CN110569891A - 基于WiFi的被动式坐姿时长检测方法 - Google Patents
基于WiFi的被动式坐姿时长检测方法 Download PDFInfo
- Publication number
- CN110569891A CN110569891A CN201910796418.0A CN201910796418A CN110569891A CN 110569891 A CN110569891 A CN 110569891A CN 201910796418 A CN201910796418 A CN 201910796418A CN 110569891 A CN110569891 A CN 110569891A
- Authority
- CN
- China
- Prior art keywords
- sitting
- wifi
- sitting posture
- detection method
- posture duration
- 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
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于WiFi的被动式坐姿时长检测方法,包括:首先对采集到的信道状态信息CSI数据进行预处理,其中处理过程包括:先利用hampel identifier方法去除离群值,再基于小波变换实现低通滤波,然后对预处理后的CSI序列进行动作分割,接着基于SVM的起坐动作识别,最后根据起坐动作计算坐姿时长。本发明提供的基于WiFi的被动式坐姿时长检测方法,能够提高坐姿时长的精度。
Description
技术领域
本发明涉及无线网络技术领域,特别涉及一种基于WiFi的被动式坐姿时长检测方法。
背景技术
随着移动设备和无线技术的快速发展,WiFi基础设施无处不在,而且很容易获取WiFi数据,故WiFi在室内人员感知方面得到广泛应用。
H.Wang等人于2017年在IEEE Transactions on Mobile Computing上发表的论文“RT-Fall:A Real-Time and Contactless Fall Detection System with CommodityWiFi Devices”中提出基于CSI相位信息的人员监测系统RT-fall,通过检测CSI的相位差来判断被监测区域是否有人员跌倒,但是只利用CSI相位信息分类其它动作效果不佳,不能达到预期要求。
W.Wang等人于2017年在IEEE Journal on Selected Areas in Communications上发表的论文“Device-Free Human Activity Recognition Using Commercial WiFiDevices”中提出基于信道状态信息CSI的人类活动识别监控系统CARM,通过检测信道状态信息数据来完成人类活动识别,但是该文没有研究非视距情况下的人类识别活动。
J.Yang等人于2018年在IEEE Transactions on Vehicular Technology上发表的论文“CareFi:Sedentary Behavior Monitoring System via Commodity WiFiInfrastructures”中提出基于COTS WiFi路由器的无设备久坐行为检测系统CareFi。CareFi系统在监测久坐行为上的准确性、鲁棒性都很高,但是需要开发了一个新的固件安装在特定的路由器上,使得不易于广泛推广和使用。
发明内容
本发明的目的旨在提供一种基于WiFi的被动式坐姿时长检测方法,用于解决室内人员活动判别准确率不高,且易受到无线信道不稳定、环境噪声、无线电干扰等问题。
本发明提供一种基于WiFi的被动式坐姿时长检测方法,包括了:S1、对采集到的信道状态信息CSI数据进行预处理,其中处理过程包括:S11、利用hampel identifier方法去除离群值;S12、基于小波变换实现低通滤波;S2、对预处理后的CSI序列进行动作分割;S3、基于SVM的起坐动作识别;S4、根据起坐动作计算坐姿时长。
附图说明
图1基于支持WiFi的被动式坐姿时长检测方法原理图;
图2动作分割原理图;
图3支持向量机算法原理图。
具体实施方式
本发明所述的基于WiFi的被动式坐姿时长检测方法,具体实施方式包含以下几个步骤:
(1)对采集到的信道状态信息CSI数据进行预处理,主要过程包括:
1)利用hampel identifier方法去除离群值:
由于无线信道不稳定、环境噪声、无线电干扰等原因,CSI测量中可能会出现异常值。这种异常值增大了CSI测量值的波动,严重影响了活动检测的性能。通过对采集到的CSI样本进行异常值的筛选,提高了CSI的可靠性,同时提高了活动检测的精度。
采集到的数据包中均包含了30个子载波的幅频信息,将每个数据包中的子载波幅度数据提取出来|H(fk)|1,|H(fk)|2…|H(fk)|i…,其中|H(fk)|i表示第k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mi,
|H(fk)|m=median(|H(fk)|i-k,|H(fk)|i-k+1,…,|H(fk)|i,…,|H(fk)|i+k-1,|H(fk)|i+k) (1)
其中,median(·)为中位数的计算公式,
如果
||H(fk)|i-|H(fk)|m|>nσσi (2)
若不等式(2)成立,则表明|H(fk)|i是离群值,此时用|H(fk)|m代替|H(fk)|i,其中nσ是阈值,σi是标准偏差,
σi=κ×median[||H(fk)|i-k-|H(fk)|m|…||H(fk)|i-|H(fk)|m|…||H(fk)|i+k-|H(fk)|m|] (3)
其中y=erfc-1(x)表示逆互补误差函数。
对30个子载波使用hampel identifier方法,去除离群值。
2)基于小波变换实现低通滤波:
由于人类活动引起的波动通常具有较低的频率范围,我们采用了一种基于小波的去噪方法来消除所有频谱上的噪声。传统的低通滤波器只能在信号和噪声占不同频段时才能正常工作。而基于小波的去噪方法,通过将噪声信号分解成不同的尺度,在保留信号的同时去除噪声。
小波分解可以为信号提供稀疏表示,因为信号的大部分能量由几个小波系数表示。这对于噪声滤波和异常检测是很有必要的,因为当香农熵最小时,从信号中提取的能量最大。
在第一级,DWT将信号分解为近似系数(又称低频分量)和细节系数(又称高频分量)。然后对最后一层的近似系数反复进行相同的分解,直到层数达到指定值为止。接着,对每一层的细节系数进行阈值处理,去除噪声分量。最后,将最后一层的近似系数与各层的细节系数相结合,对去噪信号进行重构。
(2)对预处理后的CSI序列进行动作分割
为了有效地定位活动的开始和结束,我们提出了一种归一化方差滑动窗算法。算法的思想主要包括两个方面。
1)我们对CSI波形的方差进行了归一化,使其能够使用相同的阈值进行活动时间检测,并消除CSI波形不同振幅对人类活动分割的影响。
2)利用时间滑动窗口区分结束活动时间的真假。算法的输入参数为g(t)、δ、Wt、和μ。g(t)是基于CSI的相关提取后的活动波形。δ是一个阈值,用于检测活动的开始和结束。Wt是时间滑动窗口的大小。和μ是加权参数,用于确定人类活动是否结束,而不是活动的中间状态。
首先计算CSI波形在不同时间的方差V(i)=Var(g(i×Wt)-g((i-1)×Wt)),V(i)是第i个时间窗口中波形的方差;
然后进行归一化Vn=Normalized(V(i));
接着如果Vn(i)≥δ,那么tstart=(i-1)×Wt,反之如果Vn(i)<δ,计算两个连续时间窗之间的方差加权值,这决定了活动结束是否为真,Vt=φ×Vn(i)+(1-φ)×Vn(i+1),若Vt<(μ×Vn(i+1)),那么tend=i×Wt。
这样就将一段CSI序列中动作与静止状态分割开来。
(3)基于SVM的起坐动作识别
在提取出CSI序列中的活动和静止的人类活动后,利用支持向量机(SVM)在时域上提取了5个特征,从而区分坐下和起立活动。
1)CSI的归一化标准差(STD);
2)信号强度的偏移量;
3)偏度(Skewness)
4)峰度(Kurtosis)
5)信息熵。
基于支持向量机实现分类,即在两组样本之间寻找超平面,使得样本可以被分隔开,并且超平面离两边的数据间距最大,用数学公式表示为:
其中,
输入所有的样本数据和对应的标签,坐下的标签值为“-1”,起立的标签值为“+1”;
然后,构造拉格朗日函数L(w,b,α),并分别对w,b求偏导,求解得出α最优解α*,接着,根据α*,求解得出w*和b*,得出分类平面
w*Φ(x)+b*=0 (8)
以及分类模型决策函数
f(x)=sgn(w*Φ(x)+b*) (9)
(4)根据起坐动作计算坐姿时长
根据分类模型,对被监测区域人员处于何种状态进行判别,记录保持坐姿的时长。按照上述的过程进行处理,得到5个特征,根据训练得出的SVM分类模型,判断此时被测人员是否处于坐下状态。当模型的输出值为“-1”时,表示此时被测人员正在进行坐下动作,此时开始计时,直到模型的输出值为“+1”时,表示此时被测人员正在进行起立动作,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WiFi的被动式坐姿时长检测方法,其特征在于,包括:
S1、对采集到的信道状态信息CSI数据进行预处理,其中处理过程包括:
S11、利用hampelidentifier方法去除离群值;
S12、基于小波变换实现低通滤波;
S2、对预处理后的CSI序列进行动作分割;
S3、基于SVM的起坐动作识别;
S4、根据起坐动作计算坐姿时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910796418.0A CN110569891A (zh) | 2019-08-27 | 2019-08-27 | 基于WiFi的被动式坐姿时长检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910796418.0A CN110569891A (zh) | 2019-08-27 | 2019-08-27 | 基于WiFi的被动式坐姿时长检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110569891A true CN110569891A (zh) | 2019-12-13 |
Family
ID=68776301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910796418.0A Pending CN110569891A (zh) | 2019-08-27 | 2019-08-27 | 基于WiFi的被动式坐姿时长检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110569891A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111082879A (zh) * | 2019-12-27 | 2020-04-28 | 南京邮电大学 | 一种基于深度时空模型的wifi感知方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107749143A (zh) * | 2017-10-30 | 2018-03-02 | 安徽工业大学 | 一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法 |
CN109670434A (zh) * | 2018-12-13 | 2019-04-23 | 南京理工大学 | 基于无线信道状态信息的坐姿时长检测方法 |
-
2019
- 2019-08-27 CN CN201910796418.0A patent/CN110569891A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107749143A (zh) * | 2017-10-30 | 2018-03-02 | 安徽工业大学 | 一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法 |
CN109670434A (zh) * | 2018-12-13 | 2019-04-23 | 南京理工大学 | 基于无线信道状态信息的坐姿时长检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111082879A (zh) * | 2019-12-27 | 2020-04-28 | 南京邮电大学 | 一种基于深度时空模型的wifi感知方法 |
CN111082879B (zh) * | 2019-12-27 | 2022-02-01 | 南京邮电大学 | 一种基于深度时空模型的wifi感知方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110337066B (zh) | 基于信道状态信息室内人员活动识别方法、人机交互系统 | |
CN110502105B (zh) | 一种基于csi相位差的手势识别系统及识别方法 | |
Zhou et al. | Device-free presence detection and localization with SVM and CSI fingerprinting | |
Arshad et al. | Wi-chase: A WiFi based human activity recognition system for sensorless environments | |
Zhang et al. | Wifi-id: Human identification using wifi signal | |
CN107749143B (zh) | 一种基于WiFi信号的穿墙室内人员跌倒探测系统及方法 | |
CN107041743B (zh) | 一种心电信号实时r波检测方法 | |
CN109670434B (zh) | 基于无线信道状态信息的坐姿时长检测方法 | |
CN109672485B (zh) | 基于信道状态信息室内人员实时入侵及运动速度检测方法 | |
CN106108904B (zh) | 一种非接触式的人体呼吸参数实时测量方法及系统 | |
CN108038419B (zh) | 基于Wi-Fi的室内人员被动检测方法 | |
Cao et al. | Wi-Wri: Fine-grained writing recognition using Wi-Fi signals | |
CN112333653A (zh) | 基于WiFi信道状态信息的身份智能识别方法、系统 | |
CN110138468B (zh) | 多节点软件无线电平台的Lora信号监测系统及方法 | |
CN114222202B (zh) | 一种基于WiFi CSI的环境自适应活动检测方法及系统 | |
Zhu et al. | NotiFi: A ubiquitous WiFi-based abnormal activity detection system | |
CN111568425A (zh) | 一种非接触式的多人呼吸检测方法 | |
CN107822617A (zh) | 一种基于WiFi信号的心率异常检测方法 | |
CN110730473A (zh) | 面向WiFi活动识别的信号特征提取方法 | |
Kumar et al. | Improved wavelet transform based edge detection for wide band spectrum sensing in Cognitive Radio | |
Liu et al. | Wi-CR: human action counting and recognition with Wi-Fi signals | |
CN110569891A (zh) | 基于WiFi的被动式坐姿时长检测方法 | |
CN113453180B (zh) | 一种人体摔倒智能检测方法、系统、信息数据处理终端 | |
Shi et al. | Deep learning networks for human activity recognition with CSI correlation feature extraction | |
CN114999643A (zh) | 一种基于WiFi的老人智能监护方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191213 |