CN114333044A - 一种非接触式连续行为感知方法 - Google Patents

一种非接触式连续行为感知方法 Download PDF

Info

Publication number
CN114333044A
CN114333044A CN202011029843.6A CN202011029843A CN114333044A CN 114333044 A CN114333044 A CN 114333044A CN 202011029843 A CN202011029843 A CN 202011029843A CN 114333044 A CN114333044 A CN 114333044A
Authority
CN
China
Prior art keywords
behavior
csi
value
data
svm
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
CN202011029843.6A
Other languages
English (en)
Other versions
CN114333044B (zh
Inventor
张锐
汪志伟
王燕
闫博
郭洪飞
胡斌
郗风江
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.)
Tianjin University of Science and Technology
Original Assignee
Tianjin University of Science and Technology
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 University of Science and Technology filed Critical Tianjin University of Science and Technology
Priority to CN202011029843.6A priority Critical patent/CN114333044B/zh
Publication of CN114333044A publication Critical patent/CN114333044A/zh
Application granted granted Critical
Publication of CN114333044B publication Critical patent/CN114333044B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明涉及一种非接触式连续行为感知方法，步骤如下：(1)CSI数据的预处理；(2)连续行为信息的分割算法；(3)行为信息的特征分析；(4)最优子载波的选择；(5)改进的支持向量机分类算法。针对现有的行为动作数据集大多数是来自于单个行为动作系列的问题，提出了一种基于滑动窗口的连续行为动作数据分割算法，在连续的人体行为信息中提取出只包含有一种行为的片段。同时提出了一种改进的支持向量机感知算法，其实现简单且高效。

Description

一种非接触式连续行为感知方法
技术领域
本发明属于计算机技术领域，尤其是一种非接触式连续行为感知方法。
背景技术
在如今计算机技术快速发展的时代，在以前以机器为中心的计算模式很显然不能满足当代社会的要求，现如今正朝着以人为中心的计算模式转变。实现更高层次的人机交互是众多研究学者的科研目标，也是未来的发展方向。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。其中人体行为感知作为重要的研究领域，对人机交互技术起着至关重要的作用，与此同时，对改善我们的生活方式也起到了极大的帮助。
所谓人体行为感知技术是对人体的行为模式和动作类型进行识别与分析，主要通过视频图像、传感器设备、无线信号来获取信息。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。根据检测方式的不同，可以将现有的行为感知方法分为接触式和非接触式两类。
基于接触式的人体行为感知主要使用传感器设备来采集人体运动的数据，然后将其传送到终端中进行分析，并最终实现对行为的识别。其中具有代表性的产品有日本任天堂公司制作的Wii游戏机，该电子游戏通过使用加速度传感器来对人体动作进行感应，玩家能够使用游戏手柄对角色进行控制，像在真实生活中一样挥动高尔夫球杆、丢掷保龄球等。我国在基于可穿戴式传感器的人体行为感知领域也有成熟的产品，富士通研究开发中心有限公司在2018年开发了一项针对老年人健康护理服务的监测设备，该设备通过可穿戴式传感器数据并结合室内定位系统所提供的位置信息，实现了对日常10种行为的监测，识别准确率可达93％。虽然传感器设备具有低功耗、体积小、灵敏度高等优点，但是需要用户穿戴专门的传感器设备，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。
非接触式的行为感知技术不需人体穿戴任何设备，为使用者提供了更大的便利和舒适度。该技术主要包括：计算机视觉的行为感知和无线信号的行为感知。其中计算机技术主要使用摄像机等设备去拍摄人体动作的照片和视频，应用计算机视觉的相关算法和图像处理技术来感知人体行为。近年来，基于视觉的人体行为感知研究已经很成熟，其中比较有代表性的商业产品有微软开发的Kinect智能体感游戏机，它使用3D体感摄影机和骨骼捕捉技术来捕捉三维空间中的信息，能够同时识别4个玩家的动作。虽然基于计算机视觉的人体行为感知技术能够获得很高的识别率，但是该方法依赖于高分辨率的视频和照片，在特定的场合下会侵犯用户的隐私，而且在夜晚或者光线较弱的情况下识别率会降低。随着WiFi热点部署数量的逐渐增多和WiFi的广泛应用，基于WiFi信号的人体行为感知方法受到了人们的广泛的关注。其基本原理为当WiFi信号在传播过程中，遇到人体和一些障碍物时会发生反射、折射、衍射以及散射等现象，对正常的正常传播产生干扰，通过分析在接收端接收的信号来对人体行为进行感知。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接触式的检测，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。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 Signal Strength 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。但RSSI识别技术容易受到环境的温湿度的影响，其稳定性和可靠性很难满足人们的要求。而CSI与RSSI相比具有更强的多径分辨能力，其属于无线信号中的物理层信息，感知范围广且灵敏度高，使得利用更细粒度的CSI信息来进行感知成为了研究热潮。
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。在一段时间内发生的连续行为进行准确识别具有重要的研究意义，其中最关键的问题是需要在连续的人体行为信息中提取出只包含有一种行为的片段。
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，提供一种非接触式连续行为感知方法。
本发明解决其技术问题是采取以下技术方案实现的：
一种非接触式连续行为感知方法，步骤如下：
(1)连续行为信息的分割算法
获取的CSI数据首先需要经过数据预处理，预处理后的连续多行为数据中，包含了这段时间内发生的多个人体活动，例如行走、挥手、跑步、踢腿等。在行为感知时，如果一个行为片段中只包含有一种行为的信息，将便于提取这种行为的特征。例如在提取行走行为的特征值时，只需要多个行走的运动片段，而不能将行走和其他行为混合在一起。因此当一段CSI数据包含了多种行为时，自动地对其进行行为分割将带来极大的便利。
通过设定一个阈值来将不同的行为片段分割出来。据此提出了一种连续行为信息的分割算法，选择使用标准差来进行分割。该算法的主要思想是：通过一个固定长度的滑动窗口来计算窗口内CSI幅值信息的标准差，由于在活动时的幅值信息波动较大，当窗口在其上面滑动时，计算得到的标准差都比较大，而两个行为之间的CSI幅值信息较为平缓，当窗口滑动到这段平缓部分时，计算得到的标准差较小，通过设定阈值，将一段连续窗口内标准差大于阈值的CSI片段提取出来，就完成了对一个行为信息的分割。
滑动窗口的分割算法步骤如表2所示
表2连续行为信息的分割算法
Figure BSA0000220082400000021
(2)行为信息的特征分析
①特征提取
在一段行为信息中包含有大量的CSI数据，对每种行为的CSI幅值信息分别在时域和频域上选取9种特征值，这些特征值相互独立、容易判别，并且在分类器中具有良好的可分性。
其中，时域范围内提取的特征值为：
1)均值，反应了CSI信号在一段时间窗口内的平均特征。
Figure BSA0000220082400000031
2)最小值，表示了在一段时间窗口内的最小值特征。
Figure BSA0000220082400000032
3)最大值，表示了在一段时间窗口内的最大值特征。
Figure BSA0000220082400000033
4)众数，表示了该窗口数据中出现次数最多的数值。
Figure BSA0000220082400000034
5)方差，反映了随机变量与均值之间的偏离程度。
Figure BSA0000220082400000035
6)变异系数，又称离散系数，表示了数据相对于均值的离散趋势。
Figure BSA0000220082400000036
7)能量，等于该窗口内所有数据的平方和。
Figure BSA0000220082400000037
频域范围内提取的特征值为：功率谱密度，表示为信号自相关函数的傅里叶变换，其计算公式为：
Figure BSA0000220082400000038
其中
Figure BSA0000220082400000039
是信号的自相关函数，用来描述信号在频域内的能量分布。由功率谱密度，可以提取到振幅的统计特征，提取的特征值为：
8)振幅幅值：
Figure BSA00002200824000000310
9)振幅方差：
Figure BSA00002200824000000311
②特征分析
当检测区域中有人体活动发生时，上述9个特征值均会发生一定的变化，但是在不同行为动作的影响下，每个特征值的变化都存在一定差别。
(3)最优子载波的选择
在接收天线众多的子载波中，相同的人体行为可以独立地影响接收天线，进而影响不同的子载波。每一条子载波在受到相同人体行为的影响下，表现为波动程度与幅值大小的不同。
由于频率的多样性，不同子载波对人体活动具有不同的敏感度。利用CSI幅值信息的方差来量化子载波对人体行为的敏感度，同时选取具有最大CSI振幅方差的子载波来进行人体行为识别。
(4)改进的支持向量机分类算法
在SVM分类算法中，一个分离超平面并不能完全将行为信息的特征值分成两部分，因此松弛变量ξ的引入是为了允许部分训练集中的样本出现分类错误，并对这些错误的训练样本增加惩罚因子C，表示了对样本点分类错误的惩罚力度。针对行为感知中训练样本存在离群点的问题，对传统的SVM分类算法进行了改进，在每一个样本点中都加入了带有权值变量β的松弛变量βξ，并且满足0≤β≤1，这就意味着分类器对每一个样本的重视程度都不一样，若样本点距离类中心越远，则该点属于这类的可能性越小，赋予较小的权值，就相当于丢弃了这些样本，反之则赋予较大的权值，以此来减小离群点对分类性能的影响。
假设在训练集中有m个数据样本，每个样本有n个特征值属性，第i个样本可以表示为：{xi，yi}(i＝1，2，…，m)，其中xi＝{xi1，xi2，…，xin}，表示第i个样本的特征值集合，yi∈{-1，+1}表示第i个样本的类别标签。设分离超平面的方程为：
w·xi+b＝0 式(11)
其中w＝{w1，w2，…，wn}，表示权重向量，b表示偏倚。
由几何关系可知，在分离超平面上方的点满足式(16)，在分离超平面下方的点满足式(17)：
w·xi+b＞0 式(12)
w·xi+b＜0 式(13)
代入类别标签值后，可以使边缘部分的分离超平面表示为：
H1：w·xi+b≥1，yi＝+1 式(14)
H2：w·xi+b≤-1，yi＝-1 式(15)
综合以上两个公式可以得到：
yi(w·xi+b)≥1 式(16)
训练集中满足上述公式等式成立的样本被称作支持向量，这些点落在超平面H1或H2上。可以看出，分离超平面与H1和H2的距离均为
Figure BSA0000220082400000051
边缘间隔是H1与H2的距离，即
Figure BSA0000220082400000052
因此，现在的问题转化为使
Figure BSA0000220082400000053
取最大值的规划问题，即使
Figure BSA0000220082400000054
取最小值：
Figure BSA0000220082400000055
为了防止过拟合现象的发生，本发明在式(17)中加入带有权值变量βi的松弛因子后变为：
Figure BSA0000220082400000056
yi(w·xi+b)≥1-ξi，ξi≥0 式(19)
其中ξi为松弛变量，也被称为软间隔，C为惩罚因子，C值越大表示越不能容忍分类错误，当C值趋近于无穷大时，表示不允许有分类错误，此时SVM的识别效果与不加松弛变量时是一样的，βi为松弛因子的权值变量，并满足0≤β≤1，计算公式为：
Figure BSA0000220082400000057
其中μ为训练样本的均值，σ为训练样本的标准差，由式(22)可知，ξi是衡量错分程度的度量，因此βiξi就变为了对重要性不同的样本点错分程度的度量，若样本点距离类中心越远，则该点属于这类的可能性越小，βi赋予较小的权值，反之则赋予较大的权值。
对于式(22)的凸最小化问题，可以使用拉格朗日乘子法求解。设拉格朗日变量为α，可以得到拉格朗日函数为：
Figure BSA0000220082400000058
其中αi是大于0的拉格朗日乘子。求L(w，b，λ)关于权重向量w和偏倚b的偏导数，并使其等于0，可以得到：
Figure BSA0000220082400000061
Figure BSA0000220082400000062
将式(22)代入式(21)，可以得到：
Figure BSA0000220082400000063
通过Karush-Kuhn-Tucker(KKT)最优化条件，将L(w，b，λ)转化为对偶问题，可以得到：
Figure BSA0000220082400000064
Figure BSA0000220082400000065
使用序贯最小优化算法，可以解得
Figure BSA0000220082400000066
再利用式(22)可以得到：
Figure BSA0000220082400000067
又因为支持向量满足式(18)和式(19)的等式关系，可以得到：
Figure BSA0000220082400000068
所以最终求得的决策函数为：
Figure BSA0000220082400000069
样本数据经过线性变换之后，随着维度的增加，计算量也会呈指数倍增长。通过核函数可以在低维空间中计算映射后的高维向量＜xi·xj＞，从而减少在高维空间的计算复杂度。
SVM的常用核函数如表3所示：
表3 SVM的常用核函数
Figure BSA0000220082400000071
选择RBF核函数，加入核函数后，式(29)和(33)变为：
Figure BSA0000220082400000072
Figure BSA0000220082400000073
Figure BSA0000220082400000074
在式(35)中，改进后SVM的约束为0≤αi≤Cβi，而传统SVM的约束为αi≥0，并且式(30)和(32)中改进后SVM的对偶问题和决策函数与传统SVM的对偶问题和决策函数相同，这说明加入权值变量β后的SVM与传统的SVM只是在约束条件上有所不同。改进后的SVM给拉格朗日乘子α添加了约束区间，最大值只能取到Cβ，而离群点的拉格朗日乘子通常都具有很大的值，这意味着约束区间限制了离群点的影响，并且约束也保证了可行域的边界，因此改进的SVM具有消除离群点影响的作用，减少环境对CSI信息的影响。
另外，改进的SVM算法使用了传统SVM算法对于多分类问题的方法。因为SVM本质上是一种两类分类器，不支持多分类问题，所以对于多分类问题需要多个SVM分类器的组合来完成。
本发明取得的优点和积极效果是：
针对现有的行为动作数据集大多数是来自于单个行为动作系列的问题，提出了一种基于滑动窗口的连续行为动作数据分割算法，在连续的人体行为信息中提取出只包含有一种行为的片段。同时提出了一种改进的支持向量机感知算法，其实现简单且高效。
附图说明
图1为本发明中原始CSI幅值曲线与hampel滤波后CSI幅值曲线；其中，(a)30条子载波原始CSI幅值曲线，(b)30条子载波hampel滤波后CSI幅值曲线，(c)第10条子载波原始CSI幅值曲线，(d)第10条子载波hampel滤波后CSI幅值曲线；
图2为本发明三层小波分解图；
图3为本发明中小波阈值去噪后的CSI幅值曲线；
图4为本发明中连续行为的CSI幅值信息；
图5为本发明中连续行为信息的特征值变化；其中，(a)标准差的变化，(b)平均绝对偏差的变化，(c)四分位距的变化，(d)波动速度的变化；
图6为本发明中连续人体行为信息的分割；
图7为本发明中四种行为的特征值；(a)最大值，(b)最小值，(c)平均值，(d)众数，(e)方差，(f)离散系数，(g)振幅方差，(h)振幅幅值，(i)能量；
图8为本发明中子载波幅值变化；其中，(a)不同接收天线中的相同子载波幅值变化，(b)同一接收天线中的不同子载波幅值变化；
图9为本发明中子载波幅值信息和方差的变化情况；其中，(a)子载波幅值信息变化，(b)子载波方差变化；
图10为本发明中多类样本分类方法；
图11为本发明中硬件设备图；
图12为本发明中实验环境图；其中，(a)办公室，(b)实验室；
图13为本发明中数据采集流程图；
图14为本发明中CSI数据采集界面图；
图15为本发明中CSI的数据格式图；
图16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17为本发明中四种行为的CSI幅值信息图；其中，(a)行走，(b)跑步，(c)挥手，(d)踢腿；
图18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；
图19为本发明中四种行为的动作图片；其中，(a)行走，(b)跑步，(c)挥手，(d)踢腿；
图20为本发明中图20参数寻优结果；(a)3D视图(b)等高线图；
图21不同行为的识别结果；
图22为本发明中传统SVM算法与改进SVM算法的比较；(a)传统的SVM算法(b)改进的SVM算法；
图23为本发明中传统SVM算法与改进SVM算法的混淆矩阵；(a)传统SVM算法的混淆矩阵(b)改进SVM算法的混淆矩阵。
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非接触式连续行为感知方法，对4种行为进行识别，具体制备及检测如下：
1.1 CSI数据的预处理
1.1.1 Hampel异常值去除算法
在采集到的CSI的原始数据中，部分CSI幅值发生突变。图1(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，可以看出部分子载波的幅值发生了突变。在本发明中，通过使用Hampel异常值去除算法来去除这些异常值。经过异常值去除后的CSI幅值信息如图1(b)(d)所示，可以看出，图1(a)(c)中红色圈中的突变值已经被明显的去除。
1.1.2小波阈值去噪算法
去除了异常值之后，CSI幅值信息中仍然包含有大量的环境噪声，人体动作所引起的无线信号变化主要集中在低频范围内，环境噪声主要集中在高频范围，因此本发明使用了小波阈值去噪算法来去除高频噪声。
在如图2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。在本发明中使用的小波阈值去噪算法的具体步骤如表1所示。
表1小波阈值去噪算法
Figure BSA0000220082400000091
在经过了小波阈值去噪后的CSI幅值信息如图3所示。可以看出，图3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。
1.2连续行为信息的分割算法
经过预处理的连续多行为数据中，包含了这段时间内发生的多个人体活动，例如行走、挥手、跑步、踢腿等。在行为感知时，如果一个行为片段中只包含有一种行为的信息，将便于提取这种行为的特征，如图4所示。例如在提取行走行为的特征值时，只需要多个行走的运动片段，而不能将行走和其他行为混合在一起。因此当一段CSI数据包含了多种行为时，自动地对其进行行为分割将带来极大的便利。
通过对图4中这一段连续行为信息的分析发现，当人体在环境中保持静止状态时，CSI的幅值信息近似保持水平，在人体活动时，CSI的幅值信息会随时间不断波动，而人体静止下来后，CSI幅值信息又恢复平稳，体现了CSI幅值信息具有静态保持稳定和动态产生波动的性质。为了分析CSI幅值信息的这种性质，在图5中分别绘制了一段窗口内标准差、平均绝对偏差、四分位距和波动速度随时间变化的情况。
从图5中可以看出，在人体静止时，标准差、平均绝对偏差、四分位距和波动速度的数值都比较小，近似等于0，而在人体活动时，这些数值都发生了较大的变化，而且每种行为的变化程度也有较大的区别。因此，通过设定一个在0附近的阈值，并提取出所有大于阈值的部分，就可以将不同的行为片段分割出来。由此本发明提出了一种连续行为信息的分割算法，考虑到计算的简便性，本发明选择了使用标准差来进行分割。该算法的主要思想是：通过一个固定长度的滑动窗口来计算窗口内CSI幅值信息的标准差，由于在活动时的幅值信息波动较大，当窗口在其上面滑动时，计算得到的标准差都比较大，而两个行为之间的CSI幅值信息较为平缓，当窗口滑动到这段平缓部分时，计算得到的标准差较小，通过设定阈值，将一段连续窗口内标准差大于阈值的CSI片段提取出来，就完成了对一个行为信息的分割。其算法步骤如表2所示。
表2连续行为信息的分割算法
Figure BSA0000220082400000092
Figure BSA0000220082400000101
对这一段CSI信息使用连续行为信息分割算法后的结果如图6所示，并以红色点标出。从图6中可以看出，波动较大幅值信息都被提取了出来，并且每一个片段中只包含有一种行为信息，接下来将使用分类器对其进行识别。
1.3行为信息的特征分析
1.3.1特征提取
在一段行为信息中包含有大量的CSI数据，为了减小计算的数据量，本发明对每种行为的CSI幅值信息分别在时域和频域上选取了9种特征值，这些特征值相互独立、容易判别，并且在分类器中具有良好的可分性。
其中，时域范围内提取的特征值为：
1)均值，反应了CSI信号在一段时间窗口内的平均特征。
Figure BSA0000220082400000102
2)最小值，表示了在一段时间窗口内的最小值特征。
Figure BSA0000220082400000103
3)最大值，表示了在一段时间窗口内的最大值特征。
Figure BSA0000220082400000104
4)众数，表示了该窗口数据中出现次数最多的数值。
Figure BSA0000220082400000105
5)方差，反映了随机变量与均值之间的偏离程度。
Figure BSA0000220082400000106
6)变异系数，又称离散系数，表示了数据相对于均值的离散趋势。
Figure BSA0000220082400000107
7)能量，等于该窗口内所有数据的平方和。
Figure BSA0000220082400000108
频域范围内提取的特征值为：功率谱密度，表示为信号自相关函数的傅里叶变换，其计算公式为：
Figure BSA0000220082400000111
其中
Figure BSA0000220082400000112
是信号的自相关函数，用来描述信号在频域内的能量分布。由功率谱密度，可以提取到振幅的统计特征，提取的特征值为：
8)振幅幅值：
Figure BSA0000220082400000113
9)振幅方差：
Figure BSA0000220082400000114
1.3.2特征分析
当检测区域中有人体活动发生时，上述9个特征值均会发生一定的变化，但是在不同行为动作的影响下，每个特征值的变化都存在一定差别，为了比较不同行为之间特征值的差别，在图7中绘制了4种行为的特征值在不同子载上的变化情况。
从图7中可以看出，这些特征值在4种行为之间都有差别，但是在不同的子载波上略有不同。总体的变化规律是：在索引值相对较低的子载波上，不同行为的特征值差别较为明显，而在索引值相对较高的子载波上，有些行为的特征值会有混淆的现象，例如在功率谱密度的振幅幅值和振幅方差上混淆比较严重。这说明在进行行为识别时，选择索引值相对较低的子载波将有利于提高识别准确率。然而在本发明的系统中，CSI数据是由3根接收天线采集的，每根接收天线中包含30条子载波，所以每个人体行为对应有90条子载波的数据。众多的子载波会导致数据量庞大，而且不同子载波间的差异也会对识别结果产生影响，因此，需要在这些子载波中选出一条最优的子载波作为该行为的数据信息。
1.4最优子载波的选择
在收天线众多的子载波中，我们通过实验发现，相同的人体行为可以独立地影响3根收天线，进而影响不同的子载波。图8(a)为第10条子载波在3根接收天线中的CSI幅值信息，虽然子载波的索引数相同，但是在相同人体行为的影响下显示出不同的波动状态。图8(b)为同一根接收天线中3条不同子载波的波动情况，尽管它们的绝对值不同，但呈现出相似的波动状态。基于以上两个观察可以得到，每一条子载波在受到相同人体行为的影响下，表现为波动程度与幅值大小的不同。
由于频率的多样性，不同子载波对人体活动具有不同的敏感度。图9(a)为接收天线1中30条子载波中的幅值信息随时间的变化情况。可以发现，索引值较小的子载波受人体行为的影响大，而索引值较高的子载波(即从15到30)对人体行为则不太敏感，这与特征值在不同子载波中的变化规律相同。这是因为不同的子载波具有不同的中心频率和波长，在多径和阴影效应的影响下，不同子载波表现出不同的幅值信息，所以对人体行为不敏感的子载波应该被过滤掉。本发明利用CSI幅值信息的方差来量化子载波对人体行为的敏感度，图9(b)为接收天线1中30条子载波的方差，具有较高振幅方差的子载波7具有较大的动态响应，对人体行为最敏感。因此，本发明选取具有最大CSI振幅方差的子载波来进行人体行为识别。
1.5改进的支持向量机分类算法
在SVM分类算法中，一个分离超平面并不能完全将行为信息的特征值分成两部分，因此松弛变量ξ的引入是为了允许部分训练集中的样本出现分类错误，并对这些错误的训练样本增加惩罚因子C，表示了对样本点分类错误的惩罚力度。但在传统的SVM中并没有考虑到样本中离群点对寻找最优超平面的影响，而CSI幅值信息很容易受到环境的影响，对一些行为的幅值信息造成异常波动，使得这些样本成为训练集中的离群点。如果离群点成为了支持向量将会使SVM寻找到的最优超平面与真实的最优超平面有较大的差别，对识别能力造成严重影响。因此本发明针对行为感知中训练样本存在离群点的问题，对传统的SVM分类算法进行了改进，在每一个样本点中都加入了带有权值变量β的松弛变量βξ，并且满足0≤β≤1，这就意味着分类器对每一个样本的重视程度都不一样，若样本点距离类中心越远，则该点属于这类的可能性越小，赋予较小的权值，就相当于丢弃了这些样本，反之则赋予较大的权值，以此来减小离群点对分类性能的影响。
假设在训练集中有m个数据样本，每个样本有n个特征值属性，第i个样本可以表示为：{xi，yi}(i＝1，2，…，m)，其中xi＝{xi1，xi2，…，xin}，表示第i个样本的特征值集合，yi∈{-1，+1}表示第i个样本的类别标签。设分离超平面的方程为：
w·xi+b＝0 式(11)
其中w＝{w1，w2，…，wn}，表示权重向量，b表示偏倚。
由几何关系可知，在分离超平面上方的点满足式(12)，在分离超平面下方的点满足式(13)：
w·xi+b＞0 式(12)
w·xi+b＜0 式(13)
代入类别标签值后，可以使边缘部分的分离超平面表示为：
H1：w·xi+b≥1，yi＝+1 式(14)
H2：w·xi+b≤-1，yi＝-1 式(15)
综合以上两个公式可以得到：
yi(w·xi+b)≥1 式(16)
训练集中满足上述公式等式成立的样本被称作支持向量，这些点落在超平面H1或H2上。可以看出，分离超平面与H1和H2的距离均为
Figure BSA0000220082400000121
边缘间隔是H1与H2的距离，即
Figure BSA0000220082400000122
因此，现在的问题转化为使
Figure BSA0000220082400000123
取最大值的规划问题，即使
Figure BSA0000220082400000124
取最小值：
Figure BSA0000220082400000125
为了防止过拟合现象的发生，本发明在式(17)中加入带有权值变量βi的松弛因子后变为：
Figure BSA0000220082400000131
yi(w·xi+b)≥1-ξi，ξi≥0 式(19)
其中ξi为松弛变量，也被称为软间隔，C为惩罚因子，C值越大表示越不能容忍分类错误，当C值趋近于无穷大时，表示不允许有分类错误，此时SVM的识别效果与不加松弛变量时是一样的，βi为松弛因子的权值变量，并满足0≤β≤1，计算公式为：
Figure BSA0000220082400000132
其中μ为训练样本的均值，σ为训练样本的标准差，由式(18)可知，ξi是衡量错分程度的度量，因此βiξi就变为了对重要性不同的样本点错分程度的度量，若样本点距离类中心越远，则该点属于这类的可能性越小，βi赋予较小的权值，反之则赋予较大的权值。
对于式(18)的凸最小化问题，可以使用拉格朗日乘子法求解。设拉格朗目变量为α，可以得到拉格朗日函数为：
Figure BSA0000220082400000133
其中αi是大于0的拉格朗目乘子。求L(w，b，λ)关于权重向量w和偏倚b的偏导数，并使其等于0，可以得到：
Figure BSA0000220082400000134
Figure BSA0000220082400000135
将式(22)代入式(21)，可以得到：
Figure BSA0000220082400000141
通过Karush-Kuhn-Tucker(KKT)最优化条件，将L(w，b，λ)转化为对偶问题，可以得到：
Figure BSA0000220082400000142
Figure BSA0000220082400000143
使用序贯最小优化算法，可以解得
Figure BSA0000220082400000144
再利用式(22)可以得到：
Figure BSA0000220082400000145
又因为支持向量满足式(14)和式(15)的等式关系，可以得到：
Figure BSA0000220082400000146
所以最终求得的决策函数为：
Figure BSA0000220082400000147
样本数据经过线性变换之后，随着维度的增加，计算量也会呈指数倍增长。通过核函数可以在低维空间中计算映射后的高维向量＜xi·xj＞，从而减少在高维空间的计算复杂度。常用的核函数如表3所示：
表3 SVM的常用核函数
Figure BSA0000220082400000148
使用不同的核函数一般不会导致结果有很大差异，而且目前也没有一个标准来确定选择哪种核函数会更好。在实践中，径向基函数(Radial Basis Function，RBF)核函数在很多情况下的适应力都很强，在对样本的具体情况不了解时，一般研究者都选择RBF核函数。因此本发明也选择RBF核函数，加入核函数后，式(25)和(29)变为：
Figure BSA0000220082400000151
Figure BSA0000220082400000152
Figure BSA0000220082400000153
在式(31)中，改进后SVM的约束为0≤αi≤Cβi，而传统SVM的约束为αi≥0，并且式(30)和(32)中改进后SVM的对偶问题和决策函数与传SV统M的对偶问题和决策函数相同，这说明加入权值变量β后的SVM与传统的SVM只是在约束条件上有所不同。改进后的SVM给拉格朗日乘子α添加了约束区间，最大值只能取到Cβ，而离群点的拉格朗日乘子通常都具有很大的值，这意味着约束区间限制了离群点的影响，并且约束也保证了可行域的边界，因此改进的SVM具有消除离群点影响的作用，减少环境对CSI信息的影响。
另外，改进的SVM算法使用了传统SVM算法对于多分类问题的方法。SVM本质上是一种两类分类器，不支持多分类问题，对于多分类问题需要多个SVM分类器的组合来完成。在本发明中采用了如图10所示的多分类方法，在每一次的分类中挑选出两个类别的样本，其余的样本通过SVM分配到这两个类别中，这样经过3层的SVM分类器，就实现了对4种行为的分类。而对于更多类别的分类问题，可以采用相同的方法，将第3层的4种类别再分为8类，直到满足类别的要求。
2.1实验设备与实验环境
2.1.1实验设备
本发明通过使用Intel 5300无线网卡、TP-LINK无线路由器和Linux 802.11CSITools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 802.11 CSITools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
本发明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。
2.2 CSI数据的采集
本发明中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 802.11 CSITools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，本发明将采样频率设置为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，由于本发明采用了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、踢腿四种常见的行为，改进的SVM分类算法对行走、跑步、挥手和踢腿这4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CSI幅值信息的变化情况如图17所示，CSI相位信息的变化情况如图18所示，动作图片如图19所示。表4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4数据收集情况
Figure BSA0000220082400000161
2.4改进的SVM识别算法的结果
2.4.1 SVM的参数寻优结果
在训练SVM分类器时，本发明使用了libsvm工具包，选择的核函数为径向基函数，并且将训练集和测试集的CSI特征值进行归一化处理。其中，训练集为640×9的特征数据，测试集为160×9的特征数据，交叉验证系数设置为5，共进行5次训练与测试，最终得到的是5次识别结果的平均值。4种行为的属性标签值设置为1到4，并建立尺寸为800×1的属性标签矩阵，分别与训练集和测试集对应。图20为分类器在训练过程中的参数寻优结果的3D视图和等高线图。
从图20中可以看出，改进的SVM分类器对训练集的识别准确率最大可以达到96.1％，按照参数寻优的原则，在训练准确率相同时，惩罚因子系数C和核函数参数系数g选取C值最小的那对(C，g)值，因此最终选择的惩罚因子系数C为11.3137，核函数参数系数g为2。
2.4.2 SVM的识别结果
SVM分类器对测试集数据的识别结果如图21所示，在图21中分别对比了传统SVM算法和改进SVM算法对4种行为的识别结果。在改进的SVM分类算法中，总体的识别准确率从90.6％提升到了95.6％，其中行走、跑步和踢腿行为的中正确识别个数都有了增加，但是所增加的个数并不多，只有2到3个左右，而且挥手行为没有增加。因为改进的SVM分类算法的主要作用是消除离群点的干扰，所以这说明了在每一种行为的数据集中或多或少都会存在离群样本，但是这种离群样本只占少数部分，数量并不多。
改进的SVM分类算法相对于传统的SVM分类算法的主要区别在于，松弛因子中加入了带有权值变量β的松弛变量βξ，权值变量β可以根据样本点距离类心的远近而赋予不同的值，这就使离群点对分类器的影响得到了有效的遏制。为了比较改进的SVM分类算法与传统的SVM分类算法在抗离群点干扰方面的表现，在图22中分别画出了两种算法对于行走和跑步二分类问题的分离超平面，其中，右下部分的数据点是人为加入的噪声点。从图22中可以看出，传统的SVM算法会因为离群点而使超平面偏离实际位置，而改进的SVM算法可以很好的避免这个问题，因此改进的SVM分类算法在抑制离群点干扰方面具有更大的优势。
图23为传统SVM算法与改进SVM算法对每一种行为识别结果的混淆矩阵。从图23中可以看出，传统的SVM分类算法对每一种行为错分的混淆情况都很严重，特别是对行走和踢腿行为的识别准确率都低于了90％。而改进的SVM分类算法在一定程度上得到了改善，每种行为的识别准确率都提高到了95％以上。
2.4.3连续行为的识别结果
使用改进的SVM分类算法对4种连续行为的识别结果如表5所示，这里的正确识别指的是能够识别出连续行为中的每个行为，且行为发生的顺序识别正确。对于被割裂的行为，如果每个割裂部分都识别为同一行为，那么本发明仍然认为识别正确。例如，对于连续行为动作“挥手+行走”，若识别结果为“挥手+行走+行走”，其中行走行为被分割为两个部分，但两个部分都识别为行走，所以本发明仍然认为识别正确。
表5连续行为的识别结果
Figure BSA0000220082400000171
从表5中可以看出，三种和四种连续行为的正确识别个数低于两种连续行为的正确识别个数，这是因为包含多种动作的连续行为会产生较大程度的动作割裂，并且这种情况会随着连续行为中行为个数的增加而加剧。在连续行为分割算法中，若行为分割不完整或者包含了下一个行为的部分信号，均会对下一次分割造成影响。因此，当连续行为信息中包含的行为数增加时，信号长度增加，分割的结果也会受到影响。
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 (6)

1.一种非接触式连续行为感知方法，步骤如下：
(1)连续行为信息的分割算法
获取的CSI数据首先需要经过数据预处理，预处理后的连续多行为数据中，包含了这段时间内发生的多个人体活动，例如行走、挥手、跑步、踢腿等。在行为感知时，如果一个行为片段中只包含有一种行为的信息，将便于提取这种行为的特征。例如在提取行走行为的特征值时，只需要多个行走的运动片段，而不能将行走和其他行为混合在一起。因此当一段CSI数据包含了多种行为时，自动地对其进行行为分割将带来极大的便利。
通过设定一个阈值来将不同的行为片段分割出来。据此提出了一种连续行为信息的分割算法，选择使用标准差来进行分割。该算法的主要思想是：通过一个固定长度的滑动窗口来计算窗口内CSI幅值信息的标准差，由于在活动时的幅值信息波动较大，当窗口在其上面滑动时，计算得到的标准差都比较大，而两个行为之间的CSI幅值信息较为平缓，当窗口滑动到这段平缓部分时，计算得到的标准差较小，通过设定阈值，将一段连续窗口内标准差大于阈值的CSI片段提取出来，就完成了对一个行为信息的分割。
滑动窗口的分割算法步骤如下：
Figure FSA0000220082390000011
(2)行为信息的特征分析
①特征提取
在一段行为信息中包含有大量的CSI数据，对每种行为的CSI幅值信息分别在时域和频域上选取9种特征值，这些特征值相互独立、容易判别，并且在分类器中具有良好的可分性。
其中，时域范围内提取的特征值为：
1)均值，反应了CSI信号在一段时间窗口内的平均特征。
Figure FSA0000220082390000021
2)最小值，表示了在一段时间窗口内的最小值特征。
Figure FSA0000220082390000022
3)最大值，表示了在一段时间窗口内的最大值特征。
Figure FSA0000220082390000023
4)众数，表示了该窗口数据中出现次数最多的数值。
Figure FSA0000220082390000024
5)方差，反映了随机变量与均值之间的偏离程度。
Figure FSA0000220082390000025
6)变异系数，又称离散系数，表示了数据相对于均值的离散趋势。
Figure FSA0000220082390000026
7)能量，等于该窗口内所有数据的平方和。
Figure FSA0000220082390000027
频域范围内提取的特征值为：功率谱密度，表示为信号自相关函数的傅里叶变换，其计算公式为：
Figure FSA0000220082390000028
其中
Figure FSA0000220082390000031
是信号的自相关函数，用来描述信号在频域内的能量分布。由功率谱密度，可以提取到振幅的统计特征，提取的特征值为：
8)振幅幅值：
Figure FSA0000220082390000032
9)振幅方差：
Figure FSA0000220082390000033
②特征分析
当检测区域中有人体活动发生时，上述9个特征值均会发生一定的变化，但是在不同行为动作的影响下，每个特征值的变化都存在一定差别。
(3)最优子载波的选择
在接收天线众多的子载波中，相同的人体行为可以独立地影响接收天线，进而影响不同的子载波。每一条子载波在受到相同人体行为的影响下，表现为波动程度与幅值大小的不同。
由于频率的多样性，不同子载波对人体活动具有不同的敏感度。利用CSI幅值信息的方差来量化子载波对人体行为的敏感度，同时选取具有最大CSI振幅方差的子载波来进行人体行为识别。
(4)改进的支持向量机分类算法
在SVM分类算法中，一个分离超平面并不能完全将行为信息的特征值分成两部分，因此松弛变量ξ的引入是为了允许部分训练集中的样本出现分类错误，并对这些错误的训练样本增加惩罚因子C，表示了对样本点分类错误的惩罚力度。针对行为感知中训练样本存在离群点的问题，对传统的SVM分类算法进行了改进，在每一个样本点中都加入了带有权值变量β的松弛变量βξ，并且满足0≤β≤1，这就意味着分类器对每一个样本的重视程度都不一样，若样本点距离类中心越远，则该点属于这类的可能性越小，赋予较小的权值，就相当于丢弃了这些样本，反之则赋予较大的权值，以此来减小离群点对分类性能的影响。
假设在训练集中有m个数据样本，每个样本有n个特征值属性，第i个样本可以表示为：{xi，yi}(i＝1，2，…，m)，其中xi＝{xi1，xi2，…，xin}，表示第i个样本的特征值集合，yi∈{-1，+1}表示第i个样本的类别标签。设分离超平面的方程为：
w·xi+b＝0 式(11)
其中w＝{w1，w2，…，wn}，表示权重向量，b表示偏倚。
由几何关系可知，在分离超平面上方的点满足式(12)，在分离超平面下方的点满足式(13)：
w·xi+b＞0 式(12)
w·xi+b＜0 式(13)
代入类别标签值后，可以使边缘部分的分离超平面表示为：
H1：w·xi+b≥1，yi＝+1 式(14)
H2：w·xi+b≤-1，yi＝-1 式(15)
综合以上两个公式可以得到：
yi(w·xi+b)≥1 式(16)
训练集中满足上述公式等式成立的样本被称作支持向量，这些点落在超平面H1或H2上。可以看出，分离超平面与H1和H2的距离均为
Figure FSA0000220082390000041
边缘间隔是H1与H2的距离，即
Figure FSA0000220082390000042
因此，现在的问题转化为使
Figure FSA0000220082390000043
取最大值的规划问题，即使
Figure FSA0000220082390000044
取最小值：
Figure FSA0000220082390000045
为了防止过拟合现象的发生，本发明在式(17)中加入带有权值变量βi的松弛因子后变为：
Figure FSA0000220082390000051
yi(w·xi+b)≥1-ξi，ξi≥0 式(19)
其中ξi为松弛变量，也被称为软间隔，C为惩罚因子，C值越大表示越不能容忍分类错误，当C值趋近于无穷大时，表示不允许有分类错误，此时SVM的识别效果与不加松弛变量时是一样的，βi为松弛因子的权值变量，并满足0≤β≤1，计算公式为：
Figure FSA0000220082390000052
其中μ为训练样本的均值，σ为训练样本的标准差，由式(18)可知，ξi是衡量错分程度的度量，因此βiξi就变为了对重要性不同的样本点错分程度的度量，若样本点距离类中心越远，则该点属于这类的可能性越小，βi赋予较小的权值，反之则赋予较大的权值。
对于式(18)的凸最小化问题，可以使用拉格朗日乘子法求解。设拉格朗日变量为α，可以得到拉格朗日函数为：
Figure FSA0000220082390000053
其中αi是大于0的拉格朗日乘子。求L(w，b，λ)关于权重向量w和偏倚b的偏导数，并使其等于0，可以得到：
Figure FSA0000220082390000054
Figure FSA0000220082390000055
将式(22)代入式(21)，可以得到：
Figure FSA0000220082390000061
通过Karush-Kuhn-Tucker(KKT)最优化条件，将L(w，b，λ)转化为对偶问题，可以得到：
Figure FSA0000220082390000062
Figure FSA0000220082390000063
使用序贯最小优化算法，可以解得
Figure FSA0000220082390000064
再利用式(22)可以得到：
Figure FSA0000220082390000065
又因为支持向量满足式(18)和式(19)的等式关系，可以得到：
Figure FSA0000220082390000066
所以最终求得的决策函数为：
Figure FSA0000220082390000067
样本数据经过线性变换之后，随着维度的增加，计算量也会呈指数倍增长。通过核函数可以在低维空间中计算映射后的高维向量<xi·xj>，从而减少在高维空间的计算复杂度。
SVM的常用核函数如下：
Figure FSA0000220082390000068
Figure FSA0000220082390000071
选择RBF核函数，加入核函数后，式(25)和(29)变为
Figure FSA0000220082390000072
Figure FSA0000220082390000073
Figure FSA0000220082390000074
在式(35)中，改进后SVM的约束为0≤αi≤Cβi，而传统SVM的约束为αi≥0，并且式(34)和(36)中改进后SVM的对偶问题和决策函数与传统SVM的对偶问题和决策函数相同，这说明加入权值变量β后的SVM与传统的SVM只是在约束条件上有所不同。改进后的SVM给拉格朗日乘子α添加了约束区间，最大值只能取到Cβ，而离群点的拉格朗日乘子通常都具有很大的值，约束区间限制了离群点影响，并且保证了可行域的边界，减少环境对CSI信息的影响。
2.根据权利要求1所述的一种非接触式连续行为感知方法，其特征在于：所述步骤(1)中获取的CSI数据需要使用Hampel异常值去除算法去除异常值，在采样窗口t内将不属于可信区间的子载波幅值看作异常值，并以均值代替；在去除异常值之后，使用小波阈值去噪算法来去除高频噪声，小波阈值去噪算法的具体步骤如下：
Figure FSA0000220082390000075
3.根据权利要求1所述的一种非接触式连续行为感知方法，其特征在于：所述权值变量β满足0≤β≤1。
4.根据权利要求1所述的一种非接触式连续行为感知方法，其特征在于：所述步骤(4)为了采集到短时间内的信息变化，本发明将采样频率设置为50Hz，即每0.02秒发送一个数据包。
5.根据权利要求1所述的一种非接触式连续行为感知方法，其特征在于：所述步骤(4)中训练SVM分类器，选择的核函数为径向基函数，并且将训练集和测试集的CSI特征值进行归一化处理；其中，训练集为640×9的特征数据，测试集为160×9的特征数据，交叉验证系数设置为5，共进行5次训练与测试，最终得到的是5次识别结果的平均值。
6.根据权利要求1所述的一种非接触式连续行为感知方法，其特征在于：所述步骤(4)中惩罚因子系数C为11.3137。
CN202011029843.6A 2020-09-27 2020-09-27 一种非接触式连续行为感知方法 Active CN114333044B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011029843.6A CN114333044B (zh) 2020-09-27 2020-09-27 一种非接触式连续行为感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011029843.6A CN114333044B (zh) 2020-09-27 2020-09-27 一种非接触式连续行为感知方法

Publications (2)

Publication Number Publication Date
CN114333044A true CN114333044A (zh) 2022-04-12
CN114333044B CN114333044B (zh) 2024-09-06

Family

ID=81011152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011029843.6A Active CN114333044B (zh) 2020-09-27 2020-09-27 一种非接触式连续行为感知方法

Country Status (1)

Country Link
CN (1) CN114333044B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114764580A (zh) * 2022-06-15 2022-07-19 湖南工商大学 一种基于无穿戴设备的实时人体手势识别方法
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
CN105426842A (zh) * 2015-11-19 2016-03-23 浙江大学 基于支持向量机的表面肌电信号多类手部动作识别方法
WO2019041629A1 (zh) * 2017-08-30 2019-03-07 哈尔滨工业大学深圳研究生院 基于svm的高维不平衡数据分类方法
CN110414479A (zh) * 2019-08-08 2019-11-05 燕山大学 一种饮水行为感知方法、连续和非连续动作分割识别方法
CN110929242A (zh) * 2019-11-20 2020-03-27 上海交通大学 基于无线信号进行姿态无关的连续用户认证方法及系统
CN111225354A (zh) * 2020-02-14 2020-06-02 重庆邮电大学 WiFi干扰环境下的CSI人体跌倒识别方法
CN111582361A (zh) * 2020-05-06 2020-08-25 浙江大学 基于惯性传感器的人体行为识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105426842A (zh) * 2015-11-19 2016-03-23 浙江大学 基于支持向量机的表面肌电信号多类手部动作识别方法
WO2019041629A1 (zh) * 2017-08-30 2019-03-07 哈尔滨工业大学深圳研究生院 基于svm的高维不平衡数据分类方法
CN110414479A (zh) * 2019-08-08 2019-11-05 燕山大学 一种饮水行为感知方法、连续和非连续动作分割识别方法
CN110929242A (zh) * 2019-11-20 2020-03-27 上海交通大学 基于无线信号进行姿态无关的连续用户认证方法及系统
CN111225354A (zh) * 2020-02-14 2020-06-02 重庆邮电大学 WiFi干扰环境下的CSI人体跌倒识别方法
CN111582361A (zh) * 2020-05-06 2020-08-25 浙江大学 基于惯性传感器的人体行为识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄奇瑞;: "基于FCM和SVM的TM遥感影像自动分类算法", 华北水利水电大学学报(自然科学版), no. 04, 15 August 2015 (2015-08-15) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114764580A (zh) * 2022-06-15 2022-07-19 湖南工商大学 一种基于无穿戴设备的实时人体手势识别方法
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
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

Also Published As

Publication number Publication date
CN114333044B (zh) 2024-09-06

Similar Documents

Publication Publication Date Title
CN112036433B (zh) 一种基于CNN的Wi-Move行为感知方法
CN106407905B (zh) 基于机器学习的无线感知动作识别方法
Zhou et al. Device-free presence detection and localization with SVM and CSI fingerprinting
CN110062379B (zh) 一种人体行为场景下基于信道状态信息的身份认证方法
CN114333044B (zh) 一种非接触式连续行为感知方法
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
CN113453180B (zh) 一种人体摔倒智能检测方法、系统、信息数据处理终端
CN109512390B (zh) 基于eeg时域多维度特征及m-wsvm的睡眠分期方法及可穿戴装置
Shang et al. LSTM-CNN network for human activity recognition using WiFi CSI data
Cheng et al. CSI-based human continuous activity recognition using GMM–HMM
Wang et al. Airfi: empowering wifi-based passive human gesture recognition to unseen environment via domain generalization
Hao et al. CSI‐HC: A WiFi‐Based Indoor Complex Human Motion Recognition Method
Jamaloo et al. Discriminative common spatial pattern sub-bands weighting based on distinction sensitive learning vector quantization method in motor imagery based brain-computer interface
Showmik et al. Human activity recognition from wi-fi csi data using principal component-based wavelet cnn
CN109918994B (zh) 一种基于商用Wi-Fi的暴力行为检测方法
Tong et al. A fine-grained channel state information-based deep learning system for dynamic gesture recognition
Zhao et al. Wear-free gesture recognition based on residual features of RFID signals
Gu et al. Device‐Free Human Activity Recognition Based on Dual‐Channel Transformer Using WiFi Signals
CN112380903B (zh) 一种基于WiFi-CSI信号增强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
Qiao et al. Person identification with low training sample based on micro-doppler signatures separation
Fan et al. WiVi: WiFi-video cross-modal fusion based multi-path gait recognition system
CN113572546B (zh) 一种基于CSI信号利用DenseNet网络进行人体活动识别方法
CN115134848A (zh) 基于Wi-Fi信号的人体活动感知识别方法、系统及存储介质

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