CN111954250B - 一种轻量级Wi-Fi行为感知方法和系统 - Google Patents
一种轻量级Wi-Fi行为感知方法和系统 Download PDFInfo
- Publication number
- CN111954250B CN111954250B CN202010807498.8A CN202010807498A CN111954250B CN 111954250 B CN111954250 B CN 111954250B CN 202010807498 A CN202010807498 A CN 202010807498A CN 111954250 B CN111954250 B CN 111954250B
- Authority
- CN
- China
- Prior art keywords
- state information
- channel state
- information data
- original channel
- convolutional
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种轻量级Wi‑Fi行为感知方法和系统,所述方法包括:采集单发射器‑单接收器的Wi‑Fi监测环境下的原始信道状态信息数据H(f,t);将不同天线同一个时刻的原始信道状态信息数据H(f,t)进行共轭相乘,获得相位误差消除处理后的原始信道状态信息数据S(f,t);从原始信道状态信息数据H(f,t)中提取振幅帧A;从相位误差消除处理后的原始信道状态信息数据S(f,t)中提取相位帧P;使用两个独立的卷积层分别对振幅帧A和相位帧P进行初步特征提取,随后将卷积的结果输出到一个Inception模块进行融合;将Inception模块输出的融合后的特征图使用Softmax进行分类。
Description
技术领域
本发明涉及行为识别领域,尤其涉及一种轻量级Wi-Fi行为感知方法和系统。
背景技术
如何在人机交互中更便捷、更高效地进行行为识别,一直是学术界和产业界关注的焦点。近年来,随着物联网技术与深度学习理论的发展,行为识别得到更广泛的关注和研究。传统行为识别主要是基于可穿戴式传感器、基于计算机视觉和基于射频的行为识别技术等,但受到视距情况的影响以及硬件设备昂贵等因素限制,其推广难度较大。
根据Wi-Fi联盟的分析报告,2019年底经由Wi-Fi认证的网络设备年出货量已超过40亿件,历年累计出货量达到300亿件。由于体型和运动模式差异,人体行为以独有方式对区域内Wi-Fi信号形成扰动,从而在信道状态信息(Channel State Information,CSI)上产生辨识度较高的特征响应。近年来,Wi-Fi感知凭借其非接触式、易部署、不受光线影响、感知范围更广等优势,成为行为识别研究的新兴方向。目前,虽然基于Wi-Fi感知的行为识别研究已取得了一些成果,但也存在一些缺陷。
方案1:利用传统机器学习进行Wi-Fi行为感知的方法(如图1所示)
目前,在Wi-Fi感知的行为识别领域,利用传统机器学习的研究已经取得了积极的进展。该类方法的步骤主要包含行为数据的采集、预处理、训练和匹配等,具体代表有CSI-Num、CARM方法等。CSI-Num方法(如图一所示)通过对采集的CSI振幅数据进行小波阈值函数和五点三次平滑方法等预处理后,再使用传统机器学习方法中的k均值聚类算法和动态时间规整算法相融合的K-DTW匹配算法进行分类,实现了用户空中手写数字92%的行为识别率。CARM方法对采集到的CSI振幅数据进行PCA(Principal Component Analysis,主成分分析)处理、DWT(Discrete Wavelet Transform,离散小波变换)处理后,实现相当程度的噪声去除,再使用DTW(Dynamic Time Warping,动态时间规整)方法进行分类,实现了对跑步、走路、坐下等9种动作96%%的态识别率。这两种方法进行足够的训练后,在人数较少的样本中,可以实现对简单手势动作和日常行为动作的识别,对后续行为识别研究有积极的参考意义。
缺陷:由于传统机器学习算法需要手工提取步态特征,效率较低,而利用Wi-Fi感知进行行为识别的研究中涉及到的数据量和特征都较多,导致该类方法随着识别群体人数的增加其识别准确率会明显下降。
方案2:利用深度学习进行Wi-Fi行为感知的方法(如图2所示)
深度学习是近年兴起的一种机器学习方法,凭借其对多维数据强大的特征提取能力和基于反向传播的自动调参特性,成为众多领域广泛使用的一种分类方法。近年来,Wi-Fi感知的行为识别研究领域也出现了一些基于深度学习算法的研究方法,具体有BLSTM、CBMR方法等。BLSTM方法对采集到的CSI信息以时序流的形式进行处理,然后采用基于注意力机制的双向LSTM(long short-term memory,长短记忆)方法,对学习到的不同特征赋予不同的权重,进而完成基于Wi-Fi感知的动作识别,取得了较好的识别效果。CBMR方法(如图二所示)通过双向循环神经网络和残差机制提取深层次不同睡眠体动的数据特征,实现了对93.5%的睡眠体动识别准确率。通过使用深度学习,这两种方法在数据预处理和步态特征提取方面都取得了较好的效果。
缺陷:目前基于深度学习的Wi-Fi感知行为识别研究中,大多数成果模型均由经典卷积神经网络或循环神经网络改造而来,其参数量巨大,训练需要消耗较大算力。
另外,在目前的研究成果中,大部分基信号为CSI中的振幅数据,少量成果采用了相位数据或相位差数据进行特征提取,且很少有综合振幅特征和相位特征进行行为识别的相关研究。
综上所述,目前基于Wi-Fi感知的行为研究已取得积极进展,但是仍存在特征提取不足、模型参数庞大及缺乏振幅数据和相位数据的共同特征刻画机制研究等问题。
发明内容
为了解决上述问题,有必要提供一种轻量级Wi-Fi行为感知方法和系统。
本发明第一方面提出一种轻量级Wi-Fi行为感知方法,所述方法包括以下步骤:
采集单发射器-单接收器的Wi-Fi监测环境下的原始信道状态信息数据H(f,t);
其中,L表示信号传播路径数量,ai表示路径i的信号振幅,τi表示路径i的信号传播时间,t表示CSI测量的时间,fcfo是载波频率偏移导致的频率误差;
将不同天线同一个时刻的原始信道状态信息数据H(f,t)进行共轭相乘,获得相位误差消除处理后的原始信道状态信息数据S(f,t);
从原始信道状态信息数据H(f,t)中提取振幅帧A;
从相位误差消除处理后的原始信道状态信息数据D(f,t)中提取相位帧P;
使用两个独立的卷积层分别对振幅帧A和相位帧P进行初步特征提取,随后将卷积的结果输出到一个Inception模块进行融合;
将Inception模块输出的融合后的特征图进行全局最大池化,再输入到一个全连接层后,通过权值矩阵组合为zi,再使用Softmax进行分类,以得到行为感知的预测结果。
基于上述,所述Inception模块包括一个输入压缩层、一个输出压缩层、六个卷积层,其中,输入压缩层的卷积核大小为1×1、步长为1、卷积核个数为20;输出压缩层的卷积核大小为1×1、步长为1、卷积核个数为30;六个卷积层分为三组,每组两个,三组卷积层并行连接在输入压缩层和输出压缩层之间,每组的两个卷积层之间串行连接,第一组卷积层的卷积核大小为1×7和7×1、步长均为1、卷积核个数均为40,第二组卷积层的卷积核大小为1×9和9×1、步长均为1、卷积核个数均为40,第三组卷积层的卷积核大小为1×11和11×1、步长均为1、卷积核个数均为40。
基于上述,使用Softmax进行分类时:
利用公式(3)计算每个类别yi的后验概率pi;
其中,yi为预测的行为类别,X为训练数据集,zi为融合后的行为特征数据,k为行为类别数目;
得到后验概率后,使用Adam优化器对损失函数进行最小化训练;
损失函数计算如公式(4)所示:
本发明第二方面提供一种轻量级Wi-Fi行为感知系统,所述系统包括顺次相连的:
数据采集模块,用于采集单发射器-单接收器的Wi-Fi监测环境下的原始信道状态信息数据H(f,t);
其中,L表示信号传播路径数量,ai表示路径i的信号振幅,τi表示路径i的信号传播时间,t表示CSI测量的时间,fcfo是载波频率偏移导致的频率误差;
数据重构模块,用于将不同天线同一个时刻的原始信道状态信息数据H(f,t)进行共轭相乘,获得相位误差消除处理后的原始信道状态信息数据S(f,t);
还用于从原始信道状态信息数据H(f,t)中提取振幅帧A,以及从相位误差消除处理后的原始信道状态信息数据S(f,t)中提取相位帧P;
数据融合识别模块,用于使用两个独立的卷积层分别对振幅帧A和相位帧P进行初步特征提取,随后将卷积的结果输出到一个Inception模块进行融合;
还用于将Inception模块输出的融合后的特征图进行全局最大池化,再输入到一个全连接层后,通过权值矩阵组合为zi,再使用Softmax进行分类,以得到行为感知的预测结果。
本发明第三方面提出一种终端,包括存储器、处理器、以及存储在所述存储器上并可以在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述轻量级Wi-Fi行为感知方法的步骤。
本发明第四方面提出一种计算机可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现所述轻量级Wi-Fi行为感知方法的步骤。
本发明相对现有技术具有突出的实质性特点和显著进步,具体的说:
(1)能显著提升Wi-Fi场景下人体行为感知的识别准确率
本发明通过融合CSI信息中的振幅特征和相位特征,使得行为感知的特征包含能力有较大提升;又通过卷积神经网络提取融合数据的行为特征,使得人体行为对Wi-Fi信号扰动特征的刻画能力大大增强。强特征容纳能力和强特征刻画能力,使得本发明所提技术方案在行为特征识别时能保持较高准确率。
(2)能显著减少现有行为识别模型的参数规模
本方明通过在卷积神经网络中使用压缩层,对上一层卷积输出的响应图进行线性组合,能大幅度减少神经网络的参数规模,有利于模型的快速训练和运行。
本发明的附加方面和优点将在下面的描述部分中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为CSI-Num方法的行为识别流程图。
图2为CBMR方法的行为识别流程图。
图3为本发明系统的原理框图。
图4为误差消除前后的时域相位对比图。
图5为振幅和相位的CSI帧图。
图6为数据融合的网络模型结构图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
如图3和图6所示,本实施例提供了一种轻量级Wi-Fi行为感知方法,其特征在于,所述方法包括以下步骤:
采集单发射器-单接收器的Wi-Fi监测环境下的原始信道状态信息数据H(f,t);
其中,L表示信号传播路径数量,ai表示路径i的信号振幅,τi表示路径i的信号传播时间,t表示CSI测量的时间,fcfo是载波频率偏移导致的频率误差。
将不同天线同一个时刻的原始信道状态信息数据H(f,t)进行共轭相乘,获得相位误差消除处理后的原始信道状态信息数据S(f,t);
其中,Hn(f,t)是第n个接收天线的原始信道状态信息数据,Hn+1(f,t)是第n+1个接收天线的原始信道状态信息数据,Nrx是接收器支持的最大接收天线数;表示Hn+1(f,t)的共轭;如图4所示,比起处理前的相位,处理后的相位误差被有效消除。
CSI不同子载波对人体行为的敏感性不同,且单一子载波感知不稳定,其敏感性又随时间动态变化。因此,每个子载波中都包含独一无二的动作特征。为充分利用CSI随子载波变化特征,本发明将CSI数据转化为CSI帧:即从原始信道状态信息数据H(f,t)中提取振幅帧A,从相位误差消除处理后的原始信道状态信息数据S(f,t)中提取相位帧P,每帧图像包含Nt×Nc个像素,其中,Nc是子载波的个数,Nt是采样点的个数,如图5所示。本发明的CSI帧直观反应了Wi-Fi信道的时频特性,通过将CSI重构为二维图像数据,使CNN能够从图像A和P中提取时间和频率两个维度的联合特征,并使用时频联合特征进行动作分类。
使用两个独立的卷积层分别对振幅帧A和相位帧P进行初步特征提取,随后将卷积的结果输出到一个Inception模块进行融合;所述Inception模块包括一个输入压缩层、一个输出压缩层、六个卷积层,其中,输入压缩层的卷积核大小为1×1、步长为1、卷积核个数为20;输出压缩层的卷积核大小为1×1、步长为1、卷积核个数为30;六个卷积层分为三组,每组两个,三组卷积层并行连接在输入压缩层和输出压缩层之间,每组的两个卷积层之间串行连接,第一组卷积层的卷积核大小为1×7和7×1、步长均为1、卷积核个数均为40,第二组卷积层的卷积核大小为1×9和9×1、步长均为1、卷积核个数均为40,第三组卷积层的卷积核大小为1×11和11×1、步长均为1、卷积核个数均为40。本发明的Inception模块,首先使用压缩层可实现振幅和相位的信息交互,达到特征融合的目的;其次,压缩层的神经元个数小于上一层神经元个数,可压缩输入到Inception模块的特征图数量,减少网络计算量。
将Inception模块输出的融合后的特征图进行全局最大池化,再输入到一个全连接层后,通过权值矩阵组合为zi,再使用Softmax进行分类,以得到行为感知的预测结果。
使用Softmax进行分类时:
利用公式(3)计算每个类别yi的后验概率pi;
其中,yi为预测的行为类别,X为训练数据集,zi为融合后的行为特征数据,k为行为类别数目;
得到后验概率后,使用Adam优化器对损失函数进行最小化训练;
损失函数为预测概率和真实标签之间的交叉熵,损失函数计算如公式(4)所示,用来表示预测类别与真实类别的相似程度;随着损失函数的降低,预测值与真实值不断接近,最后神经网络达到最优的识别效果;
本实施例方法,通过共轭乘法消除CFO误差,从CSI中提取到可用相位信息,进而进行幅度和相位的融合。在融合后,可以先对振幅和相位信息进行PCA和小波去噪,再重构为振幅帧和相位帧。最后,训练一个轻量网络融合振幅和相位实现行为识别。在初步验证实验中,通过使用30Hz采样率,本实施例方法的计算量只是传统方法(1000Hz采样率)的1/34,并且达到96.7%的识别准确率。和仅使用振幅特征的单数据神经网络SDNet进行相比,识别准确率提升3.7%。
实施例2
本实施例提供了一种轻量级Wi-Fi行为感知系统,所述系统包括顺次相连的:
数据采集模块,用于采集单发射器-单接收器的Wi-Fi监测环境下的原始信道状态信息数据H(f,t);
其中,L表示信号传播路径数量,ai表示路径i的信号振幅,τi表示路径i的信号传播时间,t表示CSI测量的时间,fcfo是载波频率偏移导致的频率误差;
数据重构模块,用于将不同天线同一个时刻的原始信道状态信息数据H(f,t)进行共轭相乘,获得相位误差消除处理后的原始信道状态信息数据S(f,t);
还用于从原始信道状态信息数据H(f,t)中提取振幅帧A,以及从相位误差消除处理后的原始信道状态信息数据S(f,t)中提取相位帧P;
数据融合识别模块,用于使用两个独立的卷积层分别对振幅帧A和相位帧P进行初步特征提取,随后将卷积的结果输出到一个Inception模块进行融合;
还用于将Inception模块输出的融合后的特征图进行全局最大池化,再输入到一个全连接层后,通过权值矩阵组合为zi,再使用Softmax进行分类,以得到行为感知的预测结果。
需要说明的是,为描述的方便和简洁,上述描述的轻量级Wi-Fi行为感知系统的具体工作过程,可以参考上述实施例1描述的方法的对应过程,在此不再赘述。
需要说明的是,本实施例的轻量级Wi-Fi行为感知系统可以在PC、手机、平板等终端设备上操作。
实施例3
本实施例提供了一种终端,包括存储器、处理器、以及存储在所述存储器上并可以在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述所述轻量级Wi-Fi行为感知方法的步骤。
特别的,该终端可以用作看护终端。目前,我国已经步入了老龄化社会。由于医疗资源的受限,老年人群的居家护理变得十分重要,其相关的研究也是目前的热点。将该终端用于家庭看护,可以通过家庭Wi-Fi实现对老人的无感智能监护,对未来的居家护理提供新的研究思路,有着较大的社会效益和经济效益。
应当理解,在本实施例中,所称处理器可以是中央处理单元(CentralProcessingUnit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分或全部还可以包括非易失性随机存取存储器。例如,存储器还可以存储设备类型的信息。
上述存储器存储有计算机程序,上述计算机程序可在上述处理器上运行。上述处理器执行上述计算机程序时实现上述轻量级Wi-Fi行为感知方法实施例中的步骤。或者,上述处理器执行上述计算机程序时实现上述适用于Wi-Fi感知场景的步态识别系统实施例中各单元的功能。
实施例4
本实施例提供了一种计算机可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现上述所述轻量级Wi-Fi行为感知方法的步骤。
本实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现上述各实施例中的轻量级Wi-Fi行为感知方法的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,上述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,上述计算机程序包括计算机程序代码,上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
上述计算机可读介质可以包括:能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种轻量级Wi-Fi行为感知方法,其特征在于,所述方法包括以下步骤:
采集单发射器-单接收器的Wi-Fi监测环境下的原始信道状态信息数据H(f,t);
其中,L表示信号传播路径数量,ai表示路径i的信号振幅,τi表示路径i的信号传播时间,t表示CSI测量的时间,fcfo是载波频率偏移导致的频率误差;
将不同天线同一个时刻的原始信道状态信息数据H(f,t)进行共轭相乘,获得相位误差消除处理后的原始信道状态信息数据S(f,t);
从原始信道状态信息数据H(f,t)中提取振幅帧A;
从相位误差消除处理后的原始信道状态信息数据S(f,t)中提取相位帧P;
使用两个独立的卷积层分别对振幅帧A和相位帧P进行初步特征提取,随后将卷积的结果输出到一个Inception模块进行融合;
将Inception模块输出的融合后的特征图进行全局最大池化,再输入到一个全连接层后,通过权值矩阵组合为zi,再使用Softmax进行分类,以得到行为感知的预测结果;
所述Inception模块包括一个输入压缩层、一个输出压缩层、六个卷积层,其中,输入压缩层的卷积核大小为1×1、步长为1、卷积核个数为20;输出压缩层的卷积核大小为1×1、步长为1、卷积核个数为30;六个卷积层分为三组,每组两个,三组卷积层并行连接在输入压缩层和输出压缩层之间,每组的两个卷积层之间串行连接,第一组卷积层的卷积核大小为1×7和7×1、步长均为1、卷积核个数均为40,第二组卷积层的卷积核大小为1×9和9×1、步长均为1、卷积核个数均为40,第三组卷积层的卷积核大小为1×11和11×1、步长均为1、卷积核个数均为40。
3.一种轻量级Wi-Fi行为感知系统,其特征在于,所述系统包括顺次相连的:
数据采集模块,用于采集单发射器-单接收器的Wi-Fi监测环境下的原始信道状态信息数据H(f,t);
其中,L表示信号传播路径数量,ai表示路径i的信号振幅,τi表示路径i的信号传播时间,t表示CSI测量的时间,fcfo是载波频率偏移导致的频率误差;
数据重构模块,用于将不同天线同一个时刻的原始信道状态信息数据H(f,t)进行共轭相乘,获得相位误差消除处理后的原始信道状态信息数据S(f,t);
还用于从原始信道状态信息数据H(f,t)中提取振幅帧A,以及从相位误差消除处理后的原始信道状态信息数据S(f,t)中提取相位帧P;
数据融合识别模块,用于使用两个独立的卷积层分别对振幅帧A和相位帧P进行初步特征提取,随后将卷积的结果输出到一个Inception模块进行融合;
还用于将Inception模块输出的融合后的特征图进行全局最大池化,再输入到一个全连接层后,通过权值矩阵组合为zi,再使用Softmax进行分类,以得到行为感知的预测结果;
所述Inception模块包括一个输入压缩层、一个输出压缩层、六个卷积层,其中,输入压缩层的卷积核大小为1×1、步长为1、卷积核个数为20;输出压缩层的卷积核大小为1×1、步长为1、卷积核个数为30;六个卷积层分为三组,每组两个,三组卷积层并行连接在输入压缩层和输出压缩层之间,每组的两个卷积层之间串行连接,第一组卷积层的卷积核大小为1×7和7×1、步长均为1、卷积核个数均为40,第二组卷积层的卷积核大小为1×9和9×1、步长均为1、卷积核个数均为40,第三组卷积层的卷积核大小为1×11和11×1、步长均为1、卷积核个数均为40。
5.一种终端,包括存储器、处理器、以及存储在所述存储器上并可以在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1-2任一项所述轻量级Wi-Fi行为感知方法的步骤,得到行为感知的预测结果。
6.一种计算机可读存储介质,其上存储有计算机指令,其特征在于,该计算机指令被处理器执行时实现权利要求1-2任一项所述轻量级Wi-Fi行为感知方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010807498.8A CN111954250B (zh) | 2020-08-12 | 2020-08-12 | 一种轻量级Wi-Fi行为感知方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010807498.8A CN111954250B (zh) | 2020-08-12 | 2020-08-12 | 一种轻量级Wi-Fi行为感知方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111954250A CN111954250A (zh) | 2020-11-17 |
CN111954250B true CN111954250B (zh) | 2022-08-12 |
Family
ID=73333277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010807498.8A Active CN111954250B (zh) | 2020-08-12 | 2020-08-12 | 一种轻量级Wi-Fi行为感知方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111954250B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112566170B (zh) * | 2020-11-25 | 2022-07-29 | 中移(杭州)信息技术有限公司 | 网络质量评估方法、装置、服务器及存储介质 |
CN112733930B (zh) * | 2021-01-07 | 2022-10-18 | 北京邮电大学 | 人体行为感知系统、方法及存储介质 |
CN112804662B (zh) * | 2021-03-18 | 2021-07-30 | 成都极米科技股份有限公司 | 提供无线感知业务的方法、装置、终端设备及存储介质 |
CN113499064A (zh) * | 2021-07-07 | 2021-10-15 | 郑州大学 | 一种浴室场景下Wi-Fi感知人体摔倒检测方法和系统 |
CN113837122B (zh) * | 2021-09-28 | 2023-07-25 | 重庆邮电大学 | 基于Wi-Fi信道状态信息的无接触式人体行为识别方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106066995A (zh) * | 2016-05-25 | 2016-11-02 | 西安交通大学 | 一种无线非绑定人体行为检测算法 |
CN108924736A (zh) * | 2018-06-14 | 2018-11-30 | 西北师范大学 | 一种基于PCA-Kalman的无源室内人员状态检测方法 |
CN110288018A (zh) * | 2019-06-24 | 2019-09-27 | 桂林电子科技大学 | 一种融合深度学习模型的WiFi身份识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9907098B2 (en) * | 2012-10-04 | 2018-02-27 | Futurewei Technologies, Inc. | System and method for association of transitory WiFi users |
US9788217B2 (en) * | 2015-11-13 | 2017-10-10 | Cable Television Laboratories, Inc. | Communications when encountering aggressive communication systems |
-
2020
- 2020-08-12 CN CN202010807498.8A patent/CN111954250B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106066995A (zh) * | 2016-05-25 | 2016-11-02 | 西安交通大学 | 一种无线非绑定人体行为检测算法 |
CN108924736A (zh) * | 2018-06-14 | 2018-11-30 | 西北师范大学 | 一种基于PCA-Kalman的无源室内人员状态检测方法 |
CN110288018A (zh) * | 2019-06-24 | 2019-09-27 | 桂林电子科技大学 | 一种融合深度学习模型的WiFi身份识别方法 |
Non-Patent Citations (3)
Title |
---|
WiNet:一种适用于无线感知场景的步态识别模型;段鹏松;《CNKI 西安交通大学学报》;20200303;187-195 * |
Your WiFi Knows How You Behave: Leveraging WiFi Channel Data for Behavior Analysis;Yu Gu,Xiang Zhang,etc.;《 2018 IEEE Global Communications Conference (GLOBECOM)》;20190221;全文 * |
无线环境下的被动式人体行为识别技术研究;范潇;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20200215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111954250A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111954250B (zh) | 一种轻量级Wi-Fi行为感知方法和系统 | |
Ahmed | The impact of filter size and number of filters on classification accuracy in CNN | |
CN110188836B (zh) | 一种基于变分自编码器的脑功能网络分类方法 | |
CN108108807B (zh) | 学习型图像处理方法、系统及服务器 | |
CN109670548A (zh) | 基于改进lstm-cnn的多尺寸输入har算法 | |
CN104346503A (zh) | 一种基于人脸图像的情感健康监控方法及手机 | |
Bu | Human motion gesture recognition algorithm in video based on convolutional neural features of training images | |
CN109711278A (zh) | 一种低复杂度的脑电波信号压缩和分类方法 | |
CN105956570B (zh) | 基于唇部特征和深度学习的笑脸识别方法 | |
CN110717423B (zh) | 一种老人面部表情的情感识别模型的训练方法及装置 | |
CN112869717B (zh) | 一种基于bl-cnn的脉搏特征识别分类系统及方法 | |
CN113158815A (zh) | 一种无监督行人重识别方法、系统及计算机可读介质 | |
Jinliang et al. | EEG emotion recognition based on granger causality and capsnet neural network | |
CN112668486A (zh) | 一种预激活残差深度可分离卷积网络面部表情识别方法、装置和载体 | |
CN107944363A (zh) | 人脸图像处理方法、系统及服务器 | |
Singh et al. | A sparse coded composite descriptor for human activity recognition | |
Meena et al. | Seq2Dense U-Net: Analysing Sequential Inertial Sensor data for Human Activity Recognition using Dense Segmentation Model | |
CN114662524B (zh) | 基于脑电信号的即插即用式域适应方法 | |
Viedma et al. | Relevant features for gender classification in NIR periocular images | |
Bhuiyan et al. | Enhanced bag-of-words representation for human activity recognition using mobile sensor data | |
Li | Parallel two-class 3D-CNN classifiers for video classification | |
Wang et al. | Sparse representation of local spatial-temporal features with dimensionality reduction for motion recognition | |
CN116758355A (zh) | 图像分类方法和装置、电子设备及存储介质 | |
CN117033956A (zh) | 基于数据驱动的数据处理方法、系统、电子设备及介质 | |
CN109359543B (zh) | 一种基于骨骼化的人像检索方法及装置 |
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 |