时会有其他非测试人员动作的干扰或由硬件故障引起的异常,会对Wi-Fi信道产生影响,其CSI也会发生变化,因此对于接收到的原始数据,本发明首先进行了降噪。
根据背景噪声的频率相对于人做手势的频率要高得多,故对采集到的信号做巴特沃斯低通滤波操作,去除所采集到的信号中的高频噪声部分。
巴特沃斯滤波器的频率响应在通带中最大平坦,并在阻带中向零处滚动。归一化巴特沃斯滤波器在频域定义如下:
ωc为截止频率,即为振幅下降3分贝时的频率。当本发明以Fs=1000个样本/秒的速率采样CSI值时,实验中观察到,CSI时间序列中由于手和手指的运动而产生的变化频率最高到15hz,即f=15hz,因此设置了巴特沃斯低通滤波器的截止频率ωc为:
其中,f是信号的频率。通过巴特沃斯滤波器去除了所采集到的信号中的高频噪声部分。
但是简单的低通滤波器无法有效地滤除噪声,而严格的低通滤波器会在移除噪声的同时造成信号中有用信息的损失。通过分析采集到的CSI信号,可以发现CSI信号有多个子载波,但是CSI的能量集中在某些子载波上,并且由于背景噪声在多个子载波间的相关性要小,而人做手势是连续的,人的动作在不同信道上是有相关性的,因此对于处理多径和噪声问题,本发明采用了主成分分析方法PCA进行处理。对于给定如下信号:
其中,有用信号为n个频率不同且幅值相位不相同的余弦函数之和,t为时间,ai和ωi分别为第i个余弦函数的振幅和角频率,为初相,为第i个余弦函数的相位,噪声信号n(t)为高斯白噪声,本发明现在要用主成分分析PCA将高斯白噪声从x(t)中滤掉并对CSI数据进行降维。可以把有用的信号理解为主要维度,它的“能量”是比较大的,且可以用方差表示。而噪声信号可以理解为其它维度,与有用信号彼此不是很相关,但还是存在一点相关性。经过PCA方法,它们彼此之间的维度不相关,然后去掉多余的维度,只留下有用信号。通过对数据的处理,进一步去除了背景噪声,而且进一步减少计算量,对提高系统运行效率有很大的作用。
图2是在实验中志愿者做“剪刀、石头、布”对WiFi信号影响的CSI信号的30个子载波的图。在实验中,志愿者连续做十分钟的手势,每个“剪刀、石头、布”手势后,暂停几秒,从图2(a)中可以发现,手势信号是有非常规律的:在刚开始阶段,信号上下波动缓慢;接着波动加快;过一段时间后,信号波动又慢下来;快结束时,信号波动加快再减慢直至结束。这是因为所做手势的力度不是一直保持不变的。通过分析知道,刚开始由于动作不娴熟,比较缓慢;经过不断的做手势熟练后,动作速度加快;再经过一段时间后,由于肌肉的疲劳,速度减慢;快结束时,实验者会下意识的加快动作,然后速度减慢直至结束。
经过去噪,结果如图2(b)所示,更明显的看到手势的变化,各个信道之间的交叉明显减少,去除了背景噪声的影响。
通过图2(c)与图2(d)滤波前后CSI数据的热度图,也可以很明显的看到经滤波后,能量集中体现在低频率段,这主要是因为本发明采用了巴特沃斯滤低通滤波器。
(3)、利用方差特征对步骤(2)去噪后的连续的CSI数据信号进行窗口分割,为我们所做的手势活动提供更细的特征粒度;
为了最后精确识别出个体,需要从CSI测量数据中捕捉手势的独特可靠的特征作为识别模型的输入向量。本发明将描述Wi-ID如何完成特征选择和提取。CSI流由30×Nt×Nr个子载波组成。考虑到运动部分与静止部分之间存在显著差异的信道数据的特征是方差。因此,本发明利用方差特征对连续信号进行分割,分割算法如下:
1.初始化参数win,v,va。其中win为CSI信号窗口大小,窗口越小分辨率越高;v为阈值,经验值通常在3到4之间,本发明选择3;va为第一个窗口的方差。然后将窗口向前移动;
2.记录开始点。计算当前窗口的方差vn。
若vn>v·va,标记为所做手势的起始点,将此点添加到起始点集,并转到步骤3。
若vn<v·va,则将窗口向前移动,重复步骤2;
3.记录结束点。将窗口向前移动,直到找到方差小于v·va的窗口,将窗口的当前端点添加到结束端点集并将窗口向前移动,转到步骤2;
4.合并相邻起始点。所做的手势剪刀、石头、布之间存在停顿,但本发明用三个手势来整体识别个体,因此对整个信号序列进行扫描时,找到任何相邻距离不超过1.5win的段将它们合并为一个手势。
(4)、采用动态时间规整算法DTW提取每个受试者对应的CSI数据信号窗口的DTW特征值,同时从每个受试者对应的CSI数据信号序列中提取常用的特征值。
将数据进行窗口分割后,本发明再进行特征的提取。本发明利用了一种特征动态时间规整算法DTW(Dynamic Time Warping)来比较不同志愿者对应CSI数据信号序列间的相似性。
本发明需要比较序列间的相似性。由于每个志愿者所做的“剪刀、石头、布”手势的速度是不同的,所得到的CSI数据信号长度不太可能完全相同,如图3(a)所示,传统的欧式距离无法有效地计算出两个序列之间的相似性。但是,在图3(b)中,使用DTW通过找到这两个CSI信号波形上相对应的点来得到它们的距离相对来说更加准确。
本发明所提取的特征就是以某个志愿者的一个手势CSI数据流为标准,然后计算其他CSI数据流与该CSI数据流之间的最小距离即为DTW特征值。
接下来介绍DTW的计算方法,设两个CSI序列分别为A和B,它们的长度分别为m和n,具体表示如下:
A=a1,a2,a3,…,ai,…,an,
B=b1,b2,b3,…,bj,…,bm,
其中ai表示A的第i帧的振幅,bj表示B的第j帧振幅。
定义ai与bj之间的DTW如下所示:
DTW(i,j)=d(ai,bj)+min{DTW(i-1,j-1),DTW(i-1,j),DTW(i,j-1)},
其中,d(ai,bj)表示ai和bj的欧式距离。从(0,0)点开始匹配这两个序列,到达终点(n,m)后,即为本发明所求DTW(n,m),也就是A和B的相似度。
如图4所示,在图4(a)-(b)是同一位志愿者的两次实验对应手势信号,图4(c)为另一位志愿者的手势信号,本发明比较两个序列的DTW。以图4(a)为标准,经过计算,图4(b)的DTW为213.45,而图4(c)的DTW为876.26。由此本发明明显的判断出图4(a)与(b)为同一个人的手势信号,达到识别个体的目的,因此本发明所选的DTW特征值具有比较好的实验效果。
然后提取常用的特征值包括最大值,最小值,偏度,峰度和方差。这类CSI特征提取自单个运动段内的30个子载波。
(5)、赋予步骤(4)提取的DTW特征值、各个常用的特征值不同权重;
本发明最终采用LSTM(Long Short-Term Memory)循环神经网络来识别个体。考虑到提取的DTW特征值,最大值,最小值,偏度,峰度和方差对于整个识别模型的贡献不同,本发明利用随机森林(Random Forest,RF)加入权重的思想,然后设计LSTM循环神经网络来识别用户。
假设x1,x2,…,x6分别代表本发明所提取的六个特征值(DTW特征值,最大值,最小值,偏度,峰度和方差),在RF的每棵树中,使用随机抽取的训练自主样本建树,并且计算了袋外数据(out of bag,OOB)的错误率。依据一个特征如果很重要,那么变动后对于测试误差会产生非常大的影响,若测试误差没有明显改变则说明该特征不重要的原理,本发明先用OOB样本得到误差e1,然后随机改变OOB中第j列数据,其它保持不变,所用的方法是对j列进行随机的上下置换可以得到误差e2。本发明用e1-e2刻画特征j的重要性,然后标准化处理后取平均值得到xj的置换重要性
其中,是第i棵树袋外数据的观测数,I(·)为指示函数,Yp∈{0,1}为第p个观测的真实结果,是随机置换前的观察结果,改变OOB中第j列数据记为πj,是随机置换后第i棵树对OOB数据第p个观测的预测结果。
(6)、采用LSTM循环神经网络,将各个受试者的CSI数据信号输入至LSTM循环神经网络,同时将步骤(5)得到的各个特征值的权重加载至LSTM循环神经网络,由LSTM循环神经网络进行训练得到分类识别模型;
本发明使用LSTM循环神经网络来进行训练。具体来说,LSTM的输入向量由30个子载波提取的CSI数据组成。本发明用手势数据的70%进行训练,30%用于测试。在训练之前,需要为其贴上标签,然后依照本发明所设定的训练次数,模型进行训练,最终得到训练好的模型。然后将本发明的测试数据送入模型进行训练,得到预测值的概率。
与传统的分类器,例如SVM相比,本发明利用随机森林计算得到不同特征的权重,然后基于LSTM循环神经网络的方法能够较好地识别个体,达到目的。单靠特征空间变换,即SVM,典型的CSI读数存在由微小传播路径变化引起的复杂信号漂移。因此,传统的分类器,例如SVM要求测试数据位于使用轮廓样本学习的超平面附近,不能很好地进行个体识别。因此,本发明利用LSTM循环神经网络模型来捕获成分,并减轻多路径效应。
(7)、最终利用分类识别模型进行手势动作识别,进而实现身份验证。
实验评估:
本发明通过实验来评估验证方法的性能。本发明方法可采用现有的商用硬件设备来实现。两台PC作为收发设备,网卡为Intel Link 5300无线网卡。在Ubuntu14.04版本中,这两台电脑配备了英特尔酷睿i3处理器,4GB内存。发射天线为1根,接收天线为3根。发射天线与接收天线之间的间距为1m,均水平放置于地面以上,做手势距离发射天线20cm。传输设备的发送频率为1000HZ。当收集数据时,不限制房间里其他人的正常活动,只是在实验区域不允许有非志愿者的活动,以免对数据造成影响。
本发明从如图5所示的实验室环境中收集训练和测试的数据集。在实验中,有10名志愿者(5名男性,5名女性)参与实验数据的收集,他们的年龄从20岁到26岁。本发明实验的10名志愿者都是大学生,他们自愿参加实验。由于本发明设计目标是大家做“剪刀、石头、布”时识别出是哪个志愿者做出的手势,所以要求所有志愿者做“剪刀、石头、布”十分钟。对所采集到的数据进行分割,使得训练集与测试集数据大小比例为7比3。
本发明使用三个分类器来评估识别做“剪刀、石头、布”的用户的精度,它们是SVM、决策树和本文设计的基于LSTM循环神经网络方法。如上实验所述,让10个用户分别做手势实验。根据前面提到的利用方差切割窗口的算法分割窗口,然后提取相应的DTW,最大值,最小值,偏度,峰度和方差六个特征值,最后送入分类模型进行识别。
在识别分类做“剪刀、石头、布”的不同用户时,SVM,决策树和基于LSTM循环神经网络方法的准确率分别为96.68%,96.52%和97.4%,说明了基于神经网络的深度学习方法比传统方法在提取特征后识别分类能取得更好的效果,因此在实际实验中本发明采用了基于LSTM循环神经网络方法。
图6表示不同个体区分的准确度,横轴代表用户(志愿者),纵轴表示准确度。由于每个人的运动习惯不同,所以得到的准确度也不同。实验结果表明,10个个体区分的准确度都达95%以上,平均准确率为97.4%,对于志愿者6号,由于其手势动作标准,且速度保持均匀,准确度达到了100%。也存在少数志愿者在做手势时因自身发生人为错误而导致准确率降低现象。
图7显示本发明提出的LSTM循环神经网络模型的优势。其中,图7(a)为用户识别的混淆矩阵,图7(b)为模型的精确率、召回率和F1值。这里,可以看出本发明所提出的系统能够高效地通过“剪刀、石头、布”手势识别出用户。
本发明所述的实施例仅仅是对本发明的优选实施方式进行的描述,并非对本发明构思和范围进行限定,在不脱离本发明设计思想的前提下,本领域中工程技术人员对本发明的技术方案作出的各种变型和改进,均应落入本发明的保护范围,本发明请求保护的技术内容,已经全部记载在权利要求书中。
Claims (5)
1.WiFi环境下基于手势信号的身份验证方法,其特征在于:包括以下步骤:
(1)、使多个受试者分别处于WiFi信号覆盖区域,由每个受试者分别作出猜拳手势动作,并采集WiFi信号中的CSI数据信号;
(2)、对步骤(1)采集到的CSI数据信号进行去噪处理,以去除其中的背景噪声;
(3)、利用方差特征对步骤(2)去噪后的连续的CSI数据信号进行窗口分割,为所做的手势活动提供更细的特征粒度;
(4)、采用动态时间规整算法DTW提取每个受试者对应的CSI数据信号窗口的DTW特征值,同时从每个受试者对应的CSI数据信号序列中提取常用的特征值;
(5)、赋予步骤(4)提取的DTW特征值、各个常用的特征值不同权重;
(6)、采用LSTM循环神经网络,将各个受试者的CSI数据信号输入至LSTM循环神经网络,同时将步骤(5)得到的各个特征值的权重加载至LSTM循环神经网络,由LSTM循环神经网络进行训练得到分类识别模型;
(7)、利用分类识别模型进行手势动作识别,进而实现身份验证。
2.根据权利要求1所述的基于WiFi手势的身份验证方法,其特征在于:步骤(2)中,首先采用巴特沃斯滤波器,对CSI数据信号进行滤波,以去除高频噪声;
然后采用主成分分析方法PCA,以去除经过巴特沃斯滤波器的CSI数据信号中的高斯白噪声,实现对CSI数据信号的降维,最终得到去除了背景噪声的CSI数据信号。
3.根据权利要求1所述的基于WiFi手势的身份验证方法,其特征在于:步骤(4)中的动态时间规整算法DTW,以其中一个受试者的CSI数据信号序列为标准,计算其他受试者的CSI数据信号序列与作为标准的CSI数据信号序列之间的最小距离,即为其他CSI数据信号序列的DTW特征值。
4.根据权利要求1所述的基于WiFi手势的身份验证方法,其特征在于:步骤(4)中的常用的特征值至少包括最大值、最小值、偏度、峰度和方差。
5.根据权利要求1所述的基于WiFi手势的身份验证方法,其特征在于:步骤(5)中采用随机森林算法赋予不同特征值不同的权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717874.1A CN110414468B (zh) | 2019-08-05 | 2019-08-05 | WiFi环境下基于手势信号的身份验证方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910717874.1A CN110414468B (zh) | 2019-08-05 | 2019-08-05 | WiFi环境下基于手势信号的身份验证方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414468A CN110414468A (zh) | 2019-11-05 |
CN110414468B true CN110414468B (zh) | 2022-10-21 |
Family
ID=68365895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910717874.1A Active CN110414468B (zh) | 2019-08-05 | 2019-08-05 | WiFi环境下基于手势信号的身份验证方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414468B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113116294A (zh) * | 2019-12-30 | 2021-07-16 | 上海际链网络科技有限公司 | 人员身体状况的监测方法及装置 |
CN111698258B (zh) * | 2020-06-18 | 2023-02-07 | 上海第二工业大学 | 一种基于WiFi的环境入侵检测方法和系统 |
CN111913575B (zh) * | 2020-07-24 | 2021-06-11 | 合肥工业大学 | 一种手语词的识别方法 |
CN112883348A (zh) * | 2021-02-05 | 2021-06-01 | 西安电子科技大学 | 基于运动特征的身份验证方法、装置、设备及计算机存储介质 |
CN113449587B (zh) * | 2021-04-30 | 2023-04-18 | 北京邮电大学 | 一种人体行为识别和身份认证方法、装置和电子设备 |
CN113286309B (zh) * | 2021-05-18 | 2023-02-07 | 合肥工业大学 | 基于csi的异构通信方法及系统 |
CN114198875B (zh) * | 2021-12-08 | 2023-03-10 | Tcl空调器(中山)有限公司 | 空调器控制方法、装置、设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951757B (zh) * | 2015-06-10 | 2018-11-09 | 南京大学 | 一种基于无线信号的动作检测和识别的方法 |
CN105844216B (zh) * | 2016-03-11 | 2020-10-27 | 南京航空航天大学 | 一种利用WiFi信号识别手写字母的检测与匹配机制 |
CN109325399B (zh) * | 2018-07-13 | 2021-11-19 | 哈尔滨工程大学 | 一种基于信道状态信息的陌生人手势识别方法及系统 |
-
2019
- 2019-08-05 CN CN201910717874.1A patent/CN110414468B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110414468A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414468B (zh) | WiFi环境下基于手势信号的身份验证方法 | |
CN106407905B (zh) | 基于机器学习的无线感知动作识别方法 | |
Ali et al. | Recognizing keystrokes using WiFi devices | |
Zhang et al. | Wifi-id: Human identification using wifi signal | |
Ali et al. | Keystroke recognition using wifi signals | |
Lin et al. | WiAU: An accurate device-free authentication system with ResNet | |
US20190087654A1 (en) | Method and system for csi-based fine-grained gesture recognition | |
Wang et al. | WiCAR: WiFi-based in-car activity recognition with multi-adversarial domain adaptation | |
Al-Naffakh et al. | Unobtrusive gait recognition using smartwatches | |
Alazrai et al. | An end-to-end deep learning framework for recognizing human-to-human interactions using Wi-Fi signals | |
Gu et al. | BeSense: Leveraging WiFi channel data and computational intelligence for behavior analysis | |
Salehinejad et al. | Litehar: Lightweight human activity recognition from wifi signals with random convolution kernels | |
US10885361B2 (en) | Biometric method and device for identifying a person through an electrocardiogram (ECG) waveform | |
CN108629170A (zh) | 身份识别方法以及相应的装置、移动终端 | |
Zhu et al. | Wi-ATCN: Attentional temporal convolutional network for human action prediction using WiFi channel state information | |
CN110059612A (zh) | 一种基于信道状态信息的位置无关的手势识别方法及系统 | |
Zhang et al. | Wi-PIGR: Path independent gait recognition with commodity Wi-Fi | |
CN110929242A (zh) | 基于无线信号进行姿态无关的连续用户认证方法及系统 | |
CN111262637B (zh) | 一种基于Wi-Fi信道状态信息CSI的人体行为识别方法 | |
Zeeshan et al. | CSI-based device-free joint activity recognition and localization using Siamese networks | |
Shi et al. | Deep learning networks for human activity recognition with CSI correlation feature extraction | |
Qin et al. | WiASL: American sign language writing recognition system using commercial WiFi devices | |
CN114465678A (zh) | 一种基于深度学习的复杂活动wifi感知方法 | |
Zhang et al. | Complex motion detection based on channel state information and lstm-rnn | |
CN109918994A (zh) | 一种基于商用Wi-Fi的暴力行为检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |