CN112036433B - 一种基于CNN的Wi-Move行为感知方法 - Google Patents

一种基于CNN的Wi-Move行为感知方法 Download PDF

Info

Publication number
CN112036433B
CN112036433B CN202010666310.2A CN202010666310A CN112036433B CN 112036433 B CN112036433 B CN 112036433B CN 202010666310 A CN202010666310 A CN 202010666310A CN 112036433 B CN112036433 B CN 112036433B
Authority
CN
China
Prior art keywords
move
csi
layer
information
phase
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
Application number
CN202010666310.2A
Other languages
English (en)
Other versions
CN112036433A (zh
Inventor
王燕
闫博
张锐
郭洪飞
胡斌
梁婷蓉
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.)
Guangdong Jiaxiang Intelligent Technology Co ltd
Original Assignee
Tianjin Chengjian 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 Tianjin Chengjian University filed Critical Tianjin Chengjian University
Priority to CN202010666310.2A priority Critical patent/CN112036433B/zh
Publication of CN112036433A publication Critical patent/CN112036433A/zh
Application granted granted Critical
Publication of CN112036433B publication Critical patent/CN112036433B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于CNN的Wi‑Move行为感知方法，步骤如下：⑴Wi‑Move的数据预处理；⑵基于CNN的人体行为感知；⑶Wi‑Move输入特征图的构建；⑷Wi‑Move的网络设计；⑸Wi‑Move网络模型的优化。针对特征提取与分类的感知方法中特征提取不全面、只适用于感知较少行为种类的问题，本发明提出了一种基于CNN的Wi‑Move行为感知方法，相比于特征提取与分类的感知方法，在多种类行为感知的场合具有更高的识别准确率。全部CSI子载波的幅值与相位信息由深度CNN网络分层提取，特征信息更加全面。

Description

一种基于CNN的Wi-Move行为感知方法
技术领域
本发明属于计算机技术领域，尤其是一种基于CNN的Wi-Move行为感知方法。
背景技术
随着现代科学技术的快速发展和计算机设备的广泛普及，人机交互技术(HumanComputer Interaction, HCI)已经成为众多研究学者重点探索与关注的对象。所谓人机交互技术，指的是用户通过表情、语音、行 为动作等预先设定好的交互模式，与计算机设备之间产生数据交换，并使其完成指定任务的过程。人体行 为感知作为其中重要的研究领域，对人机交互技术起着至关重要的作用，为人们的生产生活方式也带来了 巨大的改善。
从大的层面上来看，人体行为感知技术主要涉及到了三个领域，分别为基于计算机视觉的人体行为感 知、基于可穿戴式传感器的人体行为感知和基于无线信号的人体行为感知。其中，基于计算机视觉的人体 行为感知技术主要使用摄像机等设备获取图像或视频信息，对人体的肢体部位进行跟踪与分析，并建立该 肢体姿态的参数模型，从而识别出人体的行为状态。然而基于计算机视觉的人体行为感知技术只能应用在 光线充足的环境中，在黑夜或者光照较弱的环境识别准确率会降低。此外，摄像机只能采集视距范围内的信息，而且还可能会侵犯个人的隐私，在一些场合中限制了其应用。基于可穿戴式传感器的人体行为感知 技术要求用户直接穿戴传感器设备，通过测量用户的运动速度、生理信号以及环境变化量等特性获取用户 当前的行为状态，这种技术可以实现细粒度的行为感知，但是需要用户穿戴专门的传感器设备，安装和 携带不便，限制了用户的自由，而且对于一些需要佩戴多个传感器才能实现功能的设备来说，用户可能无 法完成一些特殊的动作，降低了设备的操作性。由于这些技术自身的缺陷，大大影响了人体行为感知技术 的推广，而且随着辅助驾驶、智能制造、智能家居、体感游戏、虚拟现实等技术的快速发展，探索更简便、高效的人体行为感知技术成为了近些年学者们的研究方向。在这样的背景下，微软研究院在2000年提出了 一种使用无线信号进行感知的新技术。
这种基于无线信号的感知技术主要通过分析无线信号在经过人体时产生的变化特征，从而感知所遇到 人体的状态。人们不需要穿戴任何设备，可以在毫无意识的情况下实现非入侵式的检测，而且也不会涉及 到个人隐私的敏感信息。显然，这种方式更便捷、更符合人们的需求，适用的场景也更广泛。特别是随着 WiFi技术的快速发展与成熟，现在的许多家庭中都可以安装高速且稳定的WiFi设备，使用WiFi信号进行感 知，不仅能够更加有效地使用现有无线网络基础设施，无需部署额外的设备，而且无线感知还可以与网络 通信同时进行，提升了无线资源的利用率。
基于无线信号的行为感知技术利用了无线信号在传播过程中存在衰弱、反射、衍射和多径效应的影响， 而人体特定的行为会对无线信号路径产生特定规律的干扰，因此该技术主要通过分析信号的这种规律性变 化来完成行为识别。按照所分析信号的信息内容，该技术又可以分为两类，一类是传统的基于接收信号强 度指示(Received SignalStrength Indication,RSSI)的识别技术，另一类是新兴的基于无线信道状态信息(Channel State Information,CSI)的识别技术。
接收信号强度指示RSSI的获取方式比较多，可以利用目前市场上所有的无线设备进行测量，包括无线 传感器，无线网卡，RFID标签，蓝牙，Zigbee以及智能手机等，在国内外的研究中起步比较早。RSSI信号 的获取方式虽然比较多，但容易受到环境中温度、湿度等诸多因素的影响，而且即使在相同的环境中也不 能保证RSSI与人体行为一一对应，其稳定性和可靠性难以达到用户的要求。
为了得到更细粒度的无线信号信息，华盛顿大学的Halperin等人与英特尔公司合作，在2014年成功 从Intel 5300无线网卡中提取出30条子载波的信息，掀起了基于CSI的人体行为感知技术的研究热潮。CSI 是无线信号中的物理层信息，识别过程与基于RSSI的方法类似，但相比RSSI具有更强的多径分辨能力， 能够呈现不同干扰程度下信号的波动趋势，从而扩大感知范围，提高感知灵敏度，并增加感知的鲁棒性。 因此，大量学者开始针对CSI信息进行研究，在识别准确率方面获得了很大的提高。综上所述，WiFi信号 的CSI信息可以实现更细粒度的行为检测，无论在识别准确率方面还是在识别效率方面，都达到了较高的 标准，而且随着近几年机器学习技术的兴起，研究学者们也在尝试着将机器学习技术应用到WiFi信号的 行为识别中。
但是目前对于行为感知的大量研究主要是针对单个完整动作的识别，数据集都是基于已分割好或是手 动标记的动作序列，对于无标记的连续行为识别的研究相对较少。而且目前的系统大多数都建立在基于特 征提取和分类的识别方法上，只提取了CSI的幅值信息，没有考虑到相位信息的变化。而且这种方法只使 用了CSI的一条子载波，没有充分使用到全部子载波所提供的信息，所以该方法只在识别少数行为种类的 情况下，获得了较高的识别准确率，而对于多种类行为的识别问题，还达不到识别性能的要求。因此如何 在系统中充分利用CSI的子载波信息，并结合深度学习技术来实现对连续行为动作的识别，还有待于进一 步的探索与研究。
通过检索，尚未发现与本发明专利申请相关的专利公开文献。
发明内容
本发明的目的在于克服现有技术的不足之处，提供一种基于CNN的Wi-Move行为感知方法。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于CNN的Wi-Move行为感知方法，步骤如下：
⑴Wi-Move的数据预处理
①CSI幅值信息预处理
②CSI相位信息预处理
使用线性变换算法来减小CSI相位信息中的随机相位偏移：
在采集到的子载波中，真实的测量相位表示为：
Figure BDA0002578821350000021
其中，
Figure BDA0002578821350000022
为原始相位，
Figure BDA0002578821350000023
为测量相位，Δt为采样频率偏移所造成的时间延迟，mi为子载波的索引值， N为快速傅里叶变换的窗口大小，β为未知相位偏移，Z为测量噪声；从IEEE 802.11n的规范中能够获得 子载波索引mi，和FFT的窗口大小N；
使用相位变换算法来消去未知项β和Z，首先定义相位斜率a和偏移量b两个参数：
Figure BDA0002578821350000024
Figure BDA0002578821350000025
由于30条子载波的索引值在IEEE 802.11n中是对称的，因此能够得到：
Figure BDA0002578821350000026
Figure BDA0002578821350000027
将测量相位
Figure BDA0002578821350000028
偏移量b和相位斜率a代入公式(4-1)，同时忽略测量噪声Z，能够得到：
Figure BDA0002578821350000029
使用相位校准算法消除测量相位值的折叠，其基本算法步骤下所示：
Figure BDA00025788213500000210
Figure BDA0002578821350000031
在该算法的第6-11行中，通过判断相邻子载波之间的测量相位变化是否大于给定阈值π，并减去2π 的倍数来恢复被折叠的测量相位值；
⑵基于CNN的人体行为感知
基于CNN的人体行为感知方法为了充分利用所有接收天线中子载波的信息，将CSI信息转换为了二 维图像的结构，以时间作为x轴，子载波作为y轴，并采用基于卷积神经网络的图像处理技术对CSI信息 进行特征提取；
根据对CSI信息结构的研究可知，一根接收天线上的CSI幅值信息与相位信息用公式(7)和(8)表示：
Figure BDA0002578821350000032
Figure BDA0002578821350000033
其中，A为幅值信息矩阵，
Figure BDA0002578821350000034
为相位信息矩阵；根据矩阵中元素数值的大小能够将其转化为不同灰度 图像；
⑶Wi-Move输入特征图的构建
将卷积神经网络在图像分类领域的技术应用在CSI的人体行为识别上，首先需要将CSI数据转化为二 维图像的格式，分别将3根接收天线的幅值和相位信息作为卷积神经网络的6个通道，构成卷积神经网络 的CSI输入特征图；考虑到行为识别的实时性，Wi-Move将输入特征图的大小设置为30×100(m＝100)，即 100个时间点所采集的CSI信息，若采样频率为50Hz，则Wi-Move能够识别最近2秒内发生的行为活动；
⑷Wi-Move的网络设计
①Wi-Move的网络结构
在Wi-Move中使用了一种基于VGGnet-16的网络模型，用于提取CSI数据的特征，该网络共有16层 的结构，其中包含13个卷积层、5个池化层和3个全连接层，网络的输入是在构建的CSI输入特征图；
卷积层通过卷积核对输入数据进行卷积操作，来提取输入数据的抽象特征，其计算公式为：
Figure BDA0002578821350000041
其中，I和J分别为输入和输出数据的通道数，xi为第i个通道的输入，yj为第j个通道的输出，kij表示 卷积核，*表示卷积操作，b为偏置量，f为非线性激活函数；
池化层是对相邻区域的特征信息进行聚合统计，用概率统计特征取代全部特征，并对卷积层的运算结 果实现降维，保留有效信息，其数学表达式为：
Figure BDA0002578821350000042
其中，down函数表示下采样函数，通常有平均池化和最大值池化两种方式，Wi-Move的池化层选择了 最大值池化方式；
全连接层实现了本层神经元与上一层神经元的全部连接，并将前层的特征进行加权求和，将输出转化 为了一维向量；最后一层是Softmax层，其作用是对输出概率做归一化处理，使其范围都在(0,1)之间；对 于一个输入数据x，预测其y＝i类别的概率分布公式如下：
Figure BDA0002578821350000043
若x为k维的输入向量，则预测其k个类别的概率值表示如下：
Figure BDA0002578821350000044
其中，hθ(x)是假设函数，θi是待拟合的模型参数，求得概率值最高的类别即是神经网络预测分类的结果；
②Wi-Move的网络层次
在Wi-Move中全部使用了3×3大小的卷积核和2×2大小的池化核，同时，还使用了两个3×3卷积层 的串联和三个3×3的卷积层串联的结构，并且，Wi-Move在每一个卷积层和全连接层的输出上都使用了 ReLU作为非线性激活函数；在Wi-Move的结构中，第一个卷积层包含有64个大小为3×3、步长为1的卷 积核，该卷积核要求输入数据的大小为30×100×6，之后连接了第二个卷积层；第二个卷积层将第一层的输 出作为自己的输入，并使用了相同的卷积核对第一个卷积层的输出进行滤波。经过两个相同结构的卷积层 滤波后，将结果输入到最大池化层，最大池化层包含有64个大小为2×2、步长为2的池化核，以此来达到缩小数据尺寸和降维的目的；在第一个和第二个卷积层中使用了两个3×3卷积层串联的结构，这种串联结 构可以增大卷积层的感受视野，因为两个3×3卷积层的串联相当于1个5×5的卷积层，而参数量只有5×5 的一半，并且两个3×3卷积层的串联可以包含2个非线性操作，而一个5×5的卷积层只能有1个非线性操 作；在经过了前三层的卷积和最大池化操作后，输出数据的大小为15×50×64，之后三层的结构与前三层相 同，只是卷积核和池化核的数量变为128个，输出数据的大小变为8×25×128；为了提取更深层的特征信息 并增大卷积核的感受视野，在接下来的卷积层中使用了三个3×3卷积层串联的结构，三个3×3卷积层的感 受野相当于一个7×7的卷积层，并且卷积核和池化核的数量也增加到256个，并在最后增加到512个；经 过所有的卷积和最大池化操作后，最终输出数据的大小变为1×4×512，之后输入到全连接层；
在三个全连接层中，前两层都包含有4096个神经元，这样的结构可以使多分类的Logistic回归目标最 大化，即最大化了预测分布下训练数据中正确标签的对数概率平均值；最后一层是具有9个神经元的 Softmax层，对输出概率做归一化处理，使其范围都在(0,1)之间，并输出9种不同行为的标签；
⑸Wi-Move网络模型的优化
①批标准化
Wi-Move使用了批标准化Batch Normalization，BN，在卷积层和全连接层之后都加入BN层；
②Dropout优化
Wi-Move使用过拟合Dropout函数，在引入Dropout后，网络中的每个神经元都添加了一道概率流程， 其对应的神经网络公式变化为：
Figure BDA0002578821350000051
Figure BDA0002578821350000052
Figure BDA0002578821350000053
③Adam优化
Adam优化算法是对随机梯度下降法的扩展，在Adam的更新规则中，在计算梯度时使用了梯度均值 与梯度平方的指数移动平均数，其计算公式为：
gt＝▽θJ(θt-1) 式(16)
mt＝β1mt-1+(1-β1)gt 式(17)
Figure BDA0002578821350000054
其中，θ为参数矢量，β1和β2为指数衰减率，在训练的初期阶段，由于mt和vt的初始化问题，因此 还需要对其进行偏差纠正，降低偏差在训练初期的影响，其计算公式为：
Figure BDA0002578821350000055
Figure BDA0002578821350000056
在纠正了偏差影响之后，将初始的学习率α乘以梯度均值与梯度方差的平方根之比就完成了参数的更 新，其计算公式为：
Figure BDA0002578821350000057
此外Wi-Move还使用了交叉熵作为损失Loss函数，其公式如下：
Figure BDA0002578821350000058
其中，y为真实标签值，
Figure BDA0002578821350000059
为网络输出值，因为交叉熵函数在Softmax分类函数之后计算Loss值，所以 y和
Figure BDA00025788213500000510
的值为0或1。
而且，所述步骤⑴①中CSI幅值信息预处理的具体方法如下：
①Hampel异常值去除算法
使用Hampel异常值去除算法来去除采集到的CSI数据中的异常值：
Hampel算法是以中位数绝对偏差去度量某一样本偏离中位数的距离，通过计算这段距离中含有中位 数绝对偏差的个数，从而确定这个样本在全体样本中的位置，其计算公式为：
MAD＝median(|Xi-median(X)|) 式(23)
Figure BDA00025788213500000511
其中，median(X)为样本的中位数；在采样窗口t内将不属于区间[median-γ*MAD，median+γ*MAD] 的子载波幅值看作异常值，并以均值代替，γ表示异常判别参数；
②小波阈值去噪算法
在去除了异常值之后，使用小波阈值去噪算法来去除高频噪声：
假设一段原始的信号为f(t)，加入噪声后表示为：
s(t)＝f(t)+σ·e(t) 式(25)
其中为e(t)噪声信号，σ为噪声强度；为了减小噪声信号的干扰，对含噪信号s(t)进行小波变换，计算公
式如式(3-4)所示：
Figure BDA0002578821350000061
其中α为尺度，控制了小波函数的伸缩，τ为平移量，控制了小波函数的平移，通过小波变换后得到 一组多尺度上的小波系数wj,k；
小波阈值去噪算法的具体步骤如下：
对含噪信号s(t)进行小波变换，得到一组小波分解系数wj,k；
通过对小波分解系数wj,k进行阈值处理，得到估计小波系数
Figure BDA0002578821350000062
利用估计小波系数
Figure BDA0002578821350000063
进行小波重构，得到估计信号
Figure BDA0002578821350000064
即为去噪后的信号。
而且，所述γ取标准阈值3。
而且，所述e(t)为高斯白噪声，其噪声强度σ＝1。
而且，所述步骤⑷①中构建的CSI的方法如下：
在Wi-Move中，由深度网络分层提取CSI全部子载波中幅值与相位的特征信息，因此不需要人工来 选择并提取特征值。但卷积神经网络大多都应用于图像分类领域，对输入数据有特殊的要求，其形状必须 为(batch size，height，width，depth)的一个四维数组，其中第一维表示图像的batch大小，其它三个维度分 别表示图像的各个属性，即高度、宽度和深度(即彩色通道的数量)。例如在如图4-5所示的一幅二维彩色 图像中，通常将其看作由R,G,B三种基础色进行堆叠而形成，这三种基础色又分别对应了三个大小相同的 二维矩阵，矩阵的数值表示了这一通道颜色的深浅。只有这种结构的数据才能够被输入到神经网络中，因 此将卷积神经网络在图像分类领域的技术应用在CSI的人体行为识别上，首先需要将CSI数据转化为二维 图像的结构，分别将3根接收天线的幅值信息与相位信息作为卷积神经网络的6个通道，也就是将3根接 收天线幅值信息与相位信息的6张灰度图像叠加在一起，构成CSI输入特征图，之后全部将其送入神经网 络。
而且，所述考虑到行为识别的实时性，Wi-Move将输入特征图的大小设置为30×100(m＝100)，即100 个时间点所采集的CSI信息，若采样频率为50Hz，则Wi-Move能够识别最近2秒内发生的行为活动。
而且，所述步骤⑷②中Wi-Move的网络结构参数为：
Figure BDA0002578821350000065
Figure BDA0002578821350000071
而且，所述步骤⑷②中⑸③中β1和β2分别设置为0.9和0.999。
本发明取得的优点和积极效果是：
针对特征提取与分类的感知方法中特征提取不全面、只适用于感知较少行为种类的问题，本文提出了 一种基于CNN的Wi-Move行为感知方法，相比于特征提取与分类的感知方法，在多种类行为感知的场合 具有更高的识别准确率。全部CSI子载波的幅值与相位信息由深度CNN网络分层提取，特征信息更加全面。
附图说明
图1为本发明中三根接收天线的测量相位值图；
图2为本发明三根接收天线的校准相位值图；
图3为本发明中原始相位与校准相位极坐标图；
图4为本发明中CSI幅值信息的灰度图像图；其中，(a)行走，(b)跑步，(c)挥手，(d)踢腿，(e)旋 转，(f)跳跃(g)蹲起，(h)拳击，(i)跌倒；
图5为本发明中CSI相位信息的灰度图像图；其中，(a)行走，(b)跑步，(c)挥手，(d)踢腿 (e)旋转，(f)跳跃，(g)蹲起，(h)拳击，(i)跌倒；
图6为本发明中CSI输入特征图图；
图7为本发明中Wi-Move的网络结构图；
图8为本发明中BN的结果图；其中，(a)原始的输入数据，(b)BN后的输入数据；
图9为本发明中Dropout的网络结构图；其中，(a)标准的神经网络，(b)Dropout后的神经网络；
图10为本发明中硬件设备图；
图11为本发明中实验环境图；其中，(a)办公室，(b)实验室；
图12为本发明中数据采集流程图；
图13为本发明中CSI数据采集界面图；
图14为本发明中CSI的数据格式图；
图15为本发明中CSI的幅值与相位信息图；其中，(a)天线1的幅值信息，(b)天线1的相位信息， (c)天线2的幅值信息，(d)天线3的幅值信息；
图16为本发明中九种行为的CSI幅值信息图；其中，(a)行走，(b)跑步，(c)挥手，(d)踢腿，(e)旋 转，(f)跳跃，(g)蹲起，(h)拳击，(i)跌倒；
图17为本发明中九种行为的CSI相位信息图；其中，(a)行走，(b)跑步，(c)挥手，(d)踢腿，(e)旋 转，(f)跳跃，(g)蹲起，(h)拳击，(i)跌倒；
图18为本发明中九种行为的动作图片；其中，(a)行走，(b)跑步，(c)挥手，(d)踢腿，(e)旋转， (f)跳跃，(g)蹲起，(h)拳击，(i)跌倒；
图19为本发明中训练准确率和损失函数值变化曲线图；
图20为本发明中不同用户的识别结果图；
图21为本发明中不同实验环境的识别结果图；
图22为本发明中测试集互换后的识别结果图；
图23为本发明中不同参数下的识别准确率图；
图24为本发明中不同行为的识别结果图；其中，(a)幅值信息的识别结果，(b)相位信息的识别结果， (c)幅值与相位信息的识别结果；
图25为本发明中不同行为的混淆矩阵图；其中，(a)幅值信息识别的混淆矩阵，(b)相位信息识别的 混淆矩阵，(c)幅值与相位信息识别的混淆矩阵；
图26为本发明中不同行为种类对分类算法的影响图；
图27为本发明中原始CSI幅值曲线与hampel滤波后CSI幅值曲线图；其中，(a)为30条子载波原始 CSI幅值曲线图，(b)为30条子载波hampel滤波后CSI幅值曲线图，(c)为第10条子载波原始CSI幅值曲 线图，(d)为第10条子载波hampel滤波后CSI幅值曲线图；
图28为本发明中三层小波分解图；
图29为本发明中小波阈值去噪后的CSI幅值曲线图；
图30为本发明中二维彩色图像的RGB结构图；
图31为本发明中CSI输入特征图。
具体实施方式
下面结合通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以 此限定本发明的保护范围。
本发明未具体详细描述的结构，均可以理解为本领域的常规结构。
本发明中提出了一种基于CNN的Wi-Move行为感知方法，对9种行为进行识别，具体制备及检测如 下：
1.1Wi-Move的数据预处理
在感知方法中，只使用了CSI的幅值信息，这是因为相位信息在人体行为的影响下没有幅值信息那样 明显的波动规律，所以人工提取的相位信息特征值不具有良好的可分性，但是Wi-Move使用了深度网络来 提取特征信息，因此Wi-Move在幅值信息的基础上还加入了相位信息。然而相位信息虽然可以从CSI数 据包中提取到，但是由于硬件系统的不完善，导致了采集到的相位信息中有测量误差，其中的主要原因是 由于接收天线和发射天线之间的中心频率不能完全同步，使接收信号产生了载波频率偏移。因此，采集到 的原始相位信息在识别中的应用是有限的。在本发明中使用了线性变换算法来减小CSI相位信息中的随机 相位偏移。
在采集到的子载波中，真实的测量相位可以表示为：
Figure BDA0002578821350000081
其中
Figure BDA0002578821350000082
为原始相位，
Figure BDA0002578821350000083
为测量相位，Δt为采样频率偏移所造成的时间延迟，mi为子载波的索引值，N为 快速傅里叶变换的窗口大小，β为未知相位偏移，Z为测量噪声。从IEEE802.11n的规范中可以获得子载 波索引mi，和FFT的窗口大小N，但是β和Z是未知的，所以无法得到真实的相位信息。
然而，考虑到整个频带上的相位信息时，可以使用相位变换算法来消去未知项β和Z。首先定义相位 斜率a和偏移量b两个参数：
Figure BDA0002578821350000091
Figure BDA0002578821350000092
由于30条子载波的索引值在IEEE 802.11n中是对称的，因此可以得到：
Figure BDA0002578821350000093
Figure BDA0002578821350000094
将测量相位
Figure BDA0002578821350000095
偏移量b和相位斜率a代入公式(4-1)，同时忽略测量噪声Z，可以得到：
Figure BDA0002578821350000096
虽然通过公式(4-6)可以得到真实的测量相位信息，但是由于相位的递推特性，相位值发生了折叠，如 图1所示，随着子载波索引数的增大，三根接收天线的相位信息都发生了折叠。为了消除测量相位值的折 叠，在本文中使用了相位校准算法，其基本算法步骤如表1所示。
表1相位校准算法
Figure BDA0002578821350000097
Figure BDA0002578821350000101
在该算法的第6-11行中，通过判断相邻子载波之间的测量相位变化是否大于给定阈值π，并减去2π 的倍数来恢复被折叠的测量相位值。经过相位校准后的相位值如图2所示，可以观察到，三根接收天线的 校准相位范围比测量相位小很多。
图3为一条子载波中100个CSI数据的极坐标图，其中原始相位用蓝色十字表示，校准后相位用红色 圆点表示。可以观察到，原始相位随机分布在所有的角度上，经过相位校准后都集中分布在了330°和0° 之间的扇形区域中，消除了相位偏移。
1.2基于CNN的人体行为感知
在目前人体行为感知方法中，只利用了一根接收天线中的一条子载波信息。然而，不同子载波上的 CSI信息是相关的，如果没有将不同的子载波联系起来，有可能会丢失一些与子载波相关的信息。因此， 基于CNN的人体行为感知方法为了充分利用所有接收天线中子载波的信息，将CSI信息转换为了二维图 像的结构，以时间作为x轴，子载波作为y轴，并采用基于卷积神经网络的图像处理技术对CSI信息进行 特征提取。
根据对CSI信息结构的研究可知，一根接收天线上的CSI幅值与相位信息可以用公式(7)和(8)表示：
Figure BDA0002578821350000102
Figure BDA0002578821350000103
其中A为幅值信息矩阵，
Figure BDA0002578821350000104
为相位信息矩阵。根据矩阵中元素数值的大小可以将其转化为不同灰度图像， 如图4和图5所示为一根接收天线中不同行为的CSI幅值信息与相位信息灰度图像。
从图4和图5中可以看出，不同的行为的CSI幅值信息灰度图像差别比较大，而一些行为的相位信息 灰度图像差别较小，其中挥手、踢腿、跳跃、蹲起和拳击行为的灰度图像比较接近，但是从相位信息的灰 度图像中可以很清晰地显示出这些行为发生的次数和时间。不同行为的CSI幅值信息与相位信息都具有一 定的特点，因此，基于CNN的Wi-Move行为感知方法同时使用了CSI的幅值信息与相位信息，通过将不 同接收天线中的幅值信息与相位信息组合来构建输入特征图，然后将其送入卷积神经网络，就实现了对人 体行为的感知。
1.3Wi-Move输入特征图的构建
在Wi-Move中，由深度网络分层提取CSI全部子载波中幅值与相位的特征信息，因此不需要人工来 选择并提取特征值。但卷积神经网络大多都应用于图像分类领域，对输入数据有特殊的要求，其形状必须 为(batch size，height，width，depth)的一个四维数组，其中第一维表示图像的batch大小，其它三个维度分 别表示图像的各个属性，即高度、宽度和深度(即彩色通道的数量)。例如在一幅二维的彩色图像中，通常 将其看作由R,G,B三种基础色进行堆叠而形成，这三种基础色又分别对应了三个大小相同的二维矩阵，矩 阵的数值表示了这一通道颜色的深浅。所以将卷积神经网络在图像分类领域的技术应用在CSI的人体行为 识别上，首先需要将CSI数据转化为二维图像的格式，如图6所示，分别将3根接收天线的幅值和相位信 息作为卷积神经网络的6个通道，构成卷积神经网络的CSI输入特征图。考虑到行为识别的实时性， Wi-Move将输入特征图的大小设置为30×100(m＝100)，即100个时间点所采集的CSI信息，若采样频率为 50Hz，则Wi-Move可以识别最近2秒内发生的行为活动。
1.4Wi-Move的网络设计
1.4.1Wi-Move的网络结构
在Wi-Move中使用了一种基于VGGnet-16的网络模型，用于提取CSI数据的特征，其网络结构如图7 所示。该网络共有16层的结构，其中包含13个卷积层、5个池化层和3个全连接层，网络的输入是在上 一节中构建的CSI输入特征图。
卷积层主要通过卷积核对输入数据进行卷积操作，来提取输入数据的抽象特征，其计算公式为：
Figure BDA0002578821350000111
其中，I和J分别为输入和输出数据的通道数，xi为第i个通道的输入，yj为第j个通道的输出，kij表示 卷积核，“*”表示卷积操作，b为偏置量，f为非线性激活函数。
池化层是对相邻区域的特征信息进行聚合统计，用概率统计特征取代全部特征，并对卷积层的运算结 果实现降维，保留有效信息，其数学表达式为：
Figure BDA0002578821350000112
其中，down函数表示下采样函数，通常有平均池化(Mean Polling)和最大值池化(Max Polling)两种方式， Wi-Move的池化层选择了最大值池化方式，用于减少网络中的训练参数。
全连接层实现了本层神经元与上一层神经元的全部连接，并将前层的特征进行加权求和，将输出转化 为了一维向量。最后一层是Softmax层，其作用是对输出概率做归一化处理，使其范围都在(0,1)之间。对 于一个输入数据x，预测其y＝i类别的概率分布公式如下：
Figure BDA0002578821350000113
若x为k维的输入向量，则预测其k个类别的概率值表示如下：
Figure BDA0002578821350000114
其中，hθ(x)是假设函数，θi是待拟合的模型参数，求得概率值最高的类别即是神经网络预测分类的结果。
1.4.2Wi-Move的网络层次
在Wi-Move中全部使用了3×3大小的卷积核和2×2大小的池化核，小卷积核可以减少参数量并加快 网络的训练速度。同时，还使用了两个3×3卷积层的串联和三个3×3的卷积层串联的结构，增大了感受视 野。并且为了使网络具有良好的非线性特点，Wi-Move在每一个卷积层和全连接层的输出上都使用了ReLU 作为非线性激活函数。其结构参数如表2所示。
表2 Wi-Move的网络结构参数
Figure BDA0002578821350000115
Figure BDA0002578821350000121
在Wi-Move的结构中，第一个卷积层包含有64个大小为3×3、步长为1的卷积核，该卷积核要求输 入数据的大小为30×100×6，之后连接了第二个卷积层。第二个卷积层将第一层的输出作为自己的输入，并 使用了相同的卷积核对第一个卷积层的输出进行滤波。经过两个相同结构的卷积层滤波后，将结果输入到 最大池化层，最大池化层包含有64个大小为2×2、步长为2的池化核，以此来达到缩小数据尺寸和降维的 目的。在第一个和第二个卷积层中使用了两个3×3卷积层串联的结构，这种串联结构可以增大卷积层的感 受视野，因为两个3×3卷积层的串联相当于1个5×5的卷积层，而参数量只有5×5的一半，并且两个3×3 卷积层的串联可以包含2个非线性操作，而一个5×5的卷积层只能有1个非线性操作，这样使得前者对于 特征的学习能力更强。在经过了前三层的卷积和最大池化操作后，输出数据的大小为15×50×64，之后三层 的结构与前三层相同，只是卷积核和池化核的数量变为128个，输出数据的大小变为8×25×128。为了提取 更深层的特征信息并增大卷积核的感受视野，在接下来的卷积层中使用了三个3×3卷积层串联的结构，三 个3×3卷积层的感受野相当于一个7×7的卷积层，并且卷积核和池化核的数量也增加到256个，并在最后 增加到512个。经过所有的卷积和最大池化操作后，最终输出数据的大小变为1×4×512，之后输入到全连 接层。
在三个全连接层中，前两层都包含有4096个神经元，这样的结构可以使多分类的Logistic回归目标最 大化，即最大化了预测分布下训练数据中正确标签的对数概率平均值，从而提高分类准确率。最后一层是 具有9个神经元的Softmax层，对输出概率做归一化处理，使其范围都在(0,1)之间，并输出9种不同行为 的标签。
1.5Wi-Move网络模型的优化
1.5.1批标准化
Wi-Move因为采用了比较深的网络结构，所以在训练过程会出现收敛速度缓慢、学习困难等问题。例 如在正向传播的过程中，随着网络深度的增加，靠后层的神经元节点由于受到前方神经元的干扰，输入值 可能会呈现指数型增大或者接近于0的情况，这时会降低对网络参数的学习能力。因此Wi-Move使用了批 标准化(Batch Normalization，BN)来解决这些问题。以sigmoid函数为例，图8(a)为没有经过任何处理的输 入数据，如果数据集中在梯度很小的区域，那么学习率就会很慢甚至陷入长时间的停滞。
在经过BN层后，数据就被移到如图8(b)所示的中心区域，对于大多数激活函数而言，这个区域的梯 度都是最大的或者是有梯度的(比如ReLU)，这可以看作是一种对抗梯度消失的有效手段。从图8中可以看 出，BN层其实就是把每个隐藏层神经元的激活输入分布从偏离均值为0方差为1的正态分布通过平移均 值压缩或者扩大曲线尖锐程度，调整为均值为0方差为1的正态分布，其计算公式为：
Figure BDA0002578821350000122
Figure BDA0002578821350000131
Figure BDA0002578821350000132
Figure BDA0002578821350000133
其中，μB为每个训练批次数据的均值，σB为每个训练批次数据的方差，在使用求得的均值和方差对该批 次的训练数据做归一化处理后，就获得了符合标准正态分布的数据，其中ε是为了避免除数为0时所使用 的微小正数。由于归一化后的
Figure BDA0002578821350000134
基本会被限制在正态分布下，造成网络的表达能力下降，所以在训练网络 时会通过学习得到两个新的参数尺度因子γ和平移因子β，将
Figure BDA0002578821350000135
乘以γ调整数值大小，再加上β增加偏 移后就得到了新的输出yi，减小了正态分布的影响。
在卷积层和全连接层之后都加入BN层，这样不仅可以协调多层之间的参数更新问题，加快网络的训 练速度，而且还可以增加网络的鲁棒性。
1.5.2Dropout优化
在训练网络的过程中还经常会出现网络参数过拟合的问题，为了防止过拟合问题的发生，Wi-Move使 用了过拟合Dropout函数，Dropout函数的主要作用是：在一次训练时的迭代中，对每一层中的神经元(总 数为n)以概率p随机剔除，用余下的(1-p)×n个神经元所构成的网络来训练本次迭代中的数据。这样可以 使一个神经元的训练不依赖于另外一个神经元，减弱特征之间的协同作用，使网络变得简单紧凑。当传入 不同的数据时，一些神经元节点的过拟合现象会相互抵消，同时Dropout函数也可以减少靠后层的神经元 对前层神经元的输出依赖性，输入值不会再呈现指数型增大或者接近于0的情况，使网络具有更强的鲁棒 性。在以50％的概率舍弃神经元后的网络结构如图9所示。
在引入Dropout后，网络中的每个神经元都添加了一道概率流程，其对应的神经网络公式变化为：
Figure BDA0002578821350000136
Figure BDA0002578821350000137
Figure BDA0002578821350000138
为了减少测试集中的错误，有时需要将多个不同神经网络的预测结果取平均，而dropout具有随机性， 在每次dropout后，网络模型都可以看成是一个不同结构的神经网络，而此时需要训练的参数数量是不变 的，所以这就解决了训练多个独立神经网络的时耗问题。在测试输出的时候，将输出权重除以2，就达到 了类似平均的效果。
1.5.3Adam优化
Adam(Adaptive Moment Estimation)优化算法是对随机梯度下降法的扩展，在随机梯度下降法中，学习 率在网络训练时不会发生改变，而Adam通过计算梯度的一阶矩估计和二阶矩估计来为不同的参数设定自 适应学习率。这种自适应的学习率可以提高网络的计算效率，适用于不稳定的目标函数，并且还可以解决 梯度稀疏或梯度噪声的问题。在Adam的更新规则中，为了综合考虑之前时间的梯度动量，在计算梯度时 使用了梯度均值与梯度平方的指数移动平均数，其计算公式为：
gt＝▽θJ(θt-1) 式(16)
mt＝β1mt-1+(1-β1)gt 式(17)
Figure BDA0002578821350000139
其中，θ为参数矢量，β1和β2为指数衰减率，通常分别设置为0.9和0.999。在训练的初期阶段，由于mt和vt的初始化问题，可能会导致mt和vt趋向于0，因此还需要对其进行偏差纠正，降低偏差在训练初期的 影响，其计算公式为：
Figure BDA0002578821350000141
Figure BDA0002578821350000142
在纠正了偏差影响之后，将初始的学习率α乘以梯度均值与梯度方差的平方根之比就完成了参数的更新， 其计算公式为：
Figure BDA0002578821350000143
此外Wi-Move还使用了交叉熵作为损失Loss函数，其公式如下：
Figure BDA0002578821350000144
其中，y为真实标签值，
Figure BDA0002578821350000145
为网络输出值，因为交叉熵函数在Softmax分类函数之后计算Loss值，所以y 和
Figure BDA0002578821350000146
的值为0或1。这样在引入交叉熵函数之后，就解决了学习速率缓慢的问题，并且提高了对权重值和 偏置的学习效率。
2.1实验设备与实验环境
2.1.1实验设备
本文通过使用Intel 5300无线网卡、TP-LINK无线路由器和Linux802.11CSITools开源软件包实现对 CSI数据的采集。Intel 5300无线网卡可以同时使用三根天线接收信息，因此可以通过终端的指令实现对每 根天线工作参数的控制，并且有效的控制接收信号。TP-LINK无线路由器包含有3根2.4GHz和1根5GHz 的天线，连接到电脑终端后作为发射端向无线网卡发送数据包，Linux 802.11CSITools可以从Intel 5300无 线网卡中解析CSI数据包并获取CSI信息。图10为无线网卡和无线路由器，终端运行的操作系统为 Ubuntu16.04。装有无线网卡的电脑终端作为检测点(Detect Point，DP)，无线路由器作为接入点(Access Point， AP)，并连接上电脑终端。接收端连接了三根12db增益的接收天线，无线路由器使用5GHz的发射天线， 因此发射端与接收端构成了一个1×3的MIMO系统阵列。
2.1.2实验环境
本文的实验环境选择在办公室和实验室内进行，其平面图如图11所示。图11中RX为接收天线的位 置，TX为发射天线的位置，实验人员在RX与TX之间的位置移动。在办公室的环境中，存在一些其他人 员坐在椅子上操作电脑、手机等，在实验室的环境中，没有其他人员存在。
2.2CSI数据的采集
本文中CSI数据的采集流程如图12所示，首先需要在安装有Ubuntu16.04系统的电脑终端，下载并安 装Linux 802.11CSITools软件包，然后在终端通过命令配置网络并开启无线网卡，实现接收端与发射端的 连接。之后设置无线路由器的网关地址、采样频率、发送模式等工作模式。由于一些人体行为发生的时间 较短，为了采集到短时间内的信息变化，本文将采样频率设置为50Hz，即每0.02秒发送一个数据包。最 后在接收端采集到的CSI数据以.dat为后缀名储存在文件中。数据采集界面如图13所示。
采集到的CSI数据需要使用Matlab来读取并解析CSI幅值和相位的具体数值。图14为使用Matlab 读取的一段CSI数据，由于本文采用了1×3的MIMO系统阵列，所以获取到的CSI数据格式为一个30×3 复数的矩阵，其中每一行对应一条子载波，每一列对应一根接收天线。通过Matlab可以绘制出其随时间变 化的曲线，如图15所示。
2.3实验数据
在实验阶段，分别将发射天线与接收天线固定于0.6m处的高度，并且位于视距距离，之间没有其它 干扰物。在办公室和实验室的实验环境中，分别采集两名志愿者行走、跑步、挥手、踢腿、旋转、跳跃、 蹲起、拳击和跌倒九种常见的行为，其中，改进的SVM分类算法对行走、跑步、挥手和踢腿4种行为进 行识别，Wi-Move方法对全部9种行为进行识别。在单人的场景下每个行为的平均采集时间为3秒钟，其 动作图片和CSI信息的变化情况如图16、图17和图18所示。表3为实验数据的收集情况，并且从每种行 为的数据中各选出160个作为训练集，剩下的作为测试集使用。
表3数据收集情况
Figure BDA0002578821350000151
2.5Wi-Move的识别结果
2.5.1网络的训练结果
在训练网络时，本文将批尺寸设置为128，学习率设置为0.0001，过拟合Dropout率设置为0.5，图19 为网络训练过程中准确率和损失函数值的变化曲线。从图19中可以看出，初始的训练准确率较小，损失 函数值较大，但网络收敛速度极快。在迭代500步左右时，训练准确率已达到100％，损失函数值也已经 收敛至0附近，虽然在训练的初始阶段中，会出现训练准确率和损失函数值波动的情况，但网络会及时对 参数进行修正，保持网络参数稳定在最优点。
2.5.2不同用户对识别结果的比较
在参加实验的两名志愿者中，其中一名为男性，身高为170cm，体重为60kg，另一名为女性，身高为 158cm，体重为49kg，图5-13为两名志愿者在实验室环境下每种行为的识别结果。从图20中可以看出， 男性志愿者与女性志愿者相比获得了更高的识别准确率，因为从身高和体型的角度考虑，男性志愿者的身 高体型相对较大，对信号的传播以及多径效应的影响更明显，因此识别准确率相对较高。而女性的身高体 型较小，对于旋转和拳击行为的身体动作幅度会比男性小，识别准确率也会相对较低。但对于跑步、跳跃、 蹲起和跌倒这些行为，男性和女性志愿者都做出了准确的识别。
2.5.3不同实验环境对识别结果的影响
在实验室和办公室的实验环境下，每种行为的识别准确率如图21所示。从图21中可以看出，在办公 室环境下的识别准确率较低，这是因为办公室的环境相对狭窄，而且障碍物较多，在采集数据的过程中， 还有一些其他人员坐在椅子上操作电脑、手机等，会对实验数据造成一定干扰。其中，对于行走、跑步和 摔倒这3种动作幅度较大的行为，在办公室环境存在干扰的情况下仍然可以获得较高的识别准确率，而挥 手和旋转这种动作幅度较小的行为则受干扰影响比较严重，识别准确率较低。而实验室的环境相对空旷， 在采集数据的过程中，没有其他人员存在，每一种行为都获得了较高的识别准确率。
在图21的识别结果中，训练集数据与测试集数据均来自于同一个实验环境，为了比较不同实验环境 下训练集和测试集对识别结果的影响，在图22中显示了实验室环境下应用办公室环境的测试集，办公室 环境下应用实验室环境测试集的识别结果。从图22中可以看出，将测试集数据应用到新环境中时，只有 跌倒这种动作幅度大、发生时间短的行为还能做出较为准确的识别，而其他行为的准确率都下降到了70％ 左右。这是因为在办公室环境中存在较多的干扰，训练集数据都是在有较多NLOS路径下采集的，而实验 环境干扰较小，训练集数据主要是在LOS路径下采集的，由于采集信号的路径不同，识别结果也会受到严 重的影响。在接下来的实验结果中，为了减小实验环境中的干扰信息，都将使用在实验室环境下采集的数 据。
2.5.4不同网络参数对识别结果的影响
网络参数对测试集数据的识别结果如图23所示，在图23中分别对比了在不同的训练批尺寸大小下， 分别使用幅值信息和相位信息的识别准确率。在仅使用CSI相位信息的识别结果中识别准确率都很低，在 批尺寸设置为128时，获得最高的准确率也只有73.4％。这是因为CSI相位信息在人体活动的影响下没有 明显的波动规律，不能很好的反应人体行为，所以在人体行为识别中不适合仅使用CSI相位信息。但CSI 幅值信息对人体活动非常敏感，在批尺寸设置为128时，仅使用CSI幅值信息所获得的最高准确率可达 92.8％，这说明使用CSI全部子载波的幅值信息可以获得更高的识别准确率。在同时使用幅值与相位信息进行识别时，识别准确率最高可达98.1％，而且在不同的批尺寸下，相比于仅使用幅值信息的识别准确率 可以提高6％左右，这说明CSI相位信息对幅值信息有一定的补充作用，同时使用幅值信息与相位信息可 以在一定程度上提高识别准确率。批尺寸的设置也会对识别结果产生影响，在批尺寸设置为128时，识别 准确率都相对高于设置为64和256的情况，因为在训练网络时适当的增大批尺寸，可以使网络获得较好 的收敛速度和精度，但是过大的批尺寸也会使准确率降低，这是因为过大的批尺寸使目标函数更倾向于收 敛到局部极小值，导致网络的泛化性能下降。
图24为批尺寸设置为128时CSI幅值信息和相位信息对不同人体行为的识别结果。从图24中可以看 出，使用CSI幅值信息的识别结果要明显优于相位信息。在仅使用CSI幅值信息时，除了踢腿和旋转，其 他7种行为基本都可以做出准确识别。在仅使用CSI相位信息时，识别准确率相对较低，绝大部分的跑步 和跌倒都没有正确识别，但对于跑步、挥手、踢腿、旋转、跳跃和拳击这些行为也可以获得比较准确的识 别结果，特别是仅使用幅值信息不能准确识别的踢腿和旋转行为，相位信息做出了较为准确的识别。因此， 在同时使用幅值信息与相位信息时，相位信息对幅值信息提供了很好的补充作用，每一种行为都获得了近 似准确的识别。
为了更进一步的比较识别结果，在图25中绘制了识别结果的混淆矩阵。从图25中可以看出，在仅使 用CSI幅值信息时，行走和踢腿容易被混淆，这是因为这两种行为的幅值信息具有相似的波动规律，而且 旋转也容易被识别为拳击。在仅使用相位信息时，大部分行为都容易被混淆，特别是绝大部分的行走都被 识别为了跑步，绝大部分的摔倒被识别为了拳击。在这9种行为中，只有行走和跑步是需要身体有位移变 化的，而其它7种行为都是在原地发生的，行走可以被看作是速度较为缓慢的移动，跑步则是速度较快的 移动，由此可以发现相位信息对于区分不同速度的位移是不敏感的，将绝大部分的行走都识别为了跑步。 当同时使用幅值与相位信息来识别时，一些容易被混淆的行为都得到了准确的识别，但还是存在少部分的 旋转被识别为了跳跃、蹲起和拳击。
2.6不同识别算法的影响
在实验中，本文还对比了基于KNN、DTW、SVM和CNN四种识别算法对不同行为种类的识别准确 率，如图26所示，其中SVM为本文改进的分类算法。
从图26中可以看出，随着行为种类的增加，KNN和DTW分类算法的识别准确率在急剧下降，特别 在行为种类增加到6时，KNN和DTW的识别准确率已经低于80％，不能满足识别精度的要求。这是因为 KNN算法对数据的依赖程度很高，如果在数据集中有部分错误的数据分布在需要分类的数据旁边，那么 就会导致预测的数据分类不准确。在行为种类比较小时，数据集还比较分散，KNN还可以获得较高的准 确率，然而随着行为种类的增加，数据集交叉重叠的现象会加重，KNN的识别准确率也会急剧下降。对 于DTW算法也存在同样的问题，DTW算法对数据模板的依赖程度很高，如果数据模板存在误差，将会对 识别结果产生严重影响，而且随着行为种类的增加，有些行为信息也会有相似的波动规律，会对DTW这 种基于模板匹配的分类算法带来影响，因此DTW的识别准确率也相对较低。对于SVM分类算法，在行 为种类少于5种时，SVM能够达到95％以上的识别准确率，而且SVM的训练时间要远小于CNN，在保 证识别准确率的同时具有更高的效率，适用于行为种类较小的场合。而CNN在行为种类增加到9时，仍 然可以达到98％的识别精度，这是因为在本文所提出的Wi-Move方法中，CNN使用了全部CSI子载波的 幅值信息与相位信息，相比于SVM只使用一条子载波的幅值信息，CNN所提取的特征信息更为全面，所 以更适用于多种类行为的分类问题。除了识别准确率外，实时性也是分类算法重要的评价指标，因此在表 4中比较了这四种分类算法的识别性能。
表4识别算法性能的比较
Figure BDA0002578821350000171
从表4中可以看出，虽然KNN和DTW分类算法不需要训练，实现较为简单，但DTW的平均识别时 间需要9.2s，很难满足实时性的要求。而SVM分类算法的训练时间和识别时间都相对较低，可以满足实 时性的要求。对于CNN算法，虽然首次对网络进行1000次迭代训练大约需要1小时的时间，但是当网络 训练完成后，平均识别时间只有0.05秒，在保证实时性的同时对多种类行为进行准确识别。
2.7CSI数据的预处理
2.7.1Hampel异常值去除算法
在采集到的CSI数据中，由于网卡自身的原因会使一些CSI幅值发生突变。图27(a)(c)为接收天线1 中30条子载波和第10条子载波的幅值变化信息，可以看出在一些范围内，子载波的幅值发生了突变。在 本文中，通过使用Hampel异常值去除算法来去除这些异常值。
Hampel算法是以中位数绝对偏差(Mean Absolute Deviation,MAD)去度量某一样本偏离中位数的距离， 通过计算这段距离中含有中位数绝对偏差的个数，从而确定这个样本在全体样本中的位置，其计算公式为：
MAD＝median(|Xi-median(X)|) 式(23)
Figure BDA0002578821350000172
其中，median(X)为样本的中位数。在采样窗口t内将不属于区间[median-γ*MAD，median+γ*MAD]的子 载波幅值看作异常值，并以均值代替，γ表示异常判别参数，通常取标准阈值3。在异常值检测中，中位 数和中位数绝对偏差相比于常用的均值和标准差对于异常值检测更敏感。经过异常值去除后的CSI幅值信 息如图27(b)(d)所示，可以看出，图27(a)(c)中红色圈中的突变值已经被明显的去除。
2.7.2小波阈值去噪算法
在去除了异常值之后，CSI幅值信息中还包含有大量的环境噪声，这是由环境变化、电磁干扰等影响 产生的。由于人体动作所引起的无线信号变化主要集中在低频范围内，而环境噪声主要集中在高频范围， 因此本文使用了小波阈值去噪算法来去除高频噪声。
假设一段原始的信号为f(t)，加入噪声后表示为：
s(t)＝f(t)+σ·e(t) 式(25)
其中为e(t)噪声信号，σ为噪声强度，在通常情况下e(t)为高斯白噪声，其噪声强度σ＝1。为了较小噪 声信号的干扰，对含噪信号s(t)进行小波变换，计算公式如式(3-4)所示：
Figure BDA0002578821350000173
其中α为尺度，控制了小波函数的伸缩，τ为平移量，控制了小波函数的平移，通过小波变换后可以得到 一组多尺度上的小波系数wj,k，如图28所示。
在如图28所示的3层小波分解过程中，s是含有噪声的小波信号，a1、a2、a3分别是第1层到第3层 中低频信号的分解系数，d1、d2、d3是高频信号的分解系数。在得到的小波系数中，信号f(t)的小波系数 要大于噪声e(t)的小波系数，通过选取一个合适的阀值λ，将大于λ的小波系数看作是由f(t)产生的，予 以保留，小于λ的则看作是e(t)产生的，通过置为零从而达到去除噪声的目的。在本文中使用的小波阈值 去噪算法的具体步骤如表5所示。
表5小波阈值去噪算法
Figure BDA0002578821350000181
在经过了小波阈值去噪后的CSI幅值信息如图29所示。可以看出，图29中的CSI幅值信息不但有效 的去除了高频噪声的干扰，而且还可以保护原信号中的尖峰值，不至于发生滤波过渡的现象。
2.8Wi-Move输入特征图的构建
在Wi-Move中，由深度网络分层提取CSI全部子载波中幅值与相位的特征信息，因此不需要人工来 选择并提取特征值。但卷积神经网络大多都应用于图像分类领域，对输入数据有特殊的要求，其形状必须 为(batch size，height，width，depth)的一个四维数组，其中第一维表示图像的batch大小，其它三个维度分 别表示图像的各个属性，即高度、宽度和深度(即彩色通道的数量)。例如在如图30所示的一幅二维彩色图 像中，通常将其看作由R,G,B三种基础色进行堆叠而形成，这三种基础色又分别对应了三个大小相同的二 维矩阵，矩阵的数值表示了这一通道颜色的深浅。只有这种结构的数据才能够被输入到神经网络中，因此 将卷积神经网络在图像分类领域的技术应用在CSI的人体行为识别上，首先需要将CSI数据转化为二维图 像的结构，如图31所示，分别将3根接收天线的幅值信息与相位信息作为卷积神经网络的6个通道，也 就是将3根接收天线幅值信息与相位信息的6张灰度图像叠加在一起，构成CSI输入特征图，之后全部将 其送入神经网络。考虑到行为识别的实时性，Wi-Move将输入特征图的大小设置为30×100(m＝100)，即100 个时间点所采集的CSI信息，若采样频率为50Hz，则Wi-Move可以识别最近2秒内发生的行为活动。
尽管为说明目的公开了本发明的实施例，但是本领域的技术人员可以理解：在不脱离本发明及所附权 利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例所公开 的内容。

Claims (8)

1.一种基于CNN的Wi-Move行为感知方法，其特征在于：步骤如下：
⑴Wi-Move的数据预处理
①CSI幅值信息预处理
②CSI相位信息预处理
使用线性变换算法来减小CSI相位信息中的随机相位偏移：
在采集到的子载波中，真实的测量相位表示为：
Figure FDA0003851147990000011
其中，
Figure FDA0003851147990000012
为原始相位，
Figure FDA0003851147990000013
为测量相位，Δt为采样频率偏移所造成的时间延迟，mi为子载波的索引值，N为快速傅里叶变换的窗口大小，β为未知相位偏移，Z为测量噪声；从IEEE802.11n的规范中能够获得子载波索引mi，和FFT的窗口大小N；
使用相位变换算法来消去未知项β和Z，首先定义相位斜率a和偏移量b两个参数：
Figure FDA0003851147990000014
Figure FDA0003851147990000015
由于30条子载波的索引值在IEEE 802.11n中是对称的，因此能够得到：
Figure FDA0003851147990000016
Figure FDA0003851147990000017
将测量相位
Figure FDA0003851147990000018
偏移量b和相位斜率a代入公式(4-1)，同时忽略测量噪声Z，能够得到：
Figure FDA0003851147990000019
i表示1-30个子载波中的一个子载波，共30个子载波；
使用相位校准算法消除测量相位值的折叠，其基本算法步骤下所示：
Figure FDA00038511479900000110
Figure FDA0003851147990000021
在该算法的第6-11行中，通过判断相邻子载波之间的测量相位变化是否大于给定阈值π，并减去2π的倍数来恢复被折叠的测量相位值；
⑵基于CNN的人体行为感知
基于CNN的人体行为感知方法为了充分利用所有接收天线中子载波的信息，将CSI信息转换为了二维图像的结构，以时间作为x轴，子载波作为y轴，并采用基于卷积神经网络的图像处理技术对CSI信息进行特征提取；
根据对CSI信息结构的研究可知，一根接收天线上的CSI幅值信息与相位信息用公式(7)和(8)表示：
Figure FDA0003851147990000022
Figure FDA0003851147990000031
其中，A为幅值信息矩阵，
Figure FDA0003851147990000032
为相位信息矩阵；根据矩阵中元素数值的大小能够将其转化为不同灰度图像；
⑶Wi-Move输入特征图的构建
将卷积神经网络在图像分类领域的技术应用在CSI的人体行为识别上，首先需要将CSI数据转化为二维图像的格式，分别将3根接收天线的幅值和相位信息作为卷积神经网络的6个通道，构成卷积神经网络的CSI输入特征图；考虑到行为识别的实时性，Wi-Move将输入特征图的大小设置为30×100(m＝100)，即100个时间点所采集的CSI信息，若采样频率为50Hz，则Wi-Move能够识别最近2秒内发生的行为活动；
⑷Wi-Move的网络设计
①Wi-Move的网络结构
在Wi-Move中使用了一种基于VGGnet-16的网络模型，用于提取CSI数据的特征，该网络共有16层的结构，其中包含13个卷积层、5个池化层和3个全连接层，网络的输入是在构建的CSI输入特征图；
卷积层通过卷积核对输入数据进行卷积操作，来提取输入数据的抽象特征，其计算公式为：
Figure FDA0003851147990000033
其中，I和J分别为输入和输出数据的通道数，xi为第i个通道的输入，yj为第j个通道的输出，kij表示卷积核，*表示卷积操作，b为偏置量，f为非线性激活函数；
池化层是对相邻区域的特征信息进行聚合统计，用概率统计特征取代全部特征，并对卷积层的运算结果实现降维，保留有效信息，其数学表达式为：
Figure FDA0003851147990000034
其中，down函数表示下采样函数，通常有平均池化和最大值池化两种方式，Wi-Move的池化层选择了最大值池化方式；
全连接层实现了本层神经元与上一层神经元的全部连接，并将前层的特征进行加权求和，将输出转化为了一维向量；最后一层是Softmax层，其作用是对输出概率做归一化处理，使其范围都在(0,1)之间；对于一个输入数据x，预测其y＝i类别的概率分布公式如下：
Figure FDA0003851147990000041
若x为k维的输入向量，则预测其k个类别的概率值表示如下：
Figure FDA0003851147990000042
其中，hθ(x)是假设函数，θi是待拟合的模型参数，求得概率值最高的类别即是神经网络预测分类的结果；
②Wi-Move的网络层次
在Wi-Move中全部使用了3×3大小的卷积核和2×2大小的池化核，同时，还使用了两个3×3卷积层的串联和三个3×3的卷积层串联的结构，并且，Wi-Move在每一个卷积层和全连接层的输出上都使用了ReLU作为非线性激活函数；在Wi-Move的结构中，第一个卷积层包含有64个大小为3×3、步长为1的卷积核，该卷积核要求输入数据的大小为30×100×6，之后连接了第二个卷积层；第二个卷积层将第一层的输出作为自己的输入，并使用了相同的卷积核对第一个卷积层的输出进行滤波；经过两个相同结构的卷积层滤波后，将结果输入到最大池化层，最大池化层包含有64个大小为2×2、步长为2的池化核，以此来达到缩小数据尺寸和降维的目的；在第一个和第二个卷积层中使用了两个3×3卷积层串联的结构，这种串联结构可以增大卷积层的感受视野，因为两个3×3卷积层的串联相当于1个5×5的卷积层，而参数量只有5×5的一半，并且两个3×3卷积层的串联可以包含2个非线性操作，而一个5×5的卷积层只能有1个非线性操作；在经过了前三层的卷积和最大池化操作后，输出数据的大小为15×50×64，之后三层的结构与前三层相同，只是卷积核和池化核的数量变为128个，输出数据的大小变为8×25×128；为了提取更深层的特征信息并增大卷积核的感受视野，在接下来的卷积层中使用了三个3×3卷积层串联的结构，三个3×3卷积层的感受野相当于一个7×7的卷积层，并且卷积核和池化核的数量也增加到256个，并在最后增加到512个；经过所有的卷积和最大池化操作后，最终输出数据的大小变为1×4×512，之后输入到全连接层；
在三个全连接层中，前两层都包含有4096个神经元，这样的结构可以使多分类的Logistic回归目标最大化，即最大化了预测分布下训练数据中正确标签的对数概率平均值；最后一层是具有9个神经元的Softmax层，对输出概率做归一化处理，使其范围都在(0,1)之间，并输出9种不同行为的标签；
⑸Wi-Move网络模型的优化
①批标准化
Wi-Move使用了批标准化BatchNormalization，BN，在卷积层和全连接层之后都加入BN层；
②Dropout优化
Wi-Move使用过拟合Dropout函数，在引入Dropout后，网络中的每个神经元都添加了一道概率流程，其对应的神经网络公式变化为：
Figure FDA0003851147990000051
Figure FDA0003851147990000052
Figure FDA0003851147990000053
③Adam优化
Adam优化算法是对随机梯度下降法的扩展，在Adam的更新规则中，在计算梯度时使用了梯度均值与梯度平方的指数移动平均数，其计算公式为：
Figure FDA0003851147990000054
mt＝β1mt-1+(1-β1)gt 式(17)
Figure FDA0003851147990000055
其中，θ为参数矢量，β1和β2为指数衰减率，在训练的初期阶段，由于mt和vt的初始化问题，因此还需要对其进行偏差纠正，降低偏差在训练初期的影响，其计算公式为：
Figure FDA0003851147990000056
Figure FDA0003851147990000057
在纠正了偏差影响之后，将初始的学习率α乘以梯度均值与梯度方差的平方根之比就完成了参数的更新，其计算公式为：
Figure FDA0003851147990000058
此外Wi-Move还使用了交叉熵作为损失Loss函数，其公式如下：
Figure FDA0003851147990000059
其中，y为真实标签值，
Figure FDA0003851147990000061
为网络输出值，因为交叉熵函数在Softmax分类函数之后计算Loss值，所以y和
Figure FDA0003851147990000062
的值为0或1。
2.根据权利要求1所述的基于CNN的Wi-Move行为感知方法，其特征在于：所述步骤⑴①中CSI幅值信息预处理的具体方法如下：
①Hampel异常值去除算法
使用Hampel异常值去除算法来去除采集到的CSI数据中的异常值：
Hampel算法是以中位数绝对偏差去度量某一样本偏离中位数的距离，通过计算这段距离中含有中位数绝对偏差的个数，从而确定这个样本在全体样本中的位置，其计算公式为：
MAD＝median(|Xi-median(X)|) 式(23)
Figure FDA0003851147990000063
其中，median(X)为样本的中位数；在采样窗口t内将不属于区间[median-γ*MAD，median+γ*MAD]的子载波幅值看作异常值，并以均值代替，γ表示异常判别参数；
②小波阈值去噪算法
在去除了异常值之后，使用小波阈值去噪算法来去除高频噪声：
假设一段原始的信号为f(t)，加入噪声后表示为：
s(t)＝f(t)+σ·e(t) 式(25)
其中为e(t)噪声信号，σ为噪声强度；为了减小噪声信号的干扰，对含噪信号s(t)进行小波变换，计算公式如式(3-4)所示：
Figure FDA0003851147990000064
其中α为尺度，控制了小波函数的伸缩，τ为平移量，控制了小波函数的平移，通过小波变换后得到一组多尺度上的小波系数wj,k；
小波阈值去噪算法的具体步骤如下：
对含噪信号s(t)进行小波变换，得到一组小波分解系数wj,k；
通过对小波分解系数wj,k进行阈值处理，得到估计小波系数
Figure FDA0003851147990000065
利用估计小波系数
Figure FDA0003851147990000066
进行小波重构，得到估计信号
Figure FDA0003851147990000067
即为去噪后的信号。
3.根据权利要求2所述的基于CNN的Wi-Move行为感知方法，其特征在于：所述γ取标准阈值3。
4.根据权利要求2所述的基于CNN的Wi-Move行为感知方法，其特征在于：所述e(t)为高斯白噪声，其噪声强度σ＝1。
5.根据权利要求1所述的基于CNN的Wi-Move行为感知方法，其特征在于：所述步骤⑷①中构建的CSI的方法如下：
在Wi-Move中，由深度网络分层提取CSI全部子载波中幅值与相位的特征信息，因此不需要人工来选择并提取特征值；但卷积神经网络大多都应用于图像分类领域，对输入数据有特殊的要求，其形状必须为(batch size，height，width，depth)的一个四维数组，其中第一维表示图像的batch大小，其它三个维度分别表示图像的各个属性，即高度、宽度和深度，即彩色通道的数量；例如在如图4-5所示的一幅二维彩色图像中，通常将其看作由R,G,B三种基础色进行堆叠而形成，这三种基础色又分别对应了三个大小相同的二维矩阵，矩阵的数值表示了这一通道颜色的深浅；只有这种结构的数据才能够被输入到神经网络中，因此将卷积神经网络在图像分类领域的技术应用在CSI的人体行为识别上，首先需要将CSI数据转化为二维图像的结构，分别将3根接收天线的幅值信息与相位信息作为卷积神经网络的6个通道，也就是将3根接收天线幅值信息与相位信息的6张灰度图像叠加在一起，构成CSI输入特征图，之后全部将其送入神经网络。
6.根据权利要求5所述的基于CNN的Wi-Move行为感知方法，其特征在于：所述考虑到行为识别的实时性，Wi-Move将输入特征图的大小设置为30×100(m＝100)，即100个时间点所采集的CSI信息，若采样频率为50Hz，则Wi-Move能够识别最近2秒内发生的行为活动。
7.根据权利要求1所述的基于CNN的Wi-Move行为感知方法，其特征在于：所述步骤⑷②中Wi-Move的网络结构参数为：
Figure FDA0003851147990000071
Figure FDA0003851147990000081
8.根据权利要求1至7任一项所述的基于CNN的Wi-Move行为感知方法，其特征在于：所述步骤⑷②中⑸③中β1和β2分别设置为0.9和0.999。
CN202010666310.2A 2020-07-10 2020-07-10 一种基于CNN的Wi-Move行为感知方法 Active CN112036433B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010666310.2A CN112036433B (zh) 2020-07-10 2020-07-10 一种基于CNN的Wi-Move行为感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010666310.2A CN112036433B (zh) 2020-07-10 2020-07-10 一种基于CNN的Wi-Move行为感知方法

Publications (2)

Publication Number Publication Date
CN112036433A CN112036433A (zh) 2020-12-04
CN112036433B true CN112036433B (zh) 2022-11-04

Family

ID=73579017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010666310.2A Active CN112036433B (zh) 2020-07-10 2020-07-10 一种基于CNN的Wi-Move行为感知方法

Country Status (1)

Country Link
CN (1) CN112036433B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112600630A (zh) * 2020-12-07 2021-04-02 广州大学 一种基于Wi-Fi信号的动作识别方法及装置
CN112528880B (zh) * 2020-12-15 2023-07-07 上海交通大学 基于WiFi CSI的小样本对抗学习动作识别方法、系统以及终端
CN112668439A (zh) * 2020-12-23 2021-04-16 中国科学技术大学 基于无线信号的人体姿势估计方法及装置
CN113033351B (zh) * 2021-03-11 2023-04-07 西北大学 一种基于视频分析的csi感知识别方法
CN113095188A (zh) * 2021-04-01 2021-07-09 山东捷讯通信技术有限公司 一种基于深度学习的拉曼光谱数据分析方法与装置
CN112926555B (zh) * 2021-04-28 2022-07-26 南京邮电大学 一种基于自编码器数据增强的小样本无源行为感知方法
CN113203754A (zh) * 2021-05-13 2021-08-03 合肥工业大学 一种基于无线商用设备的材料检验方法
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
CN113837393B (zh) * 2021-09-03 2023-10-24 西北大学 一种基于概率和统计评估的无线感知模型鲁棒性检测方法
CN113938855B (zh) * 2021-10-09 2023-08-22 山东建筑大学 一种基于WiFi的驾驶人行为感知信号处理方法
CN114465678A (zh) * 2022-04-13 2022-05-10 齐鲁工业大学 一种基于深度学习的复杂活动wifi感知方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506722A (zh) * 2017-08-18 2017-12-22 中国地质大学（武汉） 一种基于深度稀疏卷积神经网络人脸情感识别方法
CN107633227A (zh) * 2017-09-15 2018-01-26 华中科技大学 一种基于csi的细粒度手势识别方法和系统
CN108199757A (zh) * 2018-01-15 2018-06-22 浙江大学 一种利用信道状态信息对民用小型无人机进行实时入侵检测的方法
CN108629380A (zh) * 2018-05-11 2018-10-09 西北大学 一种基于迁移学习的跨场景无线信号感知方法
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
CN110502105A (zh) * 2019-07-08 2019-11-26 南京航空航天大学 一种基于csi相位差的手势识别系统及识别方法
US10594034B1 (en) * 2019-05-07 2020-03-17 Bao Tran Blockchain cellular system

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11516051B2 (en) * 2018-03-06 2022-11-29 Samsung Electronics Co., Ltd. Method and apparatus for AI-based UE speed estimation using uplink SRS measurements

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506722A (zh) * 2017-08-18 2017-12-22 中国地质大学（武汉） 一种基于深度稀疏卷积神经网络人脸情感识别方法
CN107633227A (zh) * 2017-09-15 2018-01-26 华中科技大学 一种基于csi的细粒度手势识别方法和系统
CN108199757A (zh) * 2018-01-15 2018-06-22 浙江大学 一种利用信道状态信息对民用小型无人机进行实时入侵检测的方法
CN108629380A (zh) * 2018-05-11 2018-10-09 西北大学 一种基于迁移学习的跨场景无线信号感知方法
US10594034B1 (en) * 2019-05-07 2020-03-17 Bao Tran Blockchain cellular system
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
CN110502105A (zh) * 2019-07-08 2019-11-26 南京航空航天大学 一种基于csi相位差的手势识别系统及识别方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
"A new environmental monitoring system based on wifi technology";Rui Zhang 等;《Procedia CIPR》;20191231;全文 *
"AF-DCGAN:amplitude feature deep convolutional GAN for fingerprint construction in indoor localization systems";Qiyue Li 等;《IEEE》;20191011;全文 *
"ConFi:convolutional neural networks based indoor Wi-Fi localization using channel state information";Hao Chen 等;《IEEE》;20170614;全文 *
"WiFi and vision multimodal learning for accurate and robust device-free Human activity recognition";Hao Zhou 等;《CVPR》;20191231;全文 *
"基于CSI的人体动作识别方法研究";汤明阳;《中国优秀硕士学位论文全文数据库信息科技辑》;20190615;全文 *
"基于CSI的室内定位和轨迹跟踪技术研究";刘键;《中国优秀硕士学位论文全文数据库信息科技辑》;20190515;全文 *
"基于WiFi信号的室内人体动作检测研究及应用";岳国玉;《中国优秀硕士学位论文全文数据库信息科技辑》;20190115;全文 *

Also Published As

Publication number Publication date
CN112036433A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN112036433B (zh) 一种基于CNN的Wi-Move行为感知方法
Hsieh et al. Deep learning-based indoor localization using received signal strength and channel state information
US11902857B2 (en) Handling concept drift in Wi-Fi-based localization
Khan et al. A deep learning framework using passive WiFi sensing for respiration monitoring
CN112733609B (zh) 一种基于离散小波变换的领域自适应Wi-Fi手势识别方法
CN114423034B (zh) 一种室内人员动作识别方法、系统、介质、设备及终端
CN113609976A (zh) 一种基于WiFi设备的方向敏感多手势识别系统及方法
CN113051972A (zh) 一种基于WiFi的手势识别系统
CN111901028B (zh) 一种基于多天线上csi的人体行为识别方法
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
Cheng et al. CSI-based human continuous activity recognition using GMM–HMM
Sheng et al. An accurate device-free action recognition system using two-stream network
Tong et al. A fine-grained channel state information-based deep learning system for dynamic gesture recognition
CN114676727A (zh) 一种基于csi的与位置无关的人体活动识别方法
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
CN112380903B (zh) 一种基于WiFi-CSI信号增强的人体活动识别方法
Bastwesy et al. Wi-nod: Head nodding recognition by wi-fi csi toward communicative support for quadriplegics
Chen et al. WiTT: Modeling and the evaluation of table tennis actions based on WIFI signals
CN117743911A (zh) 一种轻量级跨场景csi人体动作识别方法及系统
CN115438691B (zh) 一种基于无线信号的小样本手势识别方法
CN113572546B (zh) 一种基于CSI信号利用DenseNet网络进行人体活动识别方法
CN114724245B (zh) 基于csi的增量学习人体动作识别方法
CN113378718A (zh) 一种WiFi环境下基于生成对抗网络的动作识别方法
Tian et al. Small CSI Samples‐Based Activity Recognition: A Deep Learning Approach Using Multidimensional Features
Qin et al. Consumer Wi‐Fi device based action quality recognition: An illustrative example of seated dumbbell press action

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
TR01 Transfer of patent right

Effective date of registration: 20231225

Address after: 519000 Yunxi Valley Digital Industrial Park, No. 168 Youyou Road, Xiangzhou District, Zhuhai City, Guangdong Province (Block B, Meixi Commercial Plaza), 5th floor, 5-260 (centralized office area)

Patentee after: Guangdong Jiaxiang Intelligent Technology Co.,Ltd.

Address before: No.26 Jinjing Road, Xiqing District, Tianjin 300380

Patentee before: Tianjin Chengjian University

TR01 Transfer of patent right