CN111225354B - WiFi干扰环境下的CSI人体跌倒识别方法 - Google Patents

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

WiFi干扰环境下的CSI人体跌倒识别方法

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，H_rssi为以周期T_s采集的CSI数据中RSSI值所组成的向量，用|H_rssi|表示所采集的RSSI个数，通过噪声阈值Noise_thr来判断提取的RSSI值是否为噪声，即当RSSI值小于等于Noise_thr时，将该值视为信道噪声；

1)H_{rem_rssi}为H_rssi去除噪声后的H_rssi向量，则干扰强度为：

2)H_active为0/1向量，当且仅当H_rssi(i)＞Noise_thr，H_rssi(i)＝1，否则H_rssi(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P_min和P_max分别为可能出现的最小和最大干扰程度，A_max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[P_min,P_max]，单元宽度为ΔP；在A轴方向的取值范围为[0,A_max]，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,…,PRR_s，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(P_i,A_i)，干扰特征(P_i,A_i)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),…(P_k,A_k)，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r_xy相关强度表示为：

相关系数利用两个变量之间的协方差和标准差来定义相关强度，其中n是序列x(n)和序列y(n)的长度，

表示序列x(n)的均值，y(n)表示序列y(n)的均值；

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h_ij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＝[H_i,H_i+1,…,H_i+w-1] (9)

其中，H_i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(H_i,H_j)即为H_i和H_j的相关系数，如下列公式所示：

C(H_i,H_j)值的大小表示H_i和H_j的相关程度，C(H_i,H_j)的值越小，则矩阵H中H_i和H_j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w_f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，w_f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f^th个窗口内30个子载波间的相关系数，生成矩阵R_x,y；

②将矩阵R_x,y中数值按从小到大的顺序依次排列，生成数组I_f；

③根据corrcoef(a,b)＝m_f，令数组I_f中最小的值为m_f，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C_f＝{a,b}中；

④令C_f中已有子载波数量为n，当n＜k时，将C_f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C_f中；共执行k-n次后，将C_f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C_k，判断C_k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C_s＝C_k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，w_c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)＝A_n+D_n+D_n-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：

其中

为低频的近似函数，

为高频的细节系数，x_n表示第n个输入，

和

是两组离散正交的小波基函数，离散小波变换的逆变换表示为：

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e_m，其中n表示特征值的维度，如下所示：

e₀＝(e₀ ⁽¹⁾,e₀ ⁽²⁾,...,e₀ ⁽ⁿ⁾)^T (19)

e_m＝(e_m ⁽¹⁾,e_m ⁽²⁾,...,e_m ⁽ⁿ⁾)^T (20)

(3)计算本次动作N条数据流的特征值e_m与标准动作特征值e₀的欧式距离，得到欧式距离L_m如下所示：

(4)根据N条数据流得出的欧式距离L_m得到每条链路所占的权重，然后进行归一化处理，得到链路的欧式距离

如下所示：

(5)利用归一化后的欧式距离

作为本条数据流的权值反馈到各自的数据链路上，通过求取均值计算出聚集CSI的时序序列k(t)′，如下列式子所示：

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：

m_max(k)＝max[H_k(s),H_k(s+1),…,H_k(s+N_a-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N_a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，N_a表示有活动的持续的数据包个数，H_k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：

S41：将提取的有效的均值、标准差、平均绝对偏差、最大值、百分位数特征数据映射到高维空间中，变为高维空间中的线性可分问题，引入核函数为

则跌倒活动识别分类问题表示为：

式中w表示最优分类超平面的权系数；b表示分类阀值；

ε_i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，ε_i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Q_ij＝y_iy_jk(x_i,x_j)，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(x_i,x_j)＝exp(-γ||x_i-x_j||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，H_rssi为以周期T_s采集的CSI数据中RSSI值所组成的向量，用|H_rssi|表示所采集的RSSI个数，通过噪声阈值Noise_thr来判断提取的RSSI值是否为噪声，即当RSSI值小于等于Noise_thr时，将该值视为信道噪声。

(1)H_{rem_rssi}为H_rssi去除噪声后的H_rssi向量，则干扰强度为：

(2)H_active为0/1向量，当且仅当H_rssi(i)＞Noise_thr，H_rssi(i)＝1，否则H_rssi(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P_min和P_max分别为可能出现的最小和最大干扰程度，A_max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[P_min,P_max]，单元宽度为ΔP；在A轴方向的取值范围为[0,A_max]，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,…,PRR_s，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(P_i,A_i)，干扰特征(P_i,A_i)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),…(P_k,A_k)，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r_xy相关强度可以表示为：

相关系数利用两个变量之间的协方差和标准差来定义相关强度，其中n是序列x(n)和序列y(n)的长度，

表示序列x(n)的均值，y(n)表示序列y(n)的均值。

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h_ij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＝[H_i,H_i+1,...,H_i+w-1] (9)

其中，H_i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(H_i,H_j)即为H_i和H_j的相关系数，如下列公式所示：

C(H_i,H_j)值的大小表示了H_i和H_j的相关程度，C(H_i,H_j)的值越小，则矩阵H中H_i和H_j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w_f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，w_f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f^th个窗口内30个子载波间的相关系数，生成矩阵R_x,y；

②将矩阵R_x,y中数值按从小到大的顺序依次排列，生成数组I_f；

③根据corrcoef(a,b)＝m_f，令数组I_f中最小的值为m_f，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C_f＝{a,b}中；

④令C_f中已有子载波数量为n，当n＜k时，将C_f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C_f中。共执行k-n次后，将C_f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C_k，判断C_k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C_s＝C_k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，w_c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)＝A_n+D_n+D_n-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：

其中

为低频的近似函数，

为高频的细节系数，x_n表示第n个输入，

和

是两组离散正交的小波基函数，离散小波变换的逆变换可以表示为：

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e_m，其中n表示特征值的维度，如下所示：

e₀＝(e₀ ⁽¹⁾,e₀ ⁽²⁾,...,e₀ ⁽ⁿ⁾)^T (19)

e_m＝(e_m ⁽¹⁾,e_m ⁽²⁾,...,e_m ⁽ⁿ⁾)^T (20)

(3)计算本次动作N条数据流的特征值e_m与标准动作特征值e₀的欧式距离，得到欧式距离L_m如下所示：

(4)根据N条数据流得出的欧式距离L_m可以得到每条链路所占的权重，然后进行归一化处理，得到链路的欧式距离

如下所示：

(5)利用归一化后的欧式距离

作为本条数据流的权值反馈到各自的数据链路上，通过求取均值可以计算出聚集CSI的时序序列k(t)′，如下列式子所示：

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：

m_max(k)＝max[H_k(s),H_k(s+1),...,H_k(s+N_a-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N_a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，N_a表示有活动的持续的数据包个数，H_k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：

Step1：将提取的有效的均值、标准差、平均绝对偏差、最大值、百分位数特征数据映射到高维空间中，变为高维空间中的线性可分问题，引入核函数为

则跌倒活动识别分类问题表示为：

式中w—最优分类超平面的权系数；

b—分类阀值；

ε_i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，ε_i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Q_ij＝y_iy_jk(x_i,x_j)，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(x_i,x_j)＝exp(-γ||x_i-x_j||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 (5)

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S(P,A,PRR)，利用所述矩阵计算干扰指数I_index进行干扰判别；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；

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；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；

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，对数据中存在的无关信息进行过滤，包括噪声和异常值；

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S12中，所述信道干扰指数的计算步骤如下：

首先，H_rssi为以周期T_s采集的CSI数据中RSSI值所组成的向量，用|H_rssi|表示所采集的RSSI个数，通过噪声阈值Noise_thr来判断提取的RSSI值是否为噪声，即当RSSI值小于等于Noise_thr时，将该值视为信道噪声；

1)H_{rem_rssi}为H_rssi去除噪声后的H_rssi向量，则干扰强度为：

2)H_active为0/1向量，当且仅当H_rssi(i)＞Noise_thr，H_active＝1，否则H_active＝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P_min和P_max分别为可能出现的最小和最大干扰程度，A_max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[P_min,P_max]，单元宽度为ΔP；在A轴方向的取值范围为[0,A_max]，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,…,PRR_s，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(P_i,A_i)，干扰特征(P_i,A_i)与(P,A)之间的距离为：

令S中距(P,A)最近的K个干扰特征分别为(P₁,A₂),(P₂,A₂),…(P_K,A_K)，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：

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S21具体包括以下步骤：

S211：根据Pearson相关系数分析得到，信号之间的r_xy相关强度表示为：

相关系数利用两个变量之间的协方差和标准差来定义相关强度，其中f是序列x和序列y的长度，

表示序列x的均值，

表示序列y的均值，t表示时间，x_t表示t时刻变量x的值，y_t表示t时刻变量y的值；

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H_ij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＝[H_i,H_i+1,...,H_i+w-1] (9)

其中，H_i表示第i个CSI数据包的信道矩阵，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(H_i,H_j)即为H_i和H_j的相关系数，如下列公式所示：

C(H_i,H_j)值的大小表示H_i和H_j的相关程度，C(H_i,H_j)的值越小，则矩阵H中H_i和H_j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w_f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，w_f表示滑动窗口大小，i表示CSI数据流个数；

(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，输出待选的子载波集合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f^th个窗口内30个子载波间的相关系数，生成矩阵R_x,y；

②将矩阵R_x,y中数值按从小到大的顺序依次排列，生成数组I_f；

③根据corrcoef(a,b)＝m_f，令数组I_f中最小的值为m_f，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C″_f＝{a,b}中；

④令C″_f中已有子载波数量为a，当n＜k时，将C″_f中已有子载波与剩余30-a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C″_f中；共执行k-n次后，将C″_f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C″_k，判断C″_k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C″_s＝C″_k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；

步骤S22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，b表示滤波器的阶数，w是信号的角速度，以弧度/秒为单位，w_c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)＝A_c+D_c+D_c-1+...+D₁ (14)

其中A_c表示第c分解层次的CSI信号中低频近似成分，D_c、D_c-1、D₁分别表示第c、第c-1、第1分解层次的CSI信号中高频细节成分，c表示分解层次；

在每一层的分解得到的系数描述为：

其中

为低频的近似函数，

为高频的细节系数，x_d表示第d个输入，

和

是两组离散正交的小波基函数，离散小波变换的逆变换表示为：

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e_m，其中h表示特征值的维度，如下所示：

e₀＝(e₀ ⁽¹⁾,e₀ ⁽²⁾,...,e₀ ^(h))^T (19)

e_m＝(e_m ⁽¹⁾,e_m ⁽²⁾,...,e_m ^(h))^T (20)

(3)计算本次动作N″条数据流的特征值e_m与标准动作特征值e₀的欧式距离，得到欧式距离L_m如下所示：

(4)根据N″条数据流得出的欧式距离L_m得到每条链路所占的权重，然后进行归一化处理，得到链路的欧式距离

如下所示：

(5)利用归一化后的欧式距离

作为本条数据流的权值反馈到各自的数据链路上，通过求取均值计算出聚集CSI的时序序列k(t)′，如下列式子所示：

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。

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：

m_max(k)＝max[H_k(s),H_k(s+1),...,H_k(s+N_a-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，N_a表示有活动的持续的数据包个数，H_k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。

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：所述步骤S4具体包括以下步骤：

S41：将提取的有效的均值、标准差、平均绝对偏差、最大值、百分位数特征数据映射到高维空间中，变为高维空间中的线性可分问题，引入核函数为

则跌倒活动识别分类问题表示为：

式中w′表示最优分类超平面的权系数；b′表示分类阀值，l表示Lagrange算子的个数；

ε_i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，ε_i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Q_ij＝y_iy_jk(x_i,x_j)，e为所有为1的向量，α_i是拉格朗日算子，α是α_i的集合，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因子`C来确定SVM，核函数选择径向基RBF核函数，如下所示：

k(x_i,x_j)＝exp(-γ||x_i-x_j||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，其性能主要由惩罚因子`C和核函数宽度g决定，惩罚因子`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。

Images