CN106323330A - 基于WiFi动作识别***的非接触式计步方法 - Google Patents

基于WiFi动作识别***的非接触式计步方法 Download PDF

Info

Publication number
CN106323330A
CN106323330A CN201610668171.0A CN201610668171A CN106323330A CN 106323330 A CN106323330 A CN 106323330A CN 201610668171 A CN201610668171 A CN 201610668171A CN 106323330 A CN106323330 A CN 106323330A
Authority
CN
China
Prior art keywords
wifi
recognition system
motion recognition
subcarrier
motion
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.)
Granted
Application number
CN201610668171.0A
Other languages
English (en)
Other versions
CN106323330B (zh
Inventor
黄刘生
许杨
杨威
王建新
黎宏
沈瑶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Institute for Advanced Study USTC
Original Assignee
Suzhou Institute for Advanced Study USTC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Institute for Advanced Study USTC filed Critical Suzhou Institute for Advanced Study USTC
Priority to CN201610668171.0A priority Critical patent/CN106323330B/zh
Publication of CN106323330A publication Critical patent/CN106323330A/zh
Application granted granted Critical
Publication of CN106323330B publication Critical patent/CN106323330B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
    • G01C22/006—Pedometers

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于WiFi动作识别***的非接触式计步方法，包括：通过WiFi动作识别***得到行走动作的时序CSI幅值片段，处理得到Nv个子载波；对得到的Nv个子载波的动作片段进行小波分解，得到不同频率范围的细节系数；筛选出代表脚部运动引起的CSI振幅变化所在频率范围的细节系数，重构每个子载波对应的细节信号，并计算重构信号的短时能量；筛选并统计有效波峰数，并融合Nv个子载波的统计结果计算得到稳定的步数值。该方法不需要携带任何计步设备，根据WiFi信号的多径传播模型，感知人体行走时脚部运动对WiFi信号CSI振幅造成的影响，进而以非接触的方式计算人体行走步数，且计步结果比传统计步方法稳定。

Description

基于WiFi动作识别***的非接触式计步方法
技术领域
本发明属于WiFi感知与室内定位技术领域，具体地涉及一种基于WiFi动作识别技术，结合信道状态信息(CSI)的频域特征实现非接触式计步的方法。
背景技术
目前主流的计步方法大多是基于传感器和视觉的。其中基于传感器的计步方法通过实时读取人体所携带智能设备中加速度计的加速度信息和陀螺仪的角度变化信息，识别人在行走时的节奏特征，并根据预先设定的阈值实现计步功能。由于人在行走过程中，不同身体部位(如，腰部和腿部)的运动速度和运动幅度往往差别较大，而将计步设备放置在身体不同部位会产生不同的加速度和角度变化信息。特别地，当将计步设备放置在手中不停摇晃时，此类设备会将摇晃动作识别成走路动作，将摇晃次数计为脚步数，进而造成“过计数”。因此，计步的准确性受设备放置在人体具***置的影响较大。另外，当行走速度较为缓慢，身体运动幅度较小时，此类计步设备很难准确计步。
另一种基于视觉的方法主要通过识别人在行走中其脚在摄像头拍摄范围内出现和消失的过程来记录步数。该类方法虽然克服了基于传感器计步的准确性受人体不同部位运动幅度影响的缺点，但其受光照条件的影响较大，很难在黑暗环境下运作。同时摄像头的使用存在个人隐私泄漏的风险。此外，基于传感器和视觉的计步方法在计步过程中均要求人随时携带相应的硬件设备，从而一定程度上限制了这些计步方法的应用范围。
随着WiFi感知技术的发展，利用WiFi信号进行被动式人员检测、非接触式人体动作识别、呼吸检测和语音窃听等应用***层出不穷。根据无线信号的多普勒效应和多径效应，在无线网络环境中，运动的人体会改变无线信号的传播路径，使得接收信号的振幅和相位发生变化。通过感知这种变化可以实现对人体各类运动的识别和检测。另外，利用WiFi信号的信道状态信息进行室内定位也是近几年研究的热点，步数在室内定位中是一个重要的参数，研究如何方便准确地测量步数具有很高的实用价值。
发明内容
针对主流计步方法中存在的技术问题，本发明目的是：提供了一种基于WiFi动作识别***的非接触式计步方法，无需用户携带任何硬件设备，对行走动作的信道状态信息CSI幅值片段进行小波分解，获得脚部运动所对应的细节系数的重构信号，计算其短时能量并结合多载波计算结果获得稳定的步数值。
本发明的技术方案是：
一种基于WiFi动作识别***的非接触式计步方法，其特征在于，包括以下步骤：
S01：通过WiFi动作识别***得到行走动作的时序CSI幅值片段，处理得到Nv个子载波；
S02：对得到的Nv个子载波的动作片段进行小波分解，得到不同频率范围的细节系数；
S03：筛选出代表脚部运动引起的CSI振幅变化所在频率范围的细节系数，重构每个子载波对应的细节信号，并计算重构信号的短时能量；
S04：筛选并统计有效波峰数，并融合Nv个子载波的统计结果计算得到稳定的步数值。
优选的，所述步骤S01中的行走动作的时序CSI幅值片段为Ns×T维的矩阵，其中Ns为子载波个数，其数值与通信带宽和所选用的采集工具有关，T为样本点数。
优选的，所述步骤S01中的处理得到Nv个子载波包括除去该CSI幅值片段的直流成分，滤除高频噪声，选择各子载波的方差较大的Nv个子载波。
优选的，所述步骤S04包括将峰宽介于500～1000个采样点之间，峰高不低于2dB，相邻两个波峰之间的间隔不小于0.5秒的波峰作为有效波峰，将有效波峰作为步数，将Nv个子载波所得步数的平均值作为步数值。
本发明又公开了一种基于WiFi动作识别***的非接触式计步***，其特征在于，包括：
数据处理模块，对WiFi动作识别***得到的行走动作的时序CSI幅值片段进行处理，得到Nv个子载波；
小波分解模块，对得到的Nv个子载波的动作片段进行小波分解，得到不同频率范围的细节系数；
短时能量计算模块，筛选出代表脚部运动引起的CSI振幅变化所在频率范围的细节系数，重构每个子载波对应的细节信号，并计算重构信号的短时能量；
步数统计模块，筛选并统计有效波峰数，并融合Nv个子载波的统计结果计算得到稳定的步数值。
优选的，所述行走动作的时序CSI幅值片段为Ns×T维的矩阵，其中Ns为子载波个数，其数值与通信带宽和所选用的采集工具有关，T为样本点数。
优选的，所述数据处理模块除去该CSI幅值片段的直流成分，滤除其中所包含的高频噪声，选择各子载波的方差较大的Nv个子载波。
优选的，所述短时能量计算模块对重构的细节信号进行加窗处理并分帧，计算每一帧的短时能量。
优选的，所述步数统计模块将峰宽介于500～1000个采样点之间，峰高不低于2dB，相邻两个波峰之间的间隔不小于0.5秒的波峰作为有效波峰，将有效波峰作为步数，将Nv个子载波所得步数的平均值作为步数值。
与现有技术相比，本发明的优点是：
(1)不需要用户携带任何计步设备，根据WiFi信号的多径传播模型，感知人体行走时脚部运动对WiFi信号CSI振幅造成的影响，进而以非接触的方式计算人体行走步数。
(2)计步结果主要反映了脚部的运动情况，不易受到身体其他部位的影响，计步结果比传统计步方法稳定，不易产生“过计数”现象。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1为本发明基于WiFi动作识别***的非接触式计步方法的流程图；
图2为本发明中统计有效波峰数的算法流程图；
图3为本发明实施例中从WiFi动作识别***得到的行走动作原始波形；
图4为本发明实施例中利用低通滤波器滤波后的行走动作波形；
图5为本发明实施例中经小波分解后各层小波系数；
图6为本发明实施例中利用第四层细节系数重构后的信号；
图7为本发明实施例中重构信号的短时能量计算结果。
具体实施方式
以下结合具体实施例对上述方案做进一步说明。应理解，这些实施例是用于说明本发明而不限于限制本发明的范围。实施例中采用的实施条件可以根据具体厂家的条件做进一步调整，未注明的实施条件通常为常规实验中的条件。
实施例：
本发明基于WiFi动作识别***的非接触式计步***主要包括数据处理模块、小波分解模块、短时能量计算模块和步数统计模块，各模块处理流程如图1所示，包括以下步骤：
S01：数据处理模块通过WiFi动作识别***得到行走动作的时序CSI幅值片段，处理，除去该片段的直流成分，滤除其中所包含的高频噪声，并挑选Nv个子载波的数据用于校正最终结果；行走动作的时序CSI幅值片段是一个Ns×T维的矩阵，其中Ns为子载波个数，其数值与通信带宽和所选用的采集工具有关；T为样本点数。行走动作片段是从现有WiFi动作识别***中获得，本发明要求动作识别***的采样率不低于500Hz。
数据处理模块中所选用的滤波器为Butterworth低通滤波器，其能极大程度保留原始信号中的细节信息，主要用于滤除***或环境中产生的高频噪声，保留因人体行走所引起的频率成分。另外，本发明中以方差作为子载波的选择标准，选择方差较大的Nv(1≤Nv≤Ns)个子载波进行后续处理。
S02：小波分解模块对得到的Nv个子载波的动作片段进行小波分解，得到不同频率范围的细节系数；
使用Daubechies db4小波基对各选定的子载波进行小波分解，具体分解层数根据采样率来确定。小波分解目的即为分离出因脚部运动引起的CSI幅值变化的频率范围，从而感知脚在行走时的运动情况。
S03：短时能量计算模块筛选出代表脚部运动引起的CSI振幅变化所在频率范围的细节系数，重构每个子载波对应的细节信号，并计算重构信号的短时能量；
短时能量计算模块主要借鉴了短时能量在语音分析中的作用，在重构信号的短时能量中，每一个波峰可暂且认为是脚在一次迈步过程中速度最快的时刻。
S04：步数统计模块筛选并统计有效波峰数，并融合Nv个子载波的统计结果计算得到稳定的步数值。
考虑到外界干扰的存在，并非所有的波峰均由脚部运动引起，因此需要统计有效波峰。有效波峰的统计主要依赖于峰高，峰宽以及相邻两峰之间的间隔等筛选标准。当有效波峰选定后，对应的波峰数即为步数。最终将Nv个子载波所得步数的平均值作为本发明针对某一行走片段计算出的步数值。
其中步数统计模块涉及到的有效波峰筛选算法的流程图如图2所示。
在数据处理模块中，要求WiFi动作识别***的采样率设置为1000Hz，通过动作识别***得到的行走动作原始波形如图3所示，从原始波形可以看出其中包含了很多高频噪声。考虑到人行走时脚部运动引起的频率变化范围一般在50～70Hz之间，这里设置Butterworth低通滤波器的截至频率为80Hz，从而保留了脚部运动引起的频率成分。滤波之后的波形如图4所示，其中绝大部分高频噪声已被滤除。从滤波后的波形中很难看出与脚部运动有关的节奏信息，因此无法直接利用时域的CSI振幅波形计算步数，必须结合频域特征进行深入分析。所得动作片段包含30个子载波，本发明中选择方差最大的前10个子载波的数据用于校正最终的计算结果。
考虑到本实施例中的采样率为1000Hz，所以在小波处理模块中对每一个选定的子载波执行4层的小波分解操作，其中第4层细节系数对应的频率范围即为脚部运动所引起的频率变化范围。其中一个子载波的小波分解结果如图5所示。
在短时能量计算模块中，首先利用小波分解的第4层细节系数构造对应的细节信号，重构的细节信号如图6所示。对重构的细节信号进行加窗处理并分帧，计算每一帧的短时能量。本实施例中所使用的窗函数是汉明窗，窗长度为500。计算得到的短时能量如图7所示。
在步数统计模块中，以短时能量的计算结果作为输入，采用图2所示算法流程筛选出满足预设条件的有效波峰。其中要求峰宽介于500～1000个采样点之间，峰高不低于2dB，相邻两个波峰之间的间隔不小于0.5秒，即为500个采样点。筛选得到的有效波峰数即为根据当前子载波计算得到的步数，最终取10个子载波计算结果的平均值作为本发明实施例计算所得步数值。
上述实例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人是能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于WiFi动作识别***的非接触式计步方法，其特征在于，包括以下步骤：
S01：通过WiFi动作识别***得到行走动作的时序CSI幅值片段，处理得到Nv个子载波；
S02：对得到的Nv个子载波的动作片段进行小波分解，得到不同频率范围的细节系数；
S03：筛选出代表脚部运动引起的CSI振幅变化所在频率范围的细节系数，重构每个子载波对应的细节信号，并计算重构信号的短时能量；
S04：筛选并统计有效波峰数，并融合Nv个子载波的统计结果计算得到稳定的步数值。
2.根据权利要求1所述的基于WiFi动作识别***的非接触式计步方法，其特征在于，所述步骤S01中的行走动作的时序CSI幅值片段为Ns×T维的矩阵，其中Ns为子载波个数，其数值与通信带宽和所选用的采集工具有关，T为样本点数。
3.根据权利要求1所述的基于WiFi动作识别***的非接触式计步方法，其特征在于，所述步骤S01中的处理得到Nv个子载波包括除去该CSI幅值片段的直流成分，滤除高频噪声，选择各子载波的方差较大的Nv个子载波。
4.根据权利要求1所述的基于WiFi动作识别***的非接触式计步方法，其特征在于，所述步骤S04包括将峰宽介于500～1000个采样点之间，峰高不低于2dB，相邻两个波峰之间的间隔不小于0.5秒的波峰作为有效波峰，将有效波峰作为步数，将Nv个子载波所得步数的平均值作为步数值。
5.一种基于WiFi动作识别***的非接触式计步***，其特征在于，包括：
数据处理模块，对WiFi动作识别***得到的行走动作的时序CSI幅值片段进行处理，得到Nv个子载波；
小波分解模块，对得到的Nv个子载波的动作片段进行小波分解，得到不同频率范围的细节系数；
短时能量计算模块，筛选出代表脚部运动引起的CSI振幅变化所在频率范围的细节系数，重构每个子载波对应的细节信号，并计算重构信号的短时能量；
步数统计模块，筛选并统计有效波峰数，并融合Nv个子载波的统计结果计算得到稳定的步数值。
6.根据权利要求5所述的基于WiFi动作识别***的非接触式计步***，其特征在于，所述行走动作的时序CSI幅值片段为Ns×T维的矩阵，其中Ns为子载波个数，其数值与通信带宽和所选用的采集工具有关，T为样本点数。
7.根据权利要求5所述的基于WiFi动作识别***的非接触式计步***，其特征在于，所述数据处理模块除去该CSI幅值片段的直流成分，滤除其中所包含的高频噪声，选择各子载波的方差较大的Nv个子载波。
8.根据权利要求5所述的基于WiFi动作识别***的非接触式计步***，其特征在于，所述短时能量计算模块对重构的细节信号进行加窗处理并分帧，计算每一帧的短时能量。
9.根据权利要求5所述的基于WiFi动作识别***的非接触式计步***，其特征在于，所述步数统计模块将峰宽介于500～1000个采样点之间，峰高不低于2dB，相邻两个波峰之间的间隔不小于0.5秒的波峰作为有效波峰，将有效波峰作为步数，将Nv个子载波所得步数的平均值作为步数值。
CN201610668171.0A 2016-08-15 2016-08-15 基于WiFi动作识别***的非接触式计步方法 Active CN106323330B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610668171.0A CN106323330B (zh) 2016-08-15 2016-08-15 基于WiFi动作识别***的非接触式计步方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610668171.0A CN106323330B (zh) 2016-08-15 2016-08-15 基于WiFi动作识别***的非接触式计步方法

Publications (2)

Publication Number Publication Date
CN106323330A true CN106323330A (zh) 2017-01-11
CN106323330B CN106323330B (zh) 2019-01-11

Family

ID=57739456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610668171.0A Active CN106323330B (zh) 2016-08-15 2016-08-15 基于WiFi动作识别***的非接触式计步方法

Country Status (1)

Country Link
CN (1) CN106323330B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108489509A (zh) * 2018-06-06 2018-09-04 天津大学 一种基于商用Wi-Fi的非接触单人计步方法及***
CN108548545A (zh) * 2018-06-06 2018-09-18 天津大学 一种基于商用Wi-Fi的非接触多人计步方法及***
CN110013252A (zh) * 2019-04-18 2019-07-16 北京邮电大学 获取呼吸状态的方法、装置、电子设备及可读存储介质
CN110069134A (zh) * 2019-03-29 2019-07-30 北京大学 一种利用无线电射频信号还原手部空中移动轨迹的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015054419A1 (en) * 2013-10-08 2015-04-16 University Of Washington Through Its Center For Commercialization Devices, systems, and methods for controlling devices using gestures
CN104766427A (zh) * 2015-04-27 2015-07-08 太原理工大学 一种基于Wi-Fi的房屋非法入侵检测方法
CN104951757A (zh) * 2015-06-10 2015-09-30 南京大学 一种基于无线信号的动作检测和识别的方法
CN105807935A (zh) * 2016-04-01 2016-07-27 中国科学技术大学苏州研究院 一种基于WiFi的手势控制人机交互***
CN105810222A (zh) * 2014-12-30 2016-07-27 研祥智能科技股份有限公司 一种音频设备的缺陷检测方法、装置及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015054419A1 (en) * 2013-10-08 2015-04-16 University Of Washington Through Its Center For Commercialization Devices, systems, and methods for controlling devices using gestures
CN105810222A (zh) * 2014-12-30 2016-07-27 研祥智能科技股份有限公司 一种音频设备的缺陷检测方法、装置及***
CN104766427A (zh) * 2015-04-27 2015-07-08 太原理工大学 一种基于Wi-Fi的房屋非法入侵检测方法
CN104951757A (zh) * 2015-06-10 2015-09-30 南京大学 一种基于无线信号的动作检测和识别的方法
CN105807935A (zh) * 2016-04-01 2016-07-27 中国科学技术大学苏州研究院 一种基于WiFi的手势控制人机交互***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHENG TAN 等: "WiFinger: Leveraging Commodity WiFi for Fine-grained Finger Gesture Recognition", 《MOBIHOC"16 PROCEEDINGS OF THE 17TH ACM INTERNATIONAL SYMPOSIUM ON MOBILE AD HOC NETWORKING AND COMPUTING》 *
朱海 等: "基于信道状态信息的WiFi环境感知技术", 《南京邮电大学学报（自然科学版）》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108489509A (zh) * 2018-06-06 2018-09-04 天津大学 一种基于商用Wi-Fi的非接触单人计步方法及***
CN108548545A (zh) * 2018-06-06 2018-09-18 天津大学 一种基于商用Wi-Fi的非接触多人计步方法及***
CN110069134A (zh) * 2019-03-29 2019-07-30 北京大学 一种利用无线电射频信号还原手部空中移动轨迹的方法
CN110069134B (zh) * 2019-03-29 2020-11-27 北京大学 一种利用无线电射频信号还原手部空中移动轨迹的方法
CN110013252A (zh) * 2019-04-18 2019-07-16 北京邮电大学 获取呼吸状态的方法、装置、电子设备及可读存储介质
CN110013252B (zh) * 2019-04-18 2021-03-23 北京邮电大学 获取呼吸状态的方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
CN106323330B (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN108388912B (zh) 基于多传感器特征优化算法的睡眠分期方法
CN105105737B (zh) 基于光电容积描记和谱分析的运动状态心率监测方法
CN101599127B (zh) 眼电信号的特征提取与识别方法
Khan et al. A robust heart rate monitoring scheme using photoplethysmographic signals corrupted by intense motion artifacts
Zhang et al. Sample entropy analysis of surface EMG for improved muscle activity onset detection against spurious background spikes
CN106323330A (zh) 基于WiFi动作识别***的非接触式计步方法
CN102499694B (zh) 用于消除血氧饱和度监测干扰的方法
CN104161505A (zh) 一种适用于可穿戴式心率监测设备的运动和噪声干扰消除方法
CN109508728B (zh) 一种用于可穿戴设备的新型身份验证方法
CN105997043B (zh) 一种基于腕式可穿戴设备的脉率提取方法
US20170143226A1 (en) Action Recognition Method and Device Based on Surface Electromyography Signal
CN103610461B (zh) 基于双密度小波邻域相关阈值处理的脑电信号消噪方法
CN106691425A (zh) 一种运动手环的腕部心率监测方法
CN106066995A (zh) 一种无线非绑定人体行为检测算法
CN110069199A (zh) 一种基于智能手表的皮肤式手指手势识别方法
CN105426814A (zh) 一种基于手机的老人跌倒检测方法
CN106308801B (zh) 一种利用智能手机检测人体呼吸频率的方法
Zou et al. An ultra-low power QRS complex detection algorithm based on down-sampling wavelet transform
CN103932693A (zh) 一种基于手机图像的人体心率的测量方法
Zhu et al. MICROST: A mixed approach for heart rate monitoring during intensive physical exercise using wrist-type PPG signals
CN109009125A (zh) 基于移动终端音频的驾驶员细粒度呼吸监测方法及***
CN103230267A (zh) 一种抗运动干扰的脉率提取方法
CN113848544A (zh) 基于多普勒雷达的人体存在感应检测方法、装置、存储介质
KR102221839B1 (ko) 잡음 환경 내 실시간 심장 박동수 탐지 장치 및 그 방법
CN110852200B (zh) 一种非接触式人体动作检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant