CN112333653A - 基于WiFi信道状态信息的身份智能识别方法、系统 - Google Patents

基于WiFi信道状态信息的身份智能识别方法、系统 Download PDF

Info

Publication number
CN112333653A
CN112333653A CN202010999550.4A CN202010999550A CN112333653A CN 112333653 A CN112333653 A CN 112333653A CN 202010999550 A CN202010999550 A CN 202010999550A CN 112333653 A CN112333653 A CN 112333653A
Authority
CN
China
Prior art keywords
wifi
data
csi data
channel
rnn
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.)
Pending
Application number
CN202010999550.4A
Other languages
English (en)
Inventor
王勇
丁建阳
宫丰奎
张南
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202010999550.4A priority Critical patent/CN112333653A/zh
Publication of CN112333653A publication Critical patent/CN112333653A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification 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
    • G06N3/08—Learning methods

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)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于无线通信技术领域，公开了一种基于WiFi信道状态信息的人员身份智能识别方法、系统，利用一对WiFi收发设备在典型的室内环境下进行感知和收集CSI数据；对收集到的包含人员身份信息的CSI数据进行离散小波变换去噪，抑制室内环境随机噪声的影响同时保留信号的细节部分；对滤波后的CSI数据进行逆傅里叶变换操作，获取信道冲击响应，从中提取信道功率变化特征量；利用深度神经网络RNN模型对提取到的信道功率变化特征进行学习和训练，直到RNN模型中的所有参量达到最优；利用训练好的神经网络来智能识别不同人员的身份信息。本发明克服了现有技术中识别表现差、识别结果可靠性低的不足，提高了系统的鲁棒性和身份识别精度。

Description

基于WiFi信道状态信息的身份智能识别方法、系统
技术领域
本发明属于无线通信技术领域，尤其涉及一种基于WiFi信道状态信息的人 员身份智能识别方法、系统。
背景技术
近年来，随着各类无线通信业务的快速发展，基于无线电磁环境感知的各 类服务，诸如人体位置、生理指标、姿态、动作等以及与此相关的一系列无线 应用逐渐受到了广泛的关注。近年来，针对人体感知服务的需求快速增加，各 类感知系统和技术得到广泛深入的研究和应用。如今，伴随着智慧城市、智能 交通、车联网、云计算服务、大数据概念的提出和应用，无线感知服务作为其 中不可缺少的关键一环，得到了越来越广泛的期望。
在所有感知服务中，身份识别是研究的热点问题，受到国内外专家学者的 广泛关注。并且，基于各种技术的身份识别系统和应用早已是层出不穷，例如 在身份识别方面有基于计算机视觉的、基于指纹的、基于面部识别的、基于虹 膜的等。这些身份识别系统都有共同的特点即都是利用人体生物信息识别身份， 这些生物信息对于每一个人来说都是极其独特的并且具有唯一性。而正是由于 这个优点，这些身份识别系统通过都会有较高的识别精度，相关的技术也已经 被广泛的发展和创新，并且用于各类安防系统中。但同时它们也存在着一些限 制，首先是个人信息隐私方面，这些独特的生物信息如果泄露出去，将会导致 难以挽回的地步；二是像基于计算机视觉的、基于面部识别的以及基于虹膜的 系统在工作时都需要一定的光线条件；三是如此系统的安装费用也是相对较高 的，这不利于大规模的推广应用。因此，寻找一种较低安装费用、无侵入性、 被动检测、无需佩戴任何传感设备的身份识别系统是目前国内外专家学者的追 逐目标。
目前大多数无线局域网(Wireless Local Area Network，WLAN)采用IEEE802.11a/g/n标准为人们提供室内区域的无线通讯服务。这些标准基于物理 层的正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)技术，它 是一种无线环境下的多载波调制技术，其基本思想是在频域内将给定信道分成 多正交子信道，在每个子信道上使用一个子载波进行调制，并且各子载波间并 行传输，其中每个子信道上传输的信号带宽都小于信道的总带宽，即仅进行窄 带传输，这将大大降低信号波形间的干扰。同时，OFDM允许子载波频谱部分 重叠，只要子载波间满足相互正交关系，就可以从叠加的信号中分离出子载波 的数据信号，进而在支持OFDM技术的终端设备上同时获取到多个子载波的信 道状态信息(Channel State Information，CSI)，是一种高效的数据传输方式。OFDM 系统将信号调制成多个子载波同时传输，信号在传递过程中会受到不同程度的 衰减和散射，这种衰减是与频率相关的。因此，接收端信号强度(Received Signal StrengthIndication，RSSI)可以反映发射端与接收端的信号质量，而这种信道质 量可以从物理层获得的CSI中分析出来。在无线局域WLAN室内环境中，利用 兼容OFDM的无线网卡和开源的固件即可在移动终端获取CSI信息。信道状态 信息CSI是无线信号在移动终端的信道响应表现形式，它描述了信号从发射端 到接收端的传播过程，并体现了传播过程中距离、散射、衰落以及功率衰减等 对信号的影响，因此，CSI也通常被用来评估通信链路的信道质量。总的来说， CSI的精度大大影响了整个OFDM系统的性能。与常用与无线测距与定位的接 收场强RSSI信息相比，CSI作为物理层信息，在一定程度上描述了多径传播， 并非像RSSI刻画所有子载波的叠加幅度响应，CSI得益于OFDM技术，在移动 终端测量出了多个子载波的信道状态信息，这样就更加精细地刻画了多条路径 的信道，也获得了丰富的室内环境信息。如果把RSSI比作一道白光，那么CSI 就是经过OFDM技术散射出来的光谱，每一条单色光都代表了不同频率下子载 波的信道响应。其次，RSSI只反映了多径传播信号叠加的总幅度，而CSI信道 响应不仅反映了每个子载波的振幅，还刻画了子载波的相位信息。这样CSI无 形中将单值的RSSI扩展成由多个信道的多种信息组成的矩阵，因而CSI为无线 感知提供了更丰富、更精细的信道状态信息。
由于CSI信息的细颗粒度，所以随着WiFi设备的发展和在室内环境下的大 规模部署，出现了越来越多利用CSI的系统。考虑到在室内环境下，人体会影 响电磁波的多径传播，包括反射、阻挡等，这些影响会影响到CSI的幅度信息 和相位信息。另外，由于在身高、体重、移动速度上的差异性，不同的个体在 目标区域内对电磁波的传播影响不同，除此之外，每个人在目标区域内表现姿 态的方式是不同的，拥有属于自己的特点。例如，对于行走这个普遍的动作来 说，不同的人有不同的行走速度。所以，通过检验CSI信息中的步态统计特征 值，身份识别是可以实行的。最重要的是，基于CSI的身份识别系统是无源被 动、低功耗、低安装费、不受光线影响、无侵入性的，并且WiFi设备已经在室 内环境下进行了广泛部署，例如办公室和家里，这为如此系统的推广和应用打 下了坚实的基础。另一方面，用户对无线通信发展的需求永无止境，而基于CSI 的身份识别技术具有很高的普适性，它亦可以应用于目前的5G系统上。
目前，基于CSI的身份识别系统已经被大量提出像WiFi-ID、WiWho、Wii 等。WiFi-ID对收集到的CSI数据先进行频谱分析，在那之后进行特征提取操作， 从中提取10个统计特征量，包括最大值、最小值、中值、平均值、熵等，然后 利用稀疏近似分类算法对人员身份进行识别。WiWho对收集到的CSI数据从时 域和频域两方面进行特征提取，包括最大值、最小值、方差、标准差、频域功 率、频域熵等。在那之后，再利用基于决策树的深度学习方法对提取到的统计 特征值进行学习和训练。当神经网络的权值达到最优之后就可以进行人员的身 份识别。Wii对收集到的CSI数据先进行去噪处理，具体来说，利用主成分分析 和低通滤波器对CSI数据进行去噪。然后对去噪后的CSI数据再进行特征提取 操作，在那之后，利用高斯混合模型先对陌生人进行身份识别，紧接着再利用 支持向量机对人员进行身份识别。虽然这些身份识别系统能保证一定的准确度， 但它们的局限性在于没有有效抑制CSI数据中随机噪声的影响导致识别精度较 差，以及提取太多的统计特征值导致识别效率较低。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有技术缺乏能够有效抑制CSI数据中随机噪声的影响。
(2)现有技术提取太多统计特征量，识别效率较低。
(3)现有技术缺乏有效的身份智能识别算法。
解决以上问题及缺陷的难度为：为了解决上述技术问题，主要有以下技术 难点：如何抑制CSI数据中随机噪声的影响，如何提取能刻画人员身份信息的 特征量，如何利用提取的特征量进行身份智能识别。
解决以上问题及缺陷的意义为：基于CSI的身份智能识别只利用一副WiFi 收发设备，安装和使用成本较低，不需要人员佩戴任何专用设备或传感器，是 一种无源被动的方式。室内人员身份识别对于生产生活都有十分重要的意义， 不论是家庭、商场还是医院等场所，都会有广泛的应用。解决上述技术问题， 使被动式室内人员身份识别更能满足低成本和高精度的要求。
发明内容
针对现有技术存在的问题，本发明提供了一种基于WiFi信道状态信息的人 员身份智能识别方法、系统。
本发明是这样实现的，一种基于WiFi信道状态信息的人员身份智能识别方 法，所述基于WiFi信道状态信息的人员身份智能识别方法利用一对WiFi收发 设备在典型的室内环境下进行感知和收集CSI数据；对收集到的包含人员身份 信息的CSI数据进行离散小波变换去噪，抑制室内环境随机噪声的影响同时保 留信号的细节部分；对滤波后的CSI数据进行逆傅里叶变换操作，获取信道冲 击响应，从中提取信道功率变化特征量(ChannelPower Variation，CPV)；利 用循环神经网络(Recurrent Neural Network，RNN)模型对提取到的信道功率变 化特征CPV进行学习和训练，直到RNN模型中的所有参量达到最优；利用训 练好的深度神经网络来智能识别不同人员的身份信息。
进一步，所述基于WiFi信道状态信息的身份智能识别方法包括以下步骤：
步骤一，将一副WiFi收发设备部署在典型的室内环境下，实验室和办公室， 其中配置有一根天线的WiFi设备作为发射机，带有三根天线的WiFi设备作为 接收设备，将收发WiFi设备放置在桌子上，收发天线为全向天线，天线增益为 8dBi，数据收集期间天线方向不发生变化，信号采样率设置为1KHz；
步骤二，进行数据预处理操作，对收集到的第l个子载波的原始CSI数据进 行离散小波变换，将采集的原始CSI数据分解为两部分，近似系数
Figure BDA0002693800760000051
和一系列 细节系数
Figure BDA0002693800760000052
紧接着利用软阈值法对分解得到的一系列细节系数进行处理去除 随机噪声的影响，利用处理过的近似系数和细节系数重构CSI数据；
步骤三，利用去噪后的CSI数据进行逆傅里叶变换操作得到信道冲击响应
Figure BDA0002693800760000053
得到信道功率变化特征量CPV；
步骤四，在特征提取后，利用获得的CPV统计特征值对深度神经网络模型 进行训练，使得RNN模型中的参量值达到最优，然后将训练好的RNN模型用 于身份智能识别。
进一步，所述步骤一还包括：
(1)通过一副WiFi收发设备感知室内环境变化，同时获取1×3条数据传输 链路，其中一条数据链路的一组子载波信道测量H为：
Figure BDA0002693800760000054
其中，[·]T表示转置操作，Hl和∠Hl是第l个子载波的幅度和相位；
(2)对第l个子载波的原始CSI数据在时间方向上进行连续收集，并且数 据收集的时间窗大小设置为m：
Figure BDA0002693800760000055
其中，Hl的维度是1×m，Hκ,l和∠Hκ,l是第κ个数据的幅度和相位。
进一步，所述步骤二还包括：
(1)受到室内环境下随机噪声影响的原始CSI数据为：
Figure BDA0002693800760000061
(2)对采集到的原始CSI数据进行多层分解(J＝1,2,3,…)，计算每一层的 近似系数和细节系数：
Figure BDA0002693800760000062
Figure BDA0002693800760000063
其中，<·>表示点积运算，
Figure BDA0002693800760000064
和
Figure BDA0002693800760000065
表示近似系数和细节系数，
Figure BDA0002693800760000066
和
Figure BDA0002693800760000067
是 小波基；
(3)利用分解的近似系数和一系列细节系数对原始CSI数据进行重构为：
Figure BDA0002693800760000068
(4)利用软阈值法对分解得到的一系列细节系数进行处理，具体来说对一 系列细节系数取绝对值，其中绝对值较小的设置为0，将绝对值较大的细节系数 的数值减小：
Figure BDA0002693800760000069
其中，T是阈值；
(5)利用处理过后的近似系数和一系列细节系数重构CSI数据：
Figure BDA00026938007600000610
其中，
Figure BDA00026938007600000611
是经过软阈值法处理过的细节系数；
(6)经过离散小波变换去噪得到的CSI数据为：
Figure BDA00026938007600000612
进一步，所述步骤三还包括：
(1)通过对去噪后的
Figure BDA00026938007600000613
进行逆傅里叶变换，得到信道冲击响应：
Figure BDA00026938007600000614
其中信道冲击响应
Figure BDA0002693800760000071
写为：
Figure BDA0002693800760000072
其中，N表示室内环境下多径数目，ai，θi和τi分别表示第i条多径成分的幅 度衰弱因子，相移和传播时间，δ(τ)表示狄拉克函数；
(2)根据逆傅里叶变换结果
Figure BDA0002693800760000073
在t0时刻的信道功率值p(t0)为：
Figure BDA0002693800760000074
其中，τmax是最大传播时延，p(t0)写为：
Figure BDA0002693800760000075
(3)通过利用信道瞬时功率，获取信道功率变化CPV：
Figure BDA0002693800760000076
其中，t1和t2分别是时间窗的开始和结束时间；
(4)输出信道功率变化特征量CPV。
进一步，所述步骤四还包括：
(1)设定深度神经网络模型RNN的输入向量为：
x＝[CPV]T,
(2)设定RNN模型中输入向量的维度为Dx，隐层的大小设置为Dh，对于 输入向量x，模型中三个门向量f(p)，i(p)，o(p)为：
f(p)＝σg(Wfx(p)+Ufh(p-1)+bf),
i(p)＝σg(Wix(p)+Uih(p-1)+bi),
o(p)＝σg(Wox(p)+Uoh(p-1)+bo),
其中，x(p)和h(p)分别是第p时间步的输入向量和隐层，W，U和b分别是输 入权重，循环权重和偏置，W的维度是Dh×Dx，U的维度是Dh×Dh，b的维度是Dh×1， σg(·)表示激活函数，σg(z)＝1/(1+e-z)，另外隐层初始化为零向量；
(3)通过三个门向量f(p)，i(p)和o(p)，RNN模型中细胞状态c(p)和隐层h(p)可 以被及时更新：
Figure BDA0002693800760000081
Figure BDA0002693800760000082
其中，
Figure BDA0002693800760000083
表示哈达玛积操作，c(p)是RNN模型中细胞状态初始化为零向量，σc(·) 和σh(·)分别是细胞状态和隐层的激活函数；
(4)RNN模型的输出结果为：
hΘ(x(1),...x(P))＝σ(Vh(P)+b),
其中，V表示行向量，维度为Dh，b表示偏置，另外RNN模型中每一个参 量都包含在参量集Θ中；
(5)设定X＝(x(1),...x(P))为输入数据向量，y是人员身份信息标签，
Figure BDA0002693800760000084
为收集的 特征数据集。通过利用收集的特征数据集
Figure BDA0002693800760000085
RNN模型的所有参数都朝着最小 化代价函数的方向进行调整：
Figure BDA0002693800760000086
其中，代价函数为：
C(g)＝y(g)loghΘ(X(g))+(1-y(g))log(1-hΘ(X(g))),
其中，上标表示输入和输出对的索引，|·|表示数据集中元素的数目，C(g)表 示第g个输入和输出对的代价；
(6)为了获得最优的参量，RNN模型中所有参数用迭代法进行更新，并且 每个参数在每次迭代时都会向最陡下降的方向更新：
Θn+1＝Θn-η▽ΘJ(Θ),
其中，▽Θ表示对应于Θ的梯度运算，η表示学习率，设定η＝0.0005；
(7)当代价函数达到最小时，即说明RNN模型中的参量都达到了最优， 训练结束，然后就可以将RNN模型用于人员的身份识别。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器 和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行 时，使得所述处理器执行如下步骤：利用一对WiFi收发设备在典型的室内环境 下进行感知和收集CSI数据；对收集到的包含人员身份信息的CSI数据进行离 散小波变换去噪，抑制室内环境随机噪声的影响同时保留信号的细节部分；对 滤波后的CSI数据进行逆傅里叶变换操作，获取信道冲击响应，从中提取信道 功率变化特征量；利用深度神经网络RNN模型对提取到的信道功率变化特征进 行学习和训练，直到RNN模型中的所有参量达到最优；利用训练好的神经网络 来识别不同人员的身份信息。
本发明的另一目的在于提供一种实施所述基于WiFi信道状态信息的人员身 份智能识别方法的WiFi信道状态信息的人员身份智能识别系统，所述基于WiFi 信道状态信息的人员身份智能识别系统包括：
感知和数据收集模块，用于利用一对WiFi收发设备在典型的室内环境下进 行感知和收集CSI数据；
离散小波变换去噪模块，用于对收集到的包含人员身份信息的CSI数据进 行离散小波变换去噪，抑制室内环境随机噪声的影响同时保留信号的细节部分；
信道功率变化特征量提取模块，用于对滤波后的CSI数据进行逆傅里叶变 换操作，获取信道冲击响应，从中提取信道功率变化特征量CPV；
参量优化模块，用于利用深度神经网络RNN模型对提取到的信道功率变化 特征进行学习和训练，直到RNN模型中的所有参量达到最优；
身份信息识别模块，用于利用训练好的神经网络识别不同人员的身份信息。
本发明的另一目的在于提供一种楼宇监控系统，所述楼宇监控系统搭载所 述的基于WiFi信道状态信息的人员身份智能识别系统。
本发明的另一目的在于提供一种门禁识别系统，所述门禁识别系统搭载所 述的基于WiFi信道状态信息的人员身份智能识别系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明首 先通过WiFi设备采集包含有人员身份信息的CSI数据；接着对收集到的CSI数 据进行离散小波变换去除随机噪声的影响；然后对去噪后的CSI数据进行特征 提取操作，从中提取信道功率变化特征值CPV；下一步引入RNN神经网络对提 取的信道功率变化特征值进行学习和训练；最后利用训练好的RNN神经网络实 现室内人员身份智能识别。涉及一种室内身份识别方法，具体涉及一种基于WiFi 信道状态信息CSI和递归神经网络RNN融合的室内身份智能识别方法，可用于 室内安防、楼宇监控、入侵检测及智慧家庭。解决目前室内身份识别技术缺乏 有效的噪声抑制及识别效率低的问题，从而提高室内身份识别精度、效率、鲁 棒性及可靠性。
本发明基于CSI的室内人员身份智能识别方法只利用一副WiFi收发设备， 安装成本较低，没有隐私顾虑，不存在死角，并且不需要人员佩戴任何专用设 备或传感器，是一种无源被动的检测方式。由于本发明在身份识别前对原始CSI 数据进行了预处理，通过将原始CSI数据分解成近似系数和一系列的细节系数， 在去除随机噪声影响的同时也保留了信号的细节部分，提高了身份识别的鲁棒 性；由于本发明只采用了信道功率变化特征值，大大减少了传统统计特征值的 提取，同时也深度刻画了人员的身份特征，提高了身份识别的效率；由于本发 明采用了数据预处理、特征提取和RNN融合的身份识别方式，有效克服了室内 环境随机噪声的影响，提高了身份识别准确性及可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所 需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请 的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下 还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于WiFi信道状态信息的人员身份智能识别方 法流程图。
图2是本发明实施例提供的基于WiFi信道状态信息的人员身份智能识别系 统的结构示意图；
图2中：1、感知和数据收集模块；2、离散小波变换去噪模块；3、信道功 率变化特征量提取模块；4、参量优化模块；5、身份信息智能识别模块。
图3是本发明实施例提供的基于WiFi信道状态信息的人员身份智能识别方 法实现流程图。
图4(a)是本发明实施例提供的采集到的第一个人员的CSI数据示意图。
图4(b)是本发明实施例提供的采集到的第二个人员的CSI数据示意图。
图5是本发明实施例提供的对原始CSI数据进行离散小波变换的子流程图。
图6(a)是本发明实施例提供的第一个人员去噪后的CSI数据示意图。
图6(b)是本发明实施例提供的第二个人员去噪后的CSI数据示意图。
图7(a)是本发明实施例提供的第一个人员的CPV特征值示意图。
图7(b)是本发明实施例提供的第二个人员的CPV特征值示意图。
图8是本发明实施例提供的RNN模型的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例， 对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以 解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于WiFi信道状态信息的人 员身份智能识别方法、系统，它结合了数据收集、信号去噪、特征提取以及智 能算法来实现身份识别，下面结合附图对本发明作详细的描述。
如图1所示，本发明提供的基于WiFi信道状态信息的人员身份智能识别方 法包括以下步骤：
S101：利用一对WiFi收发设备在典型的室内环境下进行感知和收集CSI数 据；
S102：对收集到的包含人员身份信息的CSI数据进行离散小波变换去噪， 抑制室内环境随机噪声的影响同时保留信号的细节部分；
S103：对滤波后的CSI数据进行逆傅里叶变换操作，获取信道冲击响应， 从中提取信道功率变化特征量；
S104：利用深度神经网络RNN模型对提取到的信道功率变化特征进行学习 和训练，直到RNN模型中的所有参量达到最优；
S105：利用训练好的神经网络来智能识别不同人员的身份信息。
本发明提供的基于WiFi信道状态信息的人员身份智能识别方法业内的普通 技术人员还可以采用其他的步骤实施，图1的本发明提供的基于WiFi信道状态 信息的人员身份智能识别方法仅仅是一个具体实施例而已。
如图2所示，本发明提供的基于WiFi信道状态信息的人员身份智能识别系 统包括：
感知和数据收集模块1，用于利用一对WiFi收发设备在典型的室内环境下 进行感知和收集CSI数据；
离散小波变换去噪模块2，用于对收集到的包含人员身份信息的CSI数据进 行离散小波变换去噪，抑制室内环境随机噪声的影响同时保留信号的细节部分；
信道功率变化特征量提取模块3，用于对滤波后的CSI数据进行逆傅里叶变 换操作，获取信道冲击响应，从中提取信道功率变化特征量；
参量优化模块4，用于利用深度神经网络RNN模型对提取到的信道功率变 化特征进行学习和训练，直到RNN模型中的所有参量达到最优；
身份信息识别模块5，用于利用训练好的神经网络来智能识别不同人员的身 份信息。
下面结合附图对本发明的技术方案作进一步的描述。
如图3所示，本发明实施例提供的基于CSI和RNN融合的室内身份智能识 别方法包括以下步骤：
步骤一，将一副WiFi收发设备部署在典型的室内环境下，例如实验室和办 公室，其中配置有一根天线的WiFi设备作为发射机，带有三根天线的WiFi设 备作为接收设备。将收发WiFi设备放置在桌子上，收发天线为全向天线，天线 增益为8dBi，数据收集期间天线方向不发生变化，信号采样率设置为1KHz。
如图4(a)和图4(b)所示，本步骤的具体实现如下：
(1.1)通过一副WiFi收发设备感知室内环境变化，同时获取1×3条数据传 输链路，其中一条数据链路的一组子载波信道测量H为：
Figure BDA0002693800760000131
其中，[·]T表示转置操作，Hl和∠Hl是第l个子载波的幅度和相位；
(1.2)对第l个子载波的原始CSI数据在时间方向上进行连续收集，并且 数据收集的时间窗大小设置为m：
Figure BDA0002693800760000132
其中，Hl的维度是1×m，Hκ,l和∠Hκ,l是第κ个数据的幅度和相位；
步骤二，进行数据预处理操作，对收集到的第l个子载波的原始CSI数据进 行离散小波变换，首先将采集的原始CSI数据分解为两部分，近似系数
Figure BDA0002693800760000133
和一 系列细节系数
Figure BDA0002693800760000134
紧接着利用软阈值法对分解得到的一系列细节系数进行处理 去除随机噪声的影响，最后利用处理过的近似系数和细节系数重构CSI数据。
如图5和图6(a)-图6(b)所示，本步骤的具体实现如下：
(2.1)设定受到室内环境下随机噪声影响的原始CSI数据为
Figure BDA0002693800760000135
(2.2)对采集到的原始CSI数据进行多层分解(J＝1,2,3,…)，计算每一层 的近似系数和细节系数：
Figure BDA0002693800760000136
Figure BDA0002693800760000137
其中，<·>表示点积运算，
Figure BDA0002693800760000138
和
Figure BDA0002693800760000139
表示近似系数和细节系数，
Figure BDA00026938007600001310
和
Figure BDA00026938007600001311
是 小波基；
(2.3)利用分解的近似系数和一系列细节系数对原始CSI数据进行重构为：
Figure BDA0002693800760000141
(2.4)利用软阈值法对分解得到的一系列细节系数进行处理，具体来说对 一系列细节系数取绝对值，其中绝对值较小的设置为0，将绝对值较大的细节系 数的数值减小：
Figure BDA0002693800760000142
其中，T是阈值；
(2.5)利用处理过后的近似系数和一系列细节系数重构CSI数据：
Figure BDA0002693800760000143
其中，
Figure BDA0002693800760000144
是经过软阈值法处理过的细节系数；
(2.6)经过离散小波变换去噪得到的CSI数据为
Figure BDA0002693800760000145
步骤三，利用去噪后的CSI数据进行逆傅里叶变换操作得到信道冲击响应
Figure BDA0002693800760000146
然后得到信道功率变化CPV。
如图7(a)-图7(b)，本步骤的具体实现如下：
(3.1)通过对去噪后的
Figure BDA0002693800760000147
进行逆傅里叶变换，得到信道冲击响应：
Figure BDA0002693800760000148
其中信道冲击响应
Figure BDA0002693800760000149
可以写为：
Figure BDA00026938007600001410
其中，N表示室内环境下多径数目，ai，θi和τi分别表示第i条多径成分的幅 度衰弱因子，相移和传播时间，δ(τ)表示狄拉克函数；
(3.2)根据逆傅里叶变换结果
Figure BDA0002693800760000151
在t0时刻的信道功率值p(t0)为：
Figure BDA0002693800760000152
其中，τmax是最大传播时延，p(t0)可以写为：
Figure BDA0002693800760000153
(3.3)通过利用信道瞬时功率，获取信道功率变化CPV：
Figure BDA0002693800760000154
其中，t1和t2分别是时间窗的开始和结束时间。
(3.4)输出信道功率变化特征值CPV。
步骤四，在特征提取后，利用获得的CPV统计特征值对深度神经网络模型 进行训练，使得RNN模型中的参量值达到最优，然后将训练好的RNN模型用 于身份识别；
如图8所示，具体实现如下：
(4.1)设定深度神经网络模型RNN的输入向量为：
x＝[CPV]T,
(4.2)设定RNN模型中输入向量的维度为Dx，隐层的大小设置为Dh，对于 输入向量x，模型中三个门向量f(p)，i(p)，o(p)为：
f(p)＝σg(Wfx(p)+Ufh(p-1)+bf),
i(p)＝σg(Wix(p)+Uih(p-1)+bi),
o(p)＝σg(Wox(p)+Uoh(p-1)+bo),
其中，x(p)和h(p)分别是第p时间步的输入向量和隐层，W，U和b分别是输 入权重，循环权重和偏置。W的维度是Dh×Dx，U的维度是Dh×Dh，b的维度是Dh×1， σg(·)表示激活函数，σg(z)＝1/(1+e-z)，另外隐层初始化为零向量。
(4.3)通过三个门向量f(p)，i(p)和o(p)，RNN模型中细胞状态c(p)和隐层h(p)可 以被及时更新：
Figure BDA0002693800760000161
Figure BDA0002693800760000162
其中，
Figure BDA0002693800760000163
表示哈达玛积操作，c(p)是RNN模型中细胞状态初始化为零向量，σc(·) 和σh(·)分别是细胞状态和隐层的激活函数。
(4.4)RNN模型的输出结果为：
hΘ(x(1),...x(P))＝σ(Vh(P)+b),
其中，V表示行向量，维度为Dh，b表示偏置，另外RNN模型中每一个参 量都包含在参量集Θ中。
(4.5)设定X＝(x(1),...x(P))为输入数据向量，y是人员身份信息标签，
Figure BDA0002693800760000164
为收集 的特征数据集。通过利用收集的特征数据集
Figure BDA0002693800760000165
RNN模型的所有参数都朝着最 小化代价函数的方向进行调整：
Figure BDA0002693800760000166
其中，代价函数为：
C(g)＝y(g)loghΘ(X(g))+(1-y(g))log(1-hΘ(X(g))),
其中，上标表示输入和输出对的索引，|·|表示数据集中元素的数目，C(g)表 示第g个输入和输出对的代价。
(4.6)为了获得最优的参量，RNN模型中所有参数都可以用迭代法进行更 新，并且每个参数在每次迭代时都会向最陡下降的方向更新：
Θn+1＝Θn-η▽ΘJ(Θ),
其中，▽Θ表示对应于Θ的梯度运算，η表示学习率，设定η＝0.0005。
(4.7)当代价函数达到最小时，即说明RNN模型中的参量都达到了最优， 训练结束，然后就可以将RNN模型用于人员的身份识别。
下面结合仿真对本发明的技术效果作详细的描述。
一、仿真条件：仿真试验环境包括实验室和办公室，实验室面积大小为5m*8m，办公室面积大小为5m*6m。将一副WiFi收发设备部署在典型的室内环 境下，其中配置有一根天线的WiFi设备作为发射机，带有三根天线的WiFi设 备作为接收设备。将收发WiFi设备放置在桌子上，收发天线为全向天线，天线 增益为8dBi，数据收集期间天线方向不发生变化，收发设备之间距离按照试验 要求可以自由调节，信号采样率设置为1KHz。
二、仿真内容与结果：
仿真1，在两种实验环境下，包括实验室和办公室，用本发明对身份识别 精度和识别误差进行仿真，结果如表1所示。
由表1可见，在两种实验环境下，本发明的平均识别精度为91％和92％， 在两种试验环境下本发明的平均识别精度都在90％以上，因而本发明对不同的 室内环境很好的适应性和可靠性。
由表1可见，在两种室内环境下随着组内人数的增加，本发明的身份识别 精度降低，识别误差增加，但同时对于不同的组内人数，本发明的身份识别精 度都在85％以上；因而本发明稳定性能更好，应用潜力更大。
表1
算法 2人 3人 4人 5人 6人 7人 8人
实验室 0.94 0.93 0.93 0.91 0.89 0.88 0.86
办公室 0.96 0.94 0.94 0.92 0.89 0.89 0.87
仿真2，用本发明与WiWho、CSIID、Wii、AutoID以及WiFi-ID在室内环境 下人员的身份识别精度和识别误差进行仿真，结果如表2所示。
由表2可见，在实验室环境下本发明与WiWho、CSIID、Wii、AutoID以及 WiFi-ID的平均识别精度分别为91％、88％、0.88％、0.85％、0.84％、0.83％。
由表2可见，在组内相同人数的情况下，本发明与其他5种身份识别方法 相比，识别精度最高并且相应的识别误差最小；另外随着组内人数的增加，本 发明与其他5种算法的识别精度都降低同时识别误差增加，并且相比于其他5 种算法，本发明的识别精度是最高的，识别误差是最小的。本发明的识别精度 更高，鲁棒性更好。
表2
算法 2人 3人 4人 5人 6人 7人 8人
提出的算法 0.94 0.93 0.93 0.91 0.89 0.88 0.86
WiWho 0.94 0.91 0.91 0.88 0.85 0.86 0.84
CSIID 0.94 0.91 0.90 0.85 0.83 0.87 0.83
Wii 0.93 0.91 0.88 0.82 0.80 0.84 0.79
AutoID 0.94 0.92 0.86 0.82 0.76 0.81 0.77
WiFi-ID 0.92 0.91 0.84 0.79 0.78 0.80 0.78
本发明可以应用在楼宇监控：由于微小的人体动作就可以引起WiFi信号的 剧烈变化，基于此，楼宇监控以及特殊场景监控便可以实现，这样的系统具有 很高的灵敏度、比较低的安装费用、容易使用等优点。目前，基于计算机视觉 的系统已经广泛应用于楼宇监控，但存在着不足例如侵犯个人隐私、超出监控 范围、敏感区域等，而基于WiFi的系统是不存在这些问题的。并且将计算机视 觉与WiFi系统相结合能相互弥补各自的不足，以此可以实现楼宇监控的高效率 和高准确度。
本发明可以应用在门禁识别：进入办公大楼以及其他场所身份验证这一项 是必须的，并且如何从一部分人员当中识别出陌生人是至关重要的。目前的身 份识别系统大部分是基于人体生物信息的，由于这些信息是独特且唯一的，所 以这样的系统具有较高的识别精度，但同时也存在缺点，像个人隐私泄露问题。 考虑到每个人的步态是唯一的，那么在目标区域内引入的WiFi信号也是独一无 二的。通过研究和分析WiFi信号，理论上可以实现身份识别的目的。因此，基 于CSI的身份识别识别系统拥有巨大的潜力。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合 来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中， 由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普 通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在 处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸 如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载 体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路 或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、 可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的 处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
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，凡在本发明 的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的 保护范围之内。

Claims (10)

1.一种基于WiFi信道状态信息的人员身份智能识别方法，其特征在于，所述基于WiFi信道状态信息的人员身份智能识别方法利用一对WiFi收发设备在典型的室内环境下进行感知和收集CSI数据；对收集到的包含人员身份信息的CSI数据进行离散小波变换去噪，抑制室内环境随机噪声的影响同时保留信号的细节部分；对滤波后的CSI数据进行逆傅里叶变换操作，获取信道冲击响应，从中提取信道功率变化特征量；利用深度神经网络RNN模型对提取到的信道功率变化特征进行学习和训练，直到RNN模型中的所有参量达到最优；利用训练好的神经网络来智能识别不同人员的身份信息。
2.如权利要求1所述的基于WiFi信道状态信息的人员身份智能识别方法，其特征在于，所述基于WiFi信道状态信息的人员身份智能识别方法包括以下步骤：
步骤一，将一副WiFi收发设备部署在典型的室内环境下，实验室和办公室，其中配置有一根天线的WiFi设备作为发射机，带有三根天线的WiFi设备作为接收设备，将收发WiFi设备放置在桌子上，收发天线为全向天线，天线增益为8dBi，数据收集期间天线方向不发生变化，信号采样率设置为1KHz；
步骤二，进行数据预处理操作，对收集到的第l个子载波的原始CSI数据进行离散小波变换，将采集的原始CSI数据分解为两部分，近似系数
Figure FDA0002693800750000011
和一系列细节系数
Figure FDA0002693800750000012
紧接着利用软阈值法对分解得到的一系列细节系数进行处理去除随机噪声的影响，利用处理过的近似系数和细节系数重构CSI数据；
步骤三，利用去噪后的CSI数据进行逆傅里叶变换操作得到信道冲击响应
Figure FDA0002693800750000013
得到CPV；
步骤四，在特征提取后，利用获得的CPV统计特征值对深度神经网络模型进行训练，使得RNN模型中的参量值达到最优，然后将训练好的RNN模型用于身份识别。
3.如权利要求2所述的基于WiFi信道状态信息的人员身份智能识别方法，其特征在于，所述步骤一还包括：
(1)通过一副WiFi收发设备感知室内环境变化，同时获取1×3条数据传输链路，其中一条数据链路的一组子载波信道测量H为：
Figure FDA0002693800750000021
其中，[·]T表示转置操作，Hl和∠Hl是第l个子载波的幅度和相位；
(2)对第l个子载波的原始CSI数据在时间方向上进行连续收集，并且数据收集的时间窗大小设置为m：
Figure FDA0002693800750000022
其中，Hl的维度是1×m，Hκ,l和∠Hκ,l是第κ个数据的幅度和相位。
4.如权利要求2所述的基于WiFi信道状态信息的人员身份智能识别方法，其特征在于，所述步骤二还包括：
(1)受到室内环境下随机噪声影响的原始CSI数据为：
Figure FDA0002693800750000023
(2)对采集到的原始CSI数据进行多层分解(J＝1,2,3,…)，计算每一层的近似系数和细节系数：
Figure FDA0002693800750000024
Figure FDA0002693800750000025
其中，<·>表示点积运算，
Figure FDA0002693800750000026
和
Figure FDA0002693800750000027
表示近似系数和细节系数，
Figure FDA0002693800750000028
和
Figure FDA0002693800750000029
是小波基；
(3)利用分解的近似系数和一系列细节系数对原始CSI数据进行重构为：
Figure FDA00026938007500000210
(4)利用软阈值法对分解得到的一系列细节系数进行处理，具体来说对一系列细节系数取绝对值，其中绝对值较小的设置为0，将绝对值较大的细节系数的数值减小：
Figure FDA0002693800750000031
其中，T是阈值；
(5)利用处理过后的近似系数和一系列细节系数重构CSI数据：
Figure FDA0002693800750000032
其中，
Figure FDA0002693800750000033
是经过软阈值法处理过的细节系数；
(6)经过离散小波变换去噪得到的CSI数据为：
Figure FDA0002693800750000034
5.如权利要求2所述的基于WiFi信道状态信息的人员身份智能识别方法，其特征在于，所述步骤三还包括：
(1)通过对去噪后的
Figure FDA0002693800750000035
进行逆傅里叶变换，得到信道冲击响应：
Figure FDA0002693800750000036
其中信道冲击响应
Figure FDA0002693800750000037
写为：
Figure FDA0002693800750000038
其中，N表示室内环境下多径数目，ai，θi和τi分别表示第i条多径成分的幅度衰弱因子，相移和传播时间，δ(τ)表示狄拉克函数；
(2)根据逆傅里叶变换结果
Figure FDA0002693800750000039
在t0时刻的信道功率值p(t0)为：
Figure FDA00026938007500000310
其中，τmax是最大传播时延，p(t0)写为：
Figure FDA00026938007500000311
(3)通过利用信道瞬时功率，获取信道功率变化CPV：
Figure FDA0002693800750000041
其中，t1和t2分别是时间窗的开始和结束时间；
(4)输出CPV特征值。
6.如权利要求2所述的基于WiFi信道状态信息的人员身份智能识别方法，其特征在于，所述步骤四还包括：
(1)设定深度神经网络模型RNN的输入向量为：
x＝[CPV]T,
(2)设定RNN模型中输入向量的维度为Dx，隐层的大小设置为Dh，对于输入向量x，模型中三个门向量f(p)，i(p)，o(p)为：
f(p)＝σg(Wfx(p)+Ufh(p-1)+bf),
i(p)＝σg(Wix(p)+Uih(p-1)+bi),
o(p)＝σg(Wox(p)+Uoh(p-1)+bo),
其中，x(p)和h(p)分别是第p时间步的输入向量和隐层，W，U和b分别是输入权重，循环权重和偏置，W的维度是Dh×Dx，U的维度是Dh×Dh，b的维度是Dh×1，σg(·)表示激活函数，σg(z)＝1/(1+e-z)，另外隐层初始化为零向量；
(3)通过三个门向量f(p)，i(p)和o(p)，RNN模型中细胞状态c(p)和隐层h(p)可以被及时更新：
Figure FDA0002693800750000042
Figure FDA0002693800750000043
其中，
Figure FDA0002693800750000044
表示哈达玛积操作，c(p)是RNN模型中细胞状态初始化为零向量，σc(·)和σh(·)分别是细胞状态和隐层的激活函数；
(4)RNN模型的输出结果为：
hΘ(x(1),...x(P))＝σ(Vh(P)+b),
其中，V表示行向量，维度为Dh，b表示偏置，另外RNN模型中每一个参量都包含在参量集Θ中；
(5)设定X＝(x(1),...x(P))为输入数据向量，y是人员身份信息标签，
Figure FDA0002693800750000051
为收集的特征数据集，通过利用收集的特征数据集
Figure FDA0002693800750000052
RNN模型的所有参数都朝着最小化代价函数的方向进行调整：
Figure FDA0002693800750000053
其中，代价函数为：
C(g)＝y(g)loghΘ(X(g))+(1-y(g))log(1-hΘ(X(g))),
其中，上标表示输入和输出对的索引，|·|表示数据集中元素的数目，C(g)表示第g个输入和输出对的代价；
(6)为了获得最优的参量，RNN模型中所有参数用迭代法进行更新，并且每个参数在每次迭代时都会向最陡下降的方向更新：
Θn+1＝Θn-η▽ΘJ(Θ),
其中，▽Θ表示对应于Θ的梯度运算，η表示学习率，设定η＝0.0005；
(7)当代价函数达到最小时，即说明RNN模型中的参量都达到了最优，训练结束，然后就可以将RNN模型用于人员的身份识别。
7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：利用一对WiFi收发设备在典型的室内环境下进行感知和收集CSI数据；对收集到的包含人员身份信息的CSI数据进行离散小波变换去噪，抑制室内环境随机噪声的影响同时保留信号的细节部分；对滤波后的CSI数据进行逆傅里叶变换操作，获取信道冲击响应，从中提取信道功率变化特征量；利用深度神经网络RNN模型对提取到的信道功率变化特征进行学习和训练，直到RNN模型中的所有参量达到最优；利用训练好的神经网络来智能识别不同人员的身份信息。
8.一种实施权利要求1～6任意一项所述基于WiFi信道状态信息的人员身份智能识别方法的WiFi信道状态信息的人员身份智能识别系统，其特征在于，所述基于WiFi信道状态信息的人员身份智能识别系统包括：
感知和数据收集模块，用于利用一对WiFi收发设备在典型的室内环境下进行感知和收集CSI数据；
离散小波变换去噪模块，用于对收集到的包含人员身份信息的CSI数据进行离散小波变换去噪，抑制室内环境随机噪声的影响同时保留信号的细节部分；
信道功率变化特征量提取模块，用于对滤波后的CSI数据进行逆傅里叶变换操作，获取信道冲击响应，从中提取信道功率变化特征量CPV；
参量优化模块，用于利用深度神经网络RNN模型对提取到的信道功率变化特征进行学习和训练，直到RNN模型中的所有参量达到最优；
身份信息识别模块，用于利用训练好的深度神经网络来智能识别不同人员的身份信息。
9.一种楼宇监控系统，其特征在于，所述楼宇监控系统搭载权利要求8所述的基于WiFi信道状态信息的人员身份智能识别系统。
10.一种门禁识别系统，其特征在于，所述门禁识别系统搭载权利要求8所述的基于WiFi信道状态信息的人员身份智能识别系统。
CN202010999550.4A 2020-09-22 2020-09-22 基于WiFi信道状态信息的身份智能识别方法、系统 Pending CN112333653A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010999550.4A CN112333653A (zh) 2020-09-22 2020-09-22 基于WiFi信道状态信息的身份智能识别方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010999550.4A CN112333653A (zh) 2020-09-22 2020-09-22 基于WiFi信道状态信息的身份智能识别方法、系统

Publications (1)

Publication Number Publication Date
CN112333653A true CN112333653A (zh) 2021-02-05

Family

ID=74304543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010999550.4A Pending CN112333653A (zh) 2020-09-22 2020-09-22 基于WiFi信道状态信息的身份智能识别方法、系统

Country Status (1)

Country Link
CN (1) CN112333653A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033654A (zh) * 2021-03-23 2021-06-25 云南大学 基于WiFi信道状态信息的室内入侵检测方法及系统
CN113609977A (zh) * 2021-08-04 2021-11-05 燕山大学 基于信道状态信息商距离的行人步态识别方法
CN114079859A (zh) * 2021-11-04 2022-02-22 中国矿业大学 一种基于csi的监测装置与监测方法
CN114268904A (zh) * 2021-11-29 2022-04-01 西安电子科技大学 室内移动目标三维定位方法、介质、计算机设备及应用
CN114358162A (zh) * 2021-12-27 2022-04-15 中国人民解放军国防科技大学 一种基于连续小波变换的跌倒检测方法、装置及电子设备
CN114423034A (zh) * 2021-11-29 2022-04-29 西安电子科技大学 一种室内人员动作识别方法、系统、介质、设备及终端
CN115103438A (zh) * 2022-05-16 2022-09-23 重庆电子工程职业学院 一种基于cir峰值偏移和复值深层神经网络的无线定位方法
CN116304844A (zh) * 2023-05-23 2023-06-23 山东科技大学 一种人员进出计数统计系统及方法
CN116304915A (zh) * 2023-05-16 2023-06-23 山东科技大学 基于WiFi的无接触动作识别方法、系统及实验室装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106899968A (zh) * 2016-12-29 2017-06-27 南京航空航天大学 一种基于WiFi信道状态信息的主动非接触身份认证方法
CN108304857A (zh) * 2017-12-15 2018-07-20 浙江大学 一种基于多模感知的身份识别方法
CN109947238A (zh) * 2019-01-17 2019-06-28 电子科技大学 一种基于wifi的非合作式手势识别的方法
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
CN110337066A (zh) * 2019-05-21 2019-10-15 西安电子科技大学 基于信道状态信息室内人员活动识别方法、人机交互系统
CN111681398A (zh) * 2020-04-24 2020-09-18 湖北科技学院 基于wifi无线感知的高空抛物智能预警方法与装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106899968A (zh) * 2016-12-29 2017-06-27 南京航空航天大学 一种基于WiFi信道状态信息的主动非接触身份认证方法
CN108304857A (zh) * 2017-12-15 2018-07-20 浙江大学 一种基于多模感知的身份识别方法
CN109947238A (zh) * 2019-01-17 2019-06-28 电子科技大学 一种基于wifi的非合作式手势识别的方法
CN110337066A (zh) * 2019-05-21 2019-10-15 西安电子科技大学 基于信道状态信息室内人员活动识别方法、人机交互系统
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
CN111681398A (zh) * 2020-04-24 2020-09-18 湖北科技学院 基于wifi无线感知的高空抛物智能预警方法与装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIANYANG DING; YONG WANG: "WiFi CSI-Based Human Activity Recognition Using Deep Recurrent Neural Network", 《IEEE ACCESS》 *
陆静霞，丁为民，蹇兴壳: ""提升小波"变换在生物电实验预处理中的应用", 《实验技术与管理》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033654A (zh) * 2021-03-23 2021-06-25 云南大学 基于WiFi信道状态信息的室内入侵检测方法及系统
CN113609977A (zh) * 2021-08-04 2021-11-05 燕山大学 基于信道状态信息商距离的行人步态识别方法
CN113609977B (zh) * 2021-08-04 2023-10-17 燕山大学 基于信道状态信息商距离的行人步态识别方法
CN114079859A (zh) * 2021-11-04 2022-02-22 中国矿业大学 一种基于csi的监测装置与监测方法
CN114423034B (zh) * 2021-11-29 2023-09-22 西安电子科技大学 一种室内人员动作识别方法、系统、介质、设备及终端
CN114268904A (zh) * 2021-11-29 2022-04-01 西安电子科技大学 室内移动目标三维定位方法、介质、计算机设备及应用
CN114423034A (zh) * 2021-11-29 2022-04-29 西安电子科技大学 一种室内人员动作识别方法、系统、介质、设备及终端
CN114268904B (zh) * 2021-11-29 2022-09-30 西安电子科技大学 室内移动目标三维定位方法、介质、计算机设备及应用
CN114358162A (zh) * 2021-12-27 2022-04-15 中国人民解放军国防科技大学 一种基于连续小波变换的跌倒检测方法、装置及电子设备
CN114358162B (zh) * 2021-12-27 2024-02-02 中国人民解放军国防科技大学 一种基于连续小波变换的跌倒检测方法、装置及电子设备
CN115103438A (zh) * 2022-05-16 2022-09-23 重庆电子工程职业学院 一种基于cir峰值偏移和复值深层神经网络的无线定位方法
CN116304915B (zh) * 2023-05-16 2023-08-29 山东科技大学 基于WiFi的无接触动作识别方法、系统及实验室装置
CN116304915A (zh) * 2023-05-16 2023-06-23 山东科技大学 基于WiFi的无接触动作识别方法、系统及实验室装置
CN116304844B (zh) * 2023-05-23 2023-09-01 山东科技大学 一种人员进出计数统计系统及方法
CN116304844A (zh) * 2023-05-23 2023-06-23 山东科技大学 一种人员进出计数统计系统及方法

Similar Documents

Publication Publication Date Title
CN112333653A (zh) 基于WiFi信道状态信息的身份智能识别方法、系统
Yousefi et al. A survey on behavior recognition using WiFi channel state information
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
CN112036433B (zh) 一种基于CNN的Wi-Move行为感知方法
CN108038419B (zh) 基于Wi-Fi的室内人员被动检测方法
Shi et al. Human activity recognition using deep learning networks with enhanced channel state information
Chowdhury et al. WiHACS: Leveraging WiFi for human activity classification using OFDM subcarriers' correlation
CN112861813B (zh) 基于复值卷积神经网络的墙后人体行为识别方法
CN114222202B (zh) 一种基于WiFi CSI的环境自适应活动检测方法及系统
Shao et al. Machine Learning-Assisted Sensing Techniques for Integrated Communications and Sensing in WLANs: Current Status and Future Directions.
Wang et al. Multi-classification of UWB signal propagation channels based on one-dimensional wavelet packet analysis and CNN
CN114973330A (zh) 一种跨场景鲁棒的人员疲劳状态无线检测方法及相关设备
Mei et al. WiWave: WiFi-based human activity recognition using the wavelet integrated CNN
Bahadori et al. ReWiS: Reliable Wi-Fi sensing through few-shot multi-antenna multi-receiver CSI learning
CN111817803A (zh) 一种基于相关系数和k-均值聚类算法的频谱感知方法、系统及计算机可读存储介质
Mo et al. A deep learning-based human identification system with wi-fi csi data augmentation
CN113453180B (zh) 一种人体摔倒智能检测方法、系统、信息数据处理终端
Man et al. PWiG: A phase-based wireless gesture recognition system
CN111652132B (zh) 基于深度学习的非视距身份识别方法、设备及存储介质
Shi et al. WiFi-based activity recognition using activity filter and enhanced correlation with deep learning
Chen et al. WiTT: Modeling and the evaluation of table tennis actions based on WIFI signals
CN110035025A (zh) 一种基于直接特征提取的多载波混合信号的检测识别方法
CN103152790B (zh) 基于相关性分簇的两级融合调制识别方法
CN115002703A (zh) 一种基于Wi-Fi信道状态信息的被动式室内人数检测方法
Liu et al. Human movement detection and gait periodicity analysis using channel state information

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210205

RJ01 Rejection of invention patent application after publication