CN116028885A - 基于信道状态信息的跌倒检测方法、系统、设备及介质 - Google Patents
基于信道状态信息的跌倒检测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116028885A CN116028885A CN202310106918.3A CN202310106918A CN116028885A CN 116028885 A CN116028885 A CN 116028885A CN 202310106918 A CN202310106918 A CN 202310106918A CN 116028885 A CN116028885 A CN 116028885A
- Authority
- CN
- China
- Prior art keywords
- sample
- data
- information
- stage
- random forest
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 230000009471 action Effects 0.000 claims abstract description 49
- 238000007637 random forest analysis Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 238000007635 classification algorithm Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 38
- 238000003066 decision tree Methods 0.000 claims description 36
- 238000005259 measurement Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 125000003275 alpha amino acid group Chemical group 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明涉及跌倒检测的技术领域，具体涉及基于信道状态信息的跌倒检测方法、系统及存储介质；采用的技术方案包括：S10，获取实验者的样本动作数据，得到多个包含信道信息的数据包文件；S20，对数据包文件进行预处理，提取出信道信息中每个子载波对应的幅值信息和相位信息；S30，分别对幅值信息和相位信息的特征值进行提取，得到样本的特征值矩阵；S40，采用经典多维尺度分析算法对样本的特征值矩阵进行特征降维，得到样本数据集；S50，采用两阶段分类算法和随机森林树算法对样本数据集进行动作分类，得到样本动作的分类结果；具有能够有效提高判断准确度的有益效果。
Description
技术领域
本发明涉及跌倒检测的技术领域，具体涉及基于信道状态信息的跌倒检测方法、系统、设备及介质。
背景技术
近年来，无线通信技术迅猛发展，主要分为近距离无线通信技术和远距离无线通信技术，其中又以近距离无线通信技术中的无线宽带应用最为广泛。在此背景下，基于WiFi信号的人体行为感知技术引起了人们的广泛关注。
传统的关于人体行为感知技术的研究多数采用传感器或视觉手段，它们或需要布设昂贵的附加设备去支持功能实现，或计算量十分庞大，容易受到光照条件以及障碍物的影响，并且存在侵犯隐私的风险和视觉死角的问题；基于WiFi信号的人体行为感知技术具有非视距、被动感知、成本低、易部署、不受光照条件限制、扩展性强等一系列优势，可以很好地解决上述问题。
然而，基于WiFi信号的人体行为感知技术仍存在许多不足，例如：抗干扰性弱、利用接收信号强度RSS或接收信号强度指示RSSI获取信号强度来感知人体动作的正确率和准确率较低；除此以外，对该项技术的研究现状还存在着问题，如：信道状态信息CSI中对人体行为更加敏感的相位信息未被充分利用。
综上，在跌倒检测领域，一种能够联合相位信息和幅值信息、更好体现数据特征，提高判断准确度的方法和设备就显得尤为重要。
发明内容
有鉴于此，有必要针对的问题，提供一种能够有效提高判断准确度的基于信道状态信息的跌倒检测方法、系统、设备及介质。
本申请的第一个方面，提供了基于信道状态信息的跌倒检测方法，包括以下步骤：
S10，获取实验者的样本动作数据，得到多个包含信道信息的数据包文件；
S20，对数据包文件进行预处理，提取出信道信息中每个子载波对应的幅值信息和相位信息；
S30，分别对幅值信息和相位信息的特征值进行提取，得到样本的特征值矩阵；
S40，采用经典多维尺度分析算法对样本的特征值矩阵进行特征降维，得到样本数据集；
S50，采用两阶段分类算法和随机森林树算法对样本数据集进行动作分类，得到样本动作的分类结果。
本申请的第二个方面，提供了基于信道状态信息的跌倒检测系统，其特征在于，包括：
数据采集模块，用于获取实验者的样本动作数据，得到多个包含信道信息的数据包文件；
预处理模块，用于对数据包文件进行预处理，提取出信道信息中每个子载波对应的幅值信息和相位信息；
特征提取模块，用于分别对幅值信息和相位信息的特征值进行提取，得到样本的特征值矩阵；
特征降维模块，采用经典多维尺度分析算法对样本的特征值矩阵进行特征降维，得到样本数据集；
动作分类模块，采用两阶段分类算法和随机森林树算法对样本数据集进行动作分类，得到样本动作的分类结果。
本申请的第三个方面，提供了一种终端设备，包括：
处理器，适于实现各指令；以及
计算机可读存储介质，适于存储多条指令，所述指令适于由处理器加载并执行如上所述的基于信道状态信息的跌倒检测方法。
本申请的第四个方面，提供了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由处理器加载并执行如上所述的基于信道状态信息的跌倒检测方法。
本申请提供的技术方案的优点在于：
本申请利用无线网卡中细粒度识别的信道状态信息（CSI），能够较好的实现跌倒检测，在获得实验者的动作数据后，本申请可通过预处理、特征提取、特征降维后，通过采用两阶段分类算法和随机森林树算法对样本数据集进行动作分类，可以准确度较高的完成跌倒动作的检测，实用性极强。
附图说明
图1是本发明实施例提供的基于信道状态信息的跌倒检测方法的流程示意图；
图2是本发明实施例中一根天线的所有子载波的幅值示意图；
图3是本发明实施例中线性校准的效果示意图；
图4是本发明实施例中两个动作的相位差区别示意图；
图5是本发明实施例中CSI商的表达式解释图；
图6是本发明实施例中CSI商理想状况下的示意图；
图7是本发明实施例中衡量CSI相位动态成分变化的示意图；
图8是本发明实施例中离群点去除和滤波处理的效果示意图；
图9是本发明实施例中数据降维前后的识别准确率及运行时间对比示意图；
图10是本发明实施例中特征向量的pareto示意图；
图11是本发明实施例中步骤S50的流程示意图；
图12是本发明实施例中不同实验者的识别准确率示意图；
图13是本发明实施例中混淆矩阵的示意图；
图14是本申请与其它机器算法的识别准确率及运行时间对比示意图；
图15是本发明实施例中基于信道状态信息的跌倒检测系统的结构示意图；
图中：
10为数据采集模块，20为预处理模块，30为特征提取模块，40为特征降维模块，50为动作分类模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，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他实施例，都属于本发明保护的范围。
实施例一
参阅图1，基于信道状态信息的跌倒检测方法，包括以下步骤：
S10，获取实验者的样本动作数据，得到多个包含信道信息的数据包文件；
S20，对数据包文件进行预处理，提取出信道信息中每个子载波对应的幅值信息和相位信息；
S30，分别对幅值信息和相位信息的特征值进行提取，得到样本的特征值矩阵；
S40，采用经典多维尺度分析算法对样本的特征值矩阵进行特征降维，得到样本数据集；
S50，采用两阶段分类算法和随机森林树算法对样本数据集进行动作分类，得到样本动作的分类结果。
本申请利用无线网卡中细粒度识别的信道状态信息（CSI），能够较好的实现跌倒检测，在获得实验者的动作数据后，本申请可通过预处理、特征提取、特征降维后，通过采用两阶段分类算法和随机森林树算法对样本数据集进行动作分类，可以准确度较高的完成跌倒动作的检测，实用性极强。
需要说明的是，所述步骤S10，利用无线网卡进行数据采集，采集实验者的样本动作数据，得到多个包含信道信息的数据包文件；包括：
利用Intel 5300无线网卡进行数据收集，采集位于不同空间位置的不同实验者进行不同动作的动作数据样本。
本实施例中，所述步骤S20，包括：
S201，对数据包文件进行信道状态信息的提取，得到预处理初期数据；
其中，无线网卡上设置有3根天线，每根天线上对应有30个子载波；所述的初期数据为：90*data的矩阵；data为数据包文件中的数据包数量，90为3根天线与30个子载波的乘积；
S202，对预处理的初期数据进行中期处理，得到预处理中期数据；
所述的中期处理，包括：对初期数据取绝对值得到幅值信息，对初期数据进行解卷绕及校准得到相位信息；
S203，对预处理中期数据进行离群点去除和滤波处理，得到预处理终期数据。
参阅图2，在一个具体的实施例中，试验场地可设置9个测试点，对5位实验者收集不同测试点不同动作的数据，动作包含跌倒动作与弯腰动作，得到共2700个包含信道信息的数据包文件；每个数据包文件有600个数据包，即：对于每个数据包而言，包含有1根发射天线、3根接收天线，得到3条通信链路，每条通信链路有30个子载波，取3条通信链路的各30子载波，因此，对于每个数据包文件，得到90*600的矩阵。
需要说明的是，所述步骤S202中，所述校准包括：
对获得的相位信息进行线性校准；
对获得的相位信息进行CSI相位差校准；
对获得的相位信息进行CSI商校准。
参阅图3，对获得的相位信息进行线性校准；包括：
假设测得的CSI（信道状态信息）数据的第i个子载波的相位为，则有：
；
式中为真实相位；为接收机与发送机之间的时间偏移，这是引起相位误差的主要因素；为未知相位偏移；Z为测量过程引入的噪声；为第i路子载波的子载波指数；
在2.4G情况下即标准带宽为20MHz下，30个子载波对应的子载波指数分别为-28，-26，-24，...，-4，-2，-1，1，3，5，...，25，27，28；在5G情况下即标准带宽为40MHz下，30个子载波对应的子载波指数分别为-58，-54，-50，-46，...，46，50，54，58。
为了消除与的影响，定义两个量a与b：
假设子载波的频率是完全对称的，即有，则可以表示为
从测得的相位中减去线性变量，得到了移除随机相位偏移的真实相位的线性组合
这意味着，此时的相位信号不再包含随机噪声的误差项，虽然不是真实的CSI相位，而是真实相位的线性变换值，但是可以使用校准后相位信号的变化趋势来反映真实相位的波动情况。
这意味着校准后的相位的方差与真实相位方差之间只相差了一个与频率有关的常数倍数，因此校准后相位信号的变化趋势能反映真实相位的波动情况。
需要说明的是，由于信号采集设备自身无法避免的噪声等问题导致测量无法到达精确测量CSI的精度要求，因此除了对相位的解包裹和线性变换外，还需要从设备的角度考虑，去换取CSI信息精度的提升。
与单天线通信相比，多天线技术对通信质量的改进是很明显的，将多根天线接入同一个射频电路中，利用开源工具包计算每个天线接收到的无线信号的信噪比，选择最高的天线采集的信号作为接收信号，从而提高电路的通信质量。同时从算法设计的间接性的角度来看，使用CSI相位差作为信号去分析，不仅利用相位信息，同时也考虑到了信号的空间特性，比单纯使用CSI的相位分析具有更高的准确度。
参阅图4，本实施例中，对获得的相位信息进行CSI相位差校准；包括：
假设两根接收天线之间的相位差为，则可得
其中为真实相位差，为两根天线的相对时间偏移，为未知恒定相位差。
在一个具体的实施例中，由于WiFi设备（无线网卡）工作频道选择在载波的中心频率为2.4GHz，经计算两天线之间的收发时间偏移差接近于零，因此，可以忽略，并且可以通过处理变为零均值进行消除；因此，测得的接收端不同的接收天线之间的相位差的方差与真实相位差的方差相等。
需要说明的是，通过计算两个天线对之间的CSI数据流的商来校准相位，使得相位和周期对应起来，从而获得位移信息。
本实施例中，对获得的相位信息进行CSI商校准；包括：
假设接收到的子载波的信道状态信息值为：
其中，是CSI的静态成分；为动态成分，可以表示为；为随机相位噪声，可以表示为；为幅度噪声；则，信道状态信息值可以表示为
参阅图5，将两个天线对之间的CSI数据流进行作商处理，可得
令：，，，，；则：
由上可知，，相当于平移了；而相当于取复数的倒数；，相当于复数乘以一个复常数，等价于幅值缩放和角度旋转；最后的，相当于平移。
本实施例中，采用CSI商作为基信号来抑制随机相位偏差及幅度噪声并且保留真实CSI信息，同时还有获取位移信息的功能。
参阅图6，CSI理想情况下可以表示为静态成分加动态成分。
参阅图7，动态成分能反应CSI商相位变化，从而反应反射路径长度的变化，进而计算位移变化信息，通过计算弧线上每个位置的切线斜率变化来衡量动态成分的相位变化。
相位变化和反射路径长度差的关系为：
需要说明的是，由于外界环境的影响以及设备本身状态的变化会导致信号出现明显异常的突变，通过离群点去除技术能够对预处理中期数据去除明显异常的数据值。
参阅图8，本实施例中，所述步骤S203，离群点去除和滤波处理；包括：使用Hampel滤波器达到离群点去除的效果，Hampel滤波器可以找到异常数据值，并将其替换成更具有代表性的数据值，从而达到平滑数据的效果，得到离群点去除后的数据；之后，对离群点去除后的数据进行滤波，利用小波变换进行滤波，获得预处理终期数据。
需要说明的是，所述步骤S30中，分别从幅值和相位两个方面进行特征值提取；其中，所述样本的特征值矩阵中：
关于幅值信息的特征值包括：幅值均值、幅值标准差、幅值最大值、幅值最小值、幅值范围、幅值过均值点数、幅值第一分位数、幅值第三分位数、幅值四分位距、幅值偏度和幅值峭度。
关于相位信息的特征值包括：相位均值、相位标准差、相位四分位距、相位偏度和相位峭度；
得到样本的特征值矩阵之后，还可包括，对样本的特征值矩阵进行归一化处理。
本实施例中，均值表明数据样本计划的中间点（具体到幅值均值、相位均值，则分别表示幅值、相位数据样本计划的中间点；以下参数说明同上，在此不再赘述）；
标准差反映数据样本的离散程度；最大值和最小值分别表明数据样本中的最大值和最小值；范围为最大值减去最小值；过均值点数表明数据样本中超过均值的个数；第一分位数、第三分位数是数据样本排序后处于25%和75%位置上的值；四分位距为第三四分位数与第一四分位数的差值；偏度是三阶中心矩和标准差的三次方的比值，峭度是四阶中心矩和标准差的四次方的比值，两者描述数据样本的分布情况。
参阅图9，本实施例中，利用经典多维尺度分析技术(Classical MDS)将高维空间坐标中的数据投影到低维空间中，并保持数据彼此之间的相似性尽可能不变，其目的是降低后期分类过程中的计算成本，且能够代表原始特征值矩阵的数据分布。
需要说明的是，所述步骤S40，包括：
S401，根据样本的特征值矩阵，计算每两个动作对应的同一特征值之间的欧式距离，构建距离矩阵；具体为：
给定在原始空间的样本的特征值矩阵
式（1）中为第i个动作样本的第s个特征值；d为幅值特征值和相位特征值的总和；特征值的排序可为：幅值特征值在前，相位特征值在后。
在一个具体的实施例中，；当 时，为幅值特征值，当 时，为相位特征值；；
由欧氏距离公式（其中，并且）可得出距离矩阵：
S402，根据距离矩阵和样本的特征值矩阵，构建点积矩阵；包括：
假设降维后的矩阵为，其在低维空间，为n*k,其列数k远小于d，则：
式（3）中，为距离矩阵中的第i行第j列的元素，表示矩阵X的第i行所有元素和第j行所有元素，且。
设点积矩阵, 表示点积矩阵S第i行第j列的元素，其表示为的点积，即：，则式（3）可简化为：
式（4）中，表示矩阵X的第i行所有元素，和第j行所有元素，且，为的点积，为的点积，为的点积。
为数据分析简便，降维后的数据需为均值中心化，即矩阵X的各列或者各行之和为0，则点积矩阵的各行或者各列元素之和均为0，即；则：由式（4）可推导出以下公式：
其中,为点积矩阵的迹。
由式（5）、式（6）、式（7）可得出
将式（10）带入式（8）、式（9），并取负相加可得：
由式（4）可推导出：
将式（11）带入式（12）可得：
式（13）中，表示距离矩阵中所有元素平方后第i行的平均值，表示距离矩阵中所有元素平方后第j列的平均值，表示距离矩阵中所有元素平方后该距离平方矩阵的平均值；即：
式（14）中，是单位矩阵，是全1矩阵，是距离平方矩阵。
S403，对点积矩阵进行特征值分解，得到特征值和特征向量；包括：
S404，按照所述特征值从大到小的顺序，提取预设数量的多个特征值及对应的特征向量进行降维操作，得到样本数据集。
参阅图10，通过Pareto图可看到不同特征值对于数据样本分布贡献的占比，本实施例中，可选取超过95%的程度上描述A中数据分布的前q个特征值；
选取前q个较大的特征值的根号值和特征向量Q用于数据降维，即。
参阅图11，需要说明的是，所述步骤S50，包括：
S501，通过数据样本集中的样本训练集对第一阶段随机森林中的每棵决策树进行训练，得到第一阶段的随机森林树模型；
S502，将数据样本集中的样本验证集输入至第一阶段随机森林模型，得到每个特征值的重要性度量值；
S503，将特征值的重要性度量值与选择阈值进行比对，筛选出重要性度量值大于选择阈值的特征值；
S504，将筛选出的特征值作为更新后的数据样本集；
S505，通过更新后的数据样本集中的样本训练集对第二阶段随机森林中的每棵决策树进行训练，得到第二阶段的随机森林树模型；
S506，将更新后的数据样本集中的样本验证集输入至第二阶段随机森林模型，得到样本动作的分类结果。
本实施例中，所述步骤S501，包括：
S5011，设置第一阶段随机森林中的参数值，设置的参数值包括：决策树的数量T1、叶子数leaf1、选择阈值；
S5012，将数据样本集中随机选取样本，将随机选取的样本划分为样本训练集和样本测试集；
S5013，通过样本训练集对一颗决策树进行训练，得到决策模型；
循环执行步骤S5012~S5013，得到所有决策树对应的决策模型；
S5014，将所有决策模型组合在一起，形成第一阶段的随机森林树模型。
本实施例中，所述步骤S505，包括：
S5051，设置第二阶段随机森林中的参数值，设置的参数值包括：决策树的数量T2和叶子数leaf2；其中，leaf2的数量为：
；N为更新后的数据样本集中总特征值的数量；
S5052，将更新后的数据样本集中随机选取样本，将随机选取的样本划分为样本训练集和样本测试集；
S5053，通过步骤S5052中的样本训练集对一颗决策树进行训练，得到决策模型；
循环执行步骤S5052~S5053，得到所有决策树对应的决策模型；
S5054，将所有决策模型组合在一起，形成第二阶段的随机森林树模型。
需要说明的是，本申请利用两阶段分类算法和随机森林树算法（简称：2-stage-RF分类算法）实现动作分类。这个算法主要包括两个阶段；
第一阶段为：输入降维后的数据样本集，并设置第一阶段决策树T1、第一阶段叶子数leaf1和选择阈值ε，在第一阶段中，决策树T1和叶子数leaf1均设置成一个较小的数值；根据第一阶段的决策树T1进行循环；包括：
打乱数据样本集，并根据样本训练集：样本验证集= 7：3的比例进行分割，将样本训练集输入到当前第一阶段循环的决策树，得到决策模型；之后判断是否已经完成第一阶段所有决策树循环，是，则进入下一步，否则重新进行循环；
之后，结合所有决策模型得到第一阶段的随机森林树模型；
之后，将样本验证集放入第一阶段的随机森林树模型，根据重要性度量计算每个特征值的重要性，根据选择阈值筛选特征，保留重要性度量大于阈值的特征，其余特征则直接抛弃，本实施例中，可将阈值设置为0.001，导出筛选后的特征形成新的特征样本。
第二阶段为：输入新的特征样本（新的特征样本作为更新后的数据样本集），并设置第二阶段决策树T2、第二阶段最小叶子数leaf2，本实施例中，可将决策树数T2设置为100，最小叶子数leaf2为总特征值数开根号后的数据，即,其中（N为总特征值数）；根据第二阶段的决策树T2进行循环：包括：
打乱样本数据集，并根据样本训练集：样本验证集=7：3的比例进行分割，将样本训练集输入到当前第二阶段循环的决策树，得到决策模型；之后判断是否已经完成第二阶段所有决策树循环，是则进入下一步，否则重新进行循环；
之后，输入样本验证集，得到分类结果准确率。
参阅图12，采用本申请提供的方法，对于不同实验者，其准确率均在95%以上。
参阅图13，采用本申请提供的方法，混淆矩阵图可知，识别准确率平均值达到97.6%
本申请中，利用相同数据集将三种机器学习算法在识别准确率以及运行时间两方面进行了对比，参阅图14，可知，相比于支持向量机（SVM）和K邻近（KNN）分类算法，2-stage-RF分类算法（本申请）的识别准确率最高；在运行时间方面，支持向量机（SVM）分类算法的运行时间最长，K邻近（KNN）分类算法的运行时间最短，但是K邻近（KNN）分类算法的识别准确率最低。
因此，综合来看，2-stage-RF分类算法的识别准确率高，运行时间短，为这三种分类算法的最佳算法。
参阅图15，本申请还提供了基于信道状态信息的跌倒检测系统，包括：
数据采集模块10，用于利用无线网卡进行数据采集，采集实验者的样本动作数据，得到多个包含信道信息的数据包文件；
预处理模块20，用于对数据包文件进行预处理，提取出信道信息中每个子载波对应的幅值信息和相位信息；
特征提取模块30，用于分别对幅值信息和相位信息的特征值进行提取，得到样本的特征值矩阵；
特征降维模块40，采用经典多维尺度分析算法对样本的特征值矩阵进行特征降维，得到样本数据集；
动作分类模块50，采用两阶段分类算法和随机森林树算法对样本数据集进行动作分类，得到样本动作的分类结果。
本申请中，所述动作分类模块50，包括：
通过数据样本集中的样本训练集对第一阶段随机森林中的每棵决策树进行训练，得到第一阶段的随机森林树模型；
将数据样本集中的样本验证集输入至第一阶段随机森林模型，得到每个特征值的重要性度量值；
将特征值的重要性度量值与选择阈值进行比对，筛选出重要性度量值大于选择阈值的特征值；
将筛选出的特征值作为更新后的数据样本集；
通过更新后的数据样本集中的样本训练集对第二阶段随机森林中的每棵决策树进行训练，得到第二阶段的随机森林树模型；
将更新后的数据样本集中的样本验证集输入至第二阶段随机森林模型，得到样本动作的分类结果。
需要说明的是，所述通过数据样本集中的样本训练集对第一阶段随机森林中的每棵决策树进行训练，得到第一阶段的随机森林树模型，包括：
设置第一阶段随机森林中的参数值，设置的参数值包括：决策树的数量T1、叶子数leaf1、选择阈值；
将数据样本集中随机选取样本，将随机选取的样本划分为样本训练集和样本测试集；通过样本训练集对一颗决策树进行训练，得到决策模型；
循环执行上一步骤，得到所有决策树对应的决策模型；
将所有决策模型组合在一起，形成第一阶段的随机森林树模型。
需要说明的是，所述通过更新后的数据样本集中的样本训练集对第二阶段随机森林中的每棵决策树进行训练，得到第二阶段的随机森林树模型，包括：
设置第二阶段随机森林中的参数值，设置的参数值包括：决策树的数量T2和叶子数leaf2；其中，leaf2的数量为：；N为更新后的数据样本集中总特征值的数量；
将更新后的数据样本集中随机选取样本，将随机选取的样本划分为样本训练集和样本测试集；通过样本训练集对一颗决策树进行训练，得到决策模型；
循环执行上一步骤，得到所有决策树对应的决策模型；
将所有决策模型组合在一起，形成第二阶段的随机森林树模型。
需要说明的是，所述预处理模块20，包括：
对数据包文件进行信道状态信息的提取，得到预处理初期数据；其中，无线网卡上设置有3根天线，每根天线上对应有30个子载波；所述的初期数据为：90*data的矩阵；data为数据包文件中的数据包数量，90为3根天线与30个子载波的乘积；
对预处理的初期数据进行中期处理，得到预处理中期数据；所述的中期处理，包括：对初期数据取绝对值得到幅值信息，对初期数据进行解卷绕及校准得到相位信息；
对预处理中期数据进行离群点去除和滤波处理，得到预处理终期数据。
本实施例中，所述校准包括：对获得的相位信息进行线性校准；对获得的相位信息进行CSI相位差校准；对获得的相位信息进行CSI商校准。
需要说明的是，所述特征降维模块40，包括：
根据样本的特征值矩阵，计算每两个动作对应的同一特征值之间的欧式距离，构建距离矩阵；
根据距离矩阵和样本的特征值矩阵，构建点积矩阵；
对点积矩阵进行特征值分解，得到特征值和特征向量；
按照所述特征值从大到小的顺序，提取预设数量的多个特征值及对应的特征向量进行降维操作，得到样本数据集。
此外，本申请还提供了一种终端设备，包括：
处理器，适于实现各指令；以及
计算机可读存储介质，适于存储多条指令，所述指令适于由处理器加载并执行如上所述的基于信道状态信息的跌倒检测方法。
此外，本申请还提供了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由处理器加载并执行如上所述的基于信道状态信息的跌倒检测方法。
所述计算机可读存储介质，可包括：U盘、移动硬盘、只读存储器(ROM，Read -OnlyMemory)、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。
本发明还提供了一种电子设备，所述电子设备包括：
处理器，适于实现各指令；以及
计算机可读存储介质，适于存储多条指令，所述指令适于由处理器加载并执行如上述的基于信道状态信息的跌倒检测方法。
所述电子设备可以是各种终端设备，例如：台式电脑、手提电脑等，具体可以通过软件和/或硬件来实现。
综上所述，本申请提供的基于信道状态信息的跌倒检测方法、系统、设备及介质，能够有效提高判断准确度，可有效应用于跌倒检测领域。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.基于信道状态信息的跌倒检测方法，其特征在于，包括以下步骤：
S10，获取实验者的样本动作数据，得到多个包含信道信息的数据包文件；
S20，对数据包文件进行预处理，提取出信道信息中每个子载波对应的幅值信息和相位信息；
S30，分别对幅值信息和相位信息的特征值进行提取，得到样本的特征值矩阵；
S40，采用经典多维尺度分析算法对样本的特征值矩阵进行特征降维，得到样本数据集；
S50，采用两阶段分类算法和随机森林树算法对样本数据集进行动作分类，得到样本动作的分类结果。
2.根据权利要求1所述的基于信道状态信息的跌倒检测方法，其特征在于，所述步骤S50，包括：
S501，通过数据样本集中的样本训练集对第一阶段随机森林中的每棵决策树进行训练，得到第一阶段的随机森林树模型；
S502，将数据样本集中的样本验证集输入至第一阶段随机森林模型，得到每个特征值的重要性度量值；
S503，将特征值的重要性度量值与选择阈值进行比对，筛选出重要性度量值大于选择阈值的特征值；
S504，将筛选出的特征值作为更新后的数据样本集；
S505，通过更新后的数据样本集中的样本训练集对第二阶段随机森林中的每棵决策树进行训练，得到第二阶段的随机森林树模型；
S506，将更新后的数据样本集中的样本验证集输入至第二阶段随机森林模型，得到样本动作的分类结果。
3.根据权利要求2所述的基于信道状态信息的跌倒检测方法，其特征在于，所述步骤S501，包括：
S5011，设置第一阶段随机森林中的参数值，设置的参数值包括：决策树的数量T1、叶子数leaf1、选择阈值；
S5012，将数据样本集中随机选取样本，将随机选取的样本划分为样本训练集和样本测试集；
S5013，通过样本训练集对一颗决策树进行训练，得到决策模型；
循环执行步骤S5012~S5013，得到所有决策树对应的决策模型；
S5014，将所有决策模型组合在一起，形成第一阶段的随机森林树模型。
4.根据权利要求3所述的基于信道状态信息的跌倒检测方法，其特征在于，所述步骤S505，包括：
S5051，设置第二阶段随机森林中的参数值，设置的参数值包括：决策树的数量T2和叶子数leaf2；其中，leaf2的数量为：
；N为更新后的数据样本集中总特征值的数量；
S5052，将更新后的数据样本集中随机选取样本，将随机选取的样本划分为样本训练集和样本测试集；
S5053，通过步骤S5052中的样本训练集对一颗决策树进行训练，得到决策模型；
循环执行步骤S5052~S5053，得到所有决策树对应的决策模型；
S5054，将所有决策模型组合在一起，形成第二阶段的随机森林树模型。
5.根据权利要求1所述的基于信道状态信息的跌倒检测方法，其特征在于，所述步骤S20，包括：
S201，对数据包文件进行信道状态信息的提取，得到预处理初期数据；
其中，无线网卡上设置有3根天线，每根天线上对应有30个子载波；所述的初期数据为：90*data的矩阵；data为数据包文件中的数据包数量，90为3根天线与30个子载波的乘积；
S202，对预处理的初期数据进行中期处理，得到预处理中期数据；
所述的中期处理，包括：对初期数据取绝对值得到幅值信息，对初期数据进行解卷绕及校准得到相位信息；
S203，对预处理中期数据进行离群点去除和滤波处理，得到预处理终期数据。
6.根据权利要求5所述的基于信道状态信息的跌倒检测方法，其特征在于，所述步骤S202中，所述校准包括：
对获得的相位信息进行线性校准；
对获得的相位信息进行CSI相位差校准；
对获得的相位信息进行CSI商校准。
7.根据权利要求1所述的基于信道状态信息的跌倒检测方法，其特征在于，所述步骤S40，包括：
S401，根据样本的特征值矩阵，计算每两个动作对应的同一特征值之间的欧式距离，构建距离矩阵；
S402，根据距离矩阵和样本的特征值矩阵，构建点积矩阵；
S403，对点积矩阵进行特征值分解，得到特征值和特征向量；
S404，按照所述特征值从大到小的顺序，提取预设数量的多个特征值及对应的特征向量进行降维操作，得到样本数据集。
8.基于信道状态信息的跌倒检测系统，其特征在于，包括：
数据采集模块（10），获取实验者的样本动作数据，得到多个包含信道信息的数据包文件；
预处理模块（20），用于对数据包文件进行预处理，提取出信道信息中每个子载波对应的幅值信息和相位信息；
特征提取模块（30），用于分别对幅值信息和相位信息的特征值进行提取，得到样本的特征值矩阵；
特征降维模块（40），采用经典多维尺度分析算法对样本的特征值矩阵进行特征降维，得到样本数据集；
动作分类模块（50），采用两阶段分类算法和随机森林树算法对样本数据集进行动作分类，得到样本动作的分类结果。
9.一种终端设备，其特征在于：包括：
处理器，适于实现各指令；以及
计算机可读存储介质，适于存储多条指令，所述指令适于由处理器加载并执行如权利要求1至7任一项所述的基于信道状态信息的跌倒检测方法。
10.一种计算机可读存储介质，其中存储有多条指令，其特征在于：所述指令适于由处理器加载并执行如权利要求1至7任一项所述的基于信道状态信息的跌倒检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310106918.3A CN116028885A (zh) | 2023-02-14 | 2023-02-14 | 基于信道状态信息的跌倒检测方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310106918.3A CN116028885A (zh) | 2023-02-14 | 2023-02-14 | 基于信道状态信息的跌倒检测方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116028885A true CN116028885A (zh) | 2023-04-28 |
Family
ID=86073900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310106918.3A Pending CN116028885A (zh) | 2023-02-14 | 2023-02-14 | 基于信道状态信息的跌倒检测方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116028885A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116528358A (zh) * | 2023-06-30 | 2023-08-01 | 华南师范大学 | 一种基于Wi-Fi的跌倒定位联合检测方法、装置和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401507A (zh) * | 2020-03-12 | 2020-07-10 | 大同公元三九八智慧养老服务有限公司 | 一种自适应决策树跌倒检测方法及系统 |
| CN112990026A (zh) * | 2021-03-19 | 2021-06-18 | 西北大学 | 基于对抗训练的无线信号感知模型构建、感知方法及系统 |
| CN115345209A (zh) * | 2022-10-20 | 2022-11-15 | 华南师范大学 | 基于模型融合的手势识别方法、系统和存储介质 |
-
2023
- 2023-02-14 CN CN202310106918.3A patent/CN116028885A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401507A (zh) * | 2020-03-12 | 2020-07-10 | 大同公元三九八智慧养老服务有限公司 | 一种自适应决策树跌倒检测方法及系统 |
| CN112990026A (zh) * | 2021-03-19 | 2021-06-18 | 西北大学 | 基于对抗训练的无线信号感知模型构建、感知方法及系统 |
| CN115345209A (zh) * | 2022-10-20 | 2022-11-15 | 华南师范大学 | 基于模型融合的手势识别方法、系统和存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| DAN WU ET AL.: "FingerDraw: Sub-wavelength Level Finger Motion Tracking with WiFi Signals", PROC. ACM INTERACT. MOB. WEARABLE UBIQUITOUS TECHNOL., vol. 4, no. 1, pages 1 - 27 * |
| TAO ZHANG ET AL.: "WiGrus: A Wifi-Based Gesture Recognition System Using Software-Defined Radio", IEEE ACCESS, vol. 7, 11 September 2019 (2019-09-11), pages 131102 - 131113, XP011746999, DOI: 10.1109/ACCESS.2019.2940386 * |
| YOUWEI ZENG ET AL.: "FarSense:Pushing the range limit of Wi Fi-based respiration sensing with CSI ratio of two antennas", ARXIV:1907.03994V3, pages 1 - 26 * |
| 冉凌鎛: "基于信道状态信息的手势识别方法研究", 万方学位论文, pages 25 - 27 * |
| 杨举: "WLAN下基于CSI的单点定位算法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 2, pages 136 - 994 * |
| 马铭: "基于CSI的动作识别系统的研究与实现", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 1, pages 138 - 3051 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116528358A (zh) * | 2023-06-30 | 2023-08-01 | 华南师范大学 | 一种基于Wi-Fi的跌倒定位联合检测方法、装置和系统 |
| CN116528358B (zh) * | 2023-06-30 | 2023-09-12 | 华南师范大学 | 一种基于Wi-Fi的跌倒定位联合检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111475680A (zh) | 检测异常高密子图的方法、装置、设备及存储介质 | |
| US20150363699A1 (en) | Method for Anomaly Detection in Time Series Data Based on Spectral Partitioning | |
| US10496730B2 (en) | Factor analysis device, factor analysis method, and factor analysis program | |
| CN115455089B (zh) | 一种无源组件的性能评估方法、系统及存储介质 | |
| US20080010330A1 (en) | Method and system for detecting difference between plural observed results | |
| US20120190977A1 (en) | Classification of microwave scattering data | |
| WO2012160350A1 (en) | System monitor and method of system monitoring | |
| CN104462217A (zh) | 一种基于分段统计近似表示的时间序列相似性度量方法 | |
| Xiao-Feng et al. | Fine-grained permutation entropy as a measure of natural complexity for time series | |
| CN116028885A (zh) | 基于信道状态信息的跌倒检测方法、系统、设备及介质 | |
| US20200341454A1 (en) | Factor analysis method, factor analysis device, and factor analysis program | |
| US20210357727A1 (en) | Abnormality detection device | |
| CN109829494A (zh) | 一种基于加权相似性度量的聚类集成方法 | |
| CN111401420B (zh) | 晶圆测试的异常数据聚类方法、装置、电子设备与介质 | |
| CN113624694A (zh) | 一种大气甲烷浓度的反演方法和装置 | |
| CN116842330B (zh) | 一种可对比历史记录的保健信息处理方法及装置 | |
| CN104615903B (zh) | 一种模型自适应的nmr代谢组学数据归一化方法 | |
| CN111191475A (zh) | 一种基于uhf rfid的被动式行为识别方法 | |
| Zhong et al. | Fault diagnosis of motor bearing using self-organizing maps | |
| CN114694771A (zh) | 样品分类方法、分类器的训练方法、设备和介质 | |
| Wang et al. | Plant Species Identification Based on Independent Component Analysis for Hyperspectral Data. | |
| KR101381655B1 (ko) | 시계열 데이터의 비학습적 마이닝 방법 및 이를 지원하는 단말기 | |
| CN114364016B (zh) | 基于aoa和rssi加权指纹特征匹配室内定位方法、装置及系统 | |
| CN117367751B (zh) | 超脉冲掺铥激光器的性能检测方法及装置 | |
| CN117373556B (zh) | 一种基于多维数据的溯源仪器及系统 |
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 |