CN111225354A - WiFi干扰环境下的CSI人体跌倒识别方法 - Google Patents
WiFi干扰环境下的CSI人体跌倒识别方法 Download PDFInfo
- Publication number
- CN111225354A CN111225354A CN202010092968.7A CN202010092968A CN111225354A CN 111225354 A CN111225354 A CN 111225354A CN 202010092968 A CN202010092968 A CN 202010092968A CN 111225354 A CN111225354 A CN 111225354A
- Authority
- CN
- China
- Prior art keywords
- interference
- data
- csi
- activity
- characteristic
- 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
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种在WiFi干扰环境下的WIFI CSI动态子载波选择的人体跌倒识别方法,属于无线通信技术领域。该方法首先对CSI干扰强度及CSI活跃比率进行分析,构建WiFi干扰特征映射矩阵,利用该矩阵计算各信道干扰指数实现干扰判别。接着通过基于干扰指数的动态子载波选择算法CSI‑DSSA,选取干扰数据中互相关性最弱的子载波组合进行干扰处理,分析多链路数据融合方法CSI‑MLDF聚合未受干扰数据中多数据流的时域特征信息。最后,提取时域特征值并构建WiFi干扰环境下的SVM多活动分类模型,获得跌倒活动识别结果。本发明能够有效提高WiFi干扰环境下的人体跌倒活动识别准确率。
Description
技术领域
本发明属于无线通信技术领域,涉及一种在WiFi干扰环境下的WIFICSI动态子载波选择的人体跌倒识别方法。
背景技术
随着科技的不断发展,尤其是无线网络技术的逐渐成熟,无线信号不仅在数据传输上发挥了重要的作用,而且可以用来实现环境感知,利用无线信号实现自主的活动监测已经成为一种发展趋势,同时也为家居环境中老年人的活动和健康监测提供了全新的解决方案,具有十分重要的社会意义和广泛的应用前景。基于WiFi的人体活动监测以用户为中心,利用人体动作对WiFi信号传播产生的影响,采集人体的生理信息,包括人体的位置、姿势、动作等,并通过无线传输的方式传送给远程控制端,实现对老年人健康状况的远程监测。例如,对于独居老年人而言,当出现心率异常、跌倒等健康威胁时,能够通过WiFi信号检测出异常状况并发出警报,从而采取及时且有效的应对措施。WiFi信号在安全监控、人体检测、人机交互、医疗监护等众多领域有着广泛的运用,具有十分重要的研究价值和意义。
但是随着WiFi设备在日常生活中的广泛普及,WiFi信号之间常常存在严重的共信道干扰或邻信道干扰问题,因会导致WiFi跌倒识别的性能大大降低。现有的研究大多忽略了WiFi信号之间的干扰问题,仅采用一般的信号处理技术滤除不确定噪声,唯一考虑到无线干扰的相关工作仅仅是在进行活动识别时采用一种抗噪声分类算法来容忍干扰。由于该算法不直接处理被干扰的CSI测量值,导致识别效果不太理想,也不能很好地推广到其他类型的传感应用。如果能够将被干扰的CSI测量值与未被干扰的CSI测量值区分开来,并正确处理发生畸变的CSI测量值,能够显著提高WiFi识别准确率,同时能够在其它类似环境下进行CSI其它领域的应用,有助于提高其工作效能。
发明内容
有鉴于此,本发明的目的在于提供一种在WiFi干扰环境下的WIFICSI动态子载波选择的人体跌倒识别方法,旨在提高WiFi干扰场景下的人体跌倒活动识别准确率。
为达到上述目的,本发明提供如下技术方案:
一种WiFi干扰环境下的CSI人体跌倒识别方法,包括以下步骤:
S1:在WiFi干扰环境下的室内区域获取无活动、跌倒、坐下、站立、行走活动相关数据,通过CSI信号强度向量、CSI噪声阈值计算干扰强度P及活跃比率A,结合CSI包接收率PRR构建干扰特征映射矩阵F(P,A,PRR),利用所述矩阵计算干扰指数I-index进行干扰判别;
S2:采用基于干扰指数的动态子载波选择算法CSI-DSSA选取干扰数据中互相关性最弱的子载波组合,实现WiFi干扰过滤;采用多链路数据融合方法CSI-MLDF聚合未受干扰数据中多条数据流的时域特征信息,提高数据可靠性;
S3:在步骤S2的基础上进行时域特征值提取,特征值包括均值、标准差、平均绝对偏差、最大值、百分位数,将特征数据按照活动种类进行归类处理;
S4:基于SVM分类算法,以步骤S3的特征数据集作为输入,构建适用于WiFi干扰环境下的SVM多活动分类模型,并对模型进行测试优化,获得跌倒活动识别结果。
进一步,步骤S1具体包括以下步骤:
S11:首先在WiFi干扰环境下的室内区域分别按照无活动、跌倒、坐下、站立、行走活动类型进行数据采集,依次按活动类型、时间先后序列对CSI数据中的幅值、时间标记、CSI信号强度向量、CSI噪声阈值、CSI包接收率PRR进行提取;
S12:通过CSI信号强度向量和CSI噪声阈值计算干扰强度P及活跃比率A,得到干扰特征F(P,A),结合CSI包接收率PRR构建WiFi干扰特征映射矩阵S(P,A,PRR),再利用该矩阵计算各信道干扰指数;
S13:干扰指数I_index用于反映信道n的WiFi干扰大小,根据干扰指数对数据进行干扰检测及干扰程度划分,将存在干扰的CSI数据与未存在干扰的CSI数据按照活动类型、时间先后序列、干扰程度作标记处理,构建为干扰数据集与未干扰数据集。
进一步,步骤S12中,所述信道干扰指数的计算步骤如下:
首先,Hrssi为以周期Ts采集的CSI数据中RSSI值所组成的向量,用|Hrssi|表示所采集的RSSI个数,通过噪声阈值Noisethr来判断提取的RSSI值是否为噪声,即当RSSI值小于等于Noisethr时,将该值视为信道噪声;
1)Hrem_rssi为Hrssi去除噪声后的Hrssi向量,则干扰强度为:
2)Hactive为0/1向量,当且仅当Hrssi(i)>Noisethr,Hrssi(i)=1,否则Hrssi(i)=0,则活跃比率为:
3)基于干扰强度、活跃比例、包接收率构建WiFi干扰特征映射矩阵S(P,A,PRR);
①令Pmin和Pmax分别为可能出现的最小和最大干扰程度,Amax为可能出现的最大活跃比率,以网格划分参数P和A的取值空间,在P轴方向的取值范围为[Pmin,Pmax],单元宽度为ΔP;在A轴方向的取值范围为[0,Amax],单元宽度为ΔA;让每个网格点对应一个干扰特征,并建立一个特征映射矩阵F用于存储所有干扰特征(P,A)所对应的PRR估计值;给定特征(P,A)的一组测量值PRR1,PRR2,…,PRRs,该特征对应的PRR估计值为:
②为各干扰特征(P,A)收集足够数量的测量值后,建立特征映射矩阵S;
③根据特征映射矩阵S计算出各信道的干扰指数,当前WiFi信道的干扰特征为(P,A),信道i的干扰特征为(Pi,Ai),干扰特征(Pi,Ai)与(P,A)之间的距离为:
令F中距(P,A)最近的K个干扰特征分别为(P1,A2),(P2,A2),…(Pk,Ak),干扰特征(P,A)对应的干扰状态的PRR估计值为:
④假设WiFi干扰源信道为m,发送端信道为n,计算干扰指数I_index为:
进一步,步骤S2具体包括以下步骤:
S21:选取所述干扰数据集,构建CSI的相关系数矩阵特征模型,利用基于干扰指数的动态子载波选择算法对干扰数据集进行干扰过滤处理,包括以下步骤:
S211:根据Pearson相关系数分析得到,信号之间的rxy相关强度表示为:
S212:由于CSI信号在信道中传播,每一根发射天线和每一根接收天线之间有一条传输路径,设hij为第i根发射天线到第j根接收天线之间的信道脉冲响应,整个MIMO系统的信道响应用一个N×M的复矩阵H表示:
使用长度为w的动态滑动窗口对干扰数据集中连续时间序列的CSI数据包进行处理,形成如下H矩阵:
H=[Hi,Hi+1,…,Hi+w-1] (9)
其中,Hi表示第i个CSI数据包,滑动窗口的长度为w,每条数据流共有30个子载波,因此H为30×w大小的矩阵;
S213:引入信道状态矩阵H,结合Pearson相关系数来表示子载波之间的序列相关性,以此来描述子载波之间相关性的细粒度;通过分析CSI数据序列中30个子载波之间的互相关性,计算相关系数矩阵C表示如下:
其中,C(Hi,Hj)即为Hi和Hj的相关系数,如下列公式所示:
C(Hi,Hj)值的大小表示Hi和Hj的相关程度,C(Hi,Hj)的值越小,则矩阵H中Hi和Hj两列的相关系数就越低,若在采样时刻CSI值差距越大,则表示环境前后变化越明显;
S214:根据IEEE 802.11n标准的CSMA/CA机制,子载波在频谱上重叠会导致子载波功率分配不均,削弱子载波之间的相关性;因此利用基于干扰指数的动态子载波选择算法对干扰数据集进行干扰过滤处理,算法步骤如下:
(1)设定滑动窗口大小wf将受干扰的CSI数据流进行分区,滑动窗口总数N如下所示:
其中L表示数据流的长度,wf表示滑动窗口大小,i表示第i个CSI数据包;
(2)根据窗口总数N决定循环次数,根据干扰指数I-index确定子载波选择数量k,输出待选的子载波组合C,具体步骤如下:
①根据求得的窗口总数N决定循环次数,然后依据CSI相关系数矩阵特征模型,计算得到第fth个窗口内30个子载波间的相关系数,生成矩阵Rx,y;
②将矩阵Rx,y中数值按从小到大的顺序依次排列,生成数组If;
③根据corrcoef(a,b)=mf,令数组If中最小的值为mf,选取得到相关性最弱的两个子载波(a,b),将子载波(a,b)添加到集合Cf={a,b}中;
④令Cf中已有子载波数量为n,当n<k时,将Cf中已有子载波与剩余30-n个子载波进行相关性分析,每次选取一个与已有子载波相关性系数之和最小的子载波加入Cf中;共执行k-n次后,将Cf添加到集合C中;
⑤循环次数f=f+1,滑动至下一个窗口重复上述步骤,直至循环次数f=N时结束循环;
(3)对C集合中数据求取众数并按从大到小的顺序进行排列,取前k个子载波添加到组合Ck,判断Ck中子载波是否在[1,10],[11,20],[21,30]区间内皆有分布,如果成立,则令Cs=Ck输出结果;否则重新选取子载波进行判断,直至满足以上条件;
S22:提取干扰过滤后的数据集和未干扰数据集,采取巴特沃斯低通滤波结合小波变换去噪的方式进行数据处理,对数据中存在的噪声和异常值等无关信息进行过滤,具体步骤如下:
S221:采用二阶巴特沃斯滤波器对数据进行处理,巴特沃斯低通滤波:用如下振幅的平方对频率的公式表示:
其中,n表示滤波器的阶数,w是信号的角速度,以弧度/秒为单位,wc为截止频率;
S222:对上述结果采用基于CSI的小波变换方法进行处理,具体步骤如下:输入的CSI序列为H(t),将H(t)分解为如下形式:
H(t)=An+Dn+Dn-1+...+D1 (14)
其中A表示CSI信号中低频近似成分,D表示CSI信号中高频细节成分,n表示分解层次;
在每一层的分解得到的系数描述为:
然后采用阈值处理的方法,在数据中去除小波细节系数的噪声成分;由于人体无活动、跌倒、坐下、站立、行走活动的频率相对较低,其特征主要包含在近似成分中,通过提取包含低频信息的近似成分,用于后面分析不同人体动作的特征;最后采用多链路数据融合方法对未受干扰的数据进行处理,具体步骤如下:
(1)首先在初始时对第一次动作的所有数据流提供相同的权值设置为1,并在形成最终采集数据时进行均值聚合,其中N代表数据流数量,如下所示:
(2)在原训练集中提取动作指纹的特征值,通过处理获得其聚类中心后,以此中心点对应的特征值e0作为动作的标准,另外在进行本次动作分类后,得到该组动作的特征值em,其中n表示特征值的维度,如下所示:
e0=(e0 (1),e0 (2),...,e0 (n))T (19)
em=(em (1),em (2),...,em (n))T (20)
(3)计算本次动作N条数据流的特征值em与标准动作特征值e0的欧式距离,得到欧式距离Lm如下所示:
S223:将所有处理过的数据集按照活动类型进行分类存放,以便进行特征提取。
进一步,步骤S3具体包括以下步骤:
S31:根据步骤S2的结果,进行活动的时域特征值提取,特征值包括均值、标准差、平均绝对偏差、最大值、百分位数,具体包括:
(6)采用均值来反映CSI活动数据中的集中趋势,如下所示:
(7)采用标准差来反映CSI活动数据的波动情况,如下所示:
(8)采用平均绝对偏差CSI活动数据中的偏差情况,如下所示:
(9)采用最大值反映CSI活动数据的极值大小程度,如下所示:
mmax(k)=max[Hk(s),Hk(s+1),…,Hk(s+Na-1)] (27)
(10)通过计算CSI的P百分位来判断一个样本在整个数据集Na所处的位置和大概分布,评估人体活动时不同的身体部分和腿部的速度,第25百分位数和第75百分位数如下所示:
以上公式中,s表示数据包的索引号,k代表第k个子载波,Na表示有活动的持续的数据包个数,Hk表示提取到包含有人体活动的CSI序列;
S32:将上述特征数据按活动类型及时间序列整理归类,作为基于SVM算法的跌倒活动分类识别模型的输入值。
进一步,所述步骤S4具体包括以下步骤:
式中w表示最优分类超平面的权系数;b表示分类阀值;
εi是为解决线性不可分问题引入的松弛因子,只有离群点会有松弛变量,εi越大,表示离群越远;考虑到放弃这些离群点将损失分类准确度,所以引入惩罚因子C(C>0),对上述问题的对偶问题表示为:
式中Qij=yiyjk(xi,xj),e为所有为1的向量,最终决策函数为:
根据无活动、跌倒、坐下、站立、行走活动类型的数据特征,选择合适的核函数和惩罚参数C来确定SVM,核函数选择径向基RBF核函数,如下所示:
K(xi,xj)=exp(-γ||xi-xj||2),γ>0 (33)
其中的γ为核参数;
结合WiFi干扰环境下的CSI跌倒活动数据特征,构建基于RBF核函数的SVM算法模型,其性能主要由误差惩罚因子C和核函数宽度g决定,参数C和g分别选取N和M个值,对N×M个(C,g)的组合分别训练SVM,然后通过搜索最高值的方法确定最终训练SVM的最优网络参数;
S42:由于支持向量机本身不支持多类问题,本方法涉及5种活动类型的分类,因此需要5个SVM分类器组合来完成多类样本的分类,故采用多分类中的“一对一”分类模式;在实际模型训练时,选取无活动、跌倒、坐下、站立、行走5种特征值中80%的数据作为预训练集,20%的数据作为测试集;然后每次从预训练集中挑选出两种活动来作为训练集,分别通过SVM分类器进行训练,共能得到10个训练结果;在测试验证时,把对应的测试集分别对10个结果进行测试,最后采取投票形式,得到5个活动的分类结果。
本发明的有益效果在于:
(1)针对WiFi干扰环境下进行的CSI人体跌倒识别场景,采用干扰检测及过滤方法对受干扰数据进行了单独处理,避免了数据失真及异常;此外在未受干扰数据的处理上,提出了多数据链路融合方法对数据特征进行加权融合,丰富了数据的多样性。综上所述,该方法能够显著提高WiFi干扰环境下的人体跌倒识别准确率。
(2)同时能够推广到CSI其它领域进行应用,有助于提高其工作效能。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明所述的WiFi干扰环境下的人体跌倒识别方法总体流程图;
图2为本发明所述的WiFi干扰环境下的人体跌倒识别模型;
图3为本发明所述的动态子载波选择算法流程图;
图4为本发明所述的多链路数据融合方法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1~图4,为在WiFi干扰环境下的WIFI CSI动态子载波选择的人体跌倒识别方法。图1为本发明所述的WiFi干扰环境下的人体跌倒识别方法总体流程图,如图1所示,该方法主要分为以下步骤:
S1:在WiFi干扰环境下的室内区域获取跌倒等活动相关数据,通过CSI信号强度向量、CSI噪声阈值计算干扰强度P及活跃比率A,结合CSI包接收率PRR构建干扰特征映射矩阵F(P,A,PRR),利用该矩阵计算干扰指数I-index进行干扰判别;
S2:采用基于干扰指数的动态子载波选择算法CSI-DSSA选取干扰数据中互相关性最弱的子载波组合,实现WiFi干扰过滤;采用多链路数据融合方法CSI-MLDF聚合未受干扰数据中多条数据流的时域特征信息,提高数据可靠性;
S3:在S2的基础上进行时域特征值提取,特征值包括均值、标准差、平均绝对偏差、最大值、百分位数,将特征数据按照活动种类进行归类处理;
S4:基于SVM分类算法,以S3的特征数据集作为输入,构建在WiFi干扰环境下的SVM多活动分类模型,并对模型进行测试优化,获得跌倒活动识别结果。
可选的,所述步骤S1具体包括以下步骤:
Step1:首先在WiFi干扰环境下的室内区域分别按照无活动、跌倒、坐下、站立、行走活动类型进行数据采集,依次按活动类型、时间先后序列对CSI数据中的幅值、时间标记、CSI信号强度向量、CSI噪声阈值、CSI包接收率PRR进行提取;
Step2:通过CSI信号强度向量和CSI噪声阈值计算干扰强度P及活跃比率A,得到干扰特征F(P,A),结合CSI包接收率PRR构建WiFi干扰特征映射矩阵S(P,A,PRR),再利用该矩阵计算各信道干扰指数;
首先,Hrssi为以周期Ts采集的CSI数据中RSSI值所组成的向量,用|Hrssi|表示所采集的RSSI个数,通过噪声阈值Noisethr来判断提取的RSSI值是否为噪声,即当RSSI值小于等于Noisethr时,将该值视为信道噪声。
(1)Hrem_rssi为Hrssi去除噪声后的Hrssi向量,则干扰强度为:
(2)Hactive为0/1向量,当且仅当Hrssi(i)>Noisethr,Hrssi(i)=1,否则Hrssi(i)=0,则活跃比率为:
(3)基于干扰强度、活跃比例、包接收率构建WiFi干扰特征映射矩阵S(P,A,PRR);
①令Pmin和Pmax分别为可能出现的最小和最大干扰程度,Amax为可能出现的最大活跃比率,以网格划分参数P和A的取值空间,在P轴方向的取值范围为[Pmin,Pmax],单元宽度为ΔP;在A轴方向的取值范围为[0,Amax],单元宽度为ΔA;让每个网格点对应一个干扰特征,并建立一个特征映射矩阵F用于存储所有干扰特征(P,A)所对应的PRR估计值;给定特征(P,A)的一组测量值PRR1,PRR2,…,PRRs,该特征对应的PRR估计值为:
②为各干扰特征(P,A)收集足够数量的测量值后,建立特征映射矩阵S;
③根据特征映射矩阵S计算出各信道的干扰指数,当前WiFi信道的干扰特征为(P,A),信道i的干扰特征为(Pi,Ai),干扰特征(Pi,Ai)与(P,A)之间的距离为:
令F中距(P,A)最近的K个干扰特征分别为(P1,A2),(P2,A2),…(Pk,Ak),干扰特征(P,A)对应的干扰状态的PRR估计值为:
④假设WiFi干扰源信道为m,发送端信道为n,计算干扰指数I_index为:
Step3:干扰指数I_index可以较好地反映信道n的WiFi干扰大小,根据干扰指数对数据进行干扰检测及干扰程度划分,将存在干扰的CSI数据与未存在干扰的CSI数据按照活动类型、时间先后序列、干扰程度作标记处理,构建为干扰数据集与未干扰数据集。
可选的,所述步骤S2具体包括以下步骤:
Step1:选取上述步骤中的干扰数据集,构建CSI的相关系数矩阵特征模型,利用基于干扰指数的动态子载波选择算法对干扰数据集进行干扰过滤处理;
首先,根据Pearson相关系数分析可知,信号之间的rxy相关强度可以表示为:
由于CSI信号在信道中传播,每一根发射天线和每一根接收天线之间有一条传输路径,设hij为第i根发射天线到第j根接收天线之间的信道脉冲响应,整个MIMO系统的信道响应可以用一个N×M的复矩阵H表示:
使用长度为w的动态滑动窗口对干扰数据集中连续时间序列的CSI数据包进行处理,形成如下H矩阵:
H=[Hi,Hi+1,...,Hi+w-1] (9)
其中,Hi表示第i个CSI数据包,滑动窗口的长度为w,每条数据流共有30个子载波,因此H为30×w大小的矩阵。
引入信道状态矩阵H,结合Pearson相关系数来表示子载波之间的序列相关性,以此来描述子载波之间相关性的细粒度。通过分析CSI数据序列中30个子载波之间的互相关性,计算相关系数矩阵C表示如下:
其中,C(Hi,Hj)即为Hi和Hj的相关系数,如下列公式所示:
C(Hi,Hj)值的大小表示了Hi和Hj的相关程度,C(Hi,Hj)的值越小,则矩阵H中Hi和Hj两列的相关系数就越低,若在采样时刻CSI值差距越大,则表示环境前后变化越明显。
根据IEEE 802.11n标准的CSMA/CA机制,子载波在频谱上重叠会导致子载波功率分配不均,削弱了子载波之间的相关性。因此利用基于干扰指数的动态子载波选择算法对干扰数据集进行干扰过滤处理,算法步骤如下:
(1)设定滑动窗口大小wf将受干扰的CSI数据流进行分区,滑动窗口总数N如下所示:
其中L表示数据流的长度,wf表示滑动窗口大小,i表示第i个CSI数据包;
(2)根据窗口总数N决定循环次数,根据干扰指数I-index确定子载波选择数量k,输出待选的子载波组合C,具体步骤如下:
①根据求得的窗口总数N决定循环次数,然后依据CSI相关系数矩阵特征模型,计算得到第fth个窗口内30个子载波间的相关系数,生成矩阵Rx,y;
②将矩阵Rx,y中数值按从小到大的顺序依次排列,生成数组If;
③根据corrcoef(a,b)=mf,令数组If中最小的值为mf,选取得到相关性最弱的两个子载波(a,b),将子载波(a,b)添加到集合Cf={a,b}中;
④令Cf中已有子载波数量为n,当n<k时,将Cf中已有子载波与剩余30-n个子载波进行相关性分析,每次选取一个与已有子载波相关性系数之和最小的子载波加入Cf中。共执行k-n次后,将Cf添加到集合C中;
⑤循环次数f=f+1,滑动至下一个窗口重复上述步骤,直至循环次数f=N时结束循环;
(3)对C集合中数据求取众数并按从大到小的顺序进行排列,取前k个子载波添加到组合Ck,判断Ck中子载波是否在[1,10],[11,20],[21,30]区间内皆有分布,如果成立,则令Cs=Ck输出结果;否则重新选取子载波进行判断,直至满足以上条件。
CSI-DSSA算法伪代码如下:
Step2:提取干扰过滤后的数据集和未干扰数据集,采取巴特沃斯低通滤波结合小波变换去噪的方式进行数据处理,对数据中存在的噪声和异常值等无关信息进行过滤,具体步骤如下:
首先采用二阶巴特沃斯滤波器对数据进行处理,巴特沃斯低通滤波器可用如下振幅的平方对频率的公式表示:
其中,n表示滤波器的阶数,w是信号的角速度,以弧度/秒为单位,wc为截止频率。
然后对上述结果采用基于CSI的小波变换方法进行处理,具体步骤如下:输入的CSI序列为H(t),将H(t)分解为如下形式:
H(t)=An+Dn+Dn-1+...+D1 (14)
其中A表示CSI信号中低频近似成分,D表示CSI信号中高频细节成分,n表示分解层次。
在每一层的分解得到的系数描述为:
然后采用阈值处理的方法,在数据中去除小波细节系数的噪声成分。由于人体跌倒等活动的频率相对较低,其特征主要包含在近似成分中,此处应通过提取包含低频信息的近似成分,用于后面分析不同人体动作的特征。最后采用多链路数据融合方法对未受干扰的数据进行处理,具体步骤如下:
(1)首先在初始时对第一次动作的所有数据流提供相同的权值设置为1,并在形成最终采集数据时进行均值聚合,其中N代表数据流数量,如下所示:
(2)在原训练集中提取动作指纹的特征值,通过处理获得其聚类中心后,以此中心点对应的特征值e0作为动作的标准,另外在进行本次动作分类后,得到该组动作的特征值em,其中n表示特征值的维度,如下所示:
e0=(e0 (1),e0 (2),...,e0 (n))T (19)
em=(em (1),em (2),...,em (n))T (20)
(3)计算本次动作N条数据流的特征值em与标准动作特征值e0的欧式距离,得到欧式距离Lm如下所示:
Step3:将所有处理过的数据集按照活动类型进行分类存放,以便进行特征提取。
可选的,所述步骤S3具体包括以下步骤:
Step1:根据上述结果,进行活动的时域特征值提取,特征值包括均值、标准差、平均绝对偏差、最大值、百分位数,具体描述如下:
(1)采用均值来反映CSI活动数据中的集中趋势,如下所示:
(2)采用标准差来反映CSI活动数据的波动情况,如下所示:
(3)采用平均绝对偏差CSI活动数据中的偏差情况,如下所示:
(4)采用最大值反映CSI活动数据的极值大小程度,如下所示:
mmax(k)=max[Hk(s),Hk(s+1),...,Hk(s+Na-1)] (27)
(5)通过计算CSI的P百分位来判断一个样本在整个数据集Na所处的位置和大概分布,可以评估人体活动时不同的身体部分和腿部的速度,第25百分位数和第75百分位数如下所示:
以上公式中,s表示数据包的索引号,k代表第k个子载波,Na表示有活动的持续的数据包个数,Hk表示提取到包含有人体活动的CSI序列。
Step2:将上述特征数据按活动类型及时间序列整理归类,作为基于SVM算法的跌倒活动分类识别模型的输入值。
可选的,所述步骤S4具体包括以下步骤:
式中w—最优分类超平面的权系数;
b—分类阀值;
εi是为解决线性不可分问题引入的松弛因子,只有离群点会有松弛变量,εi越大,表示离群越远;考虑到放弃这些离群点将损失分类准确度,所以引入惩罚因子C(C>0),对上述问题的对偶问题表示为:
式中Qij=yiyjk(xi,xj),e为所有为1的向量,最终决策函数为:
根据跌倒等活动类型的数据特征,选择合适的核函数和惩罚参数C来确定SVM,核函数选择径向基(RBF)核函数,如下所示:
K(xi,xj)=exp(-γ||xi-xj||2),γ>0 (33)
其中的γ为核参数;
结合WiFi干扰环境下的CSI跌倒活动数据特征,构建基于RBF核函数的SVM算法模型,其性能主要由误差惩罚因子C和核函数宽度g决定,参数C和g分别选取N和M个值,对N×M个(C,g)的组合分别训练SVM,然后通过搜索最高值的方法确定最终训练SVM的最优网络参数。
Step2:由于支持向量机本身不支持多类问题,本专利涉及5种活动类型的分类,因此需要5个SVM分类器组合来完成多类样本的分类,故采用多分类中的“一对一”分类模式。在实际模型训练时,选取无活动、跌倒、坐下、站立、行走5种特征值中80%的数据作为预训练集,20%的数据作为测试集;然后每次从预训练集中挑选出两种活动来作为训练集,分别通过SVM分类器进行训练,共能得到10个训练结果;在测试验证时,把对应的测试集分别对10个结果进行测试,最后采取投票形式,得到5个活动的分类结果。
本发明针对WiFi干扰环境下进行的CSI人体跌倒识别场景,采用干扰检测及过滤方法对受干扰数据进行了单独处理,避免了数据失真及异常;此外在未受干扰数据的处理上,提出了多数据链路融合方法对数据特征进行加权融合,丰富了数据的多样性。综上所述,该方法能够显著提高WiFi干扰环境下的人体跌倒识别准确率,同时能够推广到CSI其它领域进行应用,有助于提高其工作效能。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种WiFi干扰环境下的CSI人体跌倒识别方法,其特征在于:包括以下步骤:
S1:在WiFi干扰环境下的室内区域获取无活动、跌倒、坐下、站立、行走活动相关数据,通过CSI信号强度向量、CSI噪声阈值计算干扰强度P及活跃比率A,结合CSI包接收率PRR构建干扰特征映射矩阵F(P,A,PRR),利用所述矩阵计算干扰指数I-index进行干扰判别;
S2:采用基于干扰指数的动态子载波选择算法CSI-DSSA选取干扰数据中互相关性最弱的子载波组合,实现WiFi干扰过滤;采用多链路数据融合方法CSI-MLDF聚合未受干扰数据中多条数据流的时域特征信息,提高数据可靠性;
S3:在步骤S2的基础上进行时域特征值提取,特征值包括均值、标准差、平均绝对偏差、最大值、百分位数,将特征数据按照活动种类进行归类处理;
S4:基于SVM分类算法,以步骤S3的特征数据集作为输入,构建适用于WiFi干扰环境下的SVM多活动分类模型,并对模型进行测试优化,获得跌倒活动识别结果。
2.根据权利要求1所述的WiFi干扰环境下的CSI人体跌倒识别方法,其特征在于:步骤S1具体包括以下步骤:
S11:首先在WiFi干扰环境下的室内区域分别按照无活动、跌倒、坐下、站立、行走活动类型进行数据采集,依次按活动类型、时间先后序列对CSI数据中的幅值、时间标记、CSI信号强度向量、CSI噪声阈值、CSI包接收率PRR进行提取;
S12:通过CSI信号强度向量和CSI噪声阈值计算干扰强度P及活跃比率A,得到干扰特征F(P,A),结合CSI包接收率PRR构建WiFi干扰特征映射矩阵S(P,A,PRR),再利用该矩阵计算各信道干扰指数;
S13:干扰指数I_index用于反映信道n的WiFi干扰大小,根据干扰指数对数据进行干扰检测及干扰程度划分,将存在干扰的CSI数据与未存在干扰的CSI数据按照活动类型、时间先后序列、干扰程度作标记处理,构建为干扰数据集与未干扰数据集。
3.根据权利要求2所述的WiFi干扰环境下的CSI人体跌倒识别方法,其特征在于:步骤S12中,所述信道干扰指数的计算步骤如下:
首先,Hrssi为以周期Ts采集的CSI数据中RSSI值所组成的向量,用|Hrssi|表示所采集的RSSI个数,通过噪声阈值Noisethr来判断提取的RSSI值是否为噪声,即当RSSI值小于等于Noisethr时,将该值视为信道噪声;
1)Hrem_rssi为Hrssi去除噪声后的Hrssi向量,则干扰强度为:
2)Hactive为0/1向量,当且仅当Hrssi(i)>Noisethr,Hrssi(i)=1,否则Hrssi(i)=0,则活跃比率为:
3)基于干扰强度、活跃比例、包接收率构建WiFi干扰特征映射矩阵S(P,A,PRR);
①令Pmin和Pmax分别为可能出现的最小和最大干扰程度,Amax为可能出现的最大活跃比率,以网格划分参数P和A的取值空间,在P轴方向的取值范围为[Pmin,Pmax],单元宽度为ΔP;在A轴方向的取值范围为[0,Amax],单元宽度为ΔA;让每个网格点对应一个干扰特征,并建立一个特征映射矩阵F用于存储所有干扰特征(P,A)所对应的PRR估计值;给定特征(P,A)的一组测量值PRR1,PRR2,…,PRRs,该特征对应的PRR估计值为:
②为各干扰特征(P,A)收集足够数量的测量值后,建立特征映射矩阵S;
③根据特征映射矩阵S计算出各信道的干扰指数,当前WiFi信道的干扰特征为(P,A),信道i的干扰特征为(Pi,Ai),干扰特征(Pi,Ai)与(P,A)之间的距离为:
令F中距(P,A)最近的K个干扰特征分别为(P1,A2),(P2,A2),…(Pk,Ak),干扰特征(P,A)对应的干扰状态的PRR估计值为:
④假设WiFi干扰源信道为m,发送端信道为n,计算干扰指数I_index为:
4.根据权利要求3所述的WiFi干扰环境下的CSI人体跌倒识别方法,其特征在于:步骤S2具体包括以下步骤:
S21:选取所述干扰数据集,构建CSI的相关系数矩阵特征模型,利用基于干扰指数的动态子载波选择算法对干扰数据集进行干扰过滤处理,包括以下步骤:
S211:根据Pearson相关系数分析得到,信号之间的rxy相关强度表示为:
S212:由于CSI信号在信道中传播,每一根发射天线和每一根接收天线之间有一条传输路径,设hij为第i根发射天线到第j根接收天线之间的信道脉冲响应,整个MIMO系统的信道响应用一个N×M的复矩阵H表示:
使用长度为w的动态滑动窗口对干扰数据集中连续时间序列的CSI数据包进行处理,形成如下H矩阵:
H=[Hi,Hi+1,…,Hi+w-1] (9)
其中,Hi表示第i个CSI数据包,滑动窗口的长度为w,每条数据流共有30个子载波,因此H为30×w大小的矩阵;
S213:引入信道状态矩阵H,结合Pearson相关系数来表示子载波之间的序列相关性,以此来描述子载波之间相关性的细粒度;通过分析CSI数据序列中30个子载波之间的互相关性,计算相关系数矩阵C表示如下:
其中,C(Hi,Hj)即为Hi和Hj的相关系数,如下列公式所示:
C(Hi,Hj)值的大小表示Hi和Hj的相关程度,C(Hi,Hj)的值越小,则矩阵H中Hi和Hj两列的相关系数就越低,若在采样时刻CSI值差距越大,则表示环境前后变化越明显;
S214:根据IEEE 802.11n标准的CSMA/CA机制,子载波在频谱上重叠会导致子载波功率分配不均,削弱子载波之间的相关性;因此利用基于干扰指数的动态子载波选择算法对干扰数据集进行干扰过滤处理,算法步骤如下:
(1)设定滑动窗口大小wf将受干扰的CSI数据流进行分区,滑动窗口总数N如下所示:
其中L表示数据流的长度,wf表示滑动窗口大小,i表示第i个CSI数据包;
(2)根据窗口总数N决定循环次数,根据干扰指数I-index确定子载波选择数量k,输出待选的子载波组合C,具体步骤如下:
①根据求得的窗口总数N决定循环次数,然后依据CSI相关系数矩阵特征模型,计算得到第fth个窗口内30个子载波间的相关系数,生成矩阵Rx,y;
②将矩阵Rx,y中数值按从小到大的顺序依次排列,生成数组If;
③根据corrcoef(a,b)=mf,令数组If中最小的值为mf,选取得到相关性最弱的两个子载波(a,b),将子载波(a,b)添加到集合Cf={a,b}中;
④令Cf中已有子载波数量为n,当n<k时,将Cf中已有子载波与剩余30-n个子载波进行相关性分析,每次选取一个与已有子载波相关性系数之和最小的子载波加入Cf中;共执行k-n次后,将Cf添加到集合C中;
⑤循环次数f=f+1,滑动至下一个窗口重复上述步骤,直至循环次数f=N时结束循环;
(3)对C集合中数据求取众数并按从大到小的顺序进行排列,取前k个子载波添加到组合Ck,判断Ck中子载波是否在[1,10],[11,20],[21,30]区间内皆有分布,如果成立,则令Cs=Ck输出结果;否则重新选取子载波进行判断,直至满足以上条件;
S22:提取干扰过滤后的数据集和未干扰数据集,采取巴特沃斯低通滤波结合小波变换去噪的方式进行数据处理,对数据中存在的噪声和异常值等无关信息进行过滤,具体步骤如下:
S221:采用二阶巴特沃斯滤波器对数据进行处理,巴特沃斯低通滤波:用如下振幅的平方对频率的公式表示:
其中,n表示滤波器的阶数,w是信号的角速度,以弧度/秒为单位,wc为截止频率;
S222:对上述结果采用基于CSI的小波变换方法进行处理,具体步骤如下:输入的CSI序列为H(t),将H(t)分解为如下形式:
H(t)=An+Dn+Dn-1+...+D1 (14)
其中A表示CSI信号中低频近似成分,D表示CSI信号中高频细节成分,n表示分解层次;
在每一层的分解得到的系数描述为:
然后采用阈值处理的方法,在数据中去除小波细节系数的噪声成分;由于人体无活动、跌倒、坐下、站立、行走活动的频率相对较低,其特征主要包含在近似成分中,通过提取包含低频信息的近似成分,用于后面分析不同人体动作的特征;最后采用多链路数据融合方法对未受干扰的数据进行处理,具体步骤如下:
(1)首先在初始时对第一次动作的所有数据流提供相同的权值设置为1,并在形成最终采集数据时进行均值聚合,其中N代表数据流数量,如下所示:
(2)在原训练集中提取动作指纹的特征值,通过处理获得其聚类中心后,以此中心点对应的特征值e0作为动作的标准,另外在进行本次动作分类后,得到该组动作的特征值em,其中n表示特征值的维度,如下所示:
e0=(e0 (1),e0 (2),...,e0 (n))T (19)
em=(em (1),em (2),...,em (n))T (20)
(3)计算本次动作N条数据流的特征值em与标准动作特征值e0的欧式距离,得到欧式距离Lm如下所示:
S223:将所有处理过的数据集按照活动类型进行分类存放,以便进行特征提取。
5.根据权利要求4所述的WiFi干扰环境下的CSI人体跌倒识别方法,其特征在于:步骤S3具体包括以下步骤:
S31:根据步骤S2的结果,进行活动的时域特征值提取,特征值包括均值、标准差、平均绝对偏差、最大值、百分位数,具体包括:
(1)采用均值来反映CSI活动数据中的集中趋势,如下所示:
(2)采用标准差来反映CSI活动数据的波动情况,如下所示:
(3)采用平均绝对偏差CSI活动数据中的偏差情况,如下所示:
(4)采用最大值反映CSI活动数据的极值大小程度,如下所示:
mmax(k)=max[Hk(s),Hk(s+1),...,Hk(s+Na-1)] (27)
(5)通过计算CSI的P百分位来判断一个样本在整个数据集Na所处的位置和大概分布,评估人体活动时不同的身体部分和腿部的速度,第25百分位数和第75百分位数如下所示:
以上公式中,s表示数据包的索引号,k代表第k个子载波,Na表示有活动的持续的数据包个数,Hk表示提取到包含有人体活动的CSI序列;
S32:将上述特征数据按活动类型及时间序列整理归类,作为基于SVM算法的跌倒活动分类识别模型的输入值。
6.根据权利要求5所述的WiFi干扰环境下的CSI人体跌倒识别方法,其特征在于:所述步骤S4具体包括以下步骤:
式中w表示最优分类超平面的权系数;b表示分类阀值;
εi是为解决线性不可分问题引入的松弛因子,只有离群点会有松弛变量,εi越大,表示离群越远;考虑到放弃这些离群点将损失分类准确度,所以引入惩罚因子C(C>0),对上述问题的对偶问题表示为:
式中Qij=yiyjk(xi,xj),e为所有为1的向量,最终决策函数为:
根据无活动、跌倒、坐下、站立、行走活动类型的数据特征,选择合适的核函数和惩罚参数C来确定SVM,核函数选择径向基RBF核函数,如下所示:
K(xi,xj)=exp(-γ||xi-xj||2),γ>0 (33)
其中的γ为核参数;
结合WiFi干扰环境下的CSI跌倒活动数据特征,构建基于RBF核函数的SVM算法模型,其性能主要由误差惩罚因子C和核函数宽度g决定,参数C和g分别选取N和M个值,对N×M个(C,g)的组合分别训练SVM,然后通过搜索最高值的方法确定最终训练SVM的最优网络参数;
S42:由于支持向量机本身不支持多类问题,本方法涉及5种活动类型的分类,因此需要5个SVM分类器组合来完成多类样本的分类,故采用多分类中的“一对一”分类模式;在实际模型训练时,选取无活动、跌倒、坐下、站立、行走5种特征值中80%的数据作为预训练集,20%的数据作为测试集;然后每次从预训练集中挑选出两种活动来作为训练集,分别通过SVM分类器进行训练,共能得到10个训练结果;在测试验证时,把对应的测试集分别对10个结果进行测试,最后采取投票形式,得到5个活动的分类结果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010092968.7A CN111225354B (zh) | 2020-02-14 | 2020-02-14 | WiFi干扰环境下的CSI人体跌倒识别方法 |
PCT/CN2021/081494 WO2021160189A1 (zh) | 2020-02-14 | 2021-03-18 | WiFi干扰环境下的CSI人体跌倒识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010092968.7A CN111225354B (zh) | 2020-02-14 | 2020-02-14 | WiFi干扰环境下的CSI人体跌倒识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111225354A true CN111225354A (zh) | 2020-06-02 |
CN111225354B CN111225354B (zh) | 2022-02-22 |
Family
ID=70828464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010092968.7A Active CN111225354B (zh) | 2020-02-14 | 2020-02-14 | WiFi干扰环境下的CSI人体跌倒识别方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111225354B (zh) |
WO (1) | WO2021160189A1 (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270276A (zh) * | 2020-11-02 | 2021-01-26 | 重庆邮电大学 | 一种基于Kinect与WiFi数据联合的复杂环境中的行为识别的方法 |
CN112380903A (zh) * | 2020-10-14 | 2021-02-19 | 东北电力大学 | 一种基于WiFi-CSI信号增强的人体活动识别方法 |
CN112446426A (zh) * | 2020-11-23 | 2021-03-05 | 中国科学技术大学 | 摔倒检测方法、装置、电子设备及存储介质 |
CN112545496A (zh) * | 2020-11-09 | 2021-03-26 | 金茂智慧科技(广州)有限公司 | 一种探测人体摔倒的无线技术识别方法 |
CN112613388A (zh) * | 2020-12-18 | 2021-04-06 | 燕山大学 | 一种基于多维特征融合的人员跌倒检测方法 |
CN112869734A (zh) * | 2021-01-11 | 2021-06-01 | 乐鑫信息科技(上海)股份有限公司 | 一种Wi-Fi人体检测的方法和智能设备 |
WO2021160189A1 (zh) * | 2020-02-14 | 2021-08-19 | 重庆邮电大学 | WiFi干扰环境下的CSI人体跌倒识别方法 |
CN113453180A (zh) * | 2021-06-06 | 2021-09-28 | 西安电子科技大学 | 一种人体摔倒智能检测方法、系统、信息数据处理终端 |
CN113904707A (zh) * | 2021-09-16 | 2022-01-07 | 上海美仁半导体有限公司 | 人体检测方法及装置、家电设备的关机方法及装置 |
CN114333044A (zh) * | 2020-09-27 | 2022-04-12 | 天津科技大学 | 一种非接触式连续行为感知方法 |
CN114358162A (zh) * | 2021-12-27 | 2022-04-15 | 中国人民解放军国防科技大学 | 一种基于连续小波变换的跌倒检测方法、装置及电子设备 |
CN114422050A (zh) * | 2021-12-13 | 2022-04-29 | 华南师范大学 | 基于wifi检测子载波并实时可视化方法、系统及平台 |
CN114707563A (zh) * | 2022-06-07 | 2022-07-05 | 湖南工商大学 | 一种基于Wi-Fi信道状态信息的人体动作识别方法 |
CN115035686A (zh) * | 2022-04-29 | 2022-09-09 | 华南师范大学 | 基于信道状态信息的实时化跌倒检测方法、系统及介质 |
CN116205469A (zh) * | 2023-05-05 | 2023-06-02 | 武汉理工大学 | 一种基于物理信道的船舶驾驶员活跃状态监测方法及装置 |
CN116304915A (zh) * | 2023-05-16 | 2023-06-23 | 山东科技大学 | 基于WiFi的无接触动作识别方法、系统及实验室装置 |
CN117315886A (zh) * | 2023-09-07 | 2023-12-29 | 安徽建筑大学 | 一种基于uwb雷达的人员即将跌倒检测方法及装置 |
CN118171135A (zh) * | 2024-05-09 | 2024-06-11 | 大连佳塬科技发展有限公司 | 基于多源数据融合的水产养殖环境监测方法 |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023071550A1 (zh) * | 2021-11-01 | 2023-05-04 | 荣耀终端有限公司 | 生命体征检测方法和电子设备 |
CN114079859B (zh) * | 2021-11-04 | 2024-07-12 | 中国矿业大学 | 一种基于csi的监测装置与监测方法 |
CN114048773B (zh) * | 2021-11-10 | 2024-09-10 | 厦门大学 | 一种基于迁移学习和WiFi的行为识别方法及系统 |
CN114533046B (zh) * | 2022-02-23 | 2024-05-07 | 成都华乾科技有限公司 | 一种基于csi信号的居家人员活动状态监测方法及系统 |
CN114676727B (zh) * | 2022-03-21 | 2024-02-20 | 合肥工业大学 | 一种基于csi的与位置无关的人体活动识别方法 |
CN114692683B (zh) * | 2022-03-23 | 2024-07-05 | 南京邮电大学 | 一种基于csi的跌倒检测方法、装置及存储介质 |
CN114581958B (zh) * | 2022-05-06 | 2022-08-16 | 南京邮电大学 | 一种基于csi信号到达角估计的静态人体姿势估计方法 |
CN115001604B (zh) * | 2022-05-19 | 2024-04-12 | 杭州一炜科技有限公司 | 基于WiFi微控制器的人体感知方法和系统 |
CN114680879B (zh) * | 2022-06-01 | 2022-09-27 | 华南师范大学 | 体动伪迹信号的检测方法以及装置 |
CN114845390B (zh) * | 2022-06-13 | 2024-08-27 | 中国科学技术大学 | 一种基于子载波甄选的近实时Wi-Fi室内定位方法 |
CN115002703A (zh) * | 2022-07-14 | 2022-09-02 | 西安理工大学 | 一种基于Wi-Fi信道状态信息的被动式室内人数检测方法 |
CN115166636B (zh) * | 2022-09-05 | 2022-12-20 | 南京信息工程大学 | 基于多特征信道状态信息边缘计算的工厂人员监管方法 |
CN115242327B (zh) * | 2022-09-19 | 2022-12-06 | 南京邮电大学 | 基于多通道融合的csi动作识别方法 |
CN115913415B (zh) * | 2022-11-09 | 2024-02-02 | 华工未来科技(江苏)有限公司 | 一种基于ris辅助的wifi信号动作识别方法、装置及存储介质 |
CN116074835B (zh) * | 2023-01-16 | 2024-09-10 | 上海物骐微电子有限公司 | 基于WiFi的手势识别方法及装置、电子设备、存储介质 |
CN116388884B (zh) * | 2023-06-05 | 2023-10-20 | 浙江大学 | 防窃听超声波干扰样本设计方法、系统及装置 |
CN116649159B (zh) * | 2023-08-01 | 2023-11-07 | 江苏慧岸信息科技有限公司 | 一种食用菌生长参数寻优的系统和方法 |
CN117148309B (zh) * | 2023-11-01 | 2024-01-30 | 德心智能科技(常州)有限公司 | 应用于社区网格巡查的毫米波雷达人体感知方法及系统 |
CN117771460B (zh) * | 2024-02-27 | 2024-05-03 | 中国人民解放军东部战区总医院 | 一种便携式血液透析设备远程监测方法及系统 |
CN118413869B (zh) * | 2024-07-01 | 2024-09-03 | 厦门拾聚科技有限公司 | 广覆盖的通信感知计算一体化路由系统、方法、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105493431A (zh) * | 2013-08-23 | 2016-04-13 | 高通股份有限公司 | 利用未许可频谱的lte/lte-a中的csi和ack报告增强型方案 |
CN106618497A (zh) * | 2016-12-13 | 2017-05-10 | 北京理工大学 | 复杂环境下基于信道状态信息监测睡眠的方法 |
CN108459706A (zh) * | 2018-01-24 | 2018-08-28 | 重庆邮电大学 | 基于相对运动轨迹跟踪的Wi-Fi手势识别方法 |
CN110337066A (zh) * | 2019-05-21 | 2019-10-15 | 西安电子科技大学 | 基于信道状态信息室内人员活动识别方法、人机交互系统 |
US20190364448A1 (en) * | 2015-01-15 | 2019-11-28 | Samsung Electronics Co., Ltd. | Method and apparatus for controlling modem in wireless communication system |
CN110730473A (zh) * | 2019-09-03 | 2020-01-24 | 中国人民解放军陆军工程大学 | 面向WiFi活动识别的信号特征提取方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10320512B2 (en) * | 2017-01-08 | 2019-06-11 | At&T Intellectual Property I, L.P. | Interference cancelation for 5G or other next generation network |
CN109581303B (zh) * | 2018-12-04 | 2024-05-03 | 深圳泓越信息科技有限公司 | 一种基于Wi-Fi穿墙雷达的干扰抑制方法 |
CN111225354B (zh) * | 2020-02-14 | 2022-02-22 | 重庆邮电大学 | WiFi干扰环境下的CSI人体跌倒识别方法 |
-
2020
- 2020-02-14 CN CN202010092968.7A patent/CN111225354B/zh active Active
-
2021
- 2021-03-18 WO PCT/CN2021/081494 patent/WO2021160189A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105493431A (zh) * | 2013-08-23 | 2016-04-13 | 高通股份有限公司 | 利用未许可频谱的lte/lte-a中的csi和ack报告增强型方案 |
US20190364448A1 (en) * | 2015-01-15 | 2019-11-28 | Samsung Electronics Co., Ltd. | Method and apparatus for controlling modem in wireless communication system |
CN106618497A (zh) * | 2016-12-13 | 2017-05-10 | 北京理工大学 | 复杂环境下基于信道状态信息监测睡眠的方法 |
CN108459706A (zh) * | 2018-01-24 | 2018-08-28 | 重庆邮电大学 | 基于相对运动轨迹跟踪的Wi-Fi手势识别方法 |
CN110337066A (zh) * | 2019-05-21 | 2019-10-15 | 西安电子科技大学 | 基于信道状态信息室内人员活动识别方法、人机交互系统 |
CN110730473A (zh) * | 2019-09-03 | 2020-01-24 | 中国人民解放军陆军工程大学 | 面向WiFi活动识别的信号特征提取方法 |
Non-Patent Citations (1)
Title |
---|
谢晓浩: "基于WiFi的室内多人活动检测与识别方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021160189A1 (zh) * | 2020-02-14 | 2021-08-19 | 重庆邮电大学 | WiFi干扰环境下的CSI人体跌倒识别方法 |
CN114333044A (zh) * | 2020-09-27 | 2022-04-12 | 天津科技大学 | 一种非接触式连续行为感知方法 |
CN112380903A (zh) * | 2020-10-14 | 2021-02-19 | 东北电力大学 | 一种基于WiFi-CSI信号增强的人体活动识别方法 |
CN112380903B (zh) * | 2020-10-14 | 2024-02-02 | 东北电力大学 | 一种基于WiFi-CSI信号增强的人体活动识别方法 |
CN112270276B (zh) * | 2020-11-02 | 2022-05-06 | 重庆邮电大学 | 一种基于Kinect与WiFi数据联合的复杂环境中的行为识别的方法 |
CN112270276A (zh) * | 2020-11-02 | 2021-01-26 | 重庆邮电大学 | 一种基于Kinect与WiFi数据联合的复杂环境中的行为识别的方法 |
CN112545496A (zh) * | 2020-11-09 | 2021-03-26 | 金茂智慧科技(广州)有限公司 | 一种探测人体摔倒的无线技术识别方法 |
CN112446426A (zh) * | 2020-11-23 | 2021-03-05 | 中国科学技术大学 | 摔倒检测方法、装置、电子设备及存储介质 |
CN112613388A (zh) * | 2020-12-18 | 2021-04-06 | 燕山大学 | 一种基于多维特征融合的人员跌倒检测方法 |
CN112613388B (zh) * | 2020-12-18 | 2022-08-30 | 燕山大学 | 一种基于多维特征融合的人员跌倒检测方法 |
CN112869734A (zh) * | 2021-01-11 | 2021-06-01 | 乐鑫信息科技(上海)股份有限公司 | 一种Wi-Fi人体检测的方法和智能设备 |
CN113453180A (zh) * | 2021-06-06 | 2021-09-28 | 西安电子科技大学 | 一种人体摔倒智能检测方法、系统、信息数据处理终端 |
CN113904707A (zh) * | 2021-09-16 | 2022-01-07 | 上海美仁半导体有限公司 | 人体检测方法及装置、家电设备的关机方法及装置 |
CN113904707B (zh) * | 2021-09-16 | 2023-11-10 | 上海美仁半导体有限公司 | 人体检测方法及装置、家电设备的关机方法及装置 |
CN114422050B (zh) * | 2021-12-13 | 2023-01-13 | 华南师范大学 | 一种基于wifi检测子载波并实时可视化方法、系统及平台 |
CN114422050A (zh) * | 2021-12-13 | 2022-04-29 | 华南师范大学 | 基于wifi检测子载波并实时可视化方法、系统及平台 |
CN114358162A (zh) * | 2021-12-27 | 2022-04-15 | 中国人民解放军国防科技大学 | 一种基于连续小波变换的跌倒检测方法、装置及电子设备 |
CN114358162B (zh) * | 2021-12-27 | 2024-02-02 | 中国人民解放军国防科技大学 | 一种基于连续小波变换的跌倒检测方法、装置及电子设备 |
CN115035686A (zh) * | 2022-04-29 | 2022-09-09 | 华南师范大学 | 基于信道状态信息的实时化跌倒检测方法、系统及介质 |
CN114707563A (zh) * | 2022-06-07 | 2022-07-05 | 湖南工商大学 | 一种基于Wi-Fi信道状态信息的人体动作识别方法 |
CN116205469A (zh) * | 2023-05-05 | 2023-06-02 | 武汉理工大学 | 一种基于物理信道的船舶驾驶员活跃状态监测方法及装置 |
CN116304915A (zh) * | 2023-05-16 | 2023-06-23 | 山东科技大学 | 基于WiFi的无接触动作识别方法、系统及实验室装置 |
CN116304915B (zh) * | 2023-05-16 | 2023-08-29 | 山东科技大学 | 基于WiFi的无接触动作识别方法、系统及实验室装置 |
CN117315886A (zh) * | 2023-09-07 | 2023-12-29 | 安徽建筑大学 | 一种基于uwb雷达的人员即将跌倒检测方法及装置 |
CN117315886B (zh) * | 2023-09-07 | 2024-04-12 | 安徽建筑大学 | 一种基于uwb雷达的人员即将跌倒检测方法及装置 |
CN118171135A (zh) * | 2024-05-09 | 2024-06-11 | 大连佳塬科技发展有限公司 | 基于多源数据融合的水产养殖环境监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111225354B (zh) | 2022-02-22 |
WO2021160189A1 (zh) | 2021-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111225354B (zh) | WiFi干扰环境下的CSI人体跌倒识别方法 | |
CN106407905B (zh) | 基于机器学习的无线感知动作识别方法 | |
CN106658590B (zh) | 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 | |
CN112036433B (zh) | 一种基于CNN的Wi-Move行为感知方法 | |
CN113158793B (zh) | 一种基于多特征融合的多类运动想象脑电信号识别方法 | |
CN109635837A (zh) | 一种基于商用无线Wi-Fi的场景无忧跌倒检测系统 | |
CN104586387A (zh) | 一种时、频、空域多参数脑电特征提取与融合方法 | |
Arshad et al. | Leveraging transfer learning in multiple human activity recognition using WiFi signal | |
CN112333653A (zh) | 基于WiFi信道状态信息的身份智能识别方法、系统 | |
CN108363493A (zh) | 基于脑机接口的用户特征模型建立方法、系统及存储介质 | |
CN104135327A (zh) | 基于支持向量机的频谱感知方法 | |
CN111597991A (zh) | 一种基于信道状态信息和BiLSTM-Attention的康复检测方法 | |
CN108960299A (zh) | 一种多类运动想象脑电信号的识别方法 | |
CN109379153A (zh) | 一种频谱感知方法 | |
CN106725420A (zh) | 室性早搏识别方法及室性早搏识别系统 | |
CN113453180B (zh) | 一种人体摔倒智能检测方法、系统、信息数据处理终端 | |
CN105786189A (zh) | 一种基于肌动信号的指部独立动作识别方法及系统 | |
CN111901028B (zh) | 一种基于多天线上csi的人体行为识别方法 | |
CN114964778A (zh) | 一种基于小波时频图与深度学习的轴承故障诊断方法 | |
CN111310656A (zh) | 基于多线性主成分分析的单次运动想象脑电信号识别方法 | |
CN114781463A (zh) | 一种跨场景鲁棒的室内摔倒无线检测方法及相关设备 | |
CN114973330A (zh) | 一种跨场景鲁棒的人员疲劳状态无线检测方法及相关设备 | |
CN114639169B (zh) | 基于注意力机制特征融合与位置无关的人体动作识别系统 | |
Moghaddam et al. | A WiFi-based system for recognizing fine-grained multiple-subject human activities | |
CN109918994B (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 |