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 PDF

Info

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
Application number
CN201910796418.0A
Other languages
English (en)
Inventor
桂林卿
胡学伟
肖甫
束锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN201910796418.0A priority Critical patent/CN110569891A/zh
Publication of CN110569891A publication Critical patent/CN110569891A/zh
Pending legal-status Critical Current

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

基于WiFi的被动式坐姿时长检测方法
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。
CN201910796418.0A 2019-08-27 2019-08-27 基于WiFi的被动式坐姿时长检测方法 Pending CN110569891A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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