CN115134848A - 基于Wi-Fi信号的人体活动感知识别方法、系统及存储介质 - Google Patents
基于Wi-Fi信号的人体活动感知识别方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115134848A CN115134848A CN202210590498.6A CN202210590498A CN115134848A CN 115134848 A CN115134848 A CN 115134848A CN 202210590498 A CN202210590498 A CN 202210590498A CN 115134848 A CN115134848 A CN 115134848A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- feature
- signal
- state information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000008447 perception Effects 0.000 title claims abstract description 19
- 230000000694 effects Effects 0.000 title claims description 25
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012706 support-vector machine Methods 0.000 claims abstract description 16
- 238000000513 principal component analysis Methods 0.000 claims abstract description 13
- 238000001228 spectrum Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 10
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000037081 physical activity Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于Wi‑Fi信号的人体活动感知识别方法,包括以下步骤:判断是否为高精度要求,若是,采集信道状态信息数据,若否,采集正交频分复用符号流数据;对信道状态信息数据的子载波域进行主成分分析得到粗略特征,提取互相关数据极小值得到相关性人工特征,提取幅值数据得到能量谱人工特征,基于空间交替的广义期望最大化算法得到信道参数特征;对正交频分复用符号流数据进行处理得到粗略特征;对粗略特征进行主成分分析得到精细特征;将训练集样本的样本类型和特征集,输入支持向量机进行分类识别训练;将待测试样本的特征集输入训练完成的支持向量机得到分类识别结果。与现有技术相比,本发明具有低复杂度、高识别精度等优点。
Description
技术领域
本发明涉及信号处理、智能感知领域,尤其是涉及一种基于Wi-Fi信号的人体活动感知识别方法、系统及存储介质。
背景技术
室内感知技术具有广泛的应用,目前其技术实现技术路径一般分为两大类:第一类是主动感知,往往需要采用专用设备产生探测信号,例如红外技术:利用红外线对人体进行成像,不受光照限制,但需要昂贵的附加设备,使用限制较大;专用传感器技术:利用诸如加速度计、声学传感器等智能传感器对人体进行监测,其感知精度高,但价值昂贵,部署不便;第二类是被动感知,不依赖于专用设备,例如计算机视觉技术:通过进行图像处理,进而以机器学习手段分类识别,应用广泛但其受光照条件限制;基于无线信号主要是Wi-Fi信号进行环境感知,其具有部署广泛、设备无关性、非视距感知、可拓展性强、成本效益较好等优点,受到日益关注。
现阶段基于Wi-Fi信号的环境感知技术的研究中,基于信道状态信息以及基于深度学习的人体活动感知识别系统成为主要方向。
文献“Understanding Wi-Fi Signal Frequency Features for Position-Independent Gesture Sensing”(K.Niu,F.Zhang,X.Wang,Q.Lv,H.Luo and D.Zhang.IEEETransactions on Mobile Computing,2021.)提出了一种基于信道状态信息,通过相位校准、平滑滤波、连续小波变换,提取运动碎片和相对运动方向变化信息的识别模型,识别八种手势时准确率达到96%。
文献“Joint Activity Recognition and Indoor Localization with Wi-FiFingerprints”(F.Wang,J.Feng,Y.Zhao,X.Zhang,S.Zhang and J.Han.IEEE Access,2019.)提出了一种基于信道状态信息幅度位置指纹和一维双任务卷积神经网络,对六种手臂动作进行识别分类达到88.13%的识别准确率。
文献“Human Behavior Recognition Based on Wi-Fi Channel StateInformation”(Z.Tang,A.Zhu,Z.Wang,K.Jiang,Y.Li and F.Hu.Chinese AutomationCongress(CAC),2020.)提出了一种应用门控循环单元和卷积神经网络的识别系统,利用信道状态信息的振幅作为信号特征,对7种人类行为进行分类,准确率达到95.7%。它提取了信道状态信息振幅的图像作为训练数据,但系统复杂度高,需要较长的训练时间。
文献“Human Behavior Recognition Method Based on Wi-Fi Channel StatusInformation”(Y.Zhou,Z.Cui,X.Lu,H.Wang,C.Sheng and Z.Zhang.40th ChineseControl Conference(CCC),2021.)提出了一种使用支持向量机和离散小波变换方法,通过使用离散小波变换信息作为支持向量机的输入,从信道状态信息振幅和相位中提取特征,对7种人类行为进行分类,达到了93%的准确率,并充分利用了信道状态信息信息。
文献“Wi-Fi-Based Activity Recognition using Activity Filter andEnhanced Correlation with Deep Learning”(Z.Shi,J.A.Zhang,R.Y.Xu andQ.Cheng.IEEE International Conference on Communications Workshops,2020.)基于SoftMax方法,提出一个长短期记忆(LSTM)-循环神经网络(RNN)分类器,根据从信道状态信息中提取的活动相关信息进行训练,用于对六种行为类型进行分类,准确率达到93.4%,该方法包括信道状态信息补偿和增强,显示了良好的整体性能。
上述文献主要依赖信道状态信息数据和深度学习感知识别模型,在实际应用中具有复杂度较高的问题。
发明内容
本发明的目的就是为了提供一种具有低复杂度的基于Wi-Fi信号的人体活动感知识别方法、系统及存储介质。
本发明的目的可以通过以下技术方案来实现:
一种基于Wi-Fi信号的人体活动感知识别方法,包括以下步骤:
判断应用场景对识别结果的精确度要求是否为高精度,
若是,采集每个样本对应的Wi-Fi信号的信道状态信息数据,
若否,采集每个样本对应的Wi-Fi信号的正交频分复用符号流数据,
其中,所述样本包括训练集样本和待测试样本;
对信道状态信息数据的子载波域进行主成分分析,保留前n个主成分,并对所述子载波域的前n个主成分信息做一维化处理,提取处理后数据的幅值和相位信息得到样本的第一粗略特征,其中,n为预配置的保留主成分数量;
提取信道状态信息数据的不同子载波幅值的时间域互相关数据极小值,得到相关性人工特征,并计入所述样本的特征集;对信道状态信息数据的幅值数据进行短时傅里叶变换获得能量谱密度,累加低频区间的能量,获得能量冲击曲线,提取能量冲击曲线峰值,得到能量谱人工特征,并计入所述样本的特征集;
将采集到的信道状态信息数据在时间域上划分为多段,对每个分段应用空间交替的广义期望最大化算法,得到传播信道在时间域的多条径信号参数的估计,提取时间域多普勒参数的方差,得到信道参数特征,并计入所述样本的特征集;
对采集到的正交频分复用符号流数据,提取预配置数量采样点的数据,并统计所述数据的幅值和相位信息得到第二粗略特征;
对第一粗略特征或第二粗略特征进行主成分分析,选取累计方差大于预配置累计特征占比阈值的主成分,分别得到第一精细特征或第二精细特征,并计入所述样本的特征集;
将训练集样本的样本类型和特征集,输入支持向量机进行分类识别训练;
将待测试样本的特征集输入训练完成的支持向量机进行分类识别,得到分类识别结果。
所述Wi-Fi信号从发射端发射,经过样本空间后由接收端接收,其中,所述样本空间为人体活动场景空间。
所述主成分分析为:
Y=XW
其中,W=(w1,w2,…,wq),由协方差矩阵S的前q个最大特征值(λ1,λ2,…,λq)对应的特征向量(w1,w2,…,wq)构成,q是保留的主成分数量,Y是将原始数据从高维减少到低维后的数据,X是原始数据,N是原始数据的维度。
所述第一粗略特征包括幅值直方图特征,第二粗略特征包括幅值直方图特征、相位直方图特征、快速傅里叶变换幅值特征。
所述信道状态信息数据在时间域上基于信道状态信息数据、数据包采样频率、信号中心频率、带宽、频点数划分为多段。
所述空间交替的广义期望最大化算法为:
对于给定观测值h(m),输出多维多径信号参数Θ的极大似然估计,其中待估计的参数为Θ={θ1,θ1,......,θl},τl、φl和是第l条路径的飞行时间、单位方向向量到达角和多普勒频移,αl为第l条路径的复振幅,Θ的对数似然函数为:
其中,L是多径分量的总数,Sl是第l条路径的信号;
所求极大似然估计问题为:
在期望E步骤中,对第l条径,有期望函数:
在最大化M步骤中,对第l条径,有系列最大化函数:
其中,T、F、A分别是采样数据包、子载波和接收传感器的数量;
Θ被初始化为0,一次迭代时,对L条径分别执行期望步骤和最大化步骤,更新参数,当Θ的估计收敛时,即连续估计之间的差在预定义的阈值∈内时,迭代结束,得到L条径的参数估计值。
若采集数据为信道状态信息数据,则样本的特征集包括第一精细特征、相关性人工特征、能量谱人工特征和信道参数特征;若采集数据为正交频分复用符号流数据,则样本的特征集包括第二精细特征。
所述支持向量机的参数配置为:
核函数为径向基核函数:
(RBF)K(x,xi)=exp{-γ‖x-xi‖2}
目标函数为:
其中C=1;
多分类策略为“单对单”(OAO)。
一种基于Wi-Fi信号的人体活动感知识别装置,包括存储器、处理器,以及存储于所述存储器中的程序,所述处理器执行所述程序时实现如上述所述的方法。
一种存储介质,其上存储有程序,所述程序被执行时实现如上述所述的方法。
与现有技术相比,本发明具有以下有益效果:
(1)本发明根据对识别结果精度要求的高低,选择不同的数据和数据处理过程得到识别结果,对正交频分复用符号流数据的处理速度快,但精度低,基于信道状态信息数据的结果精度高但速度慢,二者的结合可以适用于不同的应用场景,相比深度学习的方法,整体复杂度低,计算速度快。
(2)本发明各个步骤之间灵活可调,特征集内包含特征数可以根据实际需要进行增加或减少,且多角度特征互为补充,应用范围广,适用性强。
附图说明
图1为本发明的方法流程图;
图2为本发明信号正交频分复用符号流数据获取方法的流程图;
图3为实施例1的实验场景布置图;
图4为实施例2的实验场景布置图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
本实施例提供一种基于Wi-Fi信号的人体活动感知识别方法,且应用场景对识别精度要求不高,因此采集每个样本对应的Wi-Fi信号的正交频分复用符号流数据作为待处理数据。
本实施例的发送端为TL-WDR7300双频路由器;接收端为通用软件无线电外设USRPX300,使用一根天线型号为VERT2450全向天线;发送端和接收端之间相距1米;传输Wi-Fi信号频段为5.745G Hz(149),带宽为20M Hz。根据图3展示的一种基于通用软件无线电外设的Wi-Fi信号接收机系统,建立信号传输系统,从路由器发射的信号经过不同人类活动场景的空间由信号接收机接收,根据图2提供的信号数据选择方法,获得Wi-Fi信号的正交频分复用符号流数据,将获得的流数据以3000个采样点为一组样本数据。所述样本包括训练集样本和待测试样本。
对每个样本的正交频分复用符号流数据片段,对数据的幅值和相位分别做归一化,以0.01为间隔,提取每个样本的幅值统计直方图特征、相位统计直方图特征,通过快速傅里叶变换变换提取快速傅里叶变换幅值特征,幅值统计直方图特征和相位统计直方图特征各100个,快速傅里叶变换幅值特征为3000个,合并得到总计3200维粗略特征。
对粗略特征进行主成分分析进行特征降维,选取累计方差大于预配置累计特征占比阈值的主成分,得到精细特征,所述预配置累计特征占比阈值为0.99。
所述主成分分析为:
Y=XW
其中,W=(w1,w2,…,wq),由协方差矩阵S的前q个最大特征值(λ1,λ2,…,λq)对应的特征向量(w1,w2,…,wq)构成,q是保留的主成分数量,Y是将原始数据从高维减少到低维后的数据,X是原始数据,N是原始数据的维度。
通过多次测试和数据集划分,有一人场景和无人场景各得到100个训练集样本和200个待测试样本。将训练集样本的样本类型和精细特征输入支持向量机,进行分类识别训练。
所述支持向量机的参数配置为:
核函数为径向基核函数:
(RBF)K(x,xi)=exp{-γ‖x-xi‖2}
目标函数为:
其中C=1;
多分类策略为“单对单”(OAO)。
将待测试样本的精细特征,输入训练完成的支持向量机进行分类识别,得到分类识别结果。
经过实验场景验证,在区分无人和有一人的场景时,本方法能达到99.3%的识别准确率;在区分无人、一人站立、一人蹲立的场景时具有整体70%的识别准确率。
实施例2
本实施例提供一种基于Wi-Fi信号的人体活动感知识别方法,且应用场景对识别精度要求高,因此采集每个样本对应的Wi-Fi信号的信道状态信息数据作为待处理数据。
本实施例的发送端为诺基亚Beacon 1双频路由器;接收端为诺基亚Beacon 1双频路由器;发送端与接收端之间相距2米;传输Wi-Fi信号频段为5.775G Hz(155),带宽为20MHz。
根据图4展示的一种基于诺基亚Beacon 1双频路由器的Wi-Fi信号接收机系统,建立信号传输系统,从路由器发射的信号经过不同人类活动场景的空间由接收端接收,根据信道状态信息工具,以100hz的采样频率获得Wi-Fi数据包,一个数据包持续5秒,通过一个数据包获得一个样本的Wi-Fi信号的信道状态信息数据。
对采集到的信道状态信息数据的子载波域进行主成分分析,保留前4个主成分,并对所述子载波域的前4个主成分信息做一维化处理,再对数据的幅值做归一化,以0.001为间隔,提取每个样本数据的幅值统计直方图特征1000个,合并得到总计1000维粗略特征。
对粗略特征进行主成分分析进行特征降维,选取累计方差大于预配置累计特征占比阈值的主成分,得到精细特征,所述预配置累计特征占比阈值为0.99。
所述主成分分析为:
Y=XW
其中,W=(w1,w2,…,wq),由协方差矩阵S的前q个最大特征值(λ1,λ2,…,λq)对应的特征向量(w1,w2,…,wq)构成,q是保留的主成分数量,Y是将原始数据从高维减少到低维后的数据,X是原始数据,N是原始数据的维度。
提取信道状态信息数据的不同子载波幅值的时间域互相关数据第1至第3极小值,得到相关性人工特征;对信道状态信息数据的幅值数据进行短时傅里叶变换获得能量谱密度,累加2赫兹至30赫兹的能量,获得能量冲击曲线,提取能量冲击曲线峰值,得到能量谱人工特征。
将采集到的时间域信道状态信息数据基于信道状态信息数据、数据包采样频率、信号中心频率、带宽、频点数划分为为0.1s每段,其中信号参数被假定为静态的。对每个分段应用空间交替的广义期望最大化算法,得到传播信道在时间域的10条径信号参数的估计,提取时间域多普勒参数的方差,得到信道参数特征。
所述空间交替的广义期望最大化算法为:
对于给定观测值h(m),输出多维多径信号参数Θ的极大似然估计,其中待估计的参数为Θ={θ1,θ1,......,θ1],τ1、φl和是第l条路径的飞行时间、单位方向向量到达角和多普勒频移,αl为第l条路径的复振幅,Θ的对数似然函数为:
其中,L是多径分量的总数,Sl是第l条路径的信号;
所求极大似然估计问题为:
在期望E步骤中,对第l条径,有期望函数:
在最大化M步骤中,对第l条径,有系列最大化函数:
其中,T、F、A分别是采样数据包、子载波和接收传感器的数量;
Θ被初始化为0,一次迭代时,对L条径分别执行期望步骤和最大化步骤,更新参数,当Θ的估计收敛时,即连续估计之间的差在预定义的阈值∈内时,迭代结束,得到L条径的参数估计值。
通过多次测试和数据集划分,无人场景、一人站立招手场景、一人移动招手场景各得到100个训练集样本和190个待测试样本。将训练集样本的样本类型和特征集输入支持向量机,进行分类识别训练,所述特征集包括精细特征、相关性人工特征、能量谱人工特征和信道参数特征。
所述支持向量机的参数配置为:
核函数为径向基核函数:
(RBF)K(x,xi)=exp{-γ‖x-xi‖2}
目标函数为:
其中C=1;
多分类策略为“单对单”(OAO)。
将待测试样本的特征集,输入训练完成的支持向量机进行分类识别,得到分类识别结果。
经过实验场景验证,在区分无人、一人站立招手、一人移动招手的场景时具有整体85%的识别准确率。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种基于Wi-Fi信号的人体活动感知识别方法,其特征在于,包括以下步骤:
判断应用场景对识别结果的精确度要求是否为高精度,
若是,采集每个样本对应的Wi-Fi信号的信道状态信息数据,
若否,采集每个样本对应的Wi-Fi信号的正交频分复用符号流数据,
其中,所述样本包括训练集样本和待测试样本;
对信道状态信息数据的子载波域进行主成分分析,保留前n个主成分,并对所述子载波域的前n个主成分信息做一维化处理,提取处理后数据的幅值和相位信息得到样本的第一粗略特征,其中,n为预配置的保留主成分数量;
提取信道状态信息数据的不同子载波幅值的时间域互相关数据极小值,得到相关性人工特征,并计入所述样本的特征集;对信道状态信息数据的幅值数据进行短时傅里叶变换获得能量谱密度,累加低频区间的能量,获得能量冲击曲线,提取能量冲击曲线峰值,得到能量谱人工特征,并计入所述样本的特征集;
将采集到的信道状态信息数据在时间域上划分为多段,对每个分段应用空间交替的广义期望最大化算法,得到传播信道在时间域的多条径信号参数的估计,提取时间域多普勒参数的方差,得到信道参数特征,并计入所述样本的特征集;
对采集到的正交频分复用符号流数据,提取预配置数量采样点的数据,并统计所述数据的幅值和相位信息得到第二粗略特征;
对第一粗略特征或第二粗略特征进行主成分分析,选取累计方差大于预配置累计特征占比阈值的主成分,分别得到第一精细特征或第二精细特征,并计入所述样本的特征集;
将训练集样本的样本类型和特征集,输入支持向量机进行分类识别训练;
将待测试样本的特征集输入训练完成的支持向量机进行分类识别,得到分类识别结果。
2.根据权利要求1所述的一种基于Wi-Fi信号的人体活动感知识别方法,其特征在于,所述Wi-Fi信号从发射端发射,经过样本空间后由接收端接收,其中,所述样本空间为人体活动场景空间。
4.根据权利要求1所述的一种基于Wi-Fi信号的人体活动感知识别方法,其特征在于,所述第一粗略特征包括幅值直方图特征,第二粗略特征包括幅值直方图特征、相位直方图特征、快速傅里叶变换幅值特征。
5.根据权利要求1所述的一种基于Wi-Fi信号的人体活动感知识别方法,其特征在于,所述信道状态信息数据在时间域上基于信道状态信息数据、数据包采样频率、信号中心频率、带宽、频点数划分为多段。
6.根据权利要求1所述的一种基于Wi-Fi信号的人体活动感知识别方法,其特征在于,所述空间交替的广义期望最大化算法为:
对于给定观测值h(m),输出多维多径信号参数Θ的极大似然估计,其中待估计的参数为Θ={θ1,θ1,......,θ1},τ1、φ1和是第1条路径的飞行时间、单位方向向量到达角和多普勒频移,α1为第1条路径的复振幅,Θ的对数似然函数为:
其中,L是多径分量的总数,S1是第1条路径的信号;
所求极大似然估计问题为:
在期望E步骤中,对第1条径,有期望函数:
在最大化M步骤中,对第1条径,有系列最大化函数:
其中,T、F、A分别是采样数据包、子载波和接收传感器的数量;
Θ被初始化为0,一次迭代时,对L条径分别执行期望步骤和最大化步骤,更新参数,当Θ的估计收敛时,即连续估计之间的差在预定义的阈值∈内时,迭代结束,得到L条径的参数估计值。
7.根据权利要求1所述的一种基于Wi-Fi信号的人体活动感知识别方法,其特征在于,若采集数据为信道状态信息数据,则样本的特征集包括第一精细特征、相关性人工特征、能量谱人工特征和信道参数特征;若采集数据为正交频分复用符号流数据,则样本的特征集包括第二精细特征。
9.一种基于Wi-Fi信号的人体活动感知识别装置,包括存储器、处理器,以及存储于所述存储器中的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。
10.一种存储介质,其上存储有程序,其特征在于,所述程序被执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210590498.6A CN115134848A (zh) | 2022-05-26 | 2022-05-26 | 基于Wi-Fi信号的人体活动感知识别方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210590498.6A CN115134848A (zh) | 2022-05-26 | 2022-05-26 | 基于Wi-Fi信号的人体活动感知识别方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115134848A true CN115134848A (zh) | 2022-09-30 |
Family
ID=83377620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210590498.6A Pending CN115134848A (zh) | 2022-05-26 | 2022-05-26 | 基于Wi-Fi信号的人体活动感知识别方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115134848A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148309A (zh) * | 2023-11-01 | 2023-12-01 | 德心智能科技(常州)有限公司 | 应用于社区网格巡查的毫米波雷达人体感知方法及系统 |
-
2022
- 2022-05-26 CN CN202210590498.6A patent/CN115134848A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148309A (zh) * | 2023-11-01 | 2023-12-01 | 德心智能科技(常州)有限公司 | 应用于社区网格巡查的毫米波雷达人体感知方法及系统 |
CN117148309B (zh) * | 2023-11-01 | 2024-01-30 | 德心智能科技(常州)有限公司 | 应用于社区网格巡查的毫米波雷达人体感知方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yousefi et al. | A survey on behavior recognition using WiFi channel state information | |
Zhou et al. | Device-free presence detection and localization with SVM and CSI fingerprinting | |
CN106407905B (zh) | 基于机器学习的无线感知动作识别方法 | |
Ali et al. | Recognizing keystrokes using WiFi devices | |
Zhou et al. | Device-free localization based on CSI fingerprints and deep neural networks | |
Zhang et al. | WiFi-based cross-domain gesture recognition via modified prototypical networks | |
Shi et al. | Human activity recognition using deep learning networks with enhanced channel state information | |
CN109947238B (zh) | 一种基于wifi的非合作式手势识别的方法 | |
CN110414468B (zh) | WiFi环境下基于手势信号的身份验证方法 | |
CN110072186B (zh) | 基于属性独立的加权朴素贝叶斯室内定位方法 | |
Zhang et al. | CSI-based human activity recognition with graph few-shot learning | |
CN113453180B (zh) | 一种人体摔倒智能检测方法、系统、信息数据处理终端 | |
CN113051972A (zh) | 一种基于WiFi的手势识别系统 | |
Feng et al. | Evaluation and improvement of activity detection systems with recurrent neural network | |
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 | |
CN111901028B (zh) | 一种基于多天线上csi的人体行为识别方法 | |
CN109902554B (zh) | 一种基于商用Wi-Fi的手语的识别方法 | |
Bahadori et al. | ReWiS: Reliable Wi-Fi sensing through few-shot multi-antenna multi-receiver CSI learning | |
CN112733609A (zh) | 一种基于离散小波变换的领域自适应Wi-Fi手势识别方法 | |
Uysal et al. | RF-Wri: An efficient framework for RF-based device-free air-writing recognition | |
Zhu et al. | Wi-ATCN: Attentional temporal convolutional network for human action prediction using WiFi channel state information | |
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 | |
CN114639169B (zh) | 基于注意力机制特征融合与位置无关的人体动作识别系统 | |
Yousefi et al. | A survey of human activity recognition using wifi CSI | |
Shi et al. | Deep learning networks for human activity recognition with CSI correlation feature extraction |
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 |