CN113743374A - 一种基于信道状态信息呼吸感知的人员身份识别方法 - Google Patents

一种基于信道状态信息呼吸感知的人员身份识别方法 Download PDF

Info

Publication number
CN113743374A
CN113743374A CN202111181521.8A CN202111181521A CN113743374A CN 113743374 A CN113743374 A CN 113743374A CN 202111181521 A CN202111181521 A CN 202111181521A CN 113743374 A CN113743374 A CN 113743374A
Authority
CN
China
Prior art keywords
data
respiration
csi
identification
personnel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111181521.8A
Other languages
English (en)
Other versions
CN113743374B (zh
Inventor
肖甫
朱旭
郭政鑫
盛碧云
桂林卿
周剑
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202111181521.8A priority Critical patent/CN113743374B/zh
Publication of CN113743374A publication Critical patent/CN113743374A/zh
Application granted granted Critical
Publication of CN113743374B publication Critical patent/CN113743374B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • 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
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pulmonology (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Physiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明提供了一种面向商用WiFi，基于信道状态信息和人员呼吸的人员身份识别方法，首先在室内环境中采集人员呼吸时对应的无线信号数据，从中提取到CSI原始数据；其次通过对原始CSI数据进行数据预处理，包括数据插值、数据去噪、数据提取；然后对预处理后的数据，通过离散小波变换DWT、子载波选择和呼吸速率估计模块进行组合，来实现呼吸数据段的波峰和波谷的提取，从而提取人员的呼吸特征，生成对应的人员呼吸标识；最后，结合WiFi多天线MIMO技术，通过WMD‑DTW方法将生成的人员标识与数据库内原有标识进行对比，从而实现人员身份的识别。本发明通过对信道状态信息CSI进行分析处理，实现对人员呼吸行为的感知以及呼吸速率的估计，进而完成不同人员的身份识别。

Description

一种基于信道状态信息呼吸感知的人员身份识别方法
技术领域
本发明涉及人体感知及身份识别技术领域，具体涉及一种基于信道状态信息呼吸感知的人员身份识别方法。
背景技术
近年来，WiFi技术的普及使家庭/办公环境中的几乎所有电子设备都可以实现无线互连，例如智能扬声器，智能电视，智能恒温器和家庭安全系统。在室内环境中，WiFi信号通常可以达到数十米的覆盖范围，这些智能设备之间的无线链接提供了丰富的反射信号网，这些信号遍布室内的每个角落。人的存在和相关的身体运动将对无线信号产生相当大的影响，并导致接收信号的幅度和相位发生重大变化，这些变化可用于捕获日常活动中涉及的人体运动。
目前研究人员主要采集与分析WiFi信号的接收信号强度指示(Received SignalStrength Indicator，RSSI)及信道状态信息(Channel State Information，CSI)来进行数据的人类行为感知。由于RSSI只能获取粗粒度的无线信道信息，只能识别大幅度的活动，且在识别效果和精度上并不理想。相比RSSI，CSI更加能够利用WiFi信号中的详细信道干扰进行更精细的行为检测。
利用CSI进行人员识别的方法主要有两种，一种是基于人员动作的识别，另一种是基于步态的识别。动作识别方面，由于每个人的行为习惯不同，在做同样的动作时，对无线信号的干扰也不同。如WiID采用短时傅立叶变换(STFT)提取人员动作的时频特征，并结合支持矢量分布估计(SVDE)为不同的人建立运动模型，7人识别准确率可达85％以上。步态识别与动作识别相比，与人体生物特征相关。同时不易受环境干扰，鲁棒性更强。如CSIID使用长短时记忆网络(LSTM)从CSI信息中提取用户的步态特征，来实现人员识别。CSIID最多可以达到6人的94.8％准确率。
利用CSI对人员呼吸运动进行感知，基本原理是人员呼吸时的胸腔运动会对WiFi信号产生干扰。Wi-Sleep首先使用无线信号进行呼吸感知。通过从CSI中提取与呼吸相关的节奏模式来检测人们的睡眠，可以实现不同睡眠姿势的呼吸频率估计。TensorBeat使用CSI相位差信息，结合Canonical Polyadic(CP)分解和峰值检测算法来计算多人的呼吸频率。PhaseBeat改进了TensorBeat，并使用离散小波变换(DWT)分析相位差信息来估计人的呼吸频率和心率，其估计的呼吸频率的中值误差为0.25bpm。
发明内容
本发明的目的是提供一种基于信道状态信息呼吸感知的人员身份识别方法，预处理数据后，通过离散小波变换、子载波选择和呼吸速率估计模块进行组合，获取人员的呼吸特征，生成对应人员呼吸标识，并通过WMD-DTW算法实现人员身份的识别。来解决现实中人员呼吸感知以及身份识别存在的识别误差，准确率低等问题。
一种基于信道状态信息呼吸感知的人员身份识别方法，包括如下步骤：
步骤1：在室内环境中采集人员呼吸时对应的无线信号数据，从中提取到CSI原始数据；
步骤2：对步骤1中采集到的CSI原始数据，进行数据预处理，包括数据插值、数据去噪、数据提取；
步骤3：对步骤2中预处理的数据，建立CSI_Ratio模型，通过离散小波变换、子载波选择和呼吸速率估计进行组合，来实现呼吸数据段的波峰和波谷的提取，从而提取人员的呼吸特征，生成对应的人员呼吸标识；
步骤4：对步骤3中生成的呼吸标识，结合WiFi多天线MIMO技术，通过加权多维度动态时间规整方法WMD-DTW将生成的人员标识与数据库内原有标识进行对比，从而实现人员身份的识别。
进一步地，步骤1具体为：采用的采集设备为装有无线网卡的主机和另一辅助主机构成，每个主机都装有外接天线，对于每个感知的对象，需要人员站在两主机之间进行自然的呼吸行为；为了保证无线传输数据的完整性，两主机之间采用Monitor模式进行无线通信，装有无线网卡的主机作为接收端采集到WiFi信号原始的CSI数据，根据外接天线的个数确定无线网卡中的每个天线采集到的子载波个数，得到对应的三维数据的CSI数据流为3*3*30。
进一步地，步骤2具体步骤为：
步骤2-1：数据插值，由于采用Monitor模式下的数据采集存在0.1％-0.05％的丢包率，通过线性插值使长度保持为sampling*time；
步骤2-2：数据去噪，为了去除数据中的异常值，对步骤2-1中的插值数据进行Savitzky-Golay去噪，使采集到的数据更加平滑；
步骤2-3：数据提取，由于人体呼吸速率通常小于1Hz，因此对去噪后的数据进行下采样，新的采样率为20Hz。
进一步地，步骤3具体步骤为：
步骤3-1：对数据进行CSI-Ratio操作；原始CSI数据表示为：
Figure BDA0003297494830000041
其中||Hk(f,t)||和∠Hk(f,t)分别表示CSI数据的振幅和相位；由于原始CSI数据会包含大量的相位偏移和直流成分的影响，因此通过对不同天线的CSI序列进行CSI_Ratio操作，得到CSI_Ratio：
Figure BDA0003297494830000042
其中，
Figure BDA0003297494830000043
为两个天线振幅的比，Δθ为两个天线CSI的相位差，CSI_Ratio反应无线信号的变化；
步骤3-2：对步骤3-1的CSI_Ratio数据进行离散小波变换DWT，提取数据特征；正常人的呼吸速率为10-37Bpm，对应的信号频率为0.1667Hz～0.6167Hz，因此通过离散小波变换完成对数据部分的提取；在使用离散小波变换时，数据被分解为高频成分和低通向量；由于步骤3中对数据降采样为20Hz，因此在进行离散小波变换时采用Daubechies(DB)小波，层数为4，从而提取出[0Hz,0.625Hz]的信号成分；
步骤3-3：子载波选择方法；首先，对提取到的每个子载波进行归一化，同时计算30个子载波A＝(A1,A2,…,A30)T的相关系数矩阵，来判断任意两个子载波之间的相关性：
Figure BDA0003297494830000051
其次，将每个相关矩阵中的负值设为0，从而降低不相关子载波的影响；最后，对每个相关矩阵进行求和，选取30个子载波中值最大的5个，作为最后候选子载波；
步骤3-4：呼吸速率的估计；对于得到的呼吸子载波进行寻峰，找出对应的波峰和波谷值，通过使用Find Peaks算法可以寻找到数据段的波峰和波谷点；对存在的假峰数据进行消除；
通过消除假峰提取出正确的波峰和波谷数据，即可完成呼吸速率的估计和呼吸深度的计算：
Figure BDA0003297494830000052
其中BPM为呼吸速率，Breath_Depth为呼吸深度，Loc1是波峰的位置，Loc2是与波峰相对应的波谷的位置，Value1是波峰对应的值，Value2是波谷对应的值，resample_rate是数据采样率；
由于存在多组收发天线，结合其存在的多输入多输出的MIMO系统，进一步得到最终的呼吸速率和呼吸深度数据，其计算为：
Figure BDA0003297494830000053
其中s为进行子载波选择后的子载波个数，a与b分别是收发天线的个数；
步骤3-5：呼吸标识的生成；在步骤3-4中提取到人员呼吸的真实波峰和波谷值，通过将波峰和波谷的数据段取出；将不同波峰和波谷之间间距的平均值作为基础长度，不同的分段按照其基本长度进行采样或插值；然后计算所有呼吸数据波峰和波谷段的均值作为呼吸标识单元；为了增强不同数据之间的差异度，最终将相同的单元交替反向形成一个10周期的呼吸数据段，作为呼吸标识。
进一步地，对存在的假峰数据进行消除的具体步骤为：对于呼吸数据段，删除非局部极值点；对波峰或波谷点进行判断，当其在对应区间内为极大值或极小值则保留，否则删除；删除重复峰值点；当存在多个连续波峰或波谷点时，则仅保留其中最大值或最小值，其余点删除；删除异常间隔点；对所有点进行遍历，当两个点的间隔小于预定义的间隔长度，则将这两个点全部删除；选取起始点和终止点；为了更好地对数据段进行分割，选取起始点为第一个波峰点，终止点为最后一个波谷点，最终完成异常波峰和波谷的删除。
进一步地，步骤4具体步骤为：
步骤4-1：建立一个可区分性估计器，其主要在训练阶段对每个天线的数据完成人员呼吸标识的训练；其通过计算每个天线对应人员呼吸标识的类内距离和类外距离，进而来校正每个天线对之间的权重值，来减少对人体呼吸感知微弱天线的影响；每个天线权值通过如下方式来计算：
Figure BDA0003297494830000071
其中
Figure BDA0003297494830000072
表示第i个天线对上用户k的第m个BreathID，
Figure BDA0003297494830000073
表示第i个天线对上用户l的第n个BreathID，l和k代表第几个用户，m和n代表不同的样本；
步骤4-2：建立一个失真性估计器，其主要在识别过程中来减少识别数据的失真；在识别过程中，识别用户的呼吸标识被记为New_BreathID，通过计算不同天线对类内和类外不同的DTW平均值，进而来调整识别过程中每个天线对之间的失真性估计器权重值；每个天线对失真性权重值计算如下：
Figure BDA0003297494830000074
其中Dei为计算βi的中间参数，βi为第i个天线对之间的失真性估计器权重值，N为天线对个数；
步骤4-3：结合可区分性估计器和失真性估计器，来进行用户身份识别；通过结合αi和βi，计算出其相关WMD-DTW值：
Figure BDA0003297494830000075
通过计算当前用户的呼吸标识New_BreathID与数据库内已有用户的BreathID之间的D值，选取其对应D值最大的用户身份，作为识别用户的身份，从而完成用户的身份识别。
本发明的有益效果是：
(1)本发明采用WiFi的信道状态信息CSI信号，可以反映无线信号的多径传播效应，对环境进行细粒度感知。相比传统的感知方法，基于WiFi的CSI信号感知方法，可以实现高精度的、无外设的、用户无接触的行为感知，极大地提高了用户的体验。
(2)本发明采用的CSI_Ratio模型和假峰消除方法，可以从原始CSI信号中消除时变相位偏移的干扰，提取到高敏感的信号变化成分。同时结合离散小波变换和假峰消除算法可以从处理后的信号中分离出人员呼吸的分量，并捕捉到人员呼吸的真实波峰和波谷数据，实现高精度的呼吸速率感知，同时生成独特的人员呼吸识别标识。
(3)本发明采用基于WMD-DTW的人员识别算法，可以结合多天线数据，对识别人员的呼吸标识进行精准识别。WMD-DTW采用轻量级的算法实现数据序列的对比，同时由于不同天线组之间的感知粒度有所区别，可以对不同天线组之间的权重进行动态调整。结合天线组之间权重的调整，实现新序列与数据库序列的快速匹配，进而使人员身份识别的精度得到进一步地提高。
附图说明
图1是本发明实施例中人员识别方法的流程示意图。
图2是本发明实施例中假峰消除方法的流程示意图。
图3是本发明实施例中生成人员呼吸标识的示例图。
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
一种基于信道状态信息呼吸感知的人员身份识别方法，其具体的实施包括以下的步骤：首先，在室内环境中采集人员呼吸时对应的无线信号数据，从中提取到CSI原始数据；其次，对采集到的CSI原始数据，进行数据预处理，包括数据插值、数据去噪、数据提取；然后，通过离散小波变换、子载波选择和呼吸速率估计模块进行组合，来实现呼吸数据段的波峰和波谷的提取，从而提取人员的呼吸特征，生成对应的人员呼吸标识；最终，结合WiFi多天线MIMO技术，通过提出一个WMD-DTW算法，将生成的人员标识与数据库内原有标识进行对比，从而实现人员身份的识别。本发明通过对WiFi信号的信道状态信息CSI进行处理，实现精准的人员呼吸速率估计，同时结合生成的呼吸标识，完成不同人员的身份识别。
一种基于信道状态信息呼吸感知的人员身份识别方法，流程如图1，具体包括以下步骤：
步骤1：在室内环境中采集人员呼吸时对应的无线信号数据，从中提取到CSI原始数据，具体为：
本实施例采集设备为装有Intel 5300无线网卡的mini PC机和ThinkPad的笔记本构成，每个设备都装有3个外接天线，对于每个感知的对象需要用户站在两组设备之间进行自然的呼吸行为。为了保证无线传输数据的完整性，两者之间采用Monitor模式进行无线通信，在接收端采集到WiFi信号原始的CSI数据，因为每个终端有3个外接天线，Intel 5300网卡中的每个天线可以采集到30个子载波，因此可以得到CSI数据流为3*3*30的三维数据。信道状态信息CSI代表了无线信号在空间传播中的链路变化状态，可以反应周围环境的变化。
步骤2：对步骤1中采集到的CSI原始数据，进行数据预处理，包括数据插值、数据去噪、数据提取，具体为：
步骤2-1：数据插值，由于采用Monitor模式下的数据采集存在0.1％-0.05％的丢包率，我们通过线性插值使长度保持为sampling*time。
步骤2-2：数据去噪，为了去除数据中的异常值，对步骤2-1中的插值数据进行Savitzky-Golay去噪，使采集到的数据更加平滑。
步骤2-3：数据提取，由于人体呼吸速率通常小于1Hz，因此对去噪后的数据进行下采样，新的采样率为20Hz。
步骤3：对步骤2中预处理的数据，通过离散小波变换、子载波选择和呼吸速率估计模块进行组合，来实现呼吸数据段的波峰和波谷的提取，从而提取人员的呼吸特征，生成对应的人员呼吸标识。具体步骤为：
步骤3-1：对数据进行CSI-Ratio操作。原始CSI数据可以表示为：
Figure BDA0003297494830000101
其中||Hk(f,t)||和∠Hk(f,t)分别表示CSI数据的振幅和相位。由于原始CSI数据会包含大量的相位偏移和直流成分的影响，因此通过对不同天线的CSI序列进行CSI_Ratio操作，可以得到CSI_Ratio：
Figure BDA0003297494830000102
其中，
Figure BDA0003297494830000111
为两个天线振幅的比，Δθ为两个天线CSI的相位差，对比原始的CSI，CSI_Ratio可以更加准确地反应无线信号的变化。
步骤3-2：对步骤3-1的CSI_Ratio数据进行离散小波变换DWT，提取数据特征。正常人的呼吸速率为10-37Bpm，对应的信号频率为0.1667Hz～0.6167Hz，因此可以通过离散小波变换完成对数据部分的提取。在使用离散小波变换时，数据被分解为高频成分和低通向量。由于步骤3中对数据降采样为20Hz，因此在进行离散小波变换时采用Daubechies(DB)小波，层数为4，从而提取出[0Hz,0.625Hz]的信号成分。
步骤3-3：子载波选择方法。由于不同子载波的中心频率不同，其在空中的传播路径也不同，导致不同子载波的感知粒度也会有所不同。因此需要采用到有效的子载波选择方法。具体的子载波选择方法如下：首先，对提取到的每个子载波进行归一化，同时计算30个子载波的相关系数矩阵，来判断任意两个子载波之间的相关性；其次，将每个相关矩阵中的负值设为0，从而降低不相关子载波的影响；最后，对每个相关矩阵进行求和，选取30个子载波中值最大的5个，作为最后候选子载波。
步骤3-4：呼吸速率的估计。对于得到的呼吸子载波进行寻峰，找出对应的波峰和波谷值，通过使用FindPeaks算法可以寻找到数据段的波峰和波谷点。由于Find Peaks算法的精度有限，因此经常会有假峰数据的存在，因此需要对存在的假峰数据进行消除。参照图2的步骤流程，对于呼吸数据段，进行如下处理：删除非局部极值点；对波峰(波谷)点进行判断，当其在对应区间内为极大值(极小值)则保留，否则删除。删除重复峰值点；当存在多个连续波峰(波谷)点时，则仅保留其中最大值(最小值)，其余点删除。删除异常间隔点；对所有点进行遍历，当两个点的间隔小于预定义的间隔长度，则将这两个点全部删除。选取起始点和终止点；为了更好地对数据段进行分割，选取起始点为第一个波峰点，终止点为最后一个波谷点，最终完成异常波峰和波谷的删除。
通过消除假峰提取出正确的波峰和波谷数据，即可完成呼吸速率的估计和呼吸深度的计算：
Figure BDA0003297494830000121
由于目前收发设备存在多组收发天线，结合其存在的多输入多输出的MIMO系统，可以进一步得到最终的呼吸速率和呼吸深度数据，其计算为：
Figure BDA0003297494830000122
其中s为进行子载波选择后的子载波个数，在我们的系统中其值为5；a与b分别是收发天线的个数，其值为3。
步骤3-5：呼吸标识的生成。在步骤3-4中可以提取到人员呼吸的真实波峰和波谷值，通过将波峰和波谷的数据段取出。将不同波峰和波谷之间间距的平均值作为基础长度，不同的分段按照其基本长度进行采样或插值；然后计算所有呼吸数据波峰和波谷段的均值作为呼吸标识单元；为了增强不同数据之间的差异度，最终将相同的单元交替反向形成一个10周期的呼吸数据段，作为呼吸标识。
步骤4：对步骤3中生成的呼吸标识，结合WiFi多天线MIMO技术，通过提出一个WMD-DTW(the Weighted Multi-Dimensional Dynamic Time Warping)算法，将生成的人员标识与数据库内原有标识进行对比，从而实现人员身份的识别。其具体分为：
步骤4-1：建立一个可区分性估计器(Distinguishability Estimator)，其主要在训练阶段对每个天线的数据完成人员呼吸标识的训练。其通过计算每个天线对应人员呼吸标识的类内距离和类外距离，进而来校正每个天线对之间的权重值，来减少对人体呼吸感知微弱天线的影响。每个天线权值通过如下方式来计算：
Figure BDA0003297494830000131
步骤4-2：建立一个失真性估计器(Distortion Estimator)，其主要在识别过程中来减少识别数据的失真。在识别过程中，识别用户的呼吸标识被记为New_BreathID，通过计算不同天线对类内和类外不同的DTW平均值，进而来调整识别过程中每个天线对之间的失真性估计器权重值。每个天线对失真性权重值计算如下：
Figure BDA0003297494830000141
步骤4-3：结合可区分性估计器和失真性估计器，来进行用户身份识别。通过结合αi和βi，其相关WMD-DTW值可以被计算出：
Figure BDA0003297494830000142
通过计算当前用户的呼吸标识New_BreathID与数据库内已有用户的BreathID之间的D值，选取其对应D值最大的用户身份，作为识别用户的身份。从而完成用户的身份识别。
该方法采用WiFi的信道状态信息CSI信号，可以反映无线信号的多径传播效应，对环境进行细粒度感知。相比传统的感知方法，基于WiFi的CSI信号感知方法，可以实现高精度的、无外设的、用户无接触的行为感知，极大地提高了用户的体验。
该方法采用的CSI_Ratio模型和假峰消除方法，可以从原始CSI信号中消除时变相位偏移的干扰，提取到高敏感的信号变化成分。同时结合离散小波变换和假峰消除算法可以从处理后的信号中分离出人员呼吸的分量，并捕捉到人员呼吸的真实波峰和波谷数据，实现高精度的呼吸速率感知，同时生成独特的人员呼吸识别标识。
该方法采用基于WMD-DTW的人员识别算法，可以结合多天线数据，对识别人员的呼吸标识进行精准识别。WMD-DTW采用轻量级的算法实现数据序列的对比，同时由于不同天线组之间的感知粒度有所区别，可以对不同天线组之间的权重进行动态调整。结合天线组之间权重的调整，实现新序列与数据库序列的快速匹配，进而使人员身份识别的精度得到进一步地提高。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (6)

1.一种基于信道状态信息呼吸感知的人员身份识别方法，其特征在于：所述方法包括如下步骤：
步骤1：在室内环境中采集人员呼吸时对应的无线信号数据，从中提取到CSI原始数据；
步骤2：对步骤1中采集到的CSI原始数据，进行数据预处理，包括数据插值、数据去噪、数据提取；
步骤3：对步骤2中预处理的数据，建立CSI_Ratio模型，通过离散小波变换、子载波选择和呼吸速率估计进行组合，来实现呼吸数据段的波峰和波谷的提取，从而提取人员的呼吸特征，生成对应的人员呼吸标识；
步骤4：对步骤3中生成的呼吸标识，结合WiFi多天线MIMO技术，通过加权多维度动态时间规整方法WMD-DTW将生成的人员标识与数据库内原有标识进行对比，从而实现人员身份的识别。
2.根据权利要求1所述的一种基于信道状态信息呼吸感知的人员身份识别方法，其特征在于：步骤1具体为：采用的采集设备为装有无线网卡的主机和另一辅助主机构成，每个主机都装有外接天线，对于每个感知的对象，需要人员站在两主机之间进行自然的呼吸行为；为了保证无线传输数据的完整性，两主机之间采用Monitor模式进行无线通信，装有无线网卡的主机作为接收端采集到WiFi信号原始的CSI数据，根据外接天线的个数确定无线网卡中的每个天线采集到的子载波个数，得到对应的三维数据的CSI数据流为3*3*30。
3.根据权利要求1所述的一种基于信道状态信息呼吸感知的人员身份识别方法，其特征在于：步骤2具体步骤为：
步骤2-1：数据插值，由于采用Monitor模式下的数据采集存在0.1％-0.05％的丢包率，通过线性插值使长度保持为sampling*time；
步骤2-2：数据去噪，为了去除数据中的异常值，对步骤2-1中的插值数据进行Savitzky-Golay去噪，使采集到的数据更加平滑；
步骤2-3：数据提取，由于人体呼吸速率通常小于1Hz，因此对去噪后的数据进行下采样，新的采样率为20Hz。
4.根据权利要求1所述的一种基于信道状态信息呼吸感知的人员身份识别方法，其特征在于：步骤3具体步骤为：
步骤3-1：对数据进行CSI-Ratio操作；原始CSI数据表示为：
Figure FDA0003297494820000021
其中||Hk(f，t)||和∠Hk(f，t)分别表示CSI数据的振幅和相位；由于原始CSI数据会包含大量的相位偏移和直流成分的影响，因此通过对不同天线的CSI序列进行CSI_Ratio操作，得到CSI_Ratio：
Figure FDA0003297494820000022
其中，
Figure FDA0003297494820000023
为两个天线振幅的比，Δθ为两个天线CSI的相位差，CSI_Ratio反应无线信号的变化；
步骤3-2：对步骤3-1的CSI_Ratio数据进行离散小波变换DWT，提取数据特征；正常人的呼吸速率为10-37Bpm，对应的信号频率为0.1667Hz～0.6167Hz，因此通过离散小波变换完成对数据部分的提取；在使用离散小波变换时，数据被分解为高频成分和低通向量；由于步骤3中对数据降采样为20Hz，因此在进行离散小波变换时采用Daubechies(DB)小波，层数为4，从而提取出[0Hz，0.625Hz]的信号成分；
步骤3-3：子载波选择方法；首先，对提取到的每个子载波进行归一化，同时计算30个子载波A＝(A1，A2，...，A30)T的相关系数矩阵，来判断任意两个子载波之间的相关性：
Figure FDA0003297494820000031
其次，将每个相关矩阵中的负值设为0，从而降低不相关子载波的影响；最后，对每个相关矩阵进行求和，选取30个子载波中值最大的5个，作为最后候选子载波；
步骤3-4：呼吸速率的估计；对于得到的呼吸子载波进行寻峰，找出对应的波峰和波谷值，通过使用Find Peaks算法可以寻找到数据段的波峰和波谷点；对存在的假峰数据进行消除；
通过消除假峰提取出正确的波峰和波谷数据，即可完成呼吸速率的估计和呼吸深度的计算：
Figure FDA0003297494820000032
其中BPM为呼吸速率，Breath_Depth为呼吸深度，Loc1是波峰的位置，Loc2是与波峰相对应的波谷的位置，Value1是波峰对应的值，Value2是波谷对应的值，resample_rate是数据采样率；
由于存在多组收发天线，结合其存在的多输入多输出的MIMO系统，进一步得到最终的呼吸速率和呼吸深度数据，其计算为：
Figure FDA0003297494820000041
其中s为进行子载波选择后的子载波个数，a与b分别是收发天线的个数；
步骤3-5：呼吸标识的生成；在步骤3-4中提取到人员呼吸的真实波峰和波谷值，通过将波峰和波谷的数据段取出；将不同波峰和波谷之间间距的平均值作为基础长度，不同的分段按照其基本长度进行采样或插值；然后计算所有呼吸数据波峰和波谷段的均值作为呼吸标识单元；为了增强不同数据之间的差异度，最终将相同的单元交替反向形成一个10周期的呼吸数据段，作为呼吸标识。
5.根据权利要求4所述的一种基于信道状态信息呼吸感知的人员身份识别方法，其特征在于：步骤3-4中，对存在的假峰数据进行消除的具体步骤为：对于呼吸数据段，删除非局部极值点；对波峰或波谷点进行判断，当其在对应区间内为极大值或极小值则保留，否则删除；删除重复峰值点；当存在多个连续波峰或波谷点时，则仅保留其中最大值或最小值，其余点删除；删除异常间隔点；对所有点进行遍历，当两个点的间隔小于预定义的间隔长度，则将这两个点全部删除；选取起始点和终止点；为了更好地对数据段进行分割，选取起始点为第一个波峰点，终止点为最后一个波谷点，最终完成异常波峰和波谷的删除。
6.根据权利要求1所述的一种基于信道状态信息呼吸感知的人员身份识别方法，其特征在于：步骤4具体步骤为：
步骤4-1：建立一个可区分性估计器，其主要在训练阶段对每个天线的数据完成人员呼吸标识的训练；其通过计算每个天线对应人员呼吸标识的类内距离和类外距离，进而来校正每个天线对之间的权重值，来减少对人体呼吸感知微弱天线的影响；每个天线权值通过如下方式来计算：
Figure FDA0003297494820000051
其中
Figure FDA0003297494820000052
表示第i个天线对上用户k的第m个BreathID，
Figure FDA0003297494820000053
表示第i个天线对上用户l的第n个BreathID，l和k代表第几个用户，m和n代表不同的样本；
步骤4-2：建立一个失真性估计器，其主要在识别过程中来减少识别数据的失真；在识别过程中，识别用户的呼吸标识被记为New_BreathID，通过计算不同天线对类内和类外不同的DTW平均值，进而来调整识别过程中每个天线对之间的失真性估计器权重值；每个天线对失真性权重值计算如下：
Figure FDA0003297494820000054
其中Dei为计算βi的中间参数，βi为第i个天线对之间的失真性估计器权重值，N为天线对个数；
步骤4-3：结合可区分性估计器和失真性估计器，来进行用户身份识别；通过结合αi和βi，计算出其相关WMD-DTW值：
Figure FDA0003297494820000061
通过计算当前用户的呼吸标识New_BreathID与数据库内已有用户的BreathID之间的D值，选取其对应D值最大的用户身份，作为识别用户的身份，从而完成用户的身份识别。
CN202111181521.8A 2021-10-11 2021-10-11 一种基于信道状态信息呼吸感知的人员身份识别方法 Active CN113743374B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111181521.8A CN113743374B (zh) 2021-10-11 2021-10-11 一种基于信道状态信息呼吸感知的人员身份识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111181521.8A CN113743374B (zh) 2021-10-11 2021-10-11 一种基于信道状态信息呼吸感知的人员身份识别方法

Publications (2)

Publication Number Publication Date
CN113743374A true CN113743374A (zh) 2021-12-03
CN113743374B CN113743374B (zh) 2023-11-07

Family

ID=78726355

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111181521.8A Active CN113743374B (zh) 2021-10-11 2021-10-11 一种基于信道状态信息呼吸感知的人员身份识别方法

Country Status (1)

Country Link
CN (1) CN113743374B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115913415A (zh) * 2022-11-09 2023-04-04 华工未来科技(江苏)有限公司 一种基于ris辅助的wifi信号动作识别方法、装置及存储介质
WO2024002029A1 (zh) * 2022-06-30 2024-01-04 华为技术有限公司 呼吸检测方法、电子设备、存储介质及程序产品

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446828A (zh) * 2016-09-22 2017-02-22 西北工业大学 一种基于Wi‑Fi信号的用户身份识别方法
WO2017156487A1 (en) * 2016-03-11 2017-09-14 Origin Wireless, Inc. Methods, apparatus, servers, and systems for human identification based on human radio biometric information
CN109587645A (zh) * 2018-11-12 2019-04-05 南京邮电大学 基于信道状态信息的室内环境下人员识别方法
CN111723832A (zh) * 2019-03-21 2020-09-29 苏州科技大学 一种基于呼吸体征的身份识别方法
CN113300750A (zh) * 2021-05-24 2021-08-24 南京邮电大学 基于wifi信号的人员身份认证和手写字母识别方法
CN113420778A (zh) * 2021-05-19 2021-09-21 南京邮电大学 一种基于Wi-Fi信号和深度相机的身份识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017156487A1 (en) * 2016-03-11 2017-09-14 Origin Wireless, Inc. Methods, apparatus, servers, and systems for human identification based on human radio biometric information
CN106446828A (zh) * 2016-09-22 2017-02-22 西北工业大学 一种基于Wi‑Fi信号的用户身份识别方法
CN109587645A (zh) * 2018-11-12 2019-04-05 南京邮电大学 基于信道状态信息的室内环境下人员识别方法
CN111723832A (zh) * 2019-03-21 2020-09-29 苏州科技大学 一种基于呼吸体征的身份识别方法
CN113420778A (zh) * 2021-05-19 2021-09-21 南京邮电大学 一种基于Wi-Fi信号和深度相机的身份识别方法
CN113300750A (zh) * 2021-05-24 2021-08-24 南京邮电大学 基于wifi信号的人员身份认证和手写字母识别方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024002029A1 (zh) * 2022-06-30 2024-01-04 华为技术有限公司 呼吸检测方法、电子设备、存储介质及程序产品
CN115913415A (zh) * 2022-11-09 2023-04-04 华工未来科技(江苏)有限公司 一种基于ris辅助的wifi信号动作识别方法、装置及存储介质
CN115913415B (zh) * 2022-11-09 2024-02-02 华工未来科技(江苏)有限公司 一种基于ris辅助的wifi信号动作识别方法、装置及存储介质

Also Published As

Publication number Publication date
CN113743374B (zh) 2023-11-07

Similar Documents

Publication Publication Date Title
CN106407905B (zh) 基于机器学习的无线感知动作识别方法
Yousefi et al. A survey on behavior recognition using WiFi channel state information
Ding et al. WiFi CSI-based human activity recognition using deep recurrent neural network
CN113743374B (zh) 一种基于信道状态信息呼吸感知的人员身份识别方法
EP3977793A1 (en) Proximity-based model for indoor localization using wireless signals
CN111142102B (zh) 一种呼吸数据计算方法以及相关设备
Zhang et al. WiFiMap+: high-level indoor semantic inference with WiFi human activity and environment
Yang et al. Unsupervised detection of apnea using commodity RFID tags with a recurrent variational autoencoder
Zhu et al. NotiFi: A ubiquitous WiFi-based abnormal activity detection system
CN111568425A (zh) 一种非接触式的多人呼吸检测方法
Chen et al. WiFace: Facial expression recognition using Wi-Fi signals
CN110059612A (zh) 一种基于信道状态信息的位置无关的手势识别方法及系统
CN111901028B (zh) 一种基于多天线上csi的人体行为识别方法
CN114767087B (zh) 一种多目标呼吸频率估计方法、装置、设备和存储介质
CN114219853A (zh) 一种基于无线信号的多人三维姿态估计方法
Muaaz et al. WiHAR: From Wi-Fi channel state information to unobtrusive human activity recognition
CN111142668B (zh) 一种基于Wi-Fi指纹的定位和活动手势联合识别的交互方法
Fang et al. Writing in the air: recognize letters using deep learning through WiFi signals
CN109768838A (zh) 一种基于WiFi信号的干扰检测及手势识别方法
CN115474901A (zh) 基于无线射频信号的非接触式起居状态监测方法及系统
CN114707563A (zh) 一种基于Wi-Fi信道状态信息的人体动作识别方法
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
Uchiyama et al. Context recognition by wireless sensing: A comprehensive survey
CN111551893A (zh) 一种深度学习与集成神经网络的室内定位方法
CN113051972A (zh) 一种基于WiFi的手势识别系统

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