CN111082879A - 一种基于深度时空模型的wifi感知方法 - Google Patents

一种基于深度时空模型的wifi感知方法 Download PDF

Info

Publication number
CN111082879A
CN111082879A CN201911375092.0A CN201911375092A CN111082879A CN 111082879 A CN111082879 A CN 111082879A CN 201911375092 A CN201911375092 A CN 201911375092A CN 111082879 A CN111082879 A CN 111082879A
Authority
CN
China
Prior art keywords
time
model
sample
wifi
inputting
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.)
Granted
Application number
CN201911375092.0A
Other languages
English (en)
Other versions
CN111082879B (zh
Inventor
盛碧云
肖甫
李群
沙乐天
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 University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN201911375092.0A priority Critical patent/CN111082879B/zh
Publication of CN111082879A publication Critical patent/CN111082879A/zh
Application granted granted Critical
Publication of CN111082879B publication Critical patent/CN111082879B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种基于深度时空模型的wifi感知方法，包括如下步骤：在室内场景中采集不同动作的wifi信号并提取通道信号状态信息CSI；滤除CSI的噪声，并从滤波后的信号中分离出动作样本，利用滑窗将动作样本划分成多个时间片段；将这些片段输入到多层卷积神经网络CNN，提取空间特征；将每个样本多个时间片段的空间特征输入到双向长短时记忆神经网络Bi‑LSTM中，进一步挖掘样本的时序特征；利用训练样本训练深度时空模型，包括CNN模型和Bi‑LSTM模型，将测试样本输入到训练好的模型中，识别样本的类别。本发明以深度学习为基础，利用CNN和Bi‑LSTM构建深度时空模型，提取CSI样本的时空特征信息，提高特征表达的辨识力，保障识别精度。此外，本发明还为基于wifi的感知问题，提供了新的研究思路。

Description

一种基于深度时空模型的wifi感知方法
技术领域
本发明涉及wifi的行为感知技术领域，具体涉及一种基于深度时空模型的wifi感知方法。
背景技术
行为识别在智能家居、公共安全、人机交互等领域应用广泛，传统基于图像或视频的行为感知存在隐私侵犯、光照影响等问题。随着wifi设备的广泛部署，基于wifi的被动感知成为研究热点。如何从wifi信号中的CSI数据学习出能够充分表示行为的特征是提高识别精度的关键。
目前，大多数研究主要集中于频域或时域的统计特征、频谱特征等手工特征的提取，这些特征虽然已经获得一定成功，但是依赖于先验知识，而且不能充分挖掘信号的时空特征信息。很少有文献从深度学习的角度出发，设计合理的深度时空模型，学习wifi信号的时空特征，进而提高识别的可靠性。
发明内容
本发明提供一种基于深度时空模型的wifi感知方法，考虑从深度学习的角度，构建CNN和Bi-LSTM模型用于学习时序信号的时空特征，旨在解决现有技术中wifi感知特征辨识力差、依赖于先验知识等问题。
一种基于深度时空模型的wifi感知方法，包括如下步骤：
步骤1，在室内场景中采集不同动作的wifi信号并提取通道信号状态信息CSI；
步骤2，滤除CSI的噪声，并从滤波后的信号中分离出动作样本，利用滑窗将动作样本划分成多个时间片段；
步骤3，将这些片段输入到多层卷积神经网络CNN，提取空间特征；
步骤4，将每个样本多个时间片段的空间特征输入到双向长短时记忆神经网络Bi-LSTM中，进一步挖掘样本的时序特征；
步骤5，利用训练样本训练深度时空模型，包括CNN模型和Bi-LSTM模型，将测试样本输入到训练好的模型中，识别样本的类别。
进一步地，步骤1具体为，在室内放置wifi发射器和接收器，采用路由器作为发射器，接收器连接配有Intel 5300的PC机，开启设备，志愿者在发射器和接收器中间做不同动作，使用采集软件接收wifi信号，并提取CSI数据。
进一步地，步骤2具体为，通过巴特沃斯低通滤波器对CSI数据去噪，滤除掉人体动作之外的其他噪声引起的频率变化；再采用差分的方法将滤波数据的非动作部分分离，切割出动作区域；最后采用滑窗的方法将每个动作样本划分成多个尺寸相同的时间片段。
进一步地，步骤3中，将训练样本的时间片段数据和对应的标签都输入到CNN网络中，训练CNN模型。
进一步地，步骤4中，具体为将每个训练样本的时间片段输入到已经训练好的CNN模型中，分别提取最后一个全连接层的特征，并将这些特征和标签进一步输入到双向长短时记忆神经网络Bi-LSTM中，训练时序模型，挖掘时序特征。
进一步地，步骤5中，将测试样本的多个时间片段输入到训练好的CNN模型中，提取最后一个全连接层特征作为其空间特征；将每个测试样本的空间特征进一步输入到训练好的Bi-LSTM模型中，学习时间序列之间的时序特征，并得到测试样本的分类结果。
本发明达到的有益效果为：本发明以深度学习为基础，利用CNN和Bi-LSTM构建深度时空模型，提取CSI样本的时空特征信息，提高特征表达的辨识力，保障识别精度。此外，本发明还为基于wifi的感知问题，提供了新的研究思路。
附图说明
图1为本发明实施例中基于深度时空模型的wifi感知方法基本框架图。
图2为本发明实施例中基于深度时空模型的wifi感知方法的流程图。
图3为本发明实施例中卷积神经网络CNN的结构图。
图4为本发明实施例中双向长短时记忆网络Bi-LSTM的结构图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
一种基于深度时空模型的wifi感知方法，主要包括如下步骤：
步骤1，在室内场景中采集不同动作的wifi信号并提取通道信号状态信息(CSI)。
步骤2，滤除CSI的噪声，并从滤波后的信号中分离出动作样本，利用滑窗将动作样本划分成多个时间片段。
步骤3，将这些片段输入到多层卷积神经网络(CNN)，提取空间特征。
步骤4，将每个样本多个时间片段的空间特征输入到双向长短时记忆神经网络Bi-LSTM中，进一步挖掘样本的时序特征。
步骤5，利用训练样本训练深度时空模型(包括CNN模型和Bi-LSTM模型)，将测试样本输入到训练好的模型中，识别样本的类别。
本发明提供的一种基于深度时空模型的wifi感知方法，以深度学习为基础，构建卷积CNN学习空间特征，搭建双向长短时时间记忆模型Bi-LSTM进一步学习时间特征，利用深度时空模型充分挖掘样本的时空信息，提高特征表达的辨识力，保障识别精度。此外，本发明还为基于wifi的感知问题，提供了新的研究思路。
请参阅图1，为本发明实施例基于深度时空模型的wifi感知方法基本框架图。本实施例的整体框架包括CSI数据采集(对应于步骤1)、数据处理(对应于步骤2)、CNN模型设计(对应于步骤3)、Bi-LSTM模型设计(对应于步骤4)、测试样本分类(对应于步骤5)。
以下将对本发明所提供的一种基于深度时空模型的wifi感知方法，进行详细说明。
请参阅图2，为本发明实施例基于深度时空模型的wifi感知方法的流程图。
在步骤1中，在室内放置wifi发射器和接收器，采用路由器作为发射器，接收器连接配有Intel 5300的PC机。开启设备，志愿者在发射器和接收器中间做不同动作，使用采集软件接收wifi信号，并提取CSI数据。
在步骤2中，通过巴特沃斯低通滤波器对数据去噪，滤除掉人体动作之外的其他噪声引起的频率变化。将滤波后的CSI数据表示为X＝[x1,x1,...,xn]∈Rd×n，其中d为CSI通道数目，n为数据包个数，对X进行差分运算：
Δx＝xi+1-xi(i＝1,2,...,n-1)
CSI序列中动作样本|Δx|相对于非动作部分更大，进而分离出动作样本。
采用固定大小的窗口沿着时间方向在动作样本上滑动，将一个动作样本S分割成多个时间片段S＝[S1,S1,...,Sm]，其中m为时间片段的数目。
在步骤3中，将这些片段和对应的样本信息输入到如图3所示的多层卷积神经网络CNN中，训练深度空间模型。
在步骤4中，将每个训练样本的时间片段输入到已经训练好的CNN模型中，分别提取最后一个全连接层的特征ψ(S)＝[ψ(S1),ψ(S1),...,ψ(Sm)]，每个样本的ψ(S)存在时间先后关系，将这些特征和样本标签进一步输入到如图4所示的双向长短时记忆神经网络Bi-LSTM中，训练时序模型，挖掘时序特征。
在步骤5中，利用训练样本训练深度时空模型(包括CNN模型和Bi-LSTM模型)，将测试样本输入到训练好的模型中，识别样本的类别。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (6)

1.一种基于深度时空模型的wifi感知方法，其特征在于：包括如下步骤：
步骤1，在室内场景中采集不同动作的wifi信号并提取通道信号状态信息CSI；
步骤2，滤除CSI的噪声，并从滤波后的信号中分离出动作样本，利用滑窗将动作样本划分成多个时间片段；
步骤3，将这些片段输入到多层卷积神经网络CNN，提取空间特征；
步骤4，将每个样本多个时间片段的空间特征输入到双向长短时记忆神经网络Bi-LSTM中，进一步挖掘样本的时序特征；
步骤5，利用训练样本训练深度时空模型，包括CNN模型和Bi-LSTM模型，将测试样本输入到训练好的模型中，识别样本的类别。
2.根据权利要求1所述的一种基于深度时空模型的wifi感知方法，其特征在于：步骤1具体为，在室内放置wifi发射器和接收器，采用路由器作为发射器，接收器连接配有Intel5300的PC机，开启设备，志愿者在发射器和接收器中间做不同动作，使用采集软件接收wifi信号，并提取CSI数据。
3.根据权利要求1所述的一种基于深度时空模型的wifi感知方法，其特征在于：步骤2具体为，通过巴特沃斯低通滤波器对CSI数据去噪，滤除掉人体动作之外的其他噪声引起的频率变化；再采用差分的方法将滤波数据的非动作部分分离，切割出动作区域；最后采用滑窗的方法将每个动作样本划分成多个尺寸相同的时间片段。
4.根据权利要求1所述的一种基于深度时空模型的wifi感知方法，其特征在于：步骤3中，将训练样本的时间片段数据和对应的标签都输入到CNN网络中，训练CNN模型。
5.根据权利要求1所述的一种基于深度时空模型的wifi感知方法，其特征在于：步骤4中，具体为将每个训练样本的时间片段输入到已经训练好的CNN模型中，分别提取最后一个全连接层的特征，并将这些特征和标签进一步输入到双向长短时记忆神经网络Bi-LSTM中，训练时序模型，挖掘时序特征。
6.根据权利要求1所述的一种基于深度时空模型的wifi感知方法，其特征在于：步骤5中，将测试样本的多个时间片段输入到训练好的CNN模型中，提取最后一个全连接层特征作为其空间特征；将每个测试样本的空间特征进一步输入到训练好的Bi-LSTM模型中，学习时间序列之间的时序特征，并得到测试样本的分类结果。
CN201911375092.0A 2019-12-27 2019-12-27 一种基于深度时空模型的wifi感知方法 Active CN111082879B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911375092.0A CN111082879B (zh) 2019-12-27 2019-12-27 一种基于深度时空模型的wifi感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911375092.0A CN111082879B (zh) 2019-12-27 2019-12-27 一种基于深度时空模型的wifi感知方法

Publications (2)

Publication Number Publication Date
CN111082879A true CN111082879A (zh) 2020-04-28
CN111082879B CN111082879B (zh) 2022-02-01

Family

ID=70318441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911375092.0A Active CN111082879B (zh) 2019-12-27 2019-12-27 一种基于深度时空模型的wifi感知方法

Country Status (1)

Country Link
CN (1) CN111082879B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111600667A (zh) * 2020-05-25 2020-08-28 电子科技大学 一种基于cnn-lstm的频谱感知方法
CN111915218A (zh) * 2020-08-14 2020-11-10 中国工商银行股份有限公司 基于lstm-cnn的财务造假识别方法及系统
CN111914709A (zh) * 2020-07-23 2020-11-10 河南大学 针对WiFi信号行为识别的基于深度学习的动作分割框架构建方法
CN116012953A (zh) * 2023-03-22 2023-04-25 南京邮电大学 一种基于csi的轻量级双任务感知方法
WO2024021824A1 (zh) * 2022-07-25 2024-02-01 中兴通讯股份有限公司 无线网络WiFi感知方法、系统及计算机设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407905A (zh) * 2016-08-31 2017-02-15 电子科技大学 基于机器学习的无线感知动作识别方法
CN106658590A (zh) * 2016-12-28 2017-05-10 南京航空航天大学 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现
CN108901021A (zh) * 2018-05-31 2018-11-27 大连理工大学 一种基于无线网络信道状态信息的深度学习身份识别系统及方法
US10217346B1 (en) * 2017-11-07 2019-02-26 Amazon Technologies, Inc. Presence detection with neural networks
CN109508686A (zh) * 2018-11-26 2019-03-22 南京邮电大学 一种基于层次化特征子空间学习的人体行为识别方法
CN109558805A (zh) * 2018-11-06 2019-04-02 南京邮电大学 基于多层深度特征的人体行为识别方法
CN109784280A (zh) * 2019-01-18 2019-05-21 江南大学 基于Bi-LSTM-Attention模型的人体行为识别方法
US20190236440A1 (en) * 2018-01-31 2019-08-01 Pin-Han Ho Deep convolutional neural network architecture and system and method for building the deep convolutional neural network architecture
CN110569891A (zh) * 2019-08-27 2019-12-13 南京理工大学 基于WiFi的被动式坐姿时长检测方法
CN110598744A (zh) * 2019-08-12 2019-12-20 浙江大学 一种基于惯性传感器和Edge TPU的实时人体行为识别系统及方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407905A (zh) * 2016-08-31 2017-02-15 电子科技大学 基于机器学习的无线感知动作识别方法
CN106658590A (zh) * 2016-12-28 2017-05-10 南京航空航天大学 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现
US10217346B1 (en) * 2017-11-07 2019-02-26 Amazon Technologies, Inc. Presence detection with neural networks
US20190236440A1 (en) * 2018-01-31 2019-08-01 Pin-Han Ho Deep convolutional neural network architecture and system and method for building the deep convolutional neural network architecture
CN108901021A (zh) * 2018-05-31 2018-11-27 大连理工大学 一种基于无线网络信道状态信息的深度学习身份识别系统及方法
CN109558805A (zh) * 2018-11-06 2019-04-02 南京邮电大学 基于多层深度特征的人体行为识别方法
CN109508686A (zh) * 2018-11-26 2019-03-22 南京邮电大学 一种基于层次化特征子空间学习的人体行为识别方法
CN109784280A (zh) * 2019-01-18 2019-05-21 江南大学 基于Bi-LSTM-Attention模型的人体行为识别方法
CN110598744A (zh) * 2019-08-12 2019-12-20 浙江大学 一种基于惯性传感器和Edge TPU的实时人体行为识别系统及方法
CN110569891A (zh) * 2019-08-27 2019-12-13 南京理工大学 基于WiFi的被动式坐姿时长检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AMIN ULLAH，ET AL.: "Action Recognition in Video Sequences using Deep Bi-Directional LSTM With CNN Features", 《IEEE ACCESS》 *
葛瑞 等: "基于多层卷积神经网络特征和双向长短时记忆单元的行为识别", 《控制理论与应用》 *
黄友文 等: "基于深度学习的人体行为识别算法", 《电子技术应用》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111600667A (zh) * 2020-05-25 2020-08-28 电子科技大学 一种基于cnn-lstm的频谱感知方法
CN111600667B (zh) * 2020-05-25 2021-08-17 电子科技大学 一种基于cnn-lstm的频谱感知方法
CN111914709A (zh) * 2020-07-23 2020-11-10 河南大学 针对WiFi信号行为识别的基于深度学习的动作分割框架构建方法
CN111914709B (zh) * 2020-07-23 2024-02-06 河南大学 针对WiFi信号行为识别的基于深度学习的动作分割框架构建方法
CN111915218A (zh) * 2020-08-14 2020-11-10 中国工商银行股份有限公司 基于lstm-cnn的财务造假识别方法及系统
WO2024021824A1 (zh) * 2022-07-25 2024-02-01 中兴通讯股份有限公司 无线网络WiFi感知方法、系统及计算机设备
CN116012953A (zh) * 2023-03-22 2023-04-25 南京邮电大学 一种基于csi的轻量级双任务感知方法

Also Published As

Publication number Publication date
CN111082879B (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN111082879B (zh) 一种基于深度时空模型的wifi感知方法
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
CN107968689B (zh) 基于无线通信信号的感知识别方法及装置
CN108901021B (zh) 一种基于无线网络信道状态信息的深度学习身份识别系统及方法
CN106846729B (zh) 一种基于卷积神经网络的跌倒检测方法和系统
CN106899968A (zh) 一种基于WiFi信道状态信息的主动非接触身份认证方法
CN110730473B (zh) 面向WiFi活动识别的信号特征提取方法
CN110110580B (zh) 一种面向Wi-Fi信号的手语孤立词识别网络构建及分类方法
CN107862295B (zh) 一种基于WiFi信道状态信息识别面部表情的方法
CN107947874B (zh) 基于WiFi信道状态信息的室内地图语义标识方法
CN111079559B (zh) 一种基于卷积神经网络的泥浆脉冲信号识别方法
CN114222202B (zh) 一种基于WiFi CSI的环境自适应活动检测方法及系统
CN113723221B (zh) 基于WiFi信道状态信息的室内行为实时识别方法及系统
CN111901028B (zh) 一种基于多天线上csi的人体行为识别方法
CN116343261A (zh) 基于多模态特征融合与小样本学习的手势识别方法和系统
CN109068024A (zh) 一种对时空信号进行滤波的方法
CN113051972A (zh) 一种基于WiFi的手势识别系统
CN113935373A (zh) 基于相位信息和信号强度的人体动作识别方法
CN107958434B (zh) 智能看护方法、装置、电子设备及存储介质
CN111652132A (zh) 基于深度学习的非视距身份识别方法、设备及存储介质
CN114676739B (zh) 一种基于Faster-RCNN的无线信号的时序动作检测和识别方法
CN113572546B (zh) 一种基于CSI信号利用DenseNet网络进行人体活动识别方法
CN113033351B (zh) 一种基于视频分析的csi感知识别方法
CN110674694B (zh) 基于商业WiFi的活动信号分离方法
CN115100733A (zh) Rfid手势识别方法、计算机装置、产品及存储介质

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