CN116244673A - 一种基于无线信号的行为与身份识别方法 - Google Patents
一种基于无线信号的行为与身份识别方法 Download PDFInfo
- Publication number
- CN116244673A CN116244673A CN202211571242.7A CN202211571242A CN116244673A CN 116244673 A CN116244673 A CN 116244673A CN 202211571242 A CN202211571242 A CN 202211571242A CN 116244673 A CN116244673 A CN 116244673A
- Authority
- CN
- China
- Prior art keywords
- human body
- behavior
- wireless signals
- features
- identity recognition
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
- G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
- H04L63/0861—Network architectures or network communication protocols for network security for authentication of entities using biometrical features, e.g. fingerprint, retina-scan
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/06—Authentication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于无线信号的行为与身份识别方法,涉及无线网络与行为识别技术领域,方法包括收集人体信号、去除噪声、片段分割、特征提取,所述去除噪声中的噪声包括离群点检测和滤波、数据插值、远端多径信号、天线对融合和子载波选择,所述片段分割包括方差和短时能量检测、一阶差分检测,所述特征提取包括自建特征、建立神经网络特征、组合特征;人体各部位对无线信号的反射会通过不同的路径传播,产生不同的速度,并且各部位的协作共同构成了动作行为,因此通过分析反映不同部位运动速度的无线信号与特定人体活动之间的相关性,可以实现人体行为动作的识别。
Description
技术领域
本发明涉及无线网络与行为识别技术领域,更具体的是涉及基于无线信号的行为与身份识别方法。
背景技术
身份识别技术广泛应用于安防、智能家居和健康监测等多个领域。传统的身份识别技术主要基于身份标识物品、虹膜、指纹和视觉设备进行识别,在某种程度上具有一定的局限性。利用虹膜、指纹等生物特征进行身份识别时,需要被检测人员去主动接触专用设备,需要提前部署专用设备,而专用设备的价格较高,导致了身份识别成本较大;视觉设备在进行身份识别时视线不能穿墙、存在视觉死角,并且容易侵犯个人隐私,甚至发生严重的隐私泄露。因此,基于无线信号的识别技术应运而生。无线信号具有穿透力强、可用于可视与非视距的环境、部署成本低廉等优点,将无线技术引入到身份识别中能够有效弥补传统身份识别技术所带来的不足。
当前基于无线信号的身份识别技术,通过单个或几个非接触感知设备完成相关定制化的智能处理,因此会迫使设计人员想方设法不断提升单个非接触式感知设备的计算/处理能力,功能固定,不能适应动态扩展的需求。同时由于不能充分利用周边环境提供的数据因而不能实现“群智”感知的效果。
发明内容
本发明的目的在于:为了解决上述技术问题,本发明提供一种基于无线信号的行为与身份识别方法。
本发明为了实现上述目的具体采用以下技术方案:一种基于无线信号的行为与身份识别方法,方法包括收集人体信号、去除噪声、片段分割、特征提取,所述去除噪声中的噪声包括离群点检测和滤波、数据插值、远端多径信号、天线对融合和子载波选择,所述片段分割包括方差和短时能量检测、一阶差分检测,所述特征提取包括自建特征、建立神经网络特征、组合特征。
优选的,所述收集人体信号中的信号包括人体生理特征与活动特征。
优选的,所述离群点检测和滤波采用低通滤波器、巴特沃斯滤波器、小波变换去噪滤除高频噪声。
优选的,所述远端多径干扰信号通过阈值处理下的数据,再使用短时傅里叶变换Wi F i转换回信道频率响应,以消除远端多径信号。
优选的,所述自建特征包括统计特征、波形特征、时频图、人体无线电生物特征。
优选的,所述统计特征包括对原始数据波形在时域与频域分析计算的统计结果。
优选的,所述组合特征采用将自建特征与神经网络特征相组合的方法。
本发明的有益效果如下:
1、利用雷达多天线感知信号,提取室内人物的位置信息与体征参数,通过持续不断提取和定位人物的行为特征参数,进而构建无线环境下人体3D时空体;
2、基于无线感知I Transfomer网络构建非接触式感知数据边缘计算模型,传输至云端后,与云端计算模式协同构建云边协同计算矩阵,进而提高非接触式条件下人物行为动作与体征感知数据的计算效率。
附图说明
图1是基于Wi F i信号的身份识别原理图;
图2是基于Wi Fi信号的身份识别特征分类图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明,在此本发明的示意性实施例以及说明来解释本发明,但并不作为对本发明的限定。
实施例1
本发明提供以下技术方案:一种基于无线信号的行为与身份识别方法,方法包括收集人体信号、去除噪声、片段分割、特征提取,所述去除噪声中的噪声包括离群点检测和滤波、数据插值、远端多径信号、天线对融合和子载波选择,所述片段分割包括方差和短时能量检测、一阶差分检测,所述特征提取包括自建特征、建立神经网络特征、组合特征。
本实施例中:如图1所示,使用静态传播模型描述接收端信号强度与反射路径长度之间的关系,用动态传播模型描述无线信号与人体活动之间的关系,其中动态模型通过分析人体运动过程中的路径变化描述信号频率变化与人体运动速度之间的映射关系,为身份识别的研究提供理论支撑。人体生理或活动特征,如人脸、指纹、姿势和步态等,具有一定的独特性和唯一性,能够充分反映人的身份。其中,活动特征依赖于用户习惯,具有安全性高、不易复制的优点,多数身份识别便是在活动识别的基础上实现的。由于人体各部位对无线信号的反射会在不同的路径传播,产生不同的速度,并且各部位的协作共同构成了活动,因此通过分析反映不同部位运动速度的无线信号与特定人体活动之间的相关性,便可以实现活动识别。人的体型与动作习惯不同,使得每个人不同部位的运动速度及模式具有独一无二的特征,通过分析反映人体活动的无线信号鉴别人的身份。
一、去除噪声:由于反射数据中存在大量噪声,影响识别准确度,首先需要对数据进行预处理操作。根据噪声来源的不同分为以下噪声:
1.离群点检测和滤波
设备硬件的自身缺陷会导致信号出现脱离一般水平的点,即离群点。滤波器通过预设数据区间范围有效去除离群点。环境中存在的噪声使得信号产生高频率的脉冲和突发噪声等。而人体活动引起的信号频率分布在低频段,因此可以采用低通滤波器、巴特沃斯滤波器、小波变换去噪等滤除高频噪声;
2.数据插值
在数据采集过程中,常常会发生数据丢失或时延现象,对数据进行插值处理能够获取时间上均匀分布的数据。线性插值算法分析数据在有限区间的取值情况,对相邻K个取值进行计算,估计出不连续点的近似值进行插值,实现时间维度的统一;
3.远端多径信号的消除;
无线信号在传输过程中受到来自远处物体或人的影响,收集到的数据增加了有效区域以外的多径传播干扰。信道脉冲响应WiFi提供信号接收的延迟特性,通过阈值处理下的数据,再使用短时傅里叶变换WiFi转换回信道频率响应,便可得到消除远端多径的数据。消除远端多径可以更多地关注有效范围内的人体活动;
4.天线对融合和子载波选择
设备在接收无线信号时使用的是多输入多输出WiFi技术,但每对天线对的数据对特定环境的敏感度不同,多采用多天线融合方法投票决策。同时,数据提供了较多的子载波进行通信,然而子载波中也存在不敏感数据,容易覆盖人体活动特征,常常使用协方差计算、动态时间归整等方法去除不敏感数据,增强信号与人体活动的相关性。通过对原始数据进行数据处理,可以去除不同噪声对人体活动识别的干扰,获得有效的数据,便于后续的信号分段和特征提取
二、片段分割:在感知数据采集的过程中,需要将感知的活动与含有用户信息的有效数据匹配。因此,需要对连续信号分段获取有效的片段。由于外部环境、信号功率等变化,时间维度特征的性能会有所下降,而相邻子载波之间的相关性不会发生变化,因此可以通过主成分特征向量的一阶差分检测实现非视距下的有效片段分割。
1.方差和短时能量检测
当无线感知空间为无人活动或静态环境时,波形变化较为平稳;当感知空间中有人出现时,波形发生明显波动。方差能够体现数据波动的程度。短时能量为数据的平方,一定程度表示数据的波动。将方差或者短时能量序列最大值作为中点,设定阈值判断是否有人员存在,选取合适的时间区间,便能够获取活动有效片段;
2.一阶差分检测
一阶差分可以反映相邻数据之间的相关性,主成分的特征向量在动态环境中相关性较强,可以通过计算主成分的特征向量一阶差分或者一阶差分与其他分段方法的结合实现数据分段。
三、特征提取(如图2所示)
有效活动片段提取后的数据庞大,如果直接进行特征提取,不仅计算量大,也会影响识别的准确率,在基于Wi Fi信号的身份识别中,根据特征的获取方式,将特征分为自建特征、神经网络特征和组合特征。
1.自建特征:自建特征经过分析原始数据特点,并结合经验性的观察来获取。它主要有统计特征、波形特征、时频图、人体无线电生物特征等。
(1)统计特征:统计特征是对原始数据波形在时域与频域分析计算的统计结果。时域特征表示数据波形的形式,直接从原始波形中提取;频域特征代表数据能量的分布信息,需要对数据进行傅里叶变换得到。常见的时频域特征有最大值、最小值、平均值、频率峰值、信号能量和频谱概率等。统计特征在识别研究中最为常见,通过计算特征的信息增益,对统计特征进行选择和降维,得到更加有代表性的特征和较低的计算量;
(2)波形特征:波形特征是通过对原始波形进行特定算法转换得到,它包含着人体活动在时频域的特点,能够显著降低特征维度,具有较强的身份信息代表性。用于WiFi信号身份识别的波形特征主要有小波近似系数、固有模态函数等。其中,小波近似系数通过小波变换得到,体现了数据的局部特征;逻辑回归的可解释性以及抗噪能力较强,但获取方式复杂,需要预先设定波形的最大长度和最小长度,将其所有长度作为序列分类运算,并选取较优结果所对应的特征。波形特征的特征维度高,获取方式较统计特征复杂,但能够直观体现波形特点,具有较强的可解释性;
(3)时频图:时频图通过对数据进行变换得到。基于时间序列分析模型的研究,提取时频图中的频率时间序列,利用c=f×λ/2计算出相对应的速度时间子序列作为特征实现身份识别,其中c是人体活动速度,f是信号的频率,λ是信号的波长。另外,由于时频图具有清晰的颜色、纹理等,也可以提取无线图像特征进行身份鉴定。时频图不仅可以使用动态模型对数据进行分析,还可以提取图像信息,与计算机视觉相结合,提供新的信号分析途径;
(4)人体无线电生物特征:无线信号在人体周围的传播高度依赖于其生理特征、含水量和其他生物组织等,因此不同人体造成无线信号的衰减和改变不同。人体无线电生物特征记录了电磁波与人体之间的相互作用,并且能够被映射到时间反演出三维空间特征。
2.神经网络特征:神经网络通过仿照人类的神经元,设置合适的网络深度,可自动实现数据的逐层特征提取,基于WiFi信号的身份识别特征分类使用卷积层和长短期记忆人工神经系统层直接对原始数据分段并提取各段特征,利用分类器实现了个人的身份识别。
3.组合特征:组合特征是基于不同特征在身份识别中的优势,根据人体活动特点和实际需求,将特征组合或再训练,实现低计算量、高准确率的感知识别。将统计特征与小波系数相结合,并使用算法对特征选择,保留具有正权值的特征,实现了个人的身份识别,当人数从增加到时,识别率由变为。自建特征需要人类对数据进行细致的观察和分析,特征的可解释性强,但需要手动提取。神经网络则可以直接对数据提取深层次特征,获取方式简单快捷,是未来发展的重要方向。将自建特征与神经网络特征相组合,可以发挥两者的优势,对于特殊场景使用自建特征得到场景相对应的有效特征,再使用神经网络得到活动的深层次特征,往往可以得到较高的识别效果。
以上对本发明实施例所提供的技术方案进行了详细介绍,本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述,以上实施例的说明只适用于帮助理解本发明实施例的原理,同时,对于本领域的一般技术人员,依据本发明实施例,在具体实施方式以及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于无线信号的行为与身份识别方法,其特征在于:方法包括收集人体信号、去除噪声、片段分割、特征提取,所述去除噪声中的噪声包括离群点检测和滤波、数据插值、远端多径信号、天线对融合和子载波选择,所述片段分割包括方差和短时能量检测、一阶差分检测,所述特征提取包括自建特征、建立神经网络特征、组合特征。
2.根据权利要求1所述的一种基于无线信号的行为与身份识别方法,其特征在于:所述收集人体信号中的信号包括人体生理特征与活动特征。
3.根据权利要求1所述的一种基于无线信号的行为与身份识别方法,其特征在于:所述离群点检测和滤波采用低通滤波器、巴特沃斯滤波器、小波变换去噪滤除高频噪声。
4.根据权利要求1所述的一种基于无线信号的行为与身份识别方法,其特征在于:所述远端多径消除来源点的噪声通过阈值处理下的数据,再使用短时傅里叶变换WiFi转换回信道频率响应,以消除远端多径信号。
5.根据权利要求1所述的一种基于无线信号的行为与身份识别方法,其特征在于:所述自建特征包括统计特征、波形特征、时频图、人体无线电生物特征。
6.根据权利要求5所述的一种基于无线信号的行为与身份识别方法,其特征在于:所述统计特征包括对原始数据波形在时域与频域分析计算的统计结果。
7.根据权利要求1所述的一种基于无线信号的行为与身份识别方法,其特征在于:所述组合特征采用将自建特征与神经网络特征相组合的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211571242.7A CN116244673A (zh) | 2022-12-08 | 2022-12-08 | 一种基于无线信号的行为与身份识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211571242.7A CN116244673A (zh) | 2022-12-08 | 2022-12-08 | 一种基于无线信号的行为与身份识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116244673A true CN116244673A (zh) | 2023-06-09 |
Family
ID=86635436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211571242.7A Pending CN116244673A (zh) | 2022-12-08 | 2022-12-08 | 一种基于无线信号的行为与身份识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116244673A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117331047A (zh) * | 2023-12-01 | 2024-01-02 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的人体行为数据分析方法及系统 |
-
2022
- 2022-12-08 CN CN202211571242.7A patent/CN116244673A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117331047A (zh) * | 2023-12-01 | 2024-01-02 | 德心智能科技(常州)有限公司 | 基于毫米波雷达的人体行为数据分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Device-free wireless sensing: Challenges, opportunities, and applications | |
CN106899968B (zh) | 一种基于WiFi信道状态信息的主动非接触身份认证方法 | |
Li et al. | Towards domain-independent and real-time gesture recognition using mmwave signal | |
Yang et al. | Dense people counting using IR-UWB radar with a hybrid feature extraction method | |
Guo et al. | WiReader: Adaptive air handwriting recognition based on commercial WiFi signal | |
CN113609976B (zh) | 一种基于WiFi设备的方向敏感多手势识别系统及方法 | |
CN110007366B (zh) | 一种基于多传感器融合的生命搜寻方法以及系统 | |
Ding et al. | Wihi: WiFi based human identity identification using deep learning | |
CN113447905B (zh) | 双毫米波雷达人体跌倒检测装置及检测方法 | |
WO2022116467A1 (zh) | 一种基于毫米波雷达的非接触式身份识别方法及系统 | |
Zhu et al. | TagCare: Using RFIDs to monitor the status of the elderly living alone | |
CN116244673A (zh) | 一种基于无线信号的行为与身份识别方法 | |
CN110062378A (zh) | 一种手势场景下基于信道状态信息的身份认证方法 | |
CN115343704A (zh) | 基于多任务学习的fmcw毫米波雷达的手势识别方法 | |
Wang | Electronic radar signal recognition based on wavelet transform and convolution neural network | |
Cheng et al. | CSI-based human continuous activity recognition using GMM–HMM | |
CN116343261A (zh) | 基于多模态特征融合与小样本学习的手势识别方法和系统 | |
CN113935373A (zh) | 基于相位信息和信号强度的人体动作识别方法 | |
Ge et al. | LoGait: LoRa sensing system of human gait recognition using dynamic time wraping | |
Kim et al. | Efficient classification of human activity using pca and deep learning lstm with wifi csi | |
CN111652132B (zh) | 基于深度学习的非视距身份识别方法、设备及存储介质 | |
Chen et al. | WiTT: Modeling and the evaluation of table tennis actions based on WIFI signals | |
CN112883355B (zh) | 一种基于rfid和卷积神经网络的非接触式用户身份认证方法 | |
Han et al. | WiID: Precise WiFi-based person identification via bio-electromagnetic information | |
Webber et al. | Human Motion Identity using Machine Learning on Spectral Analysis of RSS 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 |