CN113033654A - 基于WiFi信道状态信息的室内入侵检测方法及系统 - Google Patents

基于WiFi信道状态信息的室内入侵检测方法及系统 Download PDF

Info

Publication number
CN113033654A
CN113033654A CN202110308772.1A CN202110308772A CN113033654A CN 113033654 A CN113033654 A CN 113033654A CN 202110308772 A CN202110308772 A CN 202110308772A CN 113033654 A CN113033654 A CN 113033654A
Authority
CN
China
Prior art keywords
intrusion detection
phase
data
csi
antennas
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
CN202110308772.1A
Other languages
English (en)
Inventor
常俊
张力
黄彬
刘欢
彭予
吴彭
杨忠富
卢中奎
许妍
罗金燕
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.)
Yunnan University YNU
Original Assignee
Yunnan University YNU
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 Yunnan University YNU filed Critical Yunnan University YNU
Priority to CN202110308772.1A priority Critical patent/CN113033654A/zh
Publication of CN113033654A publication Critical patent/CN113033654A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种基于WiFi信道状态信息的室内入侵检测方法及系统。利用WiFi设备获取物理层的细粒度的信道状态信息CSI，捕捉人体在空间中的微小位移变化，然后进行滤波处理、PCA降噪、线性插值等预处理，选择效果最好的的第二主成分，提取出不同时刻的相位变化，利用深度残差收缩网络对相位信息进行特征提取与训练，对模型参数进行优化；对新检测到的的数据进行预处理，提取相位变化，得出是否入侵的结果。本发明利用两个天线的信号信息来消除CSI相位偏移，提取出相位变化，搭建DRSN神经网络，通过迁移学习对新获取的数据进行入侵判断，实现高鲁棒性入侵检测。本发明能够满足智能家居的安全需求，具有较好的应用前景。

Description

基于WiFi信道状态信息的室内入侵检测方法及系统
技术领域
本发明属于智能安防技术领域，特别涉及一种基于WiFi信道状态信息的室内入侵检测方法及系统。
背景技术
基于无线技术的入侵检测在实现资产安保、应急响应和智能家居等智能安防技术领域有着广泛的应用前景。目前基于摄像或者雷达的方法都可以提供良好的检测精度，然而这些方法本身固有的限制却在一定程度上阻碍了它们的广泛部署。例如，基于摄像的方法目前只适用于视距(LoS)范围，并且存在个人隐私泄露的问题，而较低成本的雷达解决方案只能提供几十厘米的工作范围，不仅工作范围小，而且日常生活环境中并没有部署。
与存在较大局限的传统方法相比，基于WiFi的方法由于其无处不在的部署和非视距覆盖等独特优势，在非接触式入侵检测领域中得到了广泛关注。
在基于训练的入侵检测方案中，提取更为有效的信号特征和对构建实用的神经网络模型是研究重点，通过提高入侵检测系统的鲁棒性能够有效推动WiFi信道状态信息的免训练的室内入侵检测方法从研究走向实际应用。
但是，在基于训练的入侵检测方案中，部分方案计算复杂，计算量偏大，导致入侵检测系统不稳定，另一部分方案选取的特征不稳定，在另一场景进行实验容易出现精度下降明显的现象。如何实现一种综合复杂度低、系统稳定、能在场景之间进行变换而精度下降较低的入侵检测方法及系统，是当前需要解决的问题之一。
发明内容
针对现有基于WiFi信道状态信息入侵检测方法存在的计算复杂高、特征选取不稳定问题，本发明提供一种基于WiFi信道状态信息的室内入侵检测方法及系统，尤其是一种基于WiFi信道状态信息的可迁移高精度的室内入侵检测方法及系统。
本发明的技术方案的总体思路是：首先计算出不同时刻的相位变化，利用DRSN神经网络对相位信息进行特征提取与训练，进行模型参数的优化与调整；再对新检测到的的数据进行预处理，提取出相位变化后，通过训练好的网络进行判断，得出是否入侵的结果。
本发明的一种基于WiFi信道状态信息CSI的免训练的室内入侵检测方法，包含以下步骤：
步骤一，信道状态信息CSI数据采集
计算机采用Linux 802.11n CSI tool Monitor模式，通过其包含的无线网卡采集数据，该网卡的发射端为1根发射天线、接收端为m根天线组成的接收线性阵列，采集数据包括采集房间中没有人在场的静态数据和有人在环境中走动的动态数据；
步骤二，信道建模
建立发送端信号与接收端信号之间的关系式，建立第n根天线的相移表达式；
步骤三，进行预处理
通过滤波处理、剔除异常值和PCA降维消除环境噪声对CSI的影响，提取出第二主成分，计算人体移动导致的不同路径相位差变化。
步骤四，模型训练
搭建DRSN神经网络对相位信息进行特征提取与训练，对模型参数进行优化；
步骤五，判断结果
在对区域中新检测到的的数据进行预处理、提取出相位变化后，通过参数调优后的网络判断，得出是否入侵的结果。
进一步地，在所述步骤一中，m＝3，计算机网卡的天线的高度是120cm、天线的分布为均匀线阵，每两根天线之间的距离是2.6cm，OFDM子载波数目设为30，发包率设为1024kpts/s。
进一步地，信道建模包括：
发送端信号X(fi，t)与接收端信号Y(fi,t)之间的关系表示为：
Y(fi,t)=H(fi，t)×X(fi,t)+N(fi，t)
其中N(fi，t)表示信道中存在的噪声，H(fi，t)表示在第i个子载波在时间t时，频率为f的信道频率状态响应CFR；
所述接收端的m根天线组成的接收线性阵列，其相邻天线间距为d，θk表示第k条路径的信号到达无线接入点的接收线性阵列法线的角度，相对于第一根天线，第n根天线引入的相移表示为：
θn＝-2×π×d×(n-1)×sinΔk×f/c
Figure BDA0002988697800000031
其中：c为光速，f为无线信号的频率。
进一步地，所述的提取出第二主成分包括：
CSI矩阵为
H＝[H(f1,t),H(f2,t),.....H(fi,t)]T i∈[1,30]
任一子载波的列向量可以表示为：
H(fi,t)＝[H1(fi,t),H2(fi,t),...,Hn(fi,t)]T i∈[1,30]n∈[1，2048]
计算H(fi,t)的均值，对所有数据样本点求均值得到均值列向量
Figure BDA0002988697800000032
计算样本矩阵的协方差
Figure BDA0002988697800000033
采用奇异值分解法求解协方差矩阵的特征值和特征向量，求得最大的特征值和特征向量，即包含最大的信息量。
进一步地，所述计算人体移动导致的不同路径相位变化是通过提取接收天线的幅值波形之间的相位差来检测人体位移的，具体为：
对原始信号提取的相位进行线性变化，通过相位校准消除频率偏移，得到天线之间的相位差；将第i个子载波在t时刻的CSI表示为：
Figure BDA0002988697800000041
其中，||H(fi,t)||和∠H(fi，t)分别表示子载波的幅值和相位；
天线m、n之间的相位差表示为：
Figure BDA0002988697800000042
其中，
Figure BDA0002988697800000043
为测量的相位；
Figure BDA0002988697800000044
为真实的相位，Δβm,m表示未知的恒定相位偏移；Z表示测量噪声。
进一步地，在所述的步骤四中，还包括搭建DRSN神经网络，该神经网络包括1个输入层、4个3*1的卷积层、4个[1,1,1,1]结构的包含残差收缩机制的残差单元、1个最大池化层、1个平均池化层以及1个全连接层；所述4个[1,1,1,1]结构的包含残差收缩机制层的残差单元，主要包含恒等映射连接、阈值学习和软阈值化三部分；通过学习的方式来自动获取到每个特征通道的阈值，然后根据重要程度，通过软阈值化去提升对入侵检测有用的特征并抑制对入侵检测用处较小的特征。
本发明还提供一种基于本发明的WiFi信道状态信息的室内入侵检测方法的室内入侵检测系统，该系统包括计算机、无线网卡以及数据采集模块、预处理模块、入侵检测模块和判断模块；所述数据采集模块用于实现步骤一所述的信道状态信息CSI数据采集以及步骤二中所述的信道建模；所述预处理模块用于实现步骤三中所述的进行预处理；所述训练模块用于实现步骤四中所述的模型训练；所述判断模块用于实现步骤五中所述的判断结果。
所述数据采集模块中还包括：m＝3，天线的分布为均匀线阵，OFDM子载波数目设为30，发包率设为1024kpts/s。
进一步地，建立信道表达式：
发送端信号X(fi,t)与接收端信号Y(fi,t)之间的关系表示为：
Y(fi,t)＝H(fi,t)×X(fi,t)+N(fi,t)
其中N(fi，t)表示信道中存在的噪声，H(fi，t)表示在第i个子载波在时间t时，频率为f的信道频率状态响应CFR；
所述接收端的m根天线组成的接收线性阵列，其相邻天线间距为d，θk表示第k条路径的信号到达无线接入点的接收线性阵列法线的角度，相对于第一根天线，第n根天线引入的相移表示为：
θn＝-2×π×d×(n-1)×sinθk×f/c
Figure BDA0002988697800000051
其中：c为光速，f为无线信号的频率。
进一步地，所述预处理模块中，提取出第二主成分包括：
CSI矩阵为
H＝[H(f1,t)，H(f2,t),.....H(fi,t)]T i∈[1,30]
任一子载波的列向量可以表示为：
H(fi,t)＝[H1(fi,t),H2(fi，t)，...，Hn(fi,t)]T i∈[1,30]n∈[1,2048]
计算H(fi,t)的均值，对所有数据样本点求均值得到均值列向量
Figure BDA0002988697800000052
计算样本矩阵的协方差
Figure BDA0002988697800000053
采用奇异值分解法求解协方差矩阵的特征值和特征向量，求得最大的特征值和特征向量，即包含最大的信息量。
进一步地，所述训练模块中，还包括搭建DRSN神经网络，该神经网络包括1个输入层、4个3*1的卷积层、4个[1，1，1，1]结构的包含残差收缩机制的残差单元、1个最大池化层、1个平均池化层以及1个全连接层；
所述4个[1，1，1，1]结构的包含残差收缩机制层的残差单元，主要包含恒等映射连接、阈值学习和软阈值化三部分；通过学习的方式来自动获取到每个特征通道的阈值，然后根据重要程度，通过软阈值化去提升对入侵检测有用的特征并抑制对入侵检测用处较小的特征。
更进一步地，所述d＝2.6cm，网卡的天线的高度是120cm。
与现有技术相比较，本发明的有益效果：
本发明提供的的方法不仅在两种场景(会议室和暗室)均能达到较好的检测精度(平均FN为2.13％)，而且在不同运动粒度的入侵检测平均TP为90％，TP随运动粒度的改变而变化不明显，说明本发明对不同环境下的各粒度的入侵检测均具有较好的性能。
附图说明
图1是基于WiFi信道状态信息(CSI)的的室内入侵检测方法的总体流程图。
图2是本发明在实验中接收端天线组成的均匀线阵图。
图3是暗室实验场景图。
图4是会议室实验场景图。
图5为两种不同状态下的相位差变化情况图。
图6是搭建的DRSN[1，1，1，1]神经网络的总体结构图。
图7是神经网络中残差收缩单元的具体结构图。
图8为本发明在三种不同粒度运动下入侵检测的性能结果图。
具体实施方式
下面结合附图对本发明的具体实施方式以实施例1的形式进行具体说明。
实施例1
一、数据采集方案
1.硬件部署
在本实施例的实验中，发射端是1根天线，接收端为配有3根天线的迷你联想台式机，天线的高度是120cm，天线的分布为均匀线阵，每两根天线之间的距离是2.6cm。为了得到稳定且采样率较高的CSI数据，本发明采用Linux 802.11n CSI tool Monitor模式对Intel 5300网卡固件进行修改，设备运行151#WiFi信道，带宽为40MHz，中心频率为5755MHz，为了提高数据处理效率且满足一定的实时性，WiFi发包速率为1000Hz，采样间隔为0.1s。
2.实验场景
为保持场景的普遍性，本实施例选取了会议室和暗室两个典型的室内环境评估本发明的方法。会议室占地8*6米，其中摆放有会议桌、座椅、投影仪等日常物件；暗室占地15*10米，环境较为空旷且四周部署了大量吸波材料。作为对比，本发明采集两种典型室内环境中(会议室和暗室)无人在场的静态数据和有人在环境中走动的动态数据。
为了体现本发明的普适性，实验搜集了三名男性和三名女性共6名志愿者的数据，其体重和身高各不相同。进行数据采集时，志愿者在实验场景中的监测区域随机地正常行走，实验者观察志愿者的行为，并记录实验数据。
3.信道建模
如图2所示，假设接收端为均匀线性阵列，由m个天线组成的，任意相邻天线的间距为d，假设信号到达第i根天线与到达第i-1根天线的偏移相位为d×sinθk，对应的相位差为-2π×d×sinθk×f/c，第n根天线引入的相对相移为：
θn＝-2π×d×sinθk×f/c×(n-1)
其中，θk表示第k条路径的信号入射到均匀线阵天线的AOA，c为光速，f为信号的频率。
本发明引入的相位变化表示为：
Figure BDA0002988697800000071
一般地，发送端信号X(fi,t)与接收端信号Y(fi,t)之间的关系可以表示为：
Y(fi,t)＝H(fi,t)×X(fi,t)+N(fi,t)
其中N(fi,t)表示信道中存在的噪声，H(fi,t)表示在第i个子载波在时间t时，频率为f的信道频率状态响应(CFR)。
二、数据预处理方案
如图1所示，由于存在环境噪声和壁垒对信号传播的影响，在本实施例的实验中采集到的未经处理的CSI信息不仅包含有用的信道状态信息和测量误差等正常的误差，同时存在由于室内复杂环境影响导致的异常值，因此需要对接收到的数据进行预处理处理。
1.滤波处理
由于实验测量得到的数据存在环境噪声干扰，首先需要进行滤波以剔除异常值。Hampel滤波器把任何落在闭区间[μ-γσ，μ+γσ]之外的点视为异常值并进行剔除，其中μ是CSI数据的中位数，σ是中值绝对偏差，γ是与应用相关的参数，本发明中γ＝3。
2.PCA降维
主成分分析法(Principal Component Analysis,PCA)是一种数据降维算法，在信号处理中，PCA能将原信号分别映射到信号子空间和噪声子空间，然后通过提取信号子空间的特征值用来还原信号矩阵，重构原始数据。经过观察，本次实验选择第二主成分重构原始信号。
由于本次实验中，OFDM子载波数目为30，设CSI矩阵为
H＝[H(f1,t),H(f2,t),.....H(fi,t)]T i∈[1，30]
其中，由于发包率为1024kpts/s，因此任一子载波的列向量可以表示为：
H(fi，t)＝[H1(fi,t)，H2(fi,t)，...，Hn(fi，t)]T i∈[1，30]n∈[1，2048]
计算H(fi，t)的均值，对所有数据样本点求均值得到均值列向量
Figure BDA0002988697800000081
计算样本矩阵的协方差
Figure BDA0002988697800000082
采用奇异值分解法求解协方差矩阵的特征值和特征向量，求得最大的特征值和特征向量，即包含最大的信息量。
3.线性插值
由于可能存在丢包等原因，每次测量的得到的数据包长度存在区别，需要对数据包长度进行填充，在这里采用一维线性插值法对数据进行填充，使每个CSI数据包长度为300。
三、提取相位差
由菲涅尔区域模型可知，没有目标进行运动时，任意接收天线的幅值波形呈现为一条直线的形式，不存在相位差。同时，相位差拥有提取准确，对人体运动较为敏感的优点，因此本发明通过判断接收天线的幅值波形是否存在相位差来检测人体位移。
对原始信号提取的相位进行线性变化，通过相位校准消除频率偏移，可以得到天线之间的相位差。通常，第i个子载波在t时刻的CSI可以表示为：
Figure BDA0002988697800000091
其中，||H(fi,t)||和∠H(fi,t)分别表示子载波的幅值和相位。
天线m、n之间的相位差可以表示为：
Figure BDA0002988697800000092
其中，
Figure BDA0002988697800000093
为测量的相位；
Figure BDA0002988697800000094
为真实的相位，Δβm,m表示未知的恒定相位偏移；Z表示测量噪声。
四、搭建DRSN[1,1,1,1]神经网络
如图4、图5所示，本实施例构建的DRSN[1,1,1,1]神经网络添加了残差收缩模块，具体包含了阈值学习和软阈值化两部分处理。
特征图x首先被压缩成了一个一维向量，并且输入到一个两层的全连接层中。全连接层的第二层有多于一个神经元，并且神经元的个数等于输入特征图的通道数。全连接层的输出被强制到零和一之间。之后计算出阈值。与通道间共享阈值的深度残差收缩网络相似，阈值始终是正数，并且被保持在一个合理范围内，从而防止输出特征都是零的情况。
在阈值学习中，首先对输入特征图内的所有特征进行取绝对值(Absolute)、全局均值池化(Global Average Pooling,GAP)和求均值操作，得到一个一维向量的特征A，将特征输入一个两层的全连接网络,其中神经元数等于输入特征图的通道数，最后通过一个Sigmoid激活函数，将输出调整到0和1之间，记为α，最后阈值学习结果为为α′＝A×α。
输入经过两层卷积隐藏层后，得到输出x，在此处进行软阈值化操作，有
Figure BDA0002988697800000101
设恒等映射连接后的的输出为F(x)，最后输出结果为ReLU(y+F(x))。
四、结果判断
采用Adam优化器进行训练，初始学习率为0.005，每10个epoch学习率下降0.5倍，损失函数采用交叉熵损失函数，损失函数表达式为：
Figure BDA0002988697800000102
其中n为类别数量，此处为入侵或不入侵(n＝2)，y为判别变量，该观测样本分类结果与样本一致则为1，否则为0，P是观测样本属于样本类别的预测概率。
将预处理后的数据输入神经网络后，经过Softmax层输出，
Figure BDA0002988697800000103
其中i∈[1,2]，Si和S′i分别是是否入侵的预测分数和归一化分数。根据分数得到分类结果，即得到是否入侵的结果。
五、实验结果
本实施例共搜集了6名志愿者的数据，包括三男性和三名女性，其年龄和身材各不相同，实验结果如图6、图7所示。
图3为不同状态下的相位差变化情况。无人入侵时，相位差基本不发生变化，但在有人入侵的情况下，相位差会因为人体移动产生相应的变化。因此可以通过相位差变化来实现高鲁棒性的入侵检测。
本实施例从以下两种标准衡量性能：
(1)假阴性(FN)：系统将有人入侵检测为无人入侵的情况。
(2)正阳性(TP)：系统正确检测到有人入侵的情况。
本实施例的方法在不同场景下均能达到较好的检测精度。结果显示在会议室和暗室的粗粒度运动入侵检测平均假阴性(FN)为2.73％，本发明所提及的方法不仅在暗室内拥有较高的检测精度，而且在会议室内同样也拥有较高的检测精度。说明本发明在检测是否有人入侵时生成生成错误警报的概率很低，检测精度高。
本实施例还评估了运动粒度对本发明的影响。从细粒度(如挥手)、中粒度(如蹲下、站立)和粗粒度(运动距离大于0.6米)三个层次对本发明进行评估，并上述实验场景下进行实验验证。
图8展示了两种场景中三种粒度运动入侵检测的评估性能。对于本发明所提及的方法，三种粒度的动作平均正阳性(TP)超过了90％。该结果说明本发明对不同粒度的运动的入侵检测性能是稳定的，均有较好的性能。
对于本领域技术人员而言,显然本发明不限于上述示范性、举例性的实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在本发明的技术方案中技术手段以及技术特征的等同要件的含义和范围内的所有变化均囊括在本发明内。因此，本发明的公开以及保护范围应由本说明书、附图以及权利要求书来限定。

Claims (10)

1.一种基于WiFi信道状态信息的室内入侵检测方法，其特征在于，包含以下步骤：
步骤一，信道状态信息CSI数据采集
计算机采用Linux 802.11n CSI tool Monitor模式，通过其包含的无线网卡采集数据，该网卡的发射端为1根发射天线、接收端为m根天线组成的接收线性阵列，采集数据包括采集房间中没有人在场的静态数据和有人在环境中走动的动态数据；
步骤二，信道建模
建立发送端信号与接收端信号之间的关系式，建立第n根天线的相移表达式；
步骤三，进行预处理
通过滤波处理、剔除异常值和PCA降维消除环境噪声对CSI的影响，提取出第二主成分，计算人体移动导致的不同路径相位差变化；
步骤四，模型训练
搭建DRSN神经网络对相位信息进行特征提取与训练，对模型参数进行优化；
步骤五，判断结果
在对区域中新检测到的的数据进行预处理、提取出相位变化后，通过参数调优后的网络判断，得出是否入侵的结果。
2.据权利要求1所述的室内入侵检测方法，其特征在于：
发送端信号X(fi，t)与接收端信号Y(fi，t)之间的关系表示为：
Y(fi，t)＝H(fi，t)×X(fi，t)+N(fi，t)
其中N(fi，t)表示信道中存在的噪声，H(fi，t)表示在第i个子载波在时间t时，频率为f的信道频率状态响应CFR；
所述接收端的m根天线组成的接收线性阵列，天线的分布为均匀线阵，其相邻天线间距为d，θk表示第k条路径的信号到达无线接入点的接收线性阵列法线的角度，相对于第一根天线，第n根天线引入的相移表示为：
θn＝-2×π×d×(n-1)×sinθk×f/c
Figure FDA0002988697790000021
其中：c为光速，f为无线信号的频率。
3.根据权利要求2所述的室内入侵检测方法，其特征在于，0FDM子载波数目设为30，发包率设为1024kpts/s，所述提取出第二主成分的CSI矩阵为：
H＝[H(fi，t)，H(f2，t)，.....H(fi，t)]T i∈[1，30]
任一子载波的列向量表示为：
H(fi，t)＝[H1(fi，t)，H2(fi，t)，...，Hn(fi，t)]Ti∈[1，30]n∈[1，2048]
计算H(fi，t)的均值，对所有数据样本点求均值得到均值列向量
Figure FDA0002988697790000022
计算样本矩阵的协方差
Figure FDA0002988697790000023
采用奇异值分解法求解协方差矩阵的特征值和特征向量，求得最大的特征值和特征向量，即包含最大的信息量。
4.根据权利要求3所述的室内入侵检测方法，其特征在于，在步骤三中，所述计算人体移动导致的不同路径相位变化是通过提取接收天线的幅值波形之间的相位差来检测人体位移的，具体为：
对原始信号提取的相位进行线性变化，通过相位校准消除频率偏移，得到天线之间的相位差；将第i个子载波在t时刻的CSI表示为：
Figure FDA0002988697790000024
其中，||H(fi，t)||和∠H(fi，t)分别表示子载波的幅值和相位；
天线m、n之间的相位差表示为：
Figure FDA0002988697790000025
其中，
Figure FDA0002988697790000031
为测量的相位；
Figure FDA0002988697790000032
为真实的相位，Δβm，m表示未知的恒定相位偏移；Z表示测量噪声。
5.根据权利要求4所述的室内入侵检测方法，其特征在于，所述m＝3，在步骤四中，还包括搭建DRSN神经网络，该神经网络包括1个输入层、4个3*1的卷积层、4个[1，1，1，1]结构的包含残差收缩机制的残差单元、1个最大池化层、1个平均池化层以及1个全连接层；
所述4个[1，1，1，1]结构的包含残差收缩机制层的残差单元，包含恒等映射连接、阈值学习和软阈值化三部分；通过学习的方式来自动获取到每个特征通道的阈值，然后根据重要程度，通过软阈值化去提升对入侵检测有用的特征并抑制对入侵检测用处较小的特征。
6.一种如权利要求1所述的基于WiFi信道状态信息的室内入侵检测方法的室内入侵检测系统，其特征在于：
该系统包括计算机、无线网卡以及数据采集模块、预处理模块、入侵检测模块和判断模块；
所述数据采集模块用于实现步骤一所述的信道状态信息CSI数据采集以及步骤二中所述的信道建模；
所述预处理模块用于实现步骤三中所述的进行预处理；
所述训练模块用于实现步骤四中所述的模型训练；
所述判断模块用于实现步骤五中所述的判断结果。
7.根据权利要求6所述的室内入侵检测系统，其特征在于，所述数据采集模块中还包括：
发送端信号X(fi，t)与接收端信号Y(fi，t)之间的关系表示为：
Y(fi，t)＝H(fi，t)×X(fi，t)+N(fi，t)
其中N(fi，t)表示信道中存在的噪声，H(fi，t)表示在第i个子载波在时间t时，频率为f的信道频率状态响应CFR；
所述接收端的m根天线组成的接收线性阵列，天线的分布为均匀线阵，其相邻天线间距为d，θk表示第k条路径的信号到达无线接入点的接收线性阵列法线的角度，相对于第一根天线，第n根天线引入的相移表示为：
θn＝-2×π×d×(n-1)×sinθk×f/c
Figure FDA0002988697790000041
其中：c为光速，f为无线信号的频率。
8.根据权利要求7所述的室内入侵检测系统，其特征在于，所述预处理模块中，OFDM子载波数目设为30，发包率设为1024kpts/s，所述提取出第二主成分的CSI矩阵为：
H＝[H(fi，t)，H(f2，t)，.....H(fi，t)]T i∈[1，30]
任一子载波的列向量表示为：
H(fi，t)＝[H1(fi，t)，H2(fi，t)，...，Hn(fi，t)]Ti∈[1，30]n∈[1，2048]
计算H(fi，t)的均值，对所有数据样本点求均值得到均值列向量
Figure FDA0002988697790000042
计算样本矩阵的协方差
Figure FDA0002988697790000043
采用奇异值分解法求解协方差矩阵的特征值和特征向量，求得最大的特征值和特征向量，即包含最大的信息量。
9.根据权利要求8所述的室内入侵检测系统，其特征在于：
所述训练模块中，m＝3，还包括搭建DRSN神经网络，该神经网络包括1个输入层、4个3*1的卷积层、4个[1，1，1，1]结构的包含残差收缩机制的残差单元、1个最大池化层、1个平均池化层以及1个全连接层；
所述4个[1，1，1，1]结构的包含残差收缩机制层的残差单元，包含恒等映射连接、阈值学习和软阈值化三部分；通过学习的方式来自动获取到每个特征通道的阈值，然后根据重要程度，通过软阈值化去提升对入侵检测有用的特征并抑制对入侵检测用处较小的特征。
10.据权利要求7至9任一项所述的室内入侵检测系统，其特征在于：
所述d＝2.6cm，网卡的天线的高度是120cm。
CN202110308772.1A 2021-03-23 2021-03-23 基于WiFi信道状态信息的室内入侵检测方法及系统 Pending CN113033654A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110308772.1A CN113033654A (zh) 2021-03-23 2021-03-23 基于WiFi信道状态信息的室内入侵检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110308772.1A CN113033654A (zh) 2021-03-23 2021-03-23 基于WiFi信道状态信息的室内入侵检测方法及系统

Publications (1)

Publication Number Publication Date
CN113033654A true CN113033654A (zh) 2021-06-25

Family

ID=76472867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110308772.1A Pending CN113033654A (zh) 2021-03-23 2021-03-23 基于WiFi信道状态信息的室内入侵检测方法及系统

Country Status (1)

Country Link
CN (1) CN113033654A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177536A (zh) * 2021-06-28 2021-07-27 四川九通智路科技有限公司 基于深度残差收缩网络的车辆碰撞检测方法及装置
CN113965362A (zh) * 2021-10-11 2022-01-21 大连理工大学 一种基于WiFi信号感知的物联网家居智能防护系统及方法
CN114222202A (zh) * 2021-11-22 2022-03-22 上海数川数据科技有限公司 一种基于WiFi CSI的环境自适应活动检测方法及系统
CN114781463A (zh) * 2022-06-16 2022-07-22 深圳大学 一种跨场景鲁棒的室内摔倒无线检测方法及相关设备
CN115463336A (zh) * 2022-10-11 2022-12-13 安徽通灵仿生科技有限公司 一种心室导管泵的监测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109671238A (zh) * 2018-12-07 2019-04-23 浙江大学 一种基于无线信道状态信息的室内入侵检测方法
CN110012496A (zh) * 2019-04-25 2019-07-12 江苏创通电子股份有限公司 一种基于WiFi的入侵检测方法及装置
CN111698258A (zh) * 2020-06-18 2020-09-22 上海第二工业大学 一种基于WiFi的环境入侵检测方法和系统
CN112333653A (zh) * 2020-09-22 2021-02-05 西安电子科技大学 基于WiFi信道状态信息的身份智能识别方法、系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109671238A (zh) * 2018-12-07 2019-04-23 浙江大学 一种基于无线信道状态信息的室内入侵检测方法
CN110012496A (zh) * 2019-04-25 2019-07-12 江苏创通电子股份有限公司 一种基于WiFi的入侵检测方法及装置
CN111698258A (zh) * 2020-06-18 2020-09-22 上海第二工业大学 一种基于WiFi的环境入侵检测方法和系统
CN112333653A (zh) * 2020-09-22 2021-02-05 西安电子科技大学 基于WiFi信道状态信息的身份智能识别方法、系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AKARSH POKKUNURU等: "NeuralWave: Gait-Based User Identification Through Commodity WiFi and Deep Learning", 《IECON 2018 - 44TH ANNUAL CONFERENCE OF THE IEEE INDUSTRIAL ELECTRONICS SOCIETY》 *
吴心筱等: "《视频中人的动作分析与识别》" *
朱海: "基于信道状态信息的被动式人员检测方法研究", 《中国博士学位论文全文数据库 信息科技辑》 *
王颖颖等: "基于WiFi-CSI的入侵检测方法", 《HTTPS://KNS.CNKI.NET/KCMS/DETAIL/50.1075.TP.20210209.1050.019.HTML》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177536A (zh) * 2021-06-28 2021-07-27 四川九通智路科技有限公司 基于深度残差收缩网络的车辆碰撞检测方法及装置
CN113177536B (zh) * 2021-06-28 2021-09-10 四川九通智路科技有限公司 基于深度残差收缩网络的车辆碰撞检测方法及装置
CN113965362A (zh) * 2021-10-11 2022-01-21 大连理工大学 一种基于WiFi信号感知的物联网家居智能防护系统及方法
CN113965362B (zh) * 2021-10-11 2022-08-09 大连理工大学 一种基于WiFi信号感知的物联网家居智能防护系统及方法
CN114222202A (zh) * 2021-11-22 2022-03-22 上海数川数据科技有限公司 一种基于WiFi CSI的环境自适应活动检测方法及系统
CN114222202B (zh) * 2021-11-22 2023-09-22 上海数川数据科技有限公司 一种基于WiFi CSI的环境自适应活动检测方法及系统
CN114781463A (zh) * 2022-06-16 2022-07-22 深圳大学 一种跨场景鲁棒的室内摔倒无线检测方法及相关设备
CN115463336A (zh) * 2022-10-11 2022-12-13 安徽通灵仿生科技有限公司 一种心室导管泵的监测方法及装置

Similar Documents

Publication Publication Date Title
CN113033654A (zh) 基于WiFi信道状态信息的室内入侵检测方法及系统
Ding et al. WiFi CSI-based human activity recognition using deep recurrent neural network
Zhang et al. An indoor positioning method based on CSI by using features optimization mechanism with LSTM
CN108629380B (zh) 一种基于迁移学习的跨场景无线信号感知方法
Feng et al. Wi-multi: A three-phase system for multiple human activity recognition with commercial wifi devices
Liu et al. DeepCount: Crowd counting with WiFi via deep learning
Zhang et al. Wi-Fi sensing for joint gesture recognition and human identification from few samples in human-computer interaction
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
Huang et al. An accurate and efficient device-free localization approach based on sparse coding in subspace
Tang et al. WiFi CSI gesture recognition based on parallel LSTM-FCN deep space-time neural network
Zhang et al. Device-free wireless localization and activity recognition with deep learning
Ni et al. Gait-based person identification and intruder detection using mm-wave sensing in multi-person scenario
CN114222202B (zh) 一种基于WiFi CSI的环境自适应活动检测方法及系统
CN111698258A (zh) 一种基于WiFi的环境入侵检测方法和系统
D'Aloia et al. Iot indoor localization with ai technique
Bahadori et al. ReWiS: Reliable Wi-Fi sensing through few-shot multi-antenna multi-receiver CSI learning
Succetti et al. A fast deep learning technique for Wi-Fi-based human activity recognition
Zhang et al. A dynamic hand gesture recognition algorithm based on CSI and YOLOv3
Mantoro et al. Extreme learning machine for user location prediction in mobile environment
He et al. A robust CSI-based Wi-Fi passive sensing method using attention mechanism deep learning
Tian et al. Indoor device-free passive localization for intrusion detection using multi-feature PNN
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
CN113341392A (zh) 一种基于多站雷达微多普勒运动测向的人体行为分类方法
Gu et al. Device-free human activity recognition based on dual-channel transformer using WiFi signals
Yang et al. An identity perception algorithm based on WiFi 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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210625