CN116304888A - 基于信道状态信息的连续人体活动感知识别方法及系统 - Google Patents
基于信道状态信息的连续人体活动感知识别方法及系统 Download PDFInfo
- Publication number
- CN116304888A CN116304888A CN202310552980.5A CN202310552980A CN116304888A CN 116304888 A CN116304888 A CN 116304888A CN 202310552980 A CN202310552980 A CN 202310552980A CN 116304888 A CN116304888 A CN 116304888A
- Authority
- CN
- China
- Prior art keywords
- state information
- channel state
- data
- bigru
- activity
- 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
- 230000000694 effects Effects 0.000 title claims abstract description 74
- 230000008447 perception Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000009471 action Effects 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 239000012634 fragment Substances 0.000 claims abstract description 18
- 230000037081 physical activity Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 13
- 239000000284 extract Substances 0.000 claims description 8
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000002441 reversible effect Effects 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 230000010363 phase shift Effects 0.000 claims 1
- 238000013527 convolutional neural network Methods 0.000 description 33
- 238000010586 diagram Methods 0.000 description 11
- 230000033001 locomotion Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241001168730 Simo Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3911—Fading models or fading generators
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了基于信道状态信息的连续人体活动感知识别方法及系统,涉及人体活动识别感知技术领域,方法包括获取接收端的WiFi网卡数据中的WiFi信道状态信息,提取WiFi信道状态信息矩阵的振幅部分和相位部分堆叠扩展后的二维矩阵;设计滑动窗口沿时间序列方向对所述二维矩阵进行分割提取人体活动数据并丢弃非活动数据,获得相同维度的活动数据片段作为融合CNN与BiGRU的人体活动感知网络模型的输入,输出人体动作分类结果。本公开提高对复杂连续动作的识别精度。
Description
技术领域
本公开涉及人体活动识别感知技术领域,具体涉及基于信道状态信息的连续人体活动感知识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
基于WiFi信道状态信息(CSI,channel state information)的人体活动感知在虚拟现实、智能游戏、元宇宙等未来智能交互场景具有重要的应用场景。复杂连续人体活动的精准感知是WiFi感知的重要挑战。
卷积神经网络(CNN, convolutional neural network)具有局部链接、权重共享的特点,具备强大的特征提取能力,被广泛应用于人体活动感知。
发明人发现,在传统WiFi技术使用的卷积神经网络中,以一维卷积或二维卷积为代表的CNN类人体活动感知方法难以捕捉时间序列数据中的长期依赖关系,忽视了数据之间的相关性,导致其对数据的时序特征建模能力差。适用于时间序列数据建模的长短期记忆(LSTM, long short-term memory)网络或门控循环单元(GRU, gated recurrent unit)网络仅考虑动作过去的时序信息,忽略了对未来信息的规律学习,进而难以精准识别复杂连续的人体动作。
发明内容
本公开为了解决上述问题,提出了基于信道状态信息的连续人体活动感知识别方法及系统,提出融合双向门控循环单元(BiGRU, bidirectional gated recurrent unit)网络的改进型CNN。所提网络利用BiGRU双向特征提取能力捕捉时序数据中的前后信息的关联和依赖性,实现时序CSI数据的时空特征的提取,进而呈现动作与CSI数据的映射关系,从而提高对人体复杂连续动作的识别精度。
根据一些实施例,本公开采用如下技术方案:
基于信道状态信息的连续人体活动感知识别方法,包括:
获取接收端的WiFi网卡数据中的WiFi信道状态信息,提取WiFi信道状态信息矩阵的振幅部分和相位部分堆叠扩展后的二维矩阵;
设计滑动窗口沿时间序列方向对所述二维矩阵进行分割提取人体活动数据 并丢弃非活动数据,获得相同维度的活动数据片段作为融合CNN与BiGRU的人体活动感知网络模型的输入,输出人体动作分类结果;
其中,输入至所述融合CNN与BiGRU的人体活动感知网络模型中的活动数据片段,分别通过一维CNN分支和基于GRU和BiGRU的分支提取人体动作空间维度特征和过去以及未来两个方向时间维度特征,将空间维度特征和时间维度特征进行融合后通过softmax函数对动作进行分类。
根据一些实施例,本公开采用如下技术方案:
基于信道状态信息的连续人体活动感知识别系统,包括:
数据采集模块,获取接收端的WiFi网卡数据中的WiFi信道状态信息,提取WiFi信道状态信息矩阵的振幅部分和相位部分堆叠扩展后的二维矩阵;
数据预处理模块,设计滑动窗口沿时间序列方向对所述二维矩阵进行分割提取人体活动数据 并丢弃非活动数据,获得相同维度的活动数据片段作为融合CNN与BiGRU的人体活动感知网络模型的输入;
活动分类模块,用于输出人体动作分类结果;
其中,输入至所述融合CNN与BiGRU的人体活动感知网络模型中的活动数据片段,分别通过一维CNN分支和基于GRU和BiGRU的分支提取人体动作空间维度特征和过去以及未来两个方向时间维度特征,将空间维度特征和时间维度特征进行融合后通过softmax函数对人体动作进行分类。
根据一些实施例,本公开采用如下技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的基于信道状态信息的连续人体活动感知识别方法。
根据一些实施例,本公开采用如下技术方案:
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的基于信道状态信息的连续人体活动感知识别方法。
与现有技术相比,本公开的有益效果为:
本公开提出一种融合双向门控循环单元(BiGRU, bidirectional gatedrecurrent unit)网络的改进型CNN,提高对复杂连续动作的识别精度,并利用公开数据集WiAR的数据对所提新型网络结构进行实验验证;引入注意力机制,BiGRU网络为所有CSI信号的特征分配相同的权重,而不同的特征对于人体动作的识别可能有不同的贡献,因此,采用注意力机制来学习特征的重要性,加强关键信息的影响。
本公开所提出的基于CNN-BiGRU的感知方法综合提取了动作的时空特征,在WiAR数据集上取得了最高的识别准确率。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例公开的系统架构图;
图2为本公开实施例公开的原始CSI数据振幅三维图;
图3为本公开实施例公开的CNN-BiGRU网络结构图;
图4为本公开实施例公开的CNN结构图;
图5为本公开实施例公开的GRU单元结构图;
图6为本公开实施例公开的双向GRU结构图;
图7为本公开实施例公开的注意力机制结构图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
本公开提供了一种基于信道状态信息的连续人体活动感知识别方法,步骤包括:
步骤一:获取接收端的WiFi网卡数据中的WiFi信道状态信息,提取WiFi信道状态信息矩阵的振幅部分和相位部分堆叠扩展后的二维矩阵;
步骤二:设计滑动窗口沿时间序列方向对所述二维矩阵进行分割提取人体活动数据 并丢弃非活动数据,获得相同维度的活动数据片段作为融合CNN与BiGRU的人体活动感知网络模型的输入;
步骤三:输入至所述融合CNN与BiGRU的人体活动感知网络模型中的活动数据片段,分别通过一维CNN分支和基于GRU和BiGRU的分支提取人体动作空间维度特征和过去以及未来两个方向时间维度特征,将空间维度特征和时间维度特征进行融合后通过softmax函数对动作进行分类。
作为一种实施例,基于CSI的WiFi感知原理如下:
现有商业化WiFi技术大多采用802.11 a/g/n无线通信协议,其核心是利用OFDM将信号调制到多个子载波上并行传输。OFDM的本质是将时间相关性较短的宽带信道转换为时间相关性长的多个并行窄带信道,每个子载波上的信道可以看作水平衰落信道,从而大大降低了接收机均衡器的复杂度。OFDM下变频后的基带信号可以表示为:
ODFM的信道状态信息矩阵H取决于无线信号传播的环境。无线信号在传播过程中所经历的路径损耗、反射、散射和折射等环境因素均会影响到OFDM时频子载波信道参数即CSI。也就是说,物理空间中运动的物体会对CSI的时频特征产生时变影响。图2给出了实际采集的CSI矩阵的三维视图,其中包含索引对应时间域、子载波索引对应频率域。所谓WiFi感知就是指通过对WiFi接收设备所获取的OFDM CSI的时频特征进行分析从而识别人体活动的类型。
作为一种实施例,本公开的基于信道状态信息的连续人体活动感知识别方法,并利用公开数据集WiAR对提出的新型网络结构进行实验验证,具体实施过程包括:
步骤1. 获取接收端的WiFi网卡数据中的WiFi信道状态信息(WiFi CSI),提取WiFi信道状态信息矩阵的振幅部分和相位部分堆叠扩展后的二维矩阵;
具体的,WiFi CSI可以通过对接收端的WiFi网卡数据进行解析得到。常见的能够方便获取CSI的网卡或设备包括USRP、Intel 5300网卡和Atheros系列网卡等。
因为CSI中不仅包含动作的空间特征,还包括动作的时序特征。LSTM、GRU能够学习长序列信息之间的依赖和关联关系,记录间隔或延迟较长的历史信息和重要事件,然而,具有时序建模能力的LSTM、GRU网络并未考虑动作空间特征的提取。CNN具有局部链接、权重共享的特点,但具备强大的特征提取能力的CNN却忽视了时序信息之间的相关性。此外,LSTM和GRU因时序信息只能单个方向传递的结构特点,仅能考虑动作过去的时序信息,忽略了对未来信息的规律学习。为了充分挖掘动作的时空特征,以达到较高的识别精度,本公开提出一种融合CNN与BiGRU的新型WiFi人体活动感知网络结构。
本公开的所设计的网络结构如图3所示,输入的数据经两个分支进行特征的提取,分支一为基于一维CNN构建,用于提取空间维度上的信息;分支二为基于GRU和BiGRU构建,用于提取时间维度上的信息。综合所提取空间维度和时间维度的特征,作为最后的分类依据通过softmax函数对动作进行分类。
由于神经网络要求输入的数据维度一致,但是,由于每个动作的持续时间不尽相同,其数据包的长短是不同的。另外,当输入的数据维度增大,算法的时间复杂度也会增加。因此,为了使输入数据维度一致,并且降低算法的复杂度,所以步骤2如下:
步骤2.设计滑动窗口沿时间序列方向对所述二维矩阵进行分割提取人体活动数据 并丢弃非活动数据,获得相同维度的活动数据片段作为融合CNN与BiGRU的人体活动感知网络模型的输入;
即:将输入融合CNN与BiGRU的人体活动感知网络模型的活动数据进行分割,在输入层应用滑动窗口沿时间序列方向对二维矩阵进行分割,并将标记活动部分样本点小于60%的分割片段丢弃以去除CSI中的非活动数据,获得相同维度的活动数据片段,保留的分割后的活动数据片段作为网络的最终输入。
在获得相同维度的活动数据片段之前,对获取的WiFi信道状态信息中的振幅衰减和相位偏移进行降噪和校准,并基于振幅方差将信道状态信息分割为活动数据与非活动数据,以降噪和校准后的活动数据的信道状态信息为网络输入。
步骤3.输入的活动数据经两个分支进行特征的提取,并对特征进行融合,作为最后分类的依据。
融合CNN与BiGRU的人体活动感知网络模型包括两个分支结构,分支一为基于一维CNN构建,用于提取人体动作空间维度上的信息。分支二为基于GRU和BiGRU构建,用于提取时间维度上的信息。
如图4所示,分支一为基于一维CNN结构,具体包括输入层、自带激活函数的卷积层、池化层以及包含输出端的全连接层。
采用CNN的原因是利用其局部连接、权重共享等特性,提取出预处理后CSI数据的高层特征。
分之二为基于GRU和BiGRU的分支,其中,BiGRU从过去以及未来两个方向进行时间维度特征的提取,BiGRU来学习动作特征的双向规律,BiGRU包含正向和反向GRU。
GRU是LSTM的高级变体,相较于LSTM简化了门控机制,并且不引入额外的记忆单元,仅通过更新门和重置门控制信息的更迭。图5为GRU的循环单元结构,包含三个参数:更新门、重置门/>以及隐状态/>,并通过下式进行更新:
由于所收集的人体动作是连续性动作,过去的信息以及未来的信息对动作的影响同等重要。BiGRU可以从过去以及未来两个方向进行时序特征的提取,因此选用BiGRU来学习动作特征的双向规律,以提取更为全面的特征。如图6所示,BiGRU包含正向和反向GRU,令与/>表示正向GRU与反向GRU的隐藏状态,则最终的状态/>由其共同决定,并以此状态作为BiGRU的输出。
如图6所示,分别将t-1、t和t+1时刻的时序信息x t-1、x t和x t+1作为输入,经前向层GRU及反向层GRU作用,输出对应时刻的状态h t-1、h t和h t+1即为含有时间维度特征的输出序列。
具体的,输入至所述融合CNN与BiGRU的人体活动感知网络模型中的活动数据片段,分别通过一维CNN分支和基于GRU和BiGRU的分支提取人体动作空间维度特征和过去以及未来两个方向时间维度特征,将空间维度特征和时间维度特征进行融合后通过softmax函数对动作进行分类。
在基于GRU和BiGRU的分支中引入注意力机制,采用注意力机制来学习时间维度特征的重要性,注意力机制的输入为从基于GRU和BiGRU的分支中学习的时间维度特征,通过tanh函数计算每个特征向量的重要性得分。
BiGRU网络为所有CSI信号的特征分配相同的权重,而不同的特征对于人体动作的识别可能有不同的贡献。因此,采用注意力机制来学习特征的重要性,加强关键信息的影响,从而提高系统的识别性能。
本公开在公开数据集WiAR进行了实验,以证明所提出系统的有效性。WiAR数据集的采样频率为30Hz,使用SIMO系统。实验选取了其常见的手势运动与整体运动共七种动作进行了验证,分别为水平挥臂(H-S)、垂直挥臂(V-S),鞠躬(Bend)、前踢(F-K)、走(Walk)、坐下(Sitdown)、蹲起(Squat)动作,利用本公开所提出的人体动作感知识别方法识别分类某个人体动作。
实验选取了WiFi感知领域中经典的深度学习感知算法进行比较,包括多层感知机(MLP, multi-layer perceptron)、基于CNN的分类模型、基于LSTM、GRU和BiLSTM构建的神经网络。表1显示了实验结果,本公开所提出的基于CNN-BiGRU的感知方法综合提取了动作的时空特征,在WiAR数据集上取得了最高的识别准确率。
表1 WiAR数据集实验结果
实施例2
本公开的一种实施例中提供了一种基于信道状态信息的连续人体活动感知识别系统,如图1所示,包括:
数据采集模块,获取接收端的WiFi网卡数据中的WiFi信道状态信息,提取WiFi信道状态信息矩阵的振幅部分和相位部分堆叠扩展后的二维矩阵;
数据预处理模块,设计滑动窗口沿时间序列方向对所述二维矩阵进行分割提取人体活动数据 并丢弃非活动数据,获得相同维度的活动数据片段作为融合CNN与BiGRU的人体活动感知网络模型的输入;
活动分类模块,用于输出人体动作分类结果;
其中,输入至所述融合CNN与BiGRU的人体活动感知网络模型中的活动数据片段,分别通过一维CNN分支和基于GRU和BiGRU的分支提取人体动作空间维度特征和过去以及未来两个方向时间维度特征,将空间维度特征和时间维度特征进行融合后通过softmax函数对动作进行分类。
具体的,WiFi感知系统总体架构如图1所示,由三个模块组成,即CSI数据采集模块、数据预处理模块以及活动分类模块。其中,数据采集模块通过网卡获取原始CSI数据;数据预处理模块对所采集的原始CSI数据中的振幅衰减和相位偏移进行降噪和校准,并基于振幅方差将CSI数据划分为活动部分与非活动部分;分类模块是由神经网络组成的分类器,它以降噪和校准后的活动部分CSI数据为输入,用于对CSI时空信息进行自动的特征提取及分类。
实施例3
本公开的一种实施例中提供了一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的基于信道状态信息的连续人体活动感知识别方法。
实施例4
本公开的一种实施例中提供了一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的基于信道状态信息的连续人体活动感知识别方法。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.基于信道状态信息的连续人体活动感知识别方法,其特征在于,包括:
获取接收端的WiFi网卡数据中的WiFi信道状态信息,提取WiFi信道状态信息矩阵的振幅部分和相位部分堆叠扩展后的二维矩阵;
设计滑动窗口沿时间序列方向对所述二维矩阵进行分割提取人体活动数据 并丢弃非活动数据,获得相同维度的活动数据片段作为融合CNN与BiGRU的人体活动感知网络模型的输入,输出人体动作分类结果;
其中,输入至所述融合CNN与BiGRU的人体活动感知网络模型中的活动数据片段,分别通过一维CNN分支和基于GRU和BiGRU的分支提取人体动作空间维度特征和过去以及未来两个方向时间维度特征,将空间维度特征和时间维度特征进行融合后通过softmax函数对动作进行分类。
2.如权利要求1所述的基于信道状态信息的连续人体活动感知识别方法,其特征在于,在获得相同维度的活动数据片段之前,对获取的WiFi信道状态信息中的振幅衰减和相位偏移进行降噪和校准,并基于振幅方差将信道状态信息分割为活动数据与非活动数据,以降噪和校准后的活动数据的信道状态信息为网络输入。
3.如权利要求1所述的基于信道状态信息的连续人体活动感知识别方法,其特征在于,将输入融合CNN与BiGRU的人体活动感知网络模型的活动数据进行分割,在输入层应用滑动窗口沿时间序列方向对二维矩阵进行分割,并将标记活动部分样本点小于预设阈值的分割片段丢弃,去除信道状态信息中的非活动数据,获得相同维度的活动数据片段,保留的分割后的活动数据片段作为网络的最终输入。
4.如权利要求1所述的基于信道状态信息的连续人体活动感知识别方法,其特征在于,所述一维CNN分支的结构包括卷积层、激活函数、池化层以及全连接层;基于GRU和BiGRU的分支中,BiGRU从过去以及未来两个方向进行时间维度特征的提取,BiGRU来学习动作特征的双向规律,BiGRU包含正向和反向GRU。
5.如权利要求1所述的基于信道状态信息的连续人体活动感知识别方法,其特征在于,所述GRU为循环单元结构,包含三个参数:更新门、重置门以及隐状态。
6.如权利要求1所述的基于信道状态信息的连续人体活动感知识别方法,其特征在于,在基于GRU和BiGRU的分支中引入注意力机制,采用注意力机制来学习时间维度特征的重要性,注意力机制的输入为从基于GRU和BiGRU的分支中学习的时间维度特征,通过tanh函数计算每个特征向量的重要性得分。
7.如权利要求6所述的基于信道状态信息的连续人体活动感知识别方法,其特征在于,将每个特征向量与归一化分数后的得分的乘积作为注意力机制的最终输出。
8.基于信道状态信息的连续人体活动感知识别系统,其特征在于,包括:
数据采集模块,获取接收端的WiFi网卡数据中的WiFi信道状态信息,提取WiFi信道状态信息矩阵的振幅部分和相位部分堆叠扩展后的二维矩阵;
数据预处理模块,设计滑动窗口沿时间序列方向对所述二维矩阵进行分割提取人体活动数据 并丢弃非活动数据,获得相同维度的活动数据片段作为融合CNN与BiGRU的人体活动感知网络模型的输入;
活动分类模块,用于输出人体动作分类结果;
其中,输入至所述融合CNN与BiGRU的人体活动感知网络模型中的活动数据片段,分别通过一维CNN分支和基于GRU和BiGRU的分支提取人体动作空间维度特征和过去以及未来两个方向时间维度特征,将空间维度特征和时间维度特征进行融合后通过softmax函数对动作进行分类。
9.一种计算机可读存储介质,其特征在于,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的基于信道状态信息的连续人体活动感知识别方法。
10.一种终端设备,其特征在于,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行如权利要求 1-7 中任一项所述的基于信道状态信息的连续人体活动感知识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310552980.5A CN116304888A (zh) | 2023-05-17 | 2023-05-17 | 基于信道状态信息的连续人体活动感知识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310552980.5A CN116304888A (zh) | 2023-05-17 | 2023-05-17 | 基于信道状态信息的连续人体活动感知识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116304888A true CN116304888A (zh) | 2023-06-23 |
Family
ID=86798078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310552980.5A Pending CN116304888A (zh) | 2023-05-17 | 2023-05-17 | 基于信道状态信息的连续人体活动感知识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116304888A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951614A (zh) * | 2024-03-21 | 2024-04-30 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于信道状态信息的对象活动识别方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807365A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 |
CN110992979A (zh) * | 2019-11-29 | 2020-04-10 | 北京搜狗科技发展有限公司 | 一种检测方法、装置和电子设备 |
CN112328797A (zh) * | 2020-11-24 | 2021-02-05 | 山东师范大学 | 一种基于神经网络和注意力机制的情感分类方法及系统 |
CN113723221A (zh) * | 2021-08-11 | 2021-11-30 | 西安交通大学 | 基于WiFi信道状态信息的室内行为实时识别方法及系统 |
CN113837122A (zh) * | 2021-09-28 | 2021-12-24 | 重庆邮电大学 | 基于Wi-Fi信道状态信息的无接触式人体行为识别方法及系统 |
CN114465678A (zh) * | 2022-04-13 | 2022-05-10 | 齐鲁工业大学 | 一种基于深度学习的复杂活动wifi感知方法 |
-
2023
- 2023-05-17 CN CN202310552980.5A patent/CN116304888A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807365A (zh) * | 2019-09-29 | 2020-02-18 | 浙江大学 | 一种基于gru与一维cnn神经网络融合的水下目标识别方法 |
CN110992979A (zh) * | 2019-11-29 | 2020-04-10 | 北京搜狗科技发展有限公司 | 一种检测方法、装置和电子设备 |
CN112328797A (zh) * | 2020-11-24 | 2021-02-05 | 山东师范大学 | 一种基于神经网络和注意力机制的情感分类方法及系统 |
CN113723221A (zh) * | 2021-08-11 | 2021-11-30 | 西安交通大学 | 基于WiFi信道状态信息的室内行为实时识别方法及系统 |
CN113837122A (zh) * | 2021-09-28 | 2021-12-24 | 重庆邮电大学 | 基于Wi-Fi信道状态信息的无接触式人体行为识别方法及系统 |
CN114465678A (zh) * | 2022-04-13 | 2022-05-10 | 齐鲁工业大学 | 一种基于深度学习的复杂活动wifi感知方法 |
Non-Patent Citations (2)
Title |
---|
GREG FOSS 等: "《基于SAP的企业级实用数据分析》", vol. 1, 机械工业出版社, pages: 36 * |
曹仰杰 等: "AHNNet:融合注意力机制的行为识别混合神经网络模型", 《西安交通大学学报》, vol. 55, no. 5, pages 123 - 130 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951614A (zh) * | 2024-03-21 | 2024-04-30 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于信道状态信息的对象活动识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mutegeki et al. | A CNN-LSTM approach to human activity recognition | |
Jian et al. | Deep learning for RF fingerprinting: A massive experimental study | |
Fan et al. | Watching a small portion could be as good as watching all: Towards efficient video classification | |
Hu et al. | Robust modulation classification under uncertain noise condition using recurrent neural network | |
CN109670548A (zh) | 基于改进lstm-cnn的多尺寸输入har算法 | |
CN114359738B (zh) | 一种跨场景鲁棒的室内人数无线检测方法及系统 | |
CN107945210B (zh) | 基于深度学习和环境自适应的目标跟踪方法 | |
CN111860130B (zh) | 基于音频的手势识别方法、装置、终端设备和存储介质 | |
Ke et al. | Blind detection techniques for non-cooperative communication signals based on deep learning | |
CN105760825A (zh) | 一种基于切比雪夫前向神经网络的手势识别系统和方法 | |
CN111597991A (zh) | 一种基于信道状态信息和BiLSTM-Attention的康复检测方法 | |
CN116304888A (zh) | 基于信道状态信息的连续人体活动感知识别方法及系统 | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN110929242B (zh) | 基于无线信号进行姿态无关的连续用户认证方法及系统 | |
CN114863572B (zh) | 一种多通道异构传感器的肌电手势识别方法 | |
CN113837122B (zh) | 基于Wi-Fi信道状态信息的无接触式人体行为识别方法及系统 | |
Zhang et al. | Complex motion detection based on channel state information and lstm-rnn | |
Song et al. | Selective CS: An energy-efficient sensing architecture for wireless implantable neural decoding | |
CN116306780B (zh) | 一种动态图链接生成方法 | |
Zhang et al. | WiNum: A WiFi finger gesture recognition system based on CSI | |
Hernandez et al. | Online stream sampling for low-memory on-device edge training for WiFi sensing | |
CN109933741B (zh) | 用户网络行为特征提取方法、装置及存储介质 | |
CN116644300A (zh) | 一种基于信道状态信息的穿墙目标行为识别方法及其装置 | |
CN114499712A (zh) | 一种手势识别方法、设备及存储介质 | |
CN114358162B (zh) | 一种基于连续小波变换的跌倒检测方法、装置及电子设备 |
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: 20230623 |