CN114707563A - 一种基于Wi-Fi信道状态信息的人体动作识别方法 - Google Patents

一种基于Wi-Fi信道状态信息的人体动作识别方法 Download PDF

Info

Publication number
CN114707563A
CN114707563A CN202210635461.0A CN202210635461A CN114707563A CN 114707563 A CN114707563 A CN 114707563A CN 202210635461 A CN202210635461 A CN 202210635461A CN 114707563 A CN114707563 A CN 114707563A
Authority
CN
China
Prior art keywords
data
csi
human body
lof
csi data
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
CN202210635461.0A
Other languages
English (en)
Inventor
李小龙
甘星宇
董莉
黄华
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.)
Hunan University of Technology
Original Assignee
Hunan University of 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 Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN202210635461.0A priority Critical patent/CN114707563A/zh
Publication of CN114707563A publication Critical patent/CN114707563A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • 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
    • 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

Landscapes

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

Abstract

本发明公开了一种基于Wi‑Fi信道状态信息的人体动作识别方法，属于移动通信领域；包括划分CSI数据集；运用Hampel滤波和滑动平均滤波对CSI数据集内的CSI数据进行滤波；利用LOF算法分析每类动作所有子载波的CSI幅度的平均值和标准差是否远离中心，选取LOF值1的子载波，最终选择同时满足50%以上动作种类的连续子载波作为稳定子载波；提取CSI数据的时域特征和频域特征；采用精细KNN分类算法对人体动作进行分类识别。本发明基于无线、无接触和无特殊传感器，能够在室内环境下，实现较高精度的人体动作识别，并且在跨环境和跨用户上有良好的性能。

Description

一种基于Wi-Fi信道状态信息的人体动作识别方法
技术领域
本发明属于移动通信领域，具体是一种基于Wi-Fi信道状态信息的人体动作识别方法。
背景技术
人体动作识别是近年来新兴起的一个前沿研究热点，成为健康监护、安防监控、智能家居等领域中不可避免的重要研究内容。人体动作识别主要分为两类，一类是基于设备的人体动作识别方法，使用相机和可穿戴传感器或手机端来实现识别任务。
这些方法在识别复杂场景中的活动方面表现良好，但是也存在很多缺点。主要包括在隐私方面保护不够，具有侵入性；容易受到可视角度的限制，只能在一个很有限的角度内监测目标；不能应对烟雾、遮挡乃至视觉欺骗的情况等等。而另一类基于无设备的人体动作识别方法可以有效克服这些缺点。这类方法采用基于射频（RF）的传感，使用COTS设备无线信号的射频传感器进行活动识别。主要通过普适的无线信号如Wi-Fi、超宽带（UWB）、雷达（Radar）、Zigbee、蓝牙（Bluetooth）等对人体和环境以非侵入性的方式进行非接触式感知来解决上述局限性。因此，基于无设备的方法在新型人机交互、行为识别等领域有着广泛的应用，受到学术界和工业界的持续关注与重视。
在基于无设备的方法中，利用Wi-Fi信号实现人体动作识别的应用最为广泛。主要有以下三点原因：首先它是经济的，随着商用WiFi设备和基础设施的普及程度越来越高，感知人体和环境不需要部署专门的传感器；其次，在几乎所有室内环境中，商业Wi-Fi设备的部署都很容易获得Wi-Fi信号；最重要的是基于Wi-Fi信号的识别确保了一种非侵入性和隐私保护的传感方式，可以捕获由于人类运动引起的信号反射。
但是，目前基于Wi-Fi信道状态信息的人体动作识别方法都存在数据预处理麻烦和数据质量低的问题。CSI数据属于物理层，可以衡量信道状态和区分多径分量，具有更加细粒度的频谱分辨率。而这也使得CSI数据包含了更多的噪声。因此，为分类算法提供高质量的输入数据，并寻求相应的解决方案，在理论方法研究与现实应用方面都有着极为重要的意义。
为此，提出一种基于Wi-Fi信道状态信息的人体动作识别方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于Wi-Fi信道状态信息的人体动作识别方法，该方法在提高CSI（信道状态信息）数据质量的同时提高识别准确率。
为实现上述目的，根据本发明的第一方面的实施例提出一种基于Wi-Fi信道状态信息的人体动作识别方法，包括：
划分CSI数据集；
运用Hampel滤波和滑动平均滤波对CSI数据集内的CSI数据进行滤波；
利用LOF（局部异常因子）算法分析每类动作所有子载波的CSI幅度的平均值和标准差是否远离中心，选取LOF值
Figure 185818DEST_PATH_IMAGE001
1的子载波，最终选择同时满足50%以上动作种类的连续子载波作为稳定子载波；
提取CSI数据的时域特征和频域特征；
采用精细KNN分类算法对人体动作进行分类识别。
优选的，设定采集环境为教室，且在划分CSI数据集时，限定每个用户的站立位置、面部朝向和接收机位置，同时每个用户的站立位置、面部朝向和接收机位置唯一。
优选的，对CSI数据集内的CSI数据进行Hampel滤波的过程包括以下步骤：
给定一维向量序列，该一维向量序列表示为
Figure 899696DEST_PATH_IMAGE002
；
围绕CSI数据集内的CSI数据生成观测窗口，设定半个窗口宽度为k，整个窗口宽度为2k+1，包含中心元素
Figure 148275DEST_PATH_IMAGE003
；其中的中心元素
Figure 402539DEST_PATH_IMAGE003
为CSI数据集内的CSI数据；
通过中位数的绝对值估计各样本对中值的标准差，判定
Figure 13648DEST_PATH_IMAGE003
的有效性。
优选的，若判定中心元素
Figure 304953DEST_PATH_IMAGE003
有效，则输出中心元素
Figure 431040DEST_PATH_IMAGE003
；
若判定该数据为奇异数据，则用窗口中值取代中心元素
Figure 444256DEST_PATH_IMAGE003
；
公式进行表达时表示如下：
Figure 581977DEST_PATH_IMAGE004
其中，
Figure 434395DEST_PATH_IMAGE005
是滤波后的数据，返回一个和
Figure 985462DEST_PATH_IMAGE006
大小一样的矩阵；在信号处理过程中，从一条CSI数据中提取的幅值
Figure 191315DEST_PATH_IMAGE007
是一个二维矩阵，那么Hampel将
Figure 777018DEST_PATH_IMAGE007
的每一列都看成是独立的通道，即将
Figure 65916DEST_PATH_IMAGE007
的每一个子载波看成一个独立通道。
优选的，通过Hampel滤波后的信号为一个和X大小一样的向量或矩阵。
优选的，对CSI数据集内的CSI数据进行滑动平均滤波的过程为：
将一个测量数据视为一个长度固定为的队列，每次采集新样本时，将测量结果放在队列的末端，并且去掉原来队首的一个数据；在信号处理过程中，从一条CSI数据中提取的幅值
Figure 104280DEST_PATH_IMAGE008
是一个二维矩阵，可以用如下公式表示为：
Figure 113824DEST_PATH_IMAGE009
其中
Figure 554033DEST_PATH_IMAGE010
表示为第
Figure 748253DEST_PATH_IMAGE011
次采样经滤波后的输出；
Figure 273913DEST_PATH_IMAGE012
表示为未经滤波的第
Figure 87148DEST_PATH_IMAGE013
次的采样值；
Figure 381863DEST_PATH_IMAGE014
为滑动平均项数。
优选的，LOF算法直接给CSI数据集中的每个子载波计算一个离群因子LOF，通过判断LOF值是否接近于1来判定是否是离群因子。
如果LOF值小于等于1，则该点为密集点；
如果LOF值大于1，则该点为离散点。
优选的，LOF算法通过点到点的距离、第
Figure 12565DEST_PATH_IMAGE015
距离、第
Figure 759941DEST_PATH_IMAGE015
距离邻域、可达距离和局部可达密度来计算全部离群因子；
计算公式表示如下：
Figure 111288DEST_PATH_IMAGE016
其中，
Figure 322826DEST_PATH_IMAGE017
表示第
Figure 62112DEST_PATH_IMAGE015
距离邻域，即点
Figure 234467DEST_PATH_IMAGE018
的第
Figure 248560DEST_PATH_IMAGE015
距离以内所有点的集合；
Figure 189971DEST_PATH_IMAGE019
表示点
Figure 100158DEST_PATH_IMAGE018
的局部可达密度。
优选的，采用精细KNN分类算法对人体动作进行分类的过程包括：
利用训练数据对特征向量空间进行划分，并将划分结果作为最终算法模型；将数据集打乱后，80%的数据作为训练集，20%的数据作为测试集；
在训练集中的每个数据都存在标签，已知数据与所属分类的对应关系；
测试集是没有标签的数据，将该数据的每个特征与训练集中数据对应的特征进行比较，然后提取训练集中特征最相近的数据的分类标签；邻点个数设置为1，距离度量使用欧氏距离；在信号处理过程中，第
Figure 890303DEST_PATH_IMAGE020
条子载波的第
Figure 911348DEST_PATH_IMAGE021
个采样点可以表示为
Figure 707266DEST_PATH_IMAGE022
，第
Figure 585092DEST_PATH_IMAGE011
条子载波的第
Figure 794357DEST_PATH_IMAGE021
个采样点可以表示为
Figure 556776DEST_PATH_IMAGE023
；那么，两个采样点之间的距离可以表示为：
Figure 535097DEST_PATH_IMAGE024
。
与现有技术相比，本发明的有益效果是：
本发明提出子载波选取算法，使人体动作分类算法中输入数据的质量更高；同时，提取稳定子载波的时频域特征作为识别模型的输入，进一步提高了基于Wi-Fi信道状态信息的人体动作识别方法的识别率。
本发明提出的识别模型在识别率上表现良好，经过实验，该识别模型在跨环境和跨用户方面也表现不错。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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为本发明的流程图；
图2为本发明动作识别模型总体设计图；
图3为Hampel滤波流程图；
图4为滑动平均滤波流程图；
图5为LOF算法选取稳定子载波流程图；
图6为特征提取和动作分类流程图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提供的基于Wi-Fi信道状态信息的人体动作识别方法的流程图如图1至6所示。
步骤S101，划分CSI数据集。
在一个实施例中，设定采集环境为教室，且在划分CSI数据集时，限定每个用户的站立位置、面部朝向和接收机位置，同时每个用户的站立位置、面部朝向和接收机位置都唯一。
步骤S102，运用Hampel滤波和滑动平均滤波对CSI数据集内的CSI数据进行滤波，去除数据离散点，降低噪声影响；
在一个实施例中，对CSI数据集内的CSI数据进行Hampel滤波的过程包括以下步骤：
给定一维向量序列，该一维向量序列表示为
Figure 318245DEST_PATH_IMAGE002
；
围绕CSI数据集内的CSI数据生成观测窗口，设定半个窗口宽度为k，整个窗口宽度为2k+1，包含中心元素
Figure 952488DEST_PATH_IMAGE003
；其中的中心元素
Figure 112074DEST_PATH_IMAGE003
为CSI数据集内的CSI数据；
例如：k值取3，则半个窗口宽度为3，整个窗口宽度7，包含原始的CSI数据集内的CSI数据；
通过中位数的绝对值估计各样本对中值的标准差，判定
Figure 210480DEST_PATH_IMAGE003
的有效性；
若判定中心元素
Figure 39896DEST_PATH_IMAGE003
有效，则输出中心元素
Figure 489332DEST_PATH_IMAGE003
；
若判定该数据为奇异数据，则用窗口中值取代中心元素
Figure 452609DEST_PATH_IMAGE003
；
其中，用公式进行表达时表示如下：
Figure 77625DEST_PATH_IMAGE004
其中，
Figure 468155DEST_PATH_IMAGE005
是滤波后的数据，返回一个和
Figure 873729DEST_PATH_IMAGE006
大小一样的矩阵；在信号处理过程中，从一条CSI数据中提取的幅值
Figure 781642DEST_PATH_IMAGE007
是一个二维矩阵，那么Hampel将的每一列
Figure 385799DEST_PATH_IMAGE007
都看成是独立的通道，即将的每一个子载波
Figure 150492DEST_PATH_IMAGE007
看成一个独立通道。
在一个实施例中，对CSI数据集内的CSI数据进行滑动平均滤波，可最大限度地抑制随机噪声，保留陡峭的边缘。
其中，该滑动平均滤波的脉冲响应为矩形脉冲，通过将输入信号与矩形脉冲进行卷积来实现。
具体地：
将一个测量数据视为一个长度固定为的队列，每次采集新样本时，将测量结果放在队列的末端，并且去掉原来队首的一个数据，这样在这个队列中始终有个“最新”的数据。在信号处理过程中，从一条CSI数据中提取的幅值
Figure 308941DEST_PATH_IMAGE008
是一个二维矩阵，可以用如下公式表示为：
Figure 489387DEST_PATH_IMAGE009
其中
Figure 213629DEST_PATH_IMAGE010
表示为第
Figure 821328DEST_PATH_IMAGE011
次采样经滤波后的输出；
Figure 461214DEST_PATH_IMAGE012
表示为未经滤波的第
Figure 304405DEST_PATH_IMAGE013
次的采样值；
Figure 86416DEST_PATH_IMAGE014
为滑动平均项数。
步骤S103，利用LOF算法分析每类动作所有子载波的CSI幅度的平均值和标准差是否远离中心，选取LOF值
Figure 865016DEST_PATH_IMAGE001
1的子载波，最终选择同时满足50%以上动作种类的连续子载波作为稳定子载波。
在一个实施例中，LOF算法直接给CSI数据集中的每个子载波计算一个离群因子LOF，通过判断LOF值是否接近于1来判定是否是离群因子。
如果LOF值小于等于1，则该点为密集点；
如果LOF值大于1，则该点为离散点；且LOF值越大，则该点越可能为离散点。
LOF算法通过点到点的距离、第
Figure 794795DEST_PATH_IMAGE015
距离、第
Figure 317043DEST_PATH_IMAGE015
距离邻域、可达距离和局部可达密度来计算局部离群因子。具体的计算公式表示如下：
Figure 219140DEST_PATH_IMAGE016
其中，
Figure 293275DEST_PATH_IMAGE017
表示第
Figure 382454DEST_PATH_IMAGE015
距离邻域，即点
Figure 708393DEST_PATH_IMAGE018
的第
Figure 464997DEST_PATH_IMAGE015
距离以内所有点的集合；
Figure 710033DEST_PATH_IMAGE019
表示点
Figure 817666DEST_PATH_IMAGE018
的局部可达密度。
步骤S104，提取CSI数据的时频域特征，通过CSI数据的时频域特征来反映数据的集中趋势、离散程度和波形的变化形态；
在一个实施例中，观察序列的幅度在一段时间内的波形变化，来判断这些序列对应的动作是否属于同一类。记数据集为
Figure 947296DEST_PATH_IMAGE025
；
Figure 89565DEST_PATH_IMAGE021
代表数据集中数据的个数，
Figure 974344DEST_PATH_IMAGE011
是总个数。提取的时域特征值包括幅度的最大值、最小值、峰峰值、均值、方差、标准差、均方值、均方根值和方根幅值和不常用的峭度、脉冲因子、波形因子、峰值因子、偏度和裕度因子；
当CSI数据经过傅里叶变换（FFT）从时域变换到频域后，能深入分析信号的本质,找出时域上无法体现的特征。提取的频域特征值包括振幅的最大值、最小值、中位值、平均值、峰值、重心频率、均方频率、均方根频率、频率方差和频率标准差。
步骤S105，采用精细KNN分类算法对人体动作进行分类。
在一个实施例中；利用训练数据对特征向量空间进行划分，并将划分结果作为最终算法模型。将数据集打乱后，80%的数据作为训练集，20%的数据作为测试集。在训练集中的每个数据都存在标签，已知数据与所属分类的对应关系。测试集则是没有标签的数据，将该数据的每个特征与训练集中数据对应的特征进行比较，然后提取训练集中特征最相近的数据的分类标签。邻点个数设置为1，距离度量使用欧氏距离。在信号处理过程中，第
Figure 710219DEST_PATH_IMAGE020
条子载波的第
Figure 768174DEST_PATH_IMAGE021
个采样点可以表示为
Figure 968211DEST_PATH_IMAGE022
，第
Figure 695995DEST_PATH_IMAGE011
条子载波的第
Figure 309379DEST_PATH_IMAGE021
个采样点可以表示为
Figure 515233DEST_PATH_IMAGE023
。那么，两个采样点之间的距离可以表示为：
Figure 835356DEST_PATH_IMAGE024
。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (9)

1.一种基于Wi-Fi信道状态信息的人体动作识别方法，其特征在于，包括：
划分CSI数据集；
运用Hampel滤波和滑动平均滤波对CSI数据集内的CSI幅值数据进行离散点去除和降噪；
利用LOF算法分析每类动作所有子载波的CSI幅度的平均值和标准差是否远离中心，选取LOF值
Figure 18313DEST_PATH_IMAGE002
1的子载波，并选择同时满足50%以上动作种类的连续子载波作为稳定子载波；
提取CSI数据的时域特征和频域特征；
采用精细KNN分类算法对人体动作进行分类识别。
2.根据权利要求1所述的一种基于Wi-Fi信道状态信息的人体动作识别方法，其特征在于，设定采集环境为教室，且在划分CSI数据集时，限定每个用户的站立位置、面部朝向和接收机位置，同时每个用户的站立位置、面部朝向和接收机位置唯一。
3.根据权利要求2所述的一种基于Wi-Fi信道状态信息的人体动作识别方法，其特征在于，对CSI数据集内的CSI数据进行Hampel滤波的过程包括以下步骤：
给定一维向量序列，该一维向量序列表示为
Figure 587834DEST_PATH_IMAGE003
；
围绕CSI数据集内的CSI数据生成观测窗口，设定半个窗口宽度为k，整个窗口宽度为2k+1，包含中心元素
Figure 208432DEST_PATH_IMAGE004
；其中的中心元素
Figure 914220DEST_PATH_IMAGE004
为CSI数据集内的CSI数据；
通过中位数的绝对值估计各样本对中值的标准差，判定
Figure 983807DEST_PATH_IMAGE004
的有效性。
4.根据权利要求3所述的一种基于Wi-Fi信道状态信息的人体动作识别方法，其特征在于，若判定中心元素
Figure 775046DEST_PATH_IMAGE004
有效，则输出中心元素
Figure 650598DEST_PATH_IMAGE004
；
若判定该数据为奇异数据，则用窗口中值取代中心元素
Figure 210892DEST_PATH_IMAGE004
；
公式进行表达时表示如下：
Figure 779277DEST_PATH_IMAGE005
其中，
Figure 588970DEST_PATH_IMAGE007
是滤波后的数据。
5.根据权利要求4所述的一种基于Wi-Fi信道状态信息的人体动作识别方法，其特征在于，通过Hampel滤波后的信号为一个和X大小一样的向量或矩阵。
6.根据权利要求5所述的一种基于Wi-Fi信道状态信息的人体动作识别方法，其特征在于，对CSI数据集内的CSI数据进行滑动平均滤波的过程为：
将一个测量数据视为一个长度固定为的队列，每次采集新样本时，将测量结果放在队列的末端，并且去掉原来队首的一个数据；
在信号处理过程中，从一条CSI数据中提取的幅值
Figure 205896DEST_PATH_IMAGE009
是一个二维矩阵，用如下公式表示为：
Figure 355117DEST_PATH_IMAGE010
其中，
Figure 156720DEST_PATH_IMAGE011
表示为第
Figure 391393DEST_PATH_IMAGE013
次采样经滤波后的输出；
Figure 343168DEST_PATH_IMAGE014
表示为未经滤波的第
Figure 143634DEST_PATH_IMAGE016
次的采样值；
Figure 788242DEST_PATH_IMAGE018
为滑动平均项数。
7.根据权利要求6所述的一种基于Wi-Fi信道状态信息的人体动作识别方法，其特征在于，LOF算法直接给CSI数据集中的每个子载波计算一个离群因子LOF，通过判断LOF值是否接近于1来判定是否是离群因子；
如果LOF值小于等于1，则该点为密集点；
如果LOF值大于1，则该点为离散点。
8.根据权利要求7所述的一种基于Wi-Fi信道状态信息的人体动作识别方法，其特征在于，LOF算法通过点到点的距离、第
Figure 572527DEST_PATH_IMAGE020
距离、第
Figure 859152DEST_PATH_IMAGE020
距离邻域、可达距离和可达密度来计算全局离群因子；
计算公式表示如下：
Figure 248545DEST_PATH_IMAGE021
其中，
Figure 335493DEST_PATH_IMAGE022
表示第
Figure 482440DEST_PATH_IMAGE020
距离邻域，即
Figure DEST_PATH_IMAGE024
点的第
Figure 900652DEST_PATH_IMAGE020
距离以内所有点的集合；
Figure DEST_PATH_IMAGE025
表示点
Figure 613393DEST_PATH_IMAGE024
的局部可达密度。
9.根据权利要求8所述的一种基于Wi-Fi信道状态信息的人体动作识别方法，其特征在于，采用精细KNN分类算法对人体动作进行分类的过程包括：
利用训练数据对特征向量空间进行划分，并将划分结果作为最终算法模型；将数据集打乱后，80%的数据作为训练集，20%的数据作为测试集；
在训练集中的每个数据都存在标签，数据与所属分类存在对应关系；
测试集是没有标签的数据，将该数据的每个特征与训练集中数据对应的特征进行比较，然后提取训练集中特征最相近的数据的分类标签；
邻点个数设置为1，距离度量使用欧氏距离；在信号处理过程中，第
Figure DEST_PATH_IMAGE027
条子载波的第
Figure DEST_PATH_IMAGE029
个采样点可以表示为
Figure DEST_PATH_IMAGE030
，第
Figure DEST_PATH_IMAGE031
条子载波的第
Figure 645809DEST_PATH_IMAGE029
个采样点表示为
Figure DEST_PATH_IMAGE032
；则两个采样点之间的距离可以表示为：
Figure DEST_PATH_IMAGE033
。
CN202210635461.0A 2022-06-07 2022-06-07 一种基于Wi-Fi信道状态信息的人体动作识别方法 Pending CN114707563A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210635461.0A CN114707563A (zh) 2022-06-07 2022-06-07 一种基于Wi-Fi信道状态信息的人体动作识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210635461.0A CN114707563A (zh) 2022-06-07 2022-06-07 一种基于Wi-Fi信道状态信息的人体动作识别方法

Publications (1)

Publication Number Publication Date
CN114707563A true CN114707563A (zh) 2022-07-05

Family

ID=82177633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210635461.0A Pending CN114707563A (zh) 2022-06-07 2022-06-07 一种基于Wi-Fi信道状态信息的人体动作识别方法

Country Status (1)

Country Link
CN (1) CN114707563A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116205469A (zh) * 2023-05-05 2023-06-02 武汉理工大学 一种基于物理信道的船舶驾驶员活跃状态监测方法及装置
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
CN117725369A (zh) * 2024-02-07 2024-03-19 合肥工业大学 一种环境鲁棒的WiFi信号行为识别方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
史白等: "基于信道状态信息的非合作式室内人体运动检测", 《计算机应用》 *
孙莹: "基于信道状态信息的手势识别技术研究", 《中国优秀硕士学位论文全文数据库》 *
李晓薇等: "一种基于CSI的非合作式人体行为识别方法", 《计算机科学》 *
贾乐元: "基于Wi-Fi信道状态信息的久坐行为识别研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116205469A (zh) * 2023-05-05 2023-06-02 武汉理工大学 一种基于物理信道的船舶驾驶员活跃状态监测方法及装置
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
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
CN117725369A (zh) * 2024-02-07 2024-03-19 合肥工业大学 一种环境鲁棒的WiFi信号行为识别方法及系统
CN117725369B (zh) * 2024-02-07 2024-05-17 合肥工业大学 一种环境鲁棒的WiFi信号行为识别方法及系统

Similar Documents

Publication Publication Date Title
CN114707563A (zh) 一种基于Wi-Fi信道状态信息的人体动作识别方法
CN106407905B (zh) 基于机器学习的无线感知动作识别方法
CN110502105B (zh) 一种基于csi相位差的手势识别系统及识别方法
CN107968689A (zh) 基于无线通信信号的感知识别方法及装置
EP3977793A1 (en) Proximity-based model for indoor localization using wireless signals
CN109363647B (zh) 睡眠质量监测方法、装置及终端设备
Shi et al. Human activity recognition using deep learning networks with enhanced channel state information
CN114048773B (zh) 一种基于迁移学习和WiFi的行为识别方法及系统
CN110730473B (zh) 面向WiFi活动识别的信号特征提取方法
CN106491129B (zh) 一种基于eog的人体行为识别系统及方法
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
CN109902554B (zh) 一种基于商用Wi-Fi的手语的识别方法
CN114767087B (zh) 一种多目标呼吸频率估计方法、装置、设备和存储介质
CN114222202B (zh) 一种基于WiFi CSI的环境自适应活动检测方法及系统
Pan et al. Dynamic hand gesture detection and recognition with WiFi signal based on 1d-CNN
Cheng et al. CSI-based human continuous activity recognition using GMM–HMM
CN114465678A (zh) 一种基于深度学习的复杂活动wifi感知方法
CN109918994B (zh) 一种基于商用Wi-Fi的暴力行为检测方法
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
CN107495939A (zh) 活体生物特征监控方法、装置以及系统
CN112364770B (zh) 基于商用Wi-Fi人体活动识别与动作质量评估方法
CN108260012B (zh) 电子装置、视频播放控制方法及相关产品
Bocus et al. A comparison of UWB CIR and WiFi CSI for human activity recognition
Guo et al. WiRoI: Spatial region of interest human sensing with commodity WiFi
Chen et al. WiTT: Modeling and the evaluation of table tennis actions based on WIFI signals

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: 20220705