CN117224116A - 一种基于信道状态信息的久坐行为监测方法 - Google Patents
一种基于信道状态信息的久坐行为监测方法 Download PDFInfo
- Publication number
- CN117224116A CN117224116A CN202311108432.XA CN202311108432A CN117224116A CN 117224116 A CN117224116 A CN 117224116A CN 202311108432 A CN202311108432 A CN 202311108432A CN 117224116 A CN117224116 A CN 117224116A
- Authority
- CN
- China
- Prior art keywords
- sitting
- state information
- channel state
- sequence
- transition
- 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 99
- 230000000276 sedentary effect Effects 0.000 title claims abstract description 75
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims abstract description 94
- 230000009471 action Effects 0.000 claims abstract description 85
- 230000000694 effects Effects 0.000 claims abstract description 57
- 230000006399 behavior Effects 0.000 claims abstract description 38
- 230000033001 locomotion Effects 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000007704 transition Effects 0.000 claims description 127
- 238000012546 transfer Methods 0.000 claims description 32
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 230000001186 cumulative effect Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 5
- 230000037081 physical activity Effects 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 claims description 2
- 230000010363 phase shift Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 5
- 230000002354 daily effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction 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
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于信道状态信息的久坐行为监测方法。实现的具体步骤如下:(1)采集人员进行起坐转换相关活动时的信道状态信息(CSI)原始数据;(2)对原始信道状态信息数据进行数据预处理;(3)计算每两个动作的信道状态信息序列的对称相似分数;(4)建立简化的基于一阶动态贝叶斯网络的起坐转换识别结果的错误检查与纠正模型;(5)根据步骤4中动态贝叶斯网络模型的参数,建立一个最优起坐动作转换推断算法以获得最有可能的起坐转换序列;(6)根据最终的起坐转换活动识别结果来计算坐姿行为的累计时间。本发明提出了一种鲁棒的久坐行为监测方法,实现对目标久坐时长的准确估计与对目标久坐行为的及时提醒。
Description
技术领域
本发明涉及活动识别领域,具体为一种基于信道状态信息的久坐行为监测方法,利用Wi-Fi信号对室内场景中用户的起坐转换行为进行识别,进而对用户的久坐时长进行估计,以便用户为了预防久坐行而制定相应的干预计划。
背景技术
近几十年来,人们的生活方式发生了快速转变,从以体力劳动为主的生活方式转向了缺乏身体挑战的生活方式,这导致了久坐行为的增加。然而,久坐行为对人体健康有着极大的威胁,可能增加患各种疾病的风险。因此,准确测量久坐时间对于制定有效的久坐干预至关重要。估算久坐时间的关键在于获取从站立到坐下这一转换与下一次从坐着到起立这一转换之间的时间间隔。这两种起坐姿态转换(简称起坐转换或者SPT)可以通过识别相应的人体动作,例如站起来和坐下来,来进行检测。识别这种起坐转换活动可以通过泛在的Wi-Fi人体活动识别技术来实现。基于Wi-Fi的人体活动识别(HAR)旨在利用Wi-Fi信号识别人体活动。由于基于Wi-Fi的活动识别方案不具有侵入性、对照明条件不敏感,特别地,还不需要用户佩戴特殊的传感设备,基于Wi-Fi的人体识别在构建人机交互、智能监测、入侵检测等智能应用方面受到越来越多的关注。如今基于WiFi的人类活动识别方案主要分为两种:基于接收信号强度(RSSI)的人类活动识别方案以及基于信道状态信息(CSI)的人类活动识别方案。相比于RSSI,信道状态信息揭示了更细粒度的信道特征信息,因此基于信道状态信息的方案被广泛用于人类活动识别。另外,随着深度学习(DL)技术的迅速发展,采用深度学习技术的基于信道状态信息的人类活动识别方案相比于传统的基于机器学习的方案,能实现更好的性能与效果。
然而,根据我们的研究发现,由于不同的动作的信道状态信息模式会偶然地出现相同的情况,采用现有的基于深度学习和信道状态信息的方案识别日常的动作,难免地会出现错误的识别结果。这种错误的识别结果会导致系统高估或者低估了目标人员的久坐时间,进而导致久坐行为的漏检,使得用户在该久坐行为检测系统下的体验感降低。我们从起坐转换动作识别结果中仔细地分析了已有的识别错误,并且将这些识别错误划分为两种类别:违反起坐转换连贯性的错误,以及违反起坐转换对称性的错误。为了实现一个鲁棒的久坐行为监测系统,本方法需要去消除来自深度学习模型的起坐转换识别结果的识别错误。为了去消除上述提到的两种识别错误,我们挖掘了隐含在起坐转换动作以及它们的信道状态信息数据中的固有特征。第一种特征是连续起坐转换之间的上下文关联性。关于该特征的一个典型的例子是:一个从坐着到起立的转换应该紧跟着一个与从站立到坐下相关的起坐转换。这意味着,相邻起坐转换的识别结果之间应该是连贯的。第二种特征是两个名义上对称的起坐转换的信道状态信息幅度数据会呈现出明显的对称性相似性。即对于一个从坐着到起立的转换与一个紧接着的从站立到坐下的转换,它们的信道状态信息幅度数据会有较高的对称相似性。上述两种特征给我们重新思考起坐转换识别结果的合理性提供了充足的理论指导,并为发明一个鲁棒的久坐行为监测方法提供了契机。
发明内容
本发明的目的是提供一种基于信道状态信息的久坐行为监测方法,利用Wi-Fi信号对室内场景中用户的起坐转换行为进行识别,进而对用户的久坐时长进行估计,以便用户针对久坐行为制定相应的干预计划,步骤如图1所示,具体包括如下:
步骤1:在室内环境中采集人员活动时对应的无线信号数据,提取信道状态信息的原始信号;
步骤2:对步骤1中采集到的原始信道状态信息数据进行必要的数据预处理,包括离群值去除、数据去噪、动作片段分割、数据长度规整、0-1数据归一化;
步骤3:建立两两动作之间的信道状态信息序列的相似度矩阵,采用动态规划的方法获取两个动作的信道状态信息序列的对称相似分数;
步骤4:获得来自深度卷积神经网络的识别结果后,结合步骤3获得的对称相似度分数序列,建立简化的基于一阶动态贝叶斯网络的起坐转换识别结果的错误检查与纠正模型,将起坐转换识别结果的错误检查与纠正问题建立为一个优化问题;
步骤5:根据步骤4中动态贝叶斯网络模型的参数,建立一个最优起坐动作转换推断算法,通过寻找最大累积转换分数的起坐动作转换序列来纠正上一步获得的识别结果,并获得最有可能的起坐转换序列;
步骤6:根据最终的起坐转换活动识别结果来计算坐姿行为的累计时间,从而估计人员久坐时间,便于用户自定义相应的久坐行为干预计划。
进一步地,步骤1具体为:
我们使用配备有Intel 5300网卡和三根天线的电脑作为接收器,配备有Intel5300网卡和一根天线的电脑作为发射器,将设备部署在日常室内场景中,如实验室、会议室、办公室、卧室。设备部署如图2所示,人员在其中进行各种活动。通过发射器持续发送数据包以获取经过复杂多径效应传播的人体活动相关信号,接收器采集人员起坐转换活动相关的数据。对于采集到的活动数据,使用Linux 802.11CSI tools从中提取用于起坐转换活动识别的信道状态信息原始数据;
进一步地,步骤2具体为:
本发明面向的场景为日常的室内环境,本步骤首先需要对室内信道状态信息模型进行深入研究并建立室内无线信号传播模型,从而分析室内人员活动对无线信号传播的影响。
在室内环境中,发射机发射的Wi-Fi信号沿着LOS路径以多径的方式传播,此过程中会受到周围环境和物体的遮挡,使得无线信号发生反射、散射、折射,从而导致无线信号的振幅的变化和相位的偏移。结果,相比于发射机发出的Wi-Fi信号,接收机接收到的Wi-Fi信号的波形发生了变化。信道状态信息刻画了无线信号在室内传播时的质量。在OFDM和MIMO技术的支持下,我们能以信道状态信息的方式获得信号频率响应的采样版本,使得Wi-Fi信号能够提供更细粒度的信道信息。信道状态信息估计了每个子载波上的信道信息,能够刻画Wi-Fi信道的频率选择性衰落特性。此外,信道状态信息包含每个子载波的幅度和相位信息,从而提供更为丰富的频域信息。因此,信道状态信息矩阵为我们利用Wi-Fi信号分析室内人体活动提供了一种方式。在室内环境中,接收机接收到的信号y可以表示为:
y=Hx+n
其中,H是信道状态信息矩阵,它刻画了室内环境和人体活动的信息,x是发射信号,n是附加的高斯噪声。由于在室内环境中射频信号从发射器到接收器通过多条路径传播,信道状态信息是所有路径信号的叠加。因此在频域上,中心频率为fi的OFDM子载波上第k个数据包的信道状态信息采样版本CFR,H(fi;kT),可以表示为:
其中S代表多径的数量,as(t)、τs(t)和分别代表在时刻t第s条路径的幅度衰减、时间延迟和相位偏移,fi为第i个子载波的中心频率,T为数据包的发送间隔,k为数据包的序号,fi表示第i个子载波的频率,G(fi)表示在该子载波上的高斯噪声。由上式可知,人员活动会使得信道状态信息幅度发生波动,因此可以根据信道状态信息幅度的波动情况进一步分析室内环境下人员的具体动作。
步骤2-1:离群值去除。我们发现在接收到的信道状态信息序列中总会有一些异常的测量值,表现为若干个狭窄的脉冲,是一些突变的噪音或者骤变,名为离群点。这些离群值在信道状态信息波形中较为明显,对后续信号进一步处理以及特征的提取产生巨大的干扰,甚至使得神经网络提取不到有用的活动特征。我们使用滤波器(Hampel滤波器)来去除原始信道状态信息中的离群值,具体表达式如下:
其中表示频率为fi的子载波的第k个信道状态信息幅度数据值,μ为滑动窗口内信道状态信息幅度数据值的中位数,γ为预先设定的阈值,σ为滑动窗口内信道状态信息幅度数据值的绝对中位差。
步骤2-2:噪声消除。人的起坐转换活动是一种低频的运动,其信道状态信息幅值主要分布在30~60Hz之间,而环境中的噪声的频率远大于这个范围。我们使用小波滤波器来去除环境中的高频噪声,从而获得干净的信道状态信息数据;
步骤2-3:动作片段分割。良好的动作分割是实现精准起坐转换活动识别的前提。准确地识别每个的起坐转换活动的起始点并提取出对应的活动片段,会有助于提高久坐行为监测系统的性能。在这里,我们采用基于信道状态信息方差的活动分割方法对起坐转换活动片段的起始点进行识别和分割。首先,对信道状态信息在不同子载波上的加权值进行计算,并将所有子载波上的信道状态信息幅度值的加权计算结果记为ACSI,具体表达式如下:
其中,ACSIk表示第k个数据包的在所有子载波上的信道状态信息幅度值的加权值,fc表示中心频率,N为子载波的总数量,表示中心频率为fi的OFDM子载波在第k个数据包中的信道状态信息幅度值。然后使用一系列滑动窗口并在每个窗口内计算ACSI序列幅度值之差的方差
其中,i表示第i个窗口,w表示窗口的大小,s表示每次滑动的步长,表示第i个窗口内信道状态信息的加权值的平均绝对差,表示第i个窗口内信道状态信息的加权值的差的方差。接着,我们将计算得到的值和预设的起始点阈值θs以及结束点阈值θe进行比较,来检测第a个起坐动作的起始点s(a)和e(a)。当窗口内有时,首先检查在此之前是否找到了第a个动作的起始点e(a),否则表明当前窗口存在动作的起始点。如果当前第a个动作的起始点已经找到,而当前窗口内有则表明该窗口内可能有动作的结束点e(a)。
当e(a)-s(a)<θact时,则重置并记录方差小于θe的持续时间tdur。若一段时间tdur内的方差均小于θe,表明此前的小幅度波动是由非起坐动作引起的,则重置
步骤2-4:数据长度规整和0-1归一化。由于不同的起坐动作的持续时间不同,所以不同动作所对应的信道状态信息幅度数据长度也不同,但是本系统中用于识别的分类算法要求输入样本均为同一尺寸,所以需要对上一步过滤出的起坐动作所对应的信道状态信息幅度数据进行重采样为统一长度。此外,还需要对长度规整之后的信道状态信息数据执行0-1归一化,提高后续深度卷积神经网络训练和识别的效率。
进一步地,步骤3具体步骤为:
在同一个场景下,当两个起坐转换互为名义对称的时候,我们将其中一个起坐转换的信道状态信息幅度序列数据沿着时间维度中线翻转180度,现该起坐转换的ASI幅度序列数据经过翻转之后,与另一个起坐转换的未经翻转的ASI幅度序列会呈现高度的相似性。本发明采用基于动态规划的的方法来衡量两个ACSI序列的对称相似性。具体分为以下三步:首先其中一个动作所对应的ACSI幅度序列沿着时间轴中线进行180度翻转,并建立翻转后的ACSI序列另一个ACSI序列的相似度矩阵;建立寻找相似度矩阵最小累积分数的优化问题;采用动态规划的算法解决该优化问题并得到两个ACSI序列的对称相似分数。
步骤3-1:对于两个给定的ACSI序列C1和C2,其中C1中第i个元素表示第一个ACSI样本序列中的第i个信道状态信息幅度值,C2中第j个元素表示第二个ACSI样本序列中的第j个信道状态信息幅度值,将其中一个ACSI序列翻转之后,建立C1和C2的相似度矩阵D:
其中n为C1中的元素值个数,m为C2中的元素值个数。
步骤3-2:建立以下优化问题旨在寻找C1和C2的相似度矩阵D中从d1,1到dn,m的最小累积分数Score(C1,C2):
其中p1,…,pK需要同时满足以下三个条件:
1)pk是累积过程中的第k步:pk=(di,j)k,1≤i≤n,1≤j≤m;
2)max(m,n)≤K≤m+n-1;
3)p1=(d1,1)1和pK=(dn,m)K;
4)对所有的k>1,pk=(di,j)k与pk-1=(di′,j′)k-1的关系如下:
i′≤i≤i′+1,
j′≤j≤j′+1.
其中K是寻找从d1,1到dn,m的最小累计分数过程中经过的总步数,i和i′分别表示C1中第i个和第i′个元素的序号,j和j′分别表示C2中第j个和第j′个元素的序号,Score(C1,C2)也被称为C1和C2的对称相似性分数。
步骤3-3:基于动态规划方法解决步骤3-2的最优化问题,最终,C1和C2的对称相似性分数Score(C1,C2)可以按下式递归得到:
其中为到达点di,j处的最小累积分数。
进一步地,步骤4具体步骤为:
即使一个训练好的深度卷积神经网络模型,也难免会出现错误的起坐转换动作识别结果。因此本发明结合起坐转换动作的连贯性以及起坐转换动作的信道状态信息数据的对称性,使用简化的基于一阶动态贝叶斯网络的起坐转换识别错误纠正模型对来自深度卷积神经网络的识别结果进行检查,同时对检查出来的错误识别结果进行纠正。本步骤先建立该基于一阶动态贝叶斯网络的起坐转换识别错误纠正模型如下:
步骤4-1:
将步骤2的信道状态信息数据送入深度卷积神经网络识别之后,能获得每个信道状态信息样本的预测向量。结合起坐转换动作的上下文关联性和对称性,设置该动态贝叶斯网络的参数,包括状态变量集合S,证据变量集合E,移动模型M以及转移模型N。其中,状态变量集合S包含本方法针对的7种常见的起坐转换动作和日常活动,即S={单独起立、走动、单独坐下、起立向左走、从左边走回坐下、起立向右走、从右边走回坐下},上述S中的各个变量分别简记为S={Sd,Wk,St,SdL,StL,SdR,StR},其中si表示S中的第i个元素,且s1=Sd,s2=Wk,s3=St,s4=SdL,s5=LSt,s6=SdR,s7=RSt。建立S中各个状态变量si的先验分布,δi=P(X1=si)=1/7,i=1,2,…,|S|,其中P(X1=si)为被监测人员的第一个状态X1为状态变量si的初始概率,第一个状态X1表示第1个信道状态信息样本的状态,即对被监测人员的第1个信道状态信息片段的中的动作的估计。接下来,设置证据变量集合E。E中的第i个证据变量ei对应深度卷积神经网络对被监测人员的第i个信道状态信息动作样本的预测向量。最后,建立该动态贝叶斯网络的移动模型M=[mi,j]|S|×|S|,其中mi,j表示M中位于的第i行第j列的元素,且mi,j=P(Xt+1=si|Xt=sj),具体如下
其中Xt+1为第t+1个信道状态信息样本对应的起坐转换,|S|为状态变量集合中的元素个数, 表明si和sj是名义上对称的两个起坐转换,P(Xt+1=si|Xt=sj)表示当第t个起坐转换Xt为sj的时候,第t+1个起坐转换Xt+1为si的概率。接着,建立转移模型N=[nj(Yt)]T×|S|,其中nj(Yt)表示N中位于第t行第j列的元素,且nj(Yt)=P(Yt|Xt=sj),具体如下
nj(Yt)=P(Yt|Xt=sj)=PVt(j)
其中Yt为第t个信道状态信息样本对应的证据,在本模型中为第t个信道状态信息样本的预测向量,P(Yt|Xt=sj)表示第t个信道状态信息样本的起坐转换Xt为sj时产生证据的Yt概率,PVt(j)表示来自深度卷积神经网络模型的第t个信道状态信息样本的预测向量中的第j个元素,T为证据变量集合E的元素个数。
步骤4-2:根据步骤4-1中建立的一阶动态贝叶斯网络,对起坐转换识别结果中的错误进行检查和纠正的问题建立为一个优化问题如下,名为起坐转换序列推断问题:
其中为一组样本对应的证据序列,Yt为第t个样本对应的证据,T为序列的长度,在这里等于样本的个数,为最优的起坐转换序列,为Yt对应的最优起坐转换动作,为对应的一个有可能出现的起坐转换序列,Xt为X中的第t个起坐转换,为所有可能的起坐转换序列的集合,δ为状态变量的先验分布,M为移动模型,N为转移模型,Score为包含所有ACSI样本的对称相似性分数的序列。
步骤5:根据步骤4中动态贝叶斯网络模型的参数,建立一个最优起坐动作转换推断算法,通过寻找最大累积转换分数的起坐动作转换序列来纠正上一步获得的识别结果,并获得最有可能的起坐转换序列:
步骤5-1:选出来自深度卷积神经网络的识别结果中识别结果可信度最高的样本作为推断序列的锚点,其中识别结果可信度计算方法如下:
其表示来自深度卷积神经网络的第k个识别结果的可信度。假设可信度最高的为第k个样本,那么它对应的证据Yk将被选做被选作证据序列Y的锚点。在实际中,本方法设置Tg个识别结果为一组待检查的识别结果。当一组新的待检查的识别结果到来时,当且仅当新组(Yg)的识别结果的最大可信度大于旧组的识别结果的最大可信度并且新组的识别结果的平均可信度大于旧组的识别结果的平均可信度时,锚点才会被更新。第g组识别结果的锚点的位置,Anc(g),的设置方法如下
其中|Yg|为Yg的元素个数,g表示第g组识别结果的序号,表示Yg中第k个元素,Anc(g)=(g,h)表示第g次选出来的锚点的位置为Yg中第h个元素,为旧组,为中元素的个数,表示中第k个元素,的组织方式如下
步骤5-2:根据5-1:选出来的锚点,设置对第g组起坐转换识别结果执行最优起坐转换序列推断的推断算法的推断方向D(g)如下:
其中D(g)=Forward(D(g)=Backward)表示后续的推断过程是以锚点所在位置的证据为起点的前向(后向)推断,而D(g)=Bi-direction表示后续的推断过程是以锚点所在位置的证据为起点的双向推断。特别地,当锚点被更新之后,需要重新检查旧组的识别结果。最终,第g次最优起坐转换序列推断的执行对象可以表示为
步骤5-3:根据5-2设置的推断方向D(g),对Yg′执行最优起坐转换序列推断的过程介绍如下。首先,需要根据推断方向D(g)判断是否需要将Yg′进行拆分,以简化单次推断的时间复杂度。具体来说,如果D(g)=Bi-direction,且第k个证据为当前的锚点,那么Yg′会在处分成两个待检查的证据子序列,以及其中
和将会被分别执行后续的最优起坐转换推断,并分别获得最优的起坐转换子序列和 和在锚点所在位置处合并则得到Yg′对应的最优的起坐转换序列X*;而当D(g)≠Bi-direction时,则不需要对Yg′进行拆分,直接推断Yg′对应的最优起坐转换序列。接下来,本方法中记第g次被执行最优起坐转换推断的证据序列为Yg′,即Yg′可以是D(g)≠Bi-direction时没被拆分的Yg′,或者是当D(g)=Bi-direction时,被拆分之后的或推断方法具体介绍如下:
首先初始化在推断开始点处于si时获得的最大的累积转移分数
其中是Yg′中的推断起始点,α1是该起始点的下标,按如下式子给出
是旧组中最后一个状态为时的累积转移分数,也就是旧组的最优起坐转换序列的最大累积转移分数,即表示旧组最后一个状态对应的最有可能的起坐转换动作的序号,表示旧组中的元素个数,在这里也表示旧组中最后一个状态对应的序号,是表示旧组中最后一个状态为新组中推断起始点状态为si时,它们对应的ACSI的对称相似性的系数,其计算方式如下
其中和分别表示一条被推断出来的起坐转换序列中的最后一个起坐转换动作以及它在整个起坐转换序列中对应的下标,是到达的最后一个证据且下的状态变量为sj的起坐转换序列,
是下标为的证据对应的旧组中的ACSI序列且该ACSI序列源于收发设备的第k条链路上,是推断起始点对应的ACSI序列且该ACSI序列源于收发设备的第k条链路上,是上述两个ACSI序列的对称相似性分数,Tx和Rx分别是WiFi设备发送天线和接收天线的数量。接着记录到达推断起始点且推断起始点处于si下的最有可能的起坐转换序列中推断起始点的前一个节点的状态,记为
其中,g表示第g次被执行最优起坐转换推断的证据序列的序号,表示第g次最优起坐转换推断的推断起始点处于状态si时的上一个节点的状态的序号,Anc(g)和Anc(g-1)表示第g次和第g-1次被执行最优起坐转换推断的证据序列的锚点的位置。此外,记录到达推断初始点且推断初始点处于si的最有可能的起坐转换序列中的最近一个起坐转换动作以及它在整个起坐转换序列中对应的下标
其中,表示旧组的最后一个元素的位置,表示在第g次最优起坐转换推断的推断起始点处于状态si且旧组的最有起坐状态转换推断结束时,旧组中最后一个起坐转换动作。表示在第g次最优起坐转换推断的推断起始点处于状态si且旧组的最有起坐状态转换推断结束时,旧组中最后一个起坐转换动作在旧组中的位置。后面本方法通过不断地递归来推断起坐转换序列。记到达第t个节点且该节点对应的起坐转换Xt为si时的最大累积转移分数为并记录拥有该最大累积转移分数的路径上第t-1个节点对应的起坐转换Xt-1的状态变量为类似地,和可以递归地计算如下
其中,mj,i为移动模型M中位于第j行第i列的元素,表示转移模型N中位于第αt行第j列的元素,表示第g次被执行最优起坐转换推断的证据序列Yg′中的第αt个元素,αt表示第t个节点在Yg′对应的位置,表示第t个起坐转换为si、前一个起坐转换为sj时,它们对应的ACSI的对称相似性的系数,而和是到达第t-1个节点且该节点对应的起坐转换Xt-1为sj时该路径上最近的一个起坐转换动作以及该起坐转换动作对应的下标,是下标为的起坐转换对应的ACSI序列且该ACSI序列位于收发天线对的第k条链路上,是下标为αt的起坐转换对应的ACSI序列且该ACSI序列位于收发天线对的第k条链路上,是上述两个ACSI的对称相似性的系数,是上述两个ACSI序列的对称相似性分数。特别地,与以及和有如下关系
在推断结束点处最有可能的起坐转换动作为
其中g表示是第g次执行最优推断,|Yg′|表示第g次推断的序列的元素总个数,表示本次推断到达的节点的下标,此处表示本次推断结束点的下标,则表示推断结束点的起坐转换动作。那么整个证据序列Yg′对应的最优起坐转换序列X*则可以根据记录在中的状态变量得到。
步骤6:根据最终的起坐转换活动识别结果来计算坐姿行为的累计时间,从而估计人员久坐时间,便于用户自定义相应的久坐行为干预计划。
通过以上步骤来完成对起坐转换活动识别结果中的错误进行检测和纠正。最后可以根据纠正后的起坐转换活动识别结果来对用户的久坐时间进行估计。
本发明达到的有益效果是:
提出一种基于信道状态信息久坐行为监测方法。使用商用Wi-Fi设备采集信道状态信息数据,计算两两ACSI序列的对称相似性,采用深度卷积神经网络识别信道状态信息片段的起坐转换动作后,建立基于一阶动态贝叶斯网络的起坐转换识别结果错误的检查与纠正模型,结合获得的对称相似分数,将起坐转换识别结果的错误检查与纠正问题建立为一个优化问题;根据建立的动态贝叶斯网络模型的参数,建立一个最优起坐动作转换推断算法,该算法通过寻找最大累积转换分数的起坐动作转换序列来纠正从深度卷积神经网络获得的识别结果,并获得最有可能的起坐转换序列;最后根据纠正后的起坐转换活动识别结果来对用户的久坐时间进行估计,提醒用户久坐行为的持续时间。
附图说明
图1是本发明实施例中的基于信道状态信息的久坐行为监测方法的流程示意图。
图2是本发明实施例中的实验场景示意图。
图3是本发明实施例中的各类起坐转换活动识别效果示意图。
具体实施方式:
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
如图1所示,本发明提供了一种基于信道状态信息的久坐行为监测方法,其过程如下所述:
步骤1:我们使用配备有Intel 5300网卡和三根天线的电脑作为实验的接收器,配备有Intel5300网卡和一根天线的电脑作为实验的发射器,将设备部署在日常室内场景中,如会议室。设备部署如图2所示,志愿者在其中进行各种活动。通过发射器持续发送数据包以获取经过复杂多径效应传播的人体活动相关信号,接收器采集人员起坐转换活动相关的数据。其中,发射机放置在距地面2.8米高的天花板的不同位置上,接收机放置在距地面0.75米高的桌面上。目标人员的活动区域由图2中红色矩形框标出。对于采集到的活动数据,使用Linux 802.11CSI tools从中提取用于起坐转换活动识别的信道状态信息原始数据;
步骤2:
步骤2-1:离群值去除。我们使用滤波器(Hampel滤波器)来去除原始信道状态信息中的离群值;
步骤2-2:噪声消除。我们使用小波滤波器来去除环境中的高频噪声,从而获得干净的信道状态信息数据;
步骤2-3:动作片段分割。我们采用基于信道状态信息方差的活动分割方法对起坐转换活动片段的起始点进行识别和分割;
步骤2-4:数据长度规整和0-1归一化。对上一步过滤出的起坐动作所对应的信道状态信息幅度数据进行重采样为统一长度。此外,还需要对长度规整之后的信道状态信息数据执行0-1归一化。
步骤3:信道状态信息对称相似性度量方法具体如下:
步骤3-1:对于两个给定的ACSI序列C1和c2,其中c1中第i个元素表示第一个ACSI样本序列中的第i个信道状态信息幅度值,c2中第j个元素表示第二个ACSI样本序列中的第j个信道状态信息幅度值,将其中一个ACSI序列翻转之后,建立c1和c2的相似度矩阵D:
其中n为C1中的元素值个数,m为C2中的元素值个数。
步骤3-2:
建立以下优化问题旨在寻找C1和C2的相似度矩阵D中从d1,1到dn,m的最小累积分数Score(C1,C2):
其中p1,...,pK需要同时满足以下三个条件:
1)pk是累积过程中的第k步:pk=(di,j)k,1≤i≤n,1≤j≤m;
2)max(m,n)≤K≤m+n-1;
3)p1=(d1,1)1和pK=(dn,m)K;
4)对所有的k>1,pk=(di,j)k与pk-1=(di′,j′)k-1的关系如下:
i′≤i≤i′+1,
j′≤j≤j′+1.
其中K是寻找从d1,1到dn,m的最小累计分数过程中经过的总步数,i和i′分别表示C1中第i个和第i′个元素的序号,j和j′分别表示C2中第j个和第j′个元素的序号,Score(C1,C2)也被称为C1和C2的对称相似性分数。
步骤3-3:基于动态规划方法解决步骤3-2的最优化问题,最终,c1和c2的对称相似性分数Score(C1,c2)可以按下式递归得到:
其中为到达点di,j处的最小累积分数。步骤4:简化的基于一阶动态贝叶斯网络的起坐转换识别错误纠正模型建立方法如下:
步骤4-1:将步骤2的信道状态信息数据送入深度卷积神经网络识别之后,能获得每个信道状态信息样本的预测向量。结合起坐转换动作的上下文关联性和对称性,设置该动态贝叶斯网络的参数,包括状态变量集合S,证据变量集合E,移动模型M以及转移模型N。其中,状态变量集合S包含本方法针对的7种常见的起坐转换动作和日常活动,即S={单独起立、走动、单独坐下、起立向左走、从左边走回坐下、起立向右走、从右边走回坐下},上述S中的各个变量分别简记为S={Sd,Wk,St,SdL,StL,SdR,StR},其中si表示S中的第i个元素,且s1=Sd,s2=Wk,s3=St,s4=SdL,s5=LSt,s6=SdR,s7=RSt。建立S中各个状态变量si的先验分布,δi=P(X1=si)=1/7,i=1,2,…,|S|,其中P(X1=si)为被监测人员的第一个状态X1为状态变量si的初始概率,第一个状态X1表示第1个信道状态信息样本的状态,即对被监测人员的第1个信道状态信息片段的中的动作的估计。接下来,设置证据变量集合E。E中的第i个证据变量ei对应深度卷积神经网络对被监测人员的第i个信道状态信息动作样本的预测向量。最后,建立该动态贝叶斯网络的移动模型M=[mi,j]|S|×|S|,其中mi,j表示M中位于的第i行第j列的元素,且mi,j=P(Xt+1=si|Xt=sj),具体如下
其中Xt+1为第t+1个信道状态信息样本对应的起坐转换,|S|为状态变量集合中的元素个数, 表明si和sj是名义上对称的两个起坐转换,P(Xt+1=si|Xt=sj)表示当第t个起坐转换Xt为sj的时候,第t+1个起坐转换Xt+1为si的概率。接着,建立转移模型N=[nj(Yt)]T×|S|,其中nj(Yt)表示N中位于第t行第j列的元素,且nj(Yt)=P(Yt|Xt=sj),具体如下
nj(Yt)=P(Yt|Xt=sj)=PVt(j)
其中Yt为第t个信道状态信息样本对应的证据,在本模型中为第t个信道状态信息样本的预测向量,P(Yt|Xt=sj)表示第t个信道状态信息样本的起坐转换Xt为sj时产生证据的Yt概率,PVt(j)表示来自深度卷积神经网络模型的第t个信道状态信息样本的预测向量中的第j个元素,T为证据变量集合E的元素个数。
步骤4-2:根据步骤4-1中建立的一阶动态贝叶斯网络,对起坐转换识别结果中的错误进行检查和纠正的问题建立为一个优化问题如下,名为起坐转换序列推断问题:
其中为一组样本对应的证据序列,Yt为第t个样本对应的证据,T为序列的长度,在这里等于样本的个数,为最优的起坐转换序列,为Yt对应的最优起坐转换动作,为对应的一个有可能出现的起坐转换序列,Xt为X中的第t个起坐转换,为所有可能的起坐转换序列的集合,δ为状态变量的先验分布,M为移动模型,N为转移模型,Score为包含所有ACSI样本的对称相似性分数的序列。
步骤5:基于动态贝叶斯网络模型的最优起坐转换序列推断算法寻找最有可能的起坐转换活动序列。
步骤5-1:选出来自深度卷积神经网络的识别结果中识别结果可信度最高的样本作为推断序列的锚点,其中识别结果可信度计算方法如下:
其中表示来自深度卷积神经网络的第k个识别结果的可信度。假设可信度最高的为第k个样本,那么它对应的证据Yk将被选做被选作证据序列Y的锚点。在实际中,本方法设置Tg个识别结果为一组待检查的识别结果。当一组新的待检查的识别结果到来时,当且仅当新组(Yg)的识别结果的最大可信度大于旧组的识别结果的最大可信度并且新组的识别结果的平均可信度大于旧组的识别结果的平均可信度时,锚点才会被更新。第g组识别结果的锚点的位置,Anc(g),的设置方法如下
其中|Yg|为Yg的元素个数,g表示第g组识别结果的序号,表示Yg中第k个元素,Anc(g)=(g,h)表示第g次选出来的锚点的位置为Yg中第h个元素,为旧组,为中元素的个数,表示中第k个元素,的组织方式如下
步骤5-2:根据5-1选出来的锚点,设置对第g组起坐转换识别结果执行最优起坐转换序列推断的推断算法的推断方向D(g)如下:
其中D(g)=Forward(D(g)=Backward)表示后续的推断过程是以锚点所在位置的证据为起点的前向(后向)推断,而D(g)=Bi-direction表示后续的推断过程是以锚点所在位置的证据为起点的双向推断。特别地,当锚点被更新之后,需要重新检查旧组的识别结果。最终,第g次最优起坐转换序列推断的执行对象可以表示为
步骤5-3:根据5-2设置的推断方向D(g),对Yg′执行最优起坐转换序列推断的过程介绍如下。首先,需要根据推断方向D(g)判断是否需要将Yg′进行拆分,以简化单次推断的时间复杂度。具体来说,如果D(g)=Bi-direction,且第k个证据为当前的锚点,那么Yg′会在处分成两个待检查的证据子序列,以及其中 和将会被分别执行后续的最优起坐转换推断,并分别获得最优的起坐转换子序列和 和在锚点所在位置处合并则得到Yg′对应的最优的起坐转换序列X*;而当D(g)≠Bi-direction时,则不需要对Yg′进行拆分,直接推断Yg′对应的最优起坐转换序列。接下来,本方法中记第g次被执行最优起坐转换推断的证据序列为Yg′,即Yg′可以是D(g)≠Bi-direction时没被拆分的Yg′,或者是当D(g)=Bi-direction时,被拆分之后的或推断方法具体介绍如下:
首先初始化在推断开始点处于si时获得的最大的累积转移分数
其中是Yg′中的推断起始点,α1是该起始点的下标,按如下式子给出
是旧组中最后一个状态为时的累积转移分数,也就是旧组的最优起坐转换序列的最大累积转移分数,即表示旧组最后一个状态对应的最有可能的起坐转换动作的序号,表示旧组中的元素个数,在这里也表示旧组中最后一个状态对应的序号,是表示旧组中最后一个状态为新组中推断起始点状态为si时,它们对应的ACSI的对称相似性的系数,其计算方式如下
其中和分别表示一条被推断出来的起坐转换序列中的最后一个起坐转换动作以及它在整个起坐转换序列中对应的下标,是到达的最后一个证据且下的状态变量为sj的起坐转换序列,
是下标为的证据对应的旧组中的ACSI序列且该ACSI序列源于收发设备的第k条链路上,是推断起始点对应的ACSI序列且该ACSI序列源于收发设备的第k条链路上,是上述两个ACSI序列的对称相似性分数,Tx和Rx分别是WiFi设备发送天线和接收天线的数量。接着记录到达推断起始点且推断起始点处于si下的最有可能的起坐转换序列中推断起始点的前一个节点的状态,记为
其中,g表示第g次被执行最优起坐转换推断的证据序列的序号,表示第g次最优起坐转换推断的推断起始点处于状态si时的上一个节点的状态的序号,Anc(g)和Anc(g-1)表示第g次和第g-1次被执行最优起坐转换推断的证据序列的锚点的位置。此外,记录到达推断初始点且推断初始点处于si的最有可能的起坐转换序列中的最近一个起坐转换动作以及它在整个起坐转换序列中对应的下标
其中,表示旧组的最后一个元素的位置,表示在第g次最优起坐转换推断的推断起始点处于状态si且旧组的最有起坐状态转换推断结束时,旧组中最后一个起坐转换动作。表示在第g次最优起坐转换推断的推断起始点处于状态si且旧组的最有起坐状态转换推断结束时,旧组中最后一个起坐转换动作在旧组中的位置。后面本方法通过不断地递归来推断起坐转换序列。记到达第t个节点且该节点对应的起坐转换Xt为si时的最大累积转移分数为并记录拥有该最大累积转移分数的路径上第t-1个节点对应的起坐转换Xt-1的状态变量为类似地,和可以递归地计算如下
其中,mj,i为移动模型M中位于第j行第i列的元素,表示转移模型N中位于第αt行第j列的元素,表示第g次被执行最优起坐转换推断的证据序列Yg′中的第αt个元素,αt表示第t个节点在Yg′对应的位置,表示第t个起坐转换为si、前一个起坐转换为sj时,它们对应的ACSI的对称相似性的系数,而和是到达第t-1个节点且该节点对应的起坐转换Xt-1为sj时该路径上最近的一个起坐转换动作以及该起坐转换动作对应的下标,是下标为的起坐转换对应的ACSI序列且该ACSI序列位于收发天线对的第k条链路上,是下标为αt的起坐转换对应的ACSI序列且该ACSI序列位于收发天线对的第k条链路上,是上述两个ACSI的对称相似性的系数,是上述两个ACSI序列的对称相似性分数。特别地,与以及和有如下关系
在推断结束点处最有可能的起坐转换动作为
其中g表示是第g次执行最优推断,|Yg′|表示第g次推断的序列的元素总个数,表示本次推断到达的节点的下标,此处表示本次推断结束点的下标,则表示推断结束点的起坐转换动作。那么整个证据序列Yg′对应的最优起坐转换序列X*则可以根据记录在中的状态变量得到。
步骤6:根据最终的起坐转换活动识别结果来计算坐姿行为的累计时间,从而估计人员久坐时间,便于用户自定义相应的久坐行为干预计划。
为了评估本方法在不同环境下的鲁棒性,我们在室内场景中实现了所提出的方法,该室内场景具有各种复杂的无线环境,如图2所示。其中我们用一块4m*2m的塑料挡板(厚度2cm)间隔在活动区域中,来模拟非视距环境。发射机依次放置在地面4个不同位置上收集数据。每个场景使用两台笔记本电脑(Think-pad X200)作为收发器,两台设备都配备了Intel 5300卡,安装了Linux802.11n CSI Tool,用于采集信道状态信息数据。发射端天线数为Nt=1,接收端天线数为Nr=3。通过采集人员活动信号,我们可以得到1×3×30=90个子载波的信道状态信息数据,其中每个收发天线对有30个子载波。本方法中,信号频率为5.8GHz,带宽为20MHz,采样频率为100Hz。
我们招募了15名身材不同的志愿者(7名女性和8名男性)参加实验,年龄在22至45岁之间。每位志愿者被要求多次执行本发明中提到的7种起坐转换。值得注意的是,为了实现真实的久坐行为监测,每位志愿者以不违反起坐转换活动连贯性的方式执行这7种类型的动作。同时,我们分别收集了视距环境和非视距环境情况下的数据。因此,每个动作在每个位置中每个志愿者会有约15个样本,而在视距环境和非视距环境情况下,每个动作分别有约900个样本。数据集均按5:1划分训练集和测试集。无论是训练集还是测试集,各个类的样本的数量是相等的,且来自视距(LOS)环境的数据与非视距(NLOS)环境的数据量也是相等的。
我们将采集到的LOS场景的数据和NLOS场景下的数据一起送入模型训练,目的是得到一个能完成混合场景动作识别任务的模型。在实际测试中,NLOS样本在测试集中的比例代表了环境的复杂程度。因此,我们通过调整NLOS场景数据在整个测试集数据中的比例,来探究本发明在不同环境下的性能。我们使用准确率来评价系统的性能。图3上面两幅图是纠错前和纠错后,LOS数据占比为100%的情况下,各个动作识别的准确率。图3下面两幅图是纠错前和纠错后,LOS数据占比为40%的情况下,各个动作识别的准确率。中我们可以观察到,由于这些起坐动作具有很强的相似性,因此在没有经过纠错前,与起立相关的动作(Sd,SdR,SdL)有一定的概率会被分类为与坐下相关的动作(St,RSt,LSt),反过来也是一样。例如在LOS数据占比为1的场景下,起立(Sd)会有38%的概率误判为坐下(St)。经过纠错算法之后,本纠错方法能根据连续起坐动作间的关联性来校正起立与坐下相关动作的误判情况,降低了坐下动作被误判为起立动作的概率。以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (5)
1.一种基于信道状态信息的久坐行为监测方法,其特征在于:所述久坐行为监测方法包括如下步骤:
步骤1:使用配备有Intel 5300网卡和三根天线的电脑作为接收器,配备有Intel 5300网卡和一根天线的电脑作为发射器,将设备部署在日常室内场景中,人员在感知区域内进行各种活动,通过发射器持续发送数据包以获取经过复杂多径效应传播的人体活动相关信号,接收器采集人员起坐转换活动相关的数据,对于采集到的活动数据,使用Linux802.11CSItools从中提取用于起坐转换活动识别的信道状态信息(CSI)原始数据;
步骤2:使用滤波器(Hampel滤波器)来去除原始信道状态信息中的离群值,接着使用小波滤波器来去除环境中的高频噪声,从而获得干净的信道状态信息数据;采用基于信道状态信息方差的活动分割方法对起坐转换活动片段的起始点进行识别和分割;对上一步过滤出的起坐动作所对应的信道状态信息幅度数据进行重采样为统一长度,再对长度规整之后的信道状态信息数据执行零均值数据归一化;
步骤3:建立两两动作之间的信道状态信息序列的相似度矩阵,将衡量两个动作的信道状态信息序列的对称相似分数建立为一个有约束的优化问题,采用动态规划的思想解决该优化问题,并得出两个动作的信道状态信息序列的对称相似分数;
步骤4:获得来自深度卷积神经网络的识别结果后,建立简化的基于一阶动态贝叶斯网络的起坐转换识别结果的错误检查与纠正模型,结合步骤3获得的对称相似分数,将起坐转换识别结果的错误检查与纠正问题建立为一个优化问题;
步骤5:为解决步骤4的优化问题,根据步骤4中动态贝叶斯网络模型的参数,建立一个最优起坐动作转换推断算法,该算法通过寻找最大累积转换分数的起坐动作转换序列来纠正上一步获得的识别结果,并获得最有可能的起坐转换序列;
步骤6:根据最优的起坐转换序列来计算坐姿行为的累计时间,从而估计人员久坐时间。
2.根据权利要求1所述的一种基于信道状态信息的久坐行为监测方法,其特征在于:步骤2中:接收机接收到的信号y可以表示为:
y=Hx+n
其中,H是信道状态信息矩阵,它刻画了室内环境和人体活动的信息,x是发射信号,n是附加的高斯噪声,由于在室内环境中射频信号从发射器到接收器通过多条路径传播,信道状态信息是所有路径信号的叠加,因此在频域上,中心频率为fi的OFDM子载波上第k个数据包的信道状态信息采样版本CFR,H(fi;kT),可以表示为:
其中S代表多径的数量,as(t)、τs(t)和分别代表在时刻t第s条路径的幅度衰减、时间延迟和相位偏移,fi为第i个子载波的中心频率,T为数据包的发送间隔,k为数据包的序号,fi表示第i个子载波的频率,G(fi)表示在该子载波上的高斯噪声,使用滤波器(Hampel滤波器)来去除原始信道状态信息中的离群值,具体表达式如下:
其中表示频率为fi的子载波的第k个信道状态信息幅度数据值,μ为滑动窗口内信道状态信息幅度数据值的中位数,γ为预先设定的阈值,σ为滑动窗口内信道状态信息幅度数据值的绝对中位差,接着使用小波滤波器消除环境中的高频噪声,从而获得干净的信道状态信息数据;
为提取起坐转换活动对应的信道状态信息片段,本方法采用基于信道状态信息方差的活动分割方法对起坐转换活动片段的起始点进行识别和分割,首先,对信道状态信息在不同子载波上的加权值进行计算,并将所有子载波上的信道状态信息幅度值的加权计算结果记为ACSI,具体表达式如下:
其中,ACSIk表示第k个数据包的在所有子载波上的信道状态信息幅度值的加权值,fc表示中心频率,N为子载波的总数量,表示中心频率为fi的OFDM子载波在第k个数据包中的信道状态信息幅度值,然后使用一系列滑动窗口并在每个窗口内计算ACSI序列幅度值之差的方差
其中,i表示第i个窗口,w表示窗口的大小,s表示每次滑动的步长,表示第i个窗口内信道状态信息的加权值的平均绝对差,表示第i个窗口内信道状态信息的加权值的差的方差,接着,我们将计算得到的值和预设的起始点阈值θs以及结束点阈值θe进行比较,来检测第a个起坐动作的起始点s(a)和e(a),当窗口内有时,首先检查在此之前是否找到了第a个动作的起始点e(a),否则表明当前窗口存在动作的起始点,如果当前第a个动作的起始点已经找到,而当前窗口内有则表明该窗口内可能有动作的结束点e(a),
当e(a)-s(a)<θact时,则重置并记录方差小于θe的持续时间tdur,若一段时间tdur内的方差均小于θe,表明此前的小幅度波动是由非起坐动作引起的,则重置最后对信道状态信息幅度数据进行重采样为统一长度,还需要对长度规整之后的信道状态信息数据执行0-1归一化。
3.根据权利要求所述的一种基于信道状态信息的久坐行为监测方法,其特征在于:步骤3中,信道状态信息对称相似性度量方法具体如下:
步骤3-1:对于两个给定的ACSI序列C1和X2,其中X1中第i个元素表示第一个ACSI样本序列中的第i个信道状态信息幅度值,X2中第j个元素表示第二个ACSI样本序列中的第j个信道状态信息幅度值,将其中一个ACSI序列翻转之后,建立C1和C2的相似度矩阵D:
其中n为C1中的元素值个数,m为C2中的元素值个数,
步骤3-2:建立以下优化问题旨在寻找C1和C2的相似度矩阵D中从d1,1到dn,m的最小累积分数Score(C1,C2):
其中p1,…,pK需要同时满足以下三个条件:
1)pk是累积过程中的第k步:pk=(di,j)k,1≤i≤n,1≤j≤m;
2)max(m,n)≤K≤m+n-1;
3)p1=(d1,1)1和pK=(dn,m)K;
4)对所有的k>1,pk=(di,j)k与pk-1=(di′,j′)k-1的关系如下:
i′≤i≤i′+1,
j′≤j≤j′+1.
其中K是寻找从d1,1到dn,m的最小累计分数过程中经过的总步数,i和i′分别表示C1中第i个和第i′个元素的序号,j和j′分别表示C2中第j个和第j′个元素的序号,Score(C1,C2)也被称为C1和C2的对称相似性分数,
步骤3-3:基于动态规划方法解决步骤3-2的最优化问题,最终,C1和C2的对称相似性分数Score(C1,C2)可以按下式递归得到:
Score(C1,C2)=θn,m
θ1,1=d1,1
θi,j=di,j+min{θi-1,j-1,θi-1,j,θi,j-1}
其中θi,j为到达点di,j处的最小累积分数。
4.根据权利要求1所述的一种基于信道状态信息的久坐行为监测方法,其特征在于:步骤4中,简化的基于一阶动态贝叶斯网络的起坐转换识别错误纠正模型建立方法如下:
步骤4-1:将步骤2的信道状态信息数据送入深度卷积神经网络识别之后,能获得每个信道状态信息样本的预测向量,结合起坐转换动作的上下文关联性和对称性,设置该动态贝叶斯网络的参数,包括状态变量集合S,证据变量集合E,移动模型M以及转移模型N,其中,状态变量集合S包含本方法针对的7种常见的起坐转换动作和日常活动,即S={单独起立、走动、单独坐下、起立向左走、从左边走回坐下、起立向右走、从右边走回坐下},上述S中的各个变量分别简记为S={Sd,Wk,St,SdL,StL,SdR,StR},其中si表示S中的第i个元素,且s1=Sd,s2=Wk,s3=St,s4=SdL,s5=LSt,s6=SdR,s7=RSt,建立S中各个状态变量si的先验分布,δi=P(X1=si)=1/7,i=1,2,…,|S|,其中P(X1=si)为被监测人员的第一个状态X1为状态变量si的初始概率,第一个状态X1表示第1个信道状态信息样本的状态,即对被监测人员的第1个信道状态信息片段的中的动作的估计,接下来,设置证据变量集合E,E中的第i个证据变量ei对应深度卷积神经网络对被监测人员的第i个信道状态信息动作样本的预测向量,最后,建立该动态贝叶斯网络的移动模型M=[mi,j]|S|×|S|,其中mi,j表示M中位于的第i行第j列的元素,且mi,j=P(Xt+1=si|Xt=sj),具体如下
其中Xt+1为第t+1个信道状态信息样本对应的起坐转换,|S|为状态变量集合中的元素个数, 表明si和sj是名义上对称的两个起坐转换,P(Xt+1=si|Xt=sj)表示当第t个起坐转换Xt为sj的时候,第t+1个起坐转换Xt+1为si的概率,接着,建立转移模型N=[nj(Yt)]T×|S|,其中nj(Yt)表示N中位于第t行第j列的元素,且nj(Yt)=P(Yt|Xt=sj),具体如下
nj(Yt)=P(Yt|Ct=sj)=PVt(j)
其中Yt为第t个信道状态信息样本对应的证据,在本模型中为第t个信道状态信息样本的预测向量,P(Yt|Xt=sj)表示第t个信道状态信息样本的起坐转换Xt为sj时产生证据的Yt概率,PVt(j)表示来自深度卷积神经网络模型的第t个信道状态信息样本的预测向量中的第j个元素,T为证据变量集合E的元素个数;
步骤4-2:根据步骤4-1中建立的一阶动态贝叶斯网络,对起坐转换识别结果中的错误进行检查和纠正的问题建立为一个优化问题如下,名为起坐转换序列推断问题:
其中为一组样本对应的证据序列,Yt为第t个样本对应的证据,T为序列的长度,在这里等于样本的个数,为最优的起坐转换序列,为Yt对应的最优起坐转换动作,为对应的一个有可能出现的起坐转换序列,Xt为x中的第t个起坐转换,χ为所有可能的起坐转换序列的集合,δ为状态变量的先验分布,M为移动模型,N为转移模型,Score为包含所有ACSI样本的对称相似性分数的序列。
5.根据权利要求1所述的一种基于信道状态信息的久坐行为监测方法,其特征在于:步骤5:根据权利要求1所述的一种基于信道状态信息的久坐行为监测方法,其特征在于:步骤5中,基于动态贝叶斯网络模型的最优起坐转换序列推断算法的具体方法如下:
步骤5-1:选出来自深度卷积神经网络的识别结果中识别结果可信度最高的样本作为推断序列的锚点,其中识别结果可信度计算方法如下:
其中表示来自深度卷积神经网络的第k个识别结果的可信度,假设可信度最高的为第k个样本,那么它对应的证据Yk将被选做被选作证据序列Y的锚点,在实际中,本方法设置Tg个识别结果为一组待检查的识别结果,当一组新的待检查的识别结果到来时,当且仅当新组(Yg)的识别结果的最大可信度大于旧组的识别结果的最大可信度并且新组的识别结果的平均可信度大于旧组的识别结果的平均可信度时,锚点才会被更新,第g组识别结果的锚点的位置,Anc(g),的设置方法如下
其中|Yg|为Yg的元素个数,g表示第g组识别结果的序号,表示Yg中第k个元素, 表示第g次选出来的锚点的位置为Yg中第h个元素,为旧组,为中元素的个数,表示中第k个元素,的组织方式如下
步骤5-2:根据5-1选出来的锚点,设置对第g组起坐转换识别结果执行最优起坐转换序列推断的推断算法的推断方向D(g)如下:
其中D(g)=Forward(D(g)=Backward)表示后续的推断过程是以锚点所在位置的证据为起点的前向(后向)推断,而D(g)=Bi-direction表示后续的推断过程是以锚点所在位置的证据为起点的双向推断,特别地,当锚点被更新之后,需要重新检查旧组的识别结果,最终,第g次最优起坐转换序列推断的执行对象可以表示为
步骤5-3:根据5-2设置的推断方向D(g),对Yg′执行最优起坐转换序列推断的过程介绍如下,首先,需要根据推断方向D(g)判断是否需要将Yg′进行拆分,以简化单次推断的时间复杂度,具体来说,如果D(g)=Bi-direction,且第k个证据为当前的锚点,那么Yg′会在处分成两个待检查的证据子序列,以及其中 和将会被分别执行后续的最优起坐转换推断,并分别获得最优的起坐转换子序列和和在锚点所在位置处合并则得到Yg′对应的最优的起坐转换序列x*,而当D(g)≠Bi-direction时,则不需要对Yg′进行拆分,直接推断Yg′对应的最优起坐转换序列,接下来,本方法中记第g次被执行最优起坐转换推断的证据序列为Yg′,即Yg′可以是D(g)≠Bi-direction时没被拆分的Yg′,或者是当D(g)=Bi-direction时,被拆分之后的或推断方法具体介绍如下:
首先初始化在推断开始点处于si时获得的最大的累积转移分数
其中是Yg′中的推断起始点,α1是该起始点的下标,按如下式子给出
是旧组中最后一个状态为时的累积转移分数,也就是旧组的最优起坐转换序列的最大累积转移分数,即表示旧组最后一个状态对应的最有可能的起坐转换动作的序号,表示旧组中的元素个数,在这里也表示旧组中最后一个状态对应的序号,是表示旧组中最后一个状态为新组中推断起始点状态为si时,它们对应的ACSI的对称相似性的系数,其计算方式如下
其中和分别表示一条被推断出来的起坐转换序列中的最后一个起坐转换动作以及它在整个起坐转换序列中对应的下标,是到达的最后一个证据且下的状态变量为sj的起坐转换序列,
是下标为的证据对应的旧组中的ACSI序列且该ACSI序列源于收发设备的第k条链路上,是推断起始点对应的ACSI序列且该ACSI序列源于收发设备的第k条链路上,是上述两个ACSI序列的对称相似性分数,Tx和Rx分别是WiFi设备发送天线和接收天线的数量,接着记录到达推断起始点且推断起始点处于si下的最有可能的起坐转换序列中推断起始点的前一个节点的状态,记为
其中,g表示第g次被执行最优起坐转换推断的证据序列的序号,表示第g次最优起坐转换推断的推断起始点处于状态si时的上一个节点的状态的序号,Anc(g)和Anc(g-1)表示第g次和第g-1次被执行最优起坐转换推断的证据序列的锚点的位置,此外,记录到达推断初始点且推断初始点处于si的最有可能的起坐转换序列中的最近一个起坐转换动作以及它在整个起坐转换序列中对应的下标
其中,表示旧组的最后一个元素的位置,表示在第g次最优起坐转换推断的推断起始点处于状态si且旧组的最有起坐状态转换推断结束时,旧组中最后一个起坐转换动作,表示在第g次最优起坐转换推断的推断起始点处于状态si且旧组的最有起坐状态转换推断结束时,旧组中最后一个起坐转换动作在旧组中的位置,后面本方法通过不断地递归来推断起坐转换序列,记到达第t个节点且该节点对应的起坐转换Xt为si时的最大累积转移分数为并记录拥有该最大累积转移分数的路径上第t-1个节点对应的起坐转换Xt-1的状态变量为类似地,和可以递归地计算如下
其中,mj,i为移动模型M中位于第j行第i列的元素,表示转移模型N中位于第αt行第j列的元素,表示第g次被执行最优起坐转换推断的证据序列Yg′中的第αt个元素,αt表示第t个节点在Yg′对应的位置,表示第t个起坐转换为si、前一个起坐转换为sj时,它们对应的ACSI的对称相似性的系数,而和是到达第t-1个节点且该节点对应的起坐转换Xt-1为sj时该路径上最近的一个起坐转换动作以及该起坐转换动作对应的下标,是下标为的起坐转换对应的ACSI序列且该ACSI序列位于收发天线对的第k条链路上,是下标为αt的起坐转换对应的ACSI序列且该ACSI序列位于收发天线对的第k条链路上,是上述两个ACSI的对称相似性的系数,是上述两个ACSI序列的对称相似性分数,特别地,与以及和有如下关系
在推断结束点处最有可能的起坐转换动作为
其中g表示是第g次执行最优推断,|Yg′|表示第g次推断的序列的元素总个数,表示本次推断到达的节点的下标,此处表示本次推断结束点的下标,则表示推断结束点的起坐转换动作,那么整个证据序列Yg′对应的最优起坐转换序列X*则可以根据记录在中的状态变量得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311108432.XA CN117224116A (zh) | 2023-08-30 | 2023-08-30 | 一种基于信道状态信息的久坐行为监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311108432.XA CN117224116A (zh) | 2023-08-30 | 2023-08-30 | 一种基于信道状态信息的久坐行为监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117224116A true CN117224116A (zh) | 2023-12-15 |
Family
ID=89093894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311108432.XA Pending CN117224116A (zh) | 2023-08-30 | 2023-08-30 | 一种基于信道状态信息的久坐行为监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117224116A (zh) |
-
2023
- 2023-08-30 CN CN202311108432.XA patent/CN117224116A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Di Domenico et al. | Trained-once device-free crowd counting and occupancy estimation using WiFi: A Doppler spectrum based approach | |
Tan et al. | Exploiting WiFi channel state information for residential healthcare informatics | |
CN105933080B (zh) | 一种跌倒检测方法和系统 | |
US20240085524A1 (en) | System and method for presence and pulse detection from wireless signals | |
JP7150292B2 (ja) | 行動認識システム、及び行動認識方法 | |
WO2018133264A1 (zh) | 一种人体室内定位自动检测方法及系统 | |
CN112131972B (zh) | 一种基于注意力机制使用WiFi数据进行人体行为识别的方法 | |
CN108038419A (zh) | 基于Wi-Fi的室内人员被动检测方法 | |
Shi et al. | Human activity recognition using deep learning networks with enhanced channel state information | |
EP4113174A1 (en) | Estimation device, estimation method, and program | |
Samadh et al. | Indoor localization based on channel state information | |
Zhu et al. | NotiFi: A ubiquitous WiFi-based abnormal activity detection system | |
CN113453180B (zh) | 一种人体摔倒智能检测方法、系统、信息数据处理终端 | |
Bahadori et al. | ReWiS: Reliable Wi-Fi sensing through few-shot multi-antenna multi-receiver CSI learning | |
CN111901028B (zh) | 一种基于多天线上csi的人体行为识别方法 | |
Mei et al. | WiWave: WiFi-based human activity recognition using the wavelet integrated CNN | |
Guo et al. | WiRoI: Spatial region of interest human sensing with commodity WiFi | |
Uysal et al. | A new rf sensing framework for human detection through the wall | |
Huang et al. | WiLay: A two-layer human localization and activity recognition system using WiFi | |
Vaca-Rubio et al. | mmWave Wi-Fi trajectory estimation with continuous-time neural dynamic learning | |
Zhou et al. | A robust respiration detection system via similarity-based selection mechanism using wifi | |
Kram et al. | Delay estimation in dense multipath environments using time series segmentation | |
CN117224116A (zh) | 一种基于信道状态信息的久坐行为监测方法 | |
CN113260871A (zh) | 传感器 | |
Zhang et al. | A Novel WiFi-Based Personnel Behavior Sensing With a Deep Learning Method |
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 |