CN111901028A - 一种基于多天线上csi的人体行为识别方法 - Google Patents

一种基于多天线上csi的人体行为识别方法 Download PDF

Info

Publication number
CN111901028A
CN111901028A CN202010722560.3A CN202010722560A CN111901028A CN 111901028 A CN111901028 A CN 111901028A CN 202010722560 A CN202010722560 A CN 202010722560A CN 111901028 A CN111901028 A CN 111901028A
Authority
CN
China
Prior art keywords
csi
sample
fknn
samples
behavior
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
CN202010722560.3A
Other languages
English (en)
Other versions
CN111901028B (zh
Inventor
白立春
陶志勇
刘影
郭京
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.)
Liaoning Technical University
Original Assignee
Liaoning Technical 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 Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN202010722560.3A priority Critical patent/CN111901028B/zh
Publication of CN111901028A publication Critical patent/CN111901028A/zh
Application granted granted Critical
Publication of CN111901028B publication Critical patent/CN111901028B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/0848—Joint weighting
    • H04B7/0857—Joint weighting using maximum ratio combining techniques, e.g. signal-to- interference ratio [SIR], received signal strenght indication [RSS]
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/0413—MIMO systems
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供一种基于多天线上CSI的人体行为识别方法，涉及行为识别技术领域。该方法首先采集多组人体运动时每个行为的CSI信号，并分别提取出三个接收天线上CSI信号的振幅，组成CSI幅度序列；并去除CSI幅度序列中的异常值及高频噪声，采用主成分分析去除CSI幅度序列的带外噪声，只保留第一主成分h作为描述人体运动行为的信号；将剔除无效信号后的第一主成分作为行为动作的特征向量并加上行为动作对应的类别标签，分别形成三个接收天线的样本集；再利用三个接收天线的三个样本集构造基于DTW算法的三个FKNN分类器，将三个FKNN分类器作为联合分类器对待测样本进行多天线联合判决，得到待测样本的类别。

Description

一种基于多天线上CSI的人体行为识别方法
技术领域
本发明涉及行为识别技术领域，尤其涉及一种基于多天线上CSI的人体行为识别方法。
背景技术
由于计算和传感技术的进步，以及人们对诸如安全和监视、人机交互和体感游戏等行为或手势识别应用方面的兴趣，人体运动和行为的分析识别成为普适计算中一个新兴的研究领域。传统的识别方法主要分为三类：基于计算机视觉的识别方法、基于低成本雷达的识别方法和基于可穿戴传感器的识别方法，然而，利用这些传统技术感知人类活动存在一些限制。基于计算机视觉的方法会受到光照条件、障碍物等因素的影响，同时也极易侵犯隐私；低成本雷达系统的运行距离有限，通常在10厘米左右；基于可穿戴传感器的解决方案虽然实现了细粒度的行为感知，但其高昂的成本和需随身携带传感器限制了它的实用性。为了克服上述问题，满足人们对人体行为感知技术低成本、高精度、方便使用等方面的需求，基于WiFi的行为识别技术应运而生。研究人员尝试对人们运动的行为特征以及引起周围电磁波信号的变化进行研究，进而来识别出人体行为的类别。
Abdelnasser H提出的WiGest系统通过分析不同动作对接收信号强度(receivedsignal strength，RSS)引起的变化进行手势识别，对于单接入点和三接入点，识别精度分别达到87.5％和96％。然而，由于射频干扰和无线信号多径衰落，使得收发链路的RSS变得不可靠，导致系统的性能下降。通过修改Intel 5300网卡的Linux驱动程序，普通的商用WiFi设备可以得到信道状态信息(channel state information，CSI)。与RSS相比，CSI是物理层的细粒度值，为每个传输链路的每个子载波提供信道估计，可以反映小尺度衰落和微运动引起的多径效应。目前研究方案大多基于WiFi信号的信道状态信息CSI进行分析，通过对人体进行行为活动时CSI信号的变化进行分析，可以对用户行为进行有效的识别。WangTao提出了Wi-Alarm系统将原始CSI幅度的均值和方差作为特征，使用支持向量机进行人体感知，然而忽略了数据预处理的过程且仅使用有限的统计特征进行识别，未能充分利用CSI的数据信息，因此识别精度受限。Fu Xiao的SEARE系统利用主成分分析(principalcomponent analysis，PCA)获取活动特征，使用KNN(k nearest neighbor)分类器识别出举哑铃、深蹲、踢腿和拳击四种运动行为，但该方法仅使用单根天线的CSI振幅信息，未能充分利用MIMO(multiple input and multiple output)系统。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于多天线上CSI的人体行为识别方法，准确而高效的对室内人体行为进行识别。
为解决上述技术问题，本发明所采取的技术方案是：一种基于多天线上CSI的人体行为识别方法，包括以下步骤：
步骤1：通过带有三个接收天线A、B、C的数据采集设备采集多组人体运动时每个行为的CSI信号，并分别提取出三个接收天线A、B、C上CSI信号的振幅，组成CSI幅度序列；
步骤2：对提取到的CSI信号的振幅进行数据处理，去除CSI幅度序列中的异常值及高频噪声；并采用主成分分析去除CSI幅度序列的带外噪声，只保留第一主成分h作为描述人体运动行为的信号；
步骤2.1：去除CSI幅度序列中的异常值；
对CSI幅度序列中的振幅数据进行Hampel滤波，将振幅不在幅度区间[α-γ×σ，α+γ×σ]内的数据值作为异常值，并用CSI幅度序列的中位数替换这些异常值；其中，α、σ分别表示CSI幅度序列的中位数和中值绝对偏差，γ为常数；
步骤2.2：使用巴特沃斯低通滤波器去除CSI幅度序列中的高频噪声；
步骤2.3：通过主成分分析去除CSI幅度序列的带外噪声，只保留第一主成分h作为描述人体运动行为的信号；
步骤3：使用基于滑动方差的方法剔除第一主成分h中的无效信号；
设定数据采集设备的接收端收到n个CSI数据包，此时第一主成分h的长度为n，通过计算n-L+1个长度为L的滑动窗口的方差，将方差小于阈值β的滑动窗口内的信号作为无效信号进行剔除；
所述滑动窗口的方差如下公式所示：
Figure BDA0002600543170000021
Figure BDA0002600543170000022
其中，
Figure BDA0002600543170000023
为编号为t的滑动窗口的方差，t为滑动窗口编号，t＝0、1、…、n-L，i表示滑动窗口内CSI数据包的编号，ht+i为第一主成分h中的第t+i个信号值，μt表示编号为t的滑动窗口的幅度平均值；
步骤4：将接收天线A、B、C上每个行为动作剔除无效信号后的第一主成分作为行为动作的特征向量并加上行为动作对应的类别标签，分别形成接收天线A、B、C的样本集；
步骤5：分别将接收天线A、B、C的样本集按一定的比例分成训练集和测试集；
步骤6：利用接收天线A的样本集构造基于DTW(Dynamic Time Warping，即动态时间归整)算法的FKNN分类器1，输出测试集中每个待测样本的k个近邻样本；
步骤6.1：从接收天线A的训练集中随机选择一个训练样本作为基准点P(p1，p2，…，pm)，其中，p1，p2，…，pm分别为接收天线A提取到的行为动作的特征向量中的元素；
步骤6.2：计算接收天线A的样本集中每个训练样本到点基准点P的DTW距离，并采用从小到大的排序方法，形成一个有序的队列，队列中包含所有训练样本到基准点P的距离d、训练样本标签和特征向量；
步骤6.3：将有序队列中的训练样本信息以l为抽样间隔，顺序登记在一个索引表中，其中l的大小根据实际需要取值；
步骤6.4：给定接收天线A的测试样本集中任意一个待测样本x，计算x到基准点P的DTW距离dxP，在索引表中查找与基本点P最接近的样本Q，以Q为中心，确定索引表中的前一个样本Q1和后一个样本Q2，然后以这两个样本为边界，在步骤6.2建立的有序队列中截取属于这两个样本之间的所有样本，并计算这些样本与待测样本x的DTW距离，选取出k个与待测样本x距离最近的样本作为FKNN分类器1输出的近邻样本；
步骤7：利用接收天线B、C上的样本集，分别通过步骤6.1-6.4方法，构造基于DTW算法的FKNN分类器2和FKNN分类器3，分别输出测试集中每个待测样本的k个近邻样本；
步骤8：将三个FKNN分类器作为联合分类器对测试集中样本进行多天线联合判决，得到测试集中待测样本的类别；
将测试集中任意一个待测样本通过所述三个FKNN分类器组成的联合分类器后共得到3k个近邻样本，则根据如下公式得到待测样本的动作类别：
Figure BDA0002600543170000031
Figure BDA0002600543170000032
其中，M为3k个近邻样本中所有标签出现概率的最大值，M值对应的j即为最终的动作类别标签，j为预定义的行为动作的标签，N表示预定义的行为动作数，qr表示某个FKNN分类器输出的一个近邻样本的标签；
步骤9：通过步骤1-3采集未知行为动作的信道状态信息CSI并提取数据采集设备三个接收天线上的未知行为动作的特征向量，将提取的特征向量分别输入到FKNN分类器1、FKNN分类器2和FKNN分类器3中得到3k个近邻样本；再通过步骤8的多天线联合判决方法，最终得到未知行为动作的类别；
对于一个未知的行为动作，首先经过步骤1分别得到A、B、C三个接收天线的CSI幅度序列；其次经过步骤2-3进行数据处理和无效信号的剔除，得到三个接收天线上剔除无效信号的第一主成分；将得到的A、B、C三个接收天线的第一主成分作为特征向量，分别输入到步骤6-7构建的FKNN分类器1、FKNN分类器2和FKNN分类器3中，得到3k个近邻样本；再通过步骤8的多天线联合判决方法，最终得到未知行为动作的类别。
采用上述技术方案所产生的有益效果在于：本发明提供的一种基于多天线上CSI的人体行为识别方法，(1)针对提取到的CSI易受环境的干扰问题，注重数据的预处理过程，依次使用Hampel滤波、低通滤波器、PCA去除环境和设备中突发噪声引起的异常值、高频噪声和带内噪声，使提取到的特征信号更加准确和稳定。(2)充分利用各接收天线的数据信息，在近邻样本的级别上对动作类别实施联合判决，提高动作识别的准确性；(3)提出FKNN(fast k nearest neighbor，即k近邻算法)与动态时间规整(dynamic time warping，即DTW)结合的分类算法，充分利用两种算法的优势，将动态时间规整作为样本间特征向量的度量标准，有效解决相同动作执行时间和速度大小不完全相同的问题；通过预先构建有序队列和索引表的方式，减少近邻样本的搜索范围，而不需要将未知样本与全体训练样本一一计算距离，大大降低了系统的计算开销，提高分类速度。
附图说明
图1为本发明实施例提供的一种基于多天线上CSI的人体行为识别方法的流程图；
图2为本发明实施例提供的单个子载波异常值去除前后CSI幅值对比图；
图3为本发明实施例提供的原始CSI信号与经过滤波后的信号幅值对比图，其中，(a)为原始CSI信号幅值，(b)为经过滤波后的CSI信号幅值；
图4为本发明实施例提供的经过PCA后主要成分信号幅值图；
图5为本发明实施例提供的“蹲下”动作第一主成分幅值的滑动方差图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本实施例中，一种基于多天线上CSI的人体行为识别方法，如图1所示，包括以下步骤：
步骤1：通过带有三个接收天线A、B、C的数据采集设备采集多组人体运动时每个行为的CSI信号，并分别提取出三个接收天线A、B、C上CSI信号的振幅，组成CSI幅度序列；
本实施例搭建1发3收的数据采集系统，使用商用TP-Link无线路由器作为发射端，该路由器在2.4GHz的IEEE 802.11nAP的模式下工作，发包率为50pkts/s，将配备有Intel5300网卡的台式机作为接收端，该接收端包括A、B、C三根接收天线。邀请志愿者在实验场景中反复进行实验，四名志愿者均提供“弯腰”、“坐下”、“蹲下”、“站起”、“行走”5种行为活动，每个活动每个人员进行25次，共得到5*100组原始CSI信号，使用MATLAB软件进一步处理分别得到接收天线A、B、C上的振幅信号。
本实施例中，由于接收端配备的是Intel 5300网卡，因此每根接收天线上可以提取出30个子载波的信道状态信息CSI；
步骤2：对提取到的CSI信号的振幅进行数据处理，去除CSI幅度序列中的异常值及高频噪声；并采用主成分分析去除CSI幅度序列的带外噪声，只保留第一主成分h作为描述人体运动行为的信号；
步骤2.1：去除CSI幅度序列中的异常值；
对CSI幅度序列中的振幅数据进行Hampel滤波，将振幅不在幅度区间[α-γ×σ，α+γ×σ]内的数据值作为异常值，并用CSI幅度序列的中位数替换这些异常值；其中，α、σ分别表示CSI幅度序列的中位数和中值绝对偏差，γ为常数；
本实施例中，设置的γ为经验值3，单个子载波异常值去除前后CSI幅值对比如图2所示；
步骤2.2：使用巴特沃斯低通滤波器去除CSI幅度序列中的高频噪声；
由于人体运动的频率仅处于低频段，且巴特沃斯低通滤波器在通带内具有最大的平坦特性，不会对运动造成的信号波动产生太大的扭曲，因此使用巴特沃斯低通滤波器进行滤波，能够去除CSI幅度序列中的高频噪声；本实施例中原始信号与经过步骤2.1和2.2滤波后信号幅值对比如图3所示。
步骤2.3：通过主成分分析去除CSI幅度序列的带外噪声，只保留第一主成分h作为描述人体运动行为的信号；
人体进行运动行为时，所有子载波CSI的振幅变化都是相关的，考虑到每个接收天线接收的是30个子载波的CSI信息，其高维度会导致计算时间复杂性的提升。主成分分析(PrincipalComponents Analysis，即PCA)可以保留与运动相关的信息，同时有效降低子载波的维数。由于环境噪声的不相关性，使用PCA还能去除部分带内随机噪声，其具体过程为：
1)预处理：将收集到的n×30的CSI矩阵沿子载波方向进行归一化处理得到矩阵H，其中，n为接收的数据包个数，30为子载波数；
2)相关性估计：计算矩阵H的协方差矩阵作为相关矩阵Mc＝HTH；
3)特征分解：对相关矩阵Mc进行特征分解，得到依次递减的特征值和对应的特征向量；
4)信号重构：将矩阵H投影至步骤3)选定的特征向量，得到矩阵H相应的主成分。
经过PCA处理后的各主成分按照方差递减的顺序依次排列，前四个主成分的幅值如图4所示，从图中可以看出第一主成分具有最大的方差，在运动特征描述上优于其他成分，本实施例在进行主成分分析之前使用Hampel滤波器去除了系统内部状态转换造成的高度相关的噪声，并且由于各主成分是不相关的，所以可以单独保留第一主成分h而不丢失任何信息。
步骤3：使用基于滑动方差的方法剔除第一主成分h中的无效信号；
设定数据采集设备的接收端收到n个CSI数据包，此时第一主成分h的长度为n，通过计算n-L+1个长度为L的滑动窗口的方差，将方差小于阈值β的滑动窗口内的信号作为无效信号，进行剔除；
所述滑动窗口的方差如下公式所示：
Figure BDA0002600543170000061
Figure BDA0002600543170000062
其中，
Figure BDA0002600543170000063
为编号为t的滑动窗口的方差，t为滑动窗口编号，t＝0、1、…、n-L，i表示滑动窗口内CSI数据包的编号，ht+i为第一主成分h中的第t+i个信号值，μt表示编号为t的滑动窗口的幅度平均值；
本实施例以蹲下动作为例，得到蹲下动作的第一主成分幅值的滑动方差图，如图5所示，其中，滑动窗口长度L值设为15，从图中可以看出当存在人体行为动作时，滑动方差变化明显，通过剔除方差小于阈值β的无效信号，可提取出人体实际运动对应的特征数据。
步骤4：将接收天线A、B、C上每个行为动作的剔除无效信号后的第一主成分，作为行为动作的特征向量并加上行为动作对应的类别标签，分别形成接收天线A、B、C的样本集；
步骤5：分别将接收天线A、B、C的样本集按一定的比例分成训练集和测试集；
本实施例中，将剔除无效信号后的第一主成分作为特征向量，与样本的类别标签形成样本集，并选取每个动作的70％的样本作为训练集，剩下的30％作为测试集；
步骤6：利用接收天线A的样本集构造基于DTW(Dynamic Time Warping，即动态时间归整)算法的FKNN分类器1，输出测试集中每个待测样本的k个近邻样本；
步骤6.1：从接收天线A的训练集中随机选择一个训练样本作为基准点P(p1，p2，…，pm)，其中，p1，p2，…，pm分别为接收天线A提取到的行为动作的特征向量中的元素；
步骤6.2：计算接收天线A的样本集中每个训练样本到点基准点P的DTW距离，并采用从小到大的排序方法，形成一个有序的队列，队列中包含所有训练样本到基准点P的距离d、训练样本标签和特征向量；
步骤6.3：将有序队列中的训练样本信息以l为抽样间隔，顺序登记在一个索引表中，其中l的大小根据实际需要取值；
步骤6.4：给定接收天线A的测试样本集中任意一个待测样本x，计算x到基准点P的DTW距离dxP，在索引表中查找与基本点P最接近的样本Q，以Q为中心，确定索引表中的前一个样本Q1和后一个样本Q2，然后以这两个样本为边界，在步骤6.2建立的有序队列中截取属于这两个样本之间的所有样本，并计算这些样本与待测样本x的DTW距离，选取出k个与待测样本x距离最近的样本作为FKNN分类器1输出的近邻样本；
本发明方法将DTW(动态时间规整)算法与FKNN(快速K近邻算法)结合起来，充分利用两种算法的优势。动态时间规整算法通过将两个序列中的一个或者两个进行扭曲，调整数据在时间上的差异性，有效度量两个动作特征之间的相似性，将DTW作为特征向量间距离度量的标准，可以解决相同动作执行时间和速度大小不完全相同的问题；FKNN的核心思想是将训练样本进行有效排序，等间距抽样后构建索引表，给定待分类样本时，与索引表对比分析，计算后可得到k个距离最近的样本，该算法可降低分类过程中待分类样本k近邻的搜索范围，大大减少计算的复杂度。
步骤7：利用接收天线B、C上的样本集，分别通过步骤6.1-6.4方法，构造基于DTW算法的FKNN分类器2和FKNN分类器3，分别输出测试集中每个待测样本的k个近邻样本；
步骤8：将三个FKNN分类器作为联合分类器对测试集中样本进行多天线联合判决，得到测试集中待测样本的类别；
将测试集中任意一个待测样本通过所述三个FKNN分类器组成的联合分类器后得到3k个近邻样本，则根据如下公式得到待测样本的动作类别：
Figure BDA0002600543170000071
Figure BDA0002600543170000072
其中，M为3k个近邻样本中所有标签出现概率的最大值，M值对应的j即为最终的动作类别标签，j为预定义的行为动作的标签，N表示预定义的行为动作数，qr表示某个分类器输出的一个近邻样本的标签。
本实施例中，将“1”、“2”、“3”、“4”、“5”分别作为“弯腰”、“坐下”、“蹲下”、“站起”、“行走”5种行为的类别标签，将A、B、C三根接收天线上的样本集分别通过FKNN分类器1、FKNN分类器2和FKNN分类器3后，得到测试集中每个未知样本的3k个近邻样本的标签，本实施例中选取k＝3，那么三个分类器输出近邻样本的标签组成标签向量q＝[q1，q2，…q9]，通过三个分类器进行联合判决，选择分类概率最高的类别作为未知样本的输出类别。
步骤9：通过步骤1-3采集未知行为动作的信道状态信息CSI并提取数据采集设备三个接收天线上的未知行为动作的特征向量，将提取的特征向量分别输入到FKNN分类器1、FKNN分类器2和FKNN分类器3中得到3k个近邻样本；再通过步骤8的多天线联合判决方法，最终得到未知行为动作的类别；
对于一个未知的行为动作，首先经过步骤1分别得到A、B、C三个接收天线的CSI幅度序列；其次经过步骤2-3进行数据处理和无效信号的剔除，得到三个接收天线上剔除无效信号的第一主成分；将得到的A、B、C三个接收天线的第一主成分作为特征向量，分别输入到步骤6-7构建的FKNN分类器1、FKNN分类器2和FKNN分类器3中，共可得到3k个近邻样本；通过步骤8的多天线联合判决方法，最终得到未知行为动作的类别。
本实施例在空旷的会议室环境和多径严重的实验室环境两种典型的室内环境下采用本发明方法进行人体行为识别，识别结果表明，空旷的会议室环境下本发明方法的平均识别率达到95.33％，多径严重的实验室环境下本发明方法的平均识别率为92.67％，证明本发明方法在不同的环境中均具有较好的识别率，而且与使用传统RSSI的方法相比，本发明的基于多天线上CSI的人体行为识别更具鲁棒性。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (6)

1.一种基于多天线上CSI的人体行为识别方法，其特征在于：包括以下步骤：
步骤1：通过带有三个接收天线A、B、C的数据采集设备采集多组人体运动时每个行为的CSI信号，并分别提取出三个接收天线A、B、C上CSI信号的振幅，组成CSI幅度序列；
步骤2：对提取到的CSI信号的振幅进行数据处理，去除CSI幅度序列中的异常值及高频噪声；并采用主成分分析去除CSI幅度序列的带外噪声，只保留第一主成分h作为描述人体运动行为的信号；
步骤3：使用基于滑动方差的方法剔除第一主成分h中的无效信号；
步骤4：将接收天线A、B、C上每个行为动作剔除无效信号后的第一主成分作为行为动作的特征向量并加上行为动作对应的类别标签，分别形成接收天线A、B、C的样本集；
步骤5：分别将接收天线A、B、C的样本集按一定的比例分成训练集和测试集；
步骤6：利用接收天线A的样本集构造基于DTW算法的FKNN分类器1，输出测试集中每个待测样本的k个近邻样本；
步骤7：利用接收天线B、C上的样本集构造基于DTW算法的FKNN分类器2和FKNN分类器3，分别输出测试集中每个待测样本的k个近邻样本；
步骤8：将三个FKNN分类器作为联合分类器对测试集中样本进行多天线联合判决，得到测试集中待测样本的类别；
步骤9：通过步骤1-3采集未知行为动作的信道状态信息CSI并提取数据采集设备三个接收天线上的未知行为动作的特征向量，将提取的特征向量分别输入到FKNN分类器1、FKNN分类器2和FKNN分类器3中得到3k个近邻样本；再进行多天线联合判决，最终得到未知行为动作的类别。
2.根据权利要求1所述的一种基于多天线上CSI的人体行为识别方法，其特征在于：所述步骤2的具体方法为：
步骤2.1：去除CSI幅度序列中的异常值；
对CSI幅度序列中的振幅数据进行Hampel滤波，将振幅不在幅度区间[α-γ×σ，α+γ×σ]内的数据值作为异常值，并用CSI幅度序列的中位数替换这些异常值；其中，α、σ分别表示CSI幅度序列的中位数和中值绝对偏差，γ为常数；
步骤2.2：使用巴特沃斯低通滤波器去除CSI幅度序列中的高频噪声；
步骤2.3：通过主成分分析去除CSI幅度序列的带外噪声，只保留第一主成分h作为描述人体运动行为的信号。
3.根据权利要求2所述的一种基于多天线上CSI的人体行为识别方法，其特征在于：所述步骤3的具体方法为：
设定数据采集设备的接收端收到n个CSI数据包，此时第一主成分h的长度为n，通过计算n-L+1个长度为L的滑动窗口的方差，将方差小于阈值β的滑动窗口内的信号作为无效信号进行剔除；
所述滑动窗口的方差如下公式所示：
Figure FDA0002600543160000021
Figure FDA0002600543160000022
其中，
Figure FDA0002600543160000023
为编号为t的滑动窗口的方差，t为滑动窗口编号，t＝0、1、…、n-L，i表示滑动窗口内CSI数据包的编号，ht+i为第一主成分h中的第t+i个信号值，μt表示编号为t的滑动窗口的幅度平均值。
4.根据权利要求3所述的一种基于多天线上CSI的人体行为识别方法，其特征在于：所述步骤6的具体方法为：
步骤6.1：从接收天线A的训练集中随机选择一个训练样本作为基准点P(p1，p2，…，pm)，其中，p1，p2，…，pm分别为接收天线A提取到的行为动作的特征向量中的元素；
步骤6.2：计算接收天线A的样本集中每个训练样本到点基准点P的DTW距离，并采用从小到大的排序方法，形成一个有序的队列，队列中包含所有训练样本到基准点P的距离d、训练样本标签和特征向量；
步骤6.3：将有序队列中的训练样本信息以l为抽样间隔，顺序登记在一个索引表中，其中l的大小根据实际需要取值；
步骤6.4：给定接收天线A的测试样本集中任意一个待测样本x，计算x到基准点P的DTW距离dxP，在索引表中查找与基本点P最接近的样本Q，以Q为中心，确定索引表中的前一个样本Q1和后一个样本Q2，然后以这两个样本为边界，在步骤6.2建立的有序队列中截取属于这两个样本之间的所有样本，并计算这些样本与待测样本x的DTW距离，选取出k个与待测样本x距离最近的样本作为FKNN分类器1输出的近邻样本。
5.根据权利要求4所述的一种基于多天线上CSI的人体行为识别方法，其特征在于：所述步骤8的具体方法为：
将测试集中任意一个待测样本通过所述三个FKNN分类器组成的联合分类器后共得到3k个近邻样本，则根据如下公式得到待测样本的动作类别：
Figure FDA0002600543160000031
Figure FDA0002600543160000032
其中，M为3k个近邻样本中所有标签出现概率的最大值，M值对应的j即为最终的动作类别标签，j为预定义的行为动作的标签，N表示预定义的行为动作数，qr表示某个FKNN分类器输出的一个近邻样本的标签。
6.根据权利要求5所述的一种基于多天线上CSI的人体行为识别方法，其特征在于：所述步骤9的具体方法为：
对于一个未知的行为动作，首先经过步骤1分别得到A、B、C三个接收天线的CSI幅度序列；其次经过步骤2-3进行数据处理和无效信号的剔除，得到三个接收天线上剔除无效信号的第一主成分；将得到的A、B、C三个接收天线的第一主成分作为特征向量，分别输入到步骤6-7构建的FKNN分类器1、FKNN分类器2和FKNN分类器3中，得到3k个近邻样本；再通过步骤8的多天线联合判决方法，最终得到未知行为动作的类别。
CN202010722560.3A 2020-07-24 2020-07-24 一种基于多天线上csi的人体行为识别方法 Active CN111901028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010722560.3A CN111901028B (zh) 2020-07-24 2020-07-24 一种基于多天线上csi的人体行为识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010722560.3A CN111901028B (zh) 2020-07-24 2020-07-24 一种基于多天线上csi的人体行为识别方法

Publications (2)

Publication Number Publication Date
CN111901028A true CN111901028A (zh) 2020-11-06
CN111901028B CN111901028B (zh) 2023-04-07

Family

ID=73190924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010722560.3A Active CN111901028B (zh) 2020-07-24 2020-07-24 一种基于多天线上csi的人体行为识别方法

Country Status (1)

Country Link
CN (1) CN111901028B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765550A (zh) * 2021-01-20 2021-05-07 重庆邮电大学 一种基于Wi-Fi信道状态信息的目标行为分割方法
CN114239724A (zh) * 2021-12-17 2022-03-25 中南民族大学 一种基于惯性传感器的蹴球动作识别与技能评估方法
CN114973330A (zh) * 2022-06-16 2022-08-30 深圳大学 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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107769828A (zh) * 2017-09-27 2018-03-06 中国电子科技集团公司第五十四研究所 一种基于特征值提取的csi‑mimo室内定位方法及系统
CN108256449A (zh) * 2018-01-02 2018-07-06 重庆邮电大学 一种基于子空间分类器的人体行为识别方法
US20190028320A1 (en) * 2008-09-23 2019-01-24 Origin Wireless, Inc. Methods, apparatus, servers, and systems for human identification based on human radio biometric information

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190028320A1 (en) * 2008-09-23 2019-01-24 Origin Wireless, Inc. Methods, apparatus, servers, and systems for human identification based on human radio biometric information
CN107769828A (zh) * 2017-09-27 2018-03-06 中国电子科技集团公司第五十四研究所 一种基于特征值提取的csi‑mimo室内定位方法及系统
CN108256449A (zh) * 2018-01-02 2018-07-06 重庆邮电大学 一种基于子空间分类器的人体行为识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张雷; 丁恩杰: "一种利用信道状态信息的室内指纹定位方法" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112765550A (zh) * 2021-01-20 2021-05-07 重庆邮电大学 一种基于Wi-Fi信道状态信息的目标行为分割方法
CN112765550B (zh) * 2021-01-20 2024-05-07 济南杰睿信息科技有限公司 一种基于Wi-Fi信道状态信息的目标行为分割方法
CN114239724A (zh) * 2021-12-17 2022-03-25 中南民族大学 一种基于惯性传感器的蹴球动作识别与技能评估方法
CN114973330A (zh) * 2022-06-16 2022-08-30 深圳大学 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

Also Published As

Publication number Publication date
CN111901028B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111901028B (zh) 一种基于多天线上csi的人体行为识别方法
Zhou et al. Device-free presence detection and localization with SVM and CSI fingerprinting
CN106407905B (zh) 基于机器学习的无线感知动作识别方法
CN112036433B (zh) 一种基于CNN的Wi-Move行为感知方法
Zhou et al. Device-free localization based on CSI fingerprints and deep neural networks
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
CN112333653A (zh) 基于WiFi信道状态信息的身份智能识别方法、系统
CN110072186B (zh) 基于属性独立的加权朴素贝叶斯室内定位方法
Shi et al. Human activity recognition using deep learning networks with enhanced channel state information
Yang et al. Door-monitor: Counting in-and-out visitors with COTS WiFi devices
CN110730473A (zh) 面向WiFi活动识别的信号特征提取方法
Zhang et al. WiFiMap+: High-level indoor semantic inference with WiFi human activity and environment
Zhu et al. NotiFi: A ubiquitous WiFi-based abnormal activity detection system
Samadh et al. Indoor localization based on channel state information
Bahadori et al. ReWiS: Reliable Wi-Fi sensing through few-shot multi-antenna multi-receiver CSI learning
CN113033654A (zh) 基于WiFi信道状态信息的室内入侵检测方法及系统
Wang et al. Multi-classification of UWB signal propagation channels based on one-dimensional wavelet packet analysis and CNN
CN114048773A (zh) 一种基于迁移学习和WiFi的行为识别方法及系统
Fang et al. Writing in the air: recognize letters using deep learning through WiFi signals
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
CN111934797B (zh) 基于协方差特征值和均值漂移聚类的协作频谱感知方法
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
Zeeshan et al. CSI-based device-free joint activity recognition and localization using Siamese networks
CN112364770B (zh) 基于商用Wi-Fi人体活动识别与动作质量评估方法
CN109918994A (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