CN109325399B - 一种基于信道状态信息的陌生人手势识别方法及*** - Google Patents

一种基于信道状态信息的陌生人手势识别方法及*** Download PDF

Info

Publication number
CN109325399B
CN109325399B CN201810771509.4A CN201810771509A CN109325399B CN 109325399 B CN109325399 B CN 109325399B CN 201810771509 A CN201810771509 A CN 201810771509A CN 109325399 B CN109325399 B CN 109325399B
Authority
CN
China
Prior art keywords
data
module
value
gesture
classifier
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.)
Active
Application number
CN201810771509.4A
Other languages
English (en)
Other versions
CN109325399A (zh
Inventor
苘大鹏
杨武
王巍
玄世昌
吕继光
王新
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201810771509.4A priority Critical patent/CN109325399B/zh
Publication of CN109325399A publication Critical patent/CN109325399A/zh
Application granted granted Critical
Publication of CN109325399B publication Critical patent/CN109325399B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0619—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal using feedback from receiving side
    • H04B7/0621—Feedback content
    • H04B7/0626—Channel coefficients, e.g. channel state information [CSI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Image Analysis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明属于人工智能领域，具体涉及到一种面向基于无线网络中的信道状态信息的陌生人手势识别方法及***。该***包括有原始数据的采集及预处理模块、有效数据去噪模块、手势异常数据提取模块、特征值提取及分类器分类模块四个模块。本发明将时域特征中的波峰值之中的最大值和小波方差作为特征值，通过随机森林分类器去完成陌生人与非陌生人的分类。该方法具有较高的识别准确率，可以使用它对实际使用环境中的人员进行分类。本发明的是一种能在商用无线网络环境下使用基于信道状态信息的方法，从不同人的同一种手势动作的细微区别本身对陌生人的手势进行识别，还可以通过对陌生人的手势动作的识别确保智能家居使用人员的安全性得到保障。

Description

一种基于信道状态信息的陌生人手势识别方法及***
技术领域
本发明属于人工智能领域，具体涉及到一种面向基于无线网络中的信道状态信息的陌生人手势识别方法及***。
背景技术
随着互联网技术的不断成熟，网络硬件设备和网络软件设备的成本逐步降低，手机、微型笔记本电脑等智能移动终端设备的产量逐年上升，从而在很大程度上带动了无线WiFi的飞速发展。无论是在餐厅、大型综合商场、连锁酒店等商业场所，还是在火车站、综合医院、学校等公共场所，无线WiFi的身影随处可见。它的普及无论是在工作上，还是在生活上都为我们带来了很大的便利。
在无线通信领域中的信道状态信息是指已知的通信链路的信道特性。信道状态信息不仅可以被用来描述信号在发射端和接收端之间的传播过程，还可以被用来表示信号的散射、信号的衰落和随着距离的增大而导致的功率的衰减等信号的复合效应，所以信道状态信息也被称为信道估计。由于信道状态信息可以使信号的传输适应当前的信道状态，从而使信号能够达到在高数据率的多天线***中可靠传输的目的。
虽然目前的一些存在的方法能够对现实中的陌生人加以识别，但它们区分的依据多是基于不同人的大幅度人体运动及为不同人定义的不同手势动作，没有从不同人的同种手势动作本身去解决该问题，更重要的是在现实生活中不可能为每一个被识别者去定义不同的手势动作或者要求被识别者进行大量的人体运动。所以寻找不同人的同种手势动作本身所具有的差别，并通过这些差别进一步识别出陌生人就成为了一种全新的陌生人识别方法。
发明内容
本发明的目的在于提供一种一种基于信道状态信息的陌生人手势识别方法。
本发明的目的在于提供一种一种基于信道状态信息的陌生人手势识别***。
本发明的目的是这样实现的，该方法包括以下步骤：
(1)首先使用华盛顿大学发布的一款运行于商用802.11n网卡上的工具，该工具运行在Intel 5300无线网卡上配备有3根天线的Linux操作***下，收集基于802.11标准的无线信道状态信息。
(2)将收集到的信息经过预处理操作后提取出对应的90个子载波的信息，并提取出其中的相位信息；
(3)对提取到的子载波中的相位数据做线性变换，分离出其中有效的相位数据；
(4)对经过线性变换后的相位数据做高斯滤波去噪处理；
(5)对经过去噪操作之后的某一个子载波的数据使用改进的滑动四分位距法提取出异常值；
(6)对提取到的异常值数据计算出每组异常数据中的最大波峰的值，并计算出每组异常数据中小波方差的值，将它们作为时域上的特征值；
(7)按照步骤(6)中的方法将剩余数据中的特征值提取出来，形成测试集的特征值数据矩阵；
(8)将作为训练集的特征值数据矩阵中的每个人手势动作的数据分别放入随机森林分类器中进行训练，确保训练集中的不同手势的特征值之间没有交集；
(9)将测试集和训练集特征矩阵带入随机森林分类器中进行分类，通过对陌生人识别准确率的数据折线图，显示实验的结果。
上述步骤(5)其中基于改进算法的滑动四分位距异常值提取算法的计算流程如下：
(5.1)设定滑动窗口的大小为N；
(5.2)将经过从小到大排列后的信号数据进行四等分，提取出其中第3/4位置的数值；
(5.3)在等分的四段数据中，分别计算出每一段的平均值，并将这个平均值与该段数据的中位值进行对比，选择两者中的较大者作为下一步要使用的数值；
(5.4)将上一步得到的每一段的数值与该段的第3/4位置点的数据求和，由此得到该段内的滑动四分位距的上界曲线；
(5.5)选取数值小于1的检验系数，并将它与上界曲线中的数据进行乘法操作，得到改进后的上界曲线；
(5.6)将超过改进后的上界曲线的点视为异常值点并将他们全部提取出来。
一种基于信道状态信息的陌生人手势识别***包括：原始数据的采集及预处理模块、有效数据去噪模块、手势异常数据提取模块、特征值提取及分类器分类模块；
原始数据的采集模块主要是通过华盛顿大学开发的CSI Tools工具来完成的，该工具可以根据发射天线m和接收天线n的个数形成一个m×n的矩阵，用于表示收集到的原始数据，其中原始数据中包含了幅值和相位信息；通过原始数据的预处理模块对收集到的原始相位数据进行线性变换来消除信号中原本就具有的显著的噪声，从而获得有效的相位信息；以相应的数据结构将这些信息存储在matlab软件中的临时数据文件中；
有效数据去噪模块是通过对上一步提取到的有效相位数据进行处理，在去除混杂在其中的噪声的同时，保留了不同手势的发出者所具有的区别于他人的特征；
手势异常数据提取模块主要是通过使用通过改进的滑动四分位矩法，从经过去噪处理之后的数据中分离出混杂在其中的手势动作数据；
特征值提取及分类器分类模块包括特征值提取模块和分类器分类模块两部分，特征值提取模块从上一步得到的手势动作数据模块中提取出能够区分不同人做出同种手势动作的一种或几种在时域、频域或时频域上的特征值；分类器分类模块选择能够对不同人的特征值数据进行区分的分类器，并使用该分类器对提取到的所有人的数据通过已经训练出来的训练集特征值进行分类。
所述原始数据的采集及预处理模块实现了所述步骤(1)、步骤(2)和步骤(3)，所述有效数据去噪模块实现了所述步骤(4)，所述手势异常提取模块实现了所述步骤(5)，所述特征值提取及分类器分类模块实现了所述步骤(6)～步骤(9)，其中特征值提取模块实现了步骤(6)，分类器分类模块实现了步骤(7)～步骤(9)
本发明的有益效果在于，本发明提供了一种通过不同人的手势动作本身的细微差异去识别陌生人与非陌生人的方法，将时域特征中的波峰值之中的最大值和小波方差作为特征值，通过随机森林分类器去完成陌生人与非陌生人的分类。该方法具有较高的识别准确率，可以使用它对实际使用环境中的人员进行分类。
附图说明
图1是本发明的陌生人手势识别***的流程图。
图2(a)是本发明的视距路径下的分类结果图。
图2(b)是本发明的非视距路径下的分类结果图。
图3是本发明的陌生人手势识别方法的工作流程图。
具体实施方式
下面结合附图对本发明做详细的描述：
手势识别***作为人工智能领域不可或缺的一环，目标就是要做到通过每个人所作出的相同的手势中的差别来达到对不同的人进行识别的目的，最终达到保障手势识别***安全性的目的。传统的基于信道状态信息的陌生人识别***更多的是通过为不同的人定义不同的手势，或是通过个体的大幅度运动来增大不同的测试者之间的差异，无法从不同人的同种手势本身去区分陌生人与非陌生人。
本发明的目的在于提供一种能在商用无线网络环境下使用基于信道状态信息的方法，从不同人的同一种手势动作的细微区别本身对陌生人的手势进行识别的方法，并在此方法的基础上按照该方法设计出的一种评估装置。本发明的目的还在于通过对陌生人的手势动作的识别确保智能家居使用人员的安全性得到保障。
本发明是一种基于无线网络中的信道状态信息的针对陌生人的手势识别***；所述手势识别***包括原始数据的采集及预处理模块、有效数据去噪模块、手势异常数据提取模块、特征值提取及分类器分类模块；
原始数据的采集及预处理模块，原始数据的采集模块主要是通过华盛顿大学开发的CSITools工具来完成的，该工具可以根据发射天线m和接收天线n的个数形成一个m*n的矩阵，用于表示收集到的原始数据，其中原始数据中包含了幅值和相位信息。由于收集到的原始数据不能实时的检测和同步的校正无线设备和商用无线网卡所存在的误差数据，所以需要通过原始数据的预处理模块对收集到的原始相位数据进行线性变换来消除信号中原本就具有的显著的噪声，从而获得有效的相位信息。以相应的数据结构将这些信息存储在matlab软件中的临时数据文件中，为下一步原始数据的去噪工作做准备；
有效数据去噪模块，有效数据去噪模块主要是通过对上一步提取到的有效相位数据进行处理，在尽最大可能去除混杂在其中的噪声的同时，较好的保留了不同手势的发出者所具有的明显区别于他人的特征，为下一步手势异常数据的提取工作做准备；
手势异常数据提取模块，手势异常数据提取模块主要是通过使用通过改进的滑动四分位矩法，从经过去噪处理之后的数据中分离出混杂在其中的手势动作数据，为下一步特征值的提取工作做准备；
特征值提取及分类器分类模块，特征值提取及分类器分类模块包括特征值提取模块和分类器分类模块两部分，特征值提取模块用于从上一步得到的手势动作数据模块中提取出能够区分不同人做出同种手势动作的一种或几种在时域、频域或时频域上的特征值；分类器分类模块用于选择能够对不同人的特征值数据进行区分的分类器，并使用该分类器对提取到的所有人的数据通过已经训练出来的训练集特征值进行分类。
步骤1首先使用华盛顿大学发布的一款运行于商用802.11n网卡上的工具，该工具运行在Intel 5300无线网卡上配备有3根天线的Linux操作***下，收集基于802.11标准的无线信道状态信息。
步骤2将收集到的信息经过预处理操作后提取出对应的90个子载波的信息，通过程序文件phase.m提取出其中的相位信息；
步骤3对提取到的子载波中的相位数据做线性变换，分离出其中有效的相位数据；
步骤4选择3根增益天线中收集效果较好的数据对经过线性变换后的相位数据做高斯滤波去噪处理；
步骤5对经过去噪操作之后的某一个子载波的数据使用改进的滑动四分位距法提取出异常值，在本文的实验中将滑动的窗口的大小设置为240；
步骤6对提取到的异常值数据分别使用matlab中自带的max和findpeaks函数计算出每组异常数据中的最大波峰的值，使用自己编写的wavevarlet.m文件计算出每组异常数据中小波方差的值，将它们作为时域上的特征值；
步骤7将作为训练集的特征值数据矩阵中的每个人手势动作的数据分别放入随机森林分类器中进行训练，确保训练集中的不同手势的特征值之间没有交集；
步骤8按照步骤6中的方法将剩余数据中的特征值提取出来，形成测试集的特征值数据矩阵；
步骤9将测试集和训练集特征矩阵带入随机森林分类器中进行分类，通过对陌生人识别准确率的数据折线图，显示实验的结果。
步骤10在输出模块输出评估报告和以动态图形的形式显示各类安全指标的运行状态。其中基于改进算法的滑动四分位距异常值提取算法的计算流程如下：
步骤1设定滑动窗口的大小为N；
步骤2将经过从小到大排列后的信号数据进行四等分，提取出其中第3/4位置的数值；
步骤3在等分的四段数据中，分别计算出每一段的平均值，并将这个平均值与该段数据的中位值进行对比，选择两者中的较大者作为下一步要使用的数值；
步骤4将上一步得到的每一段的数值与该段的第3/4位置点的数据求和，由此得到该段内的滑动四分位距的上界曲线；
步骤5选取数值小于1的检验系数，并将它与上界曲线中的数据进行乘法操作，得到改进后的上界曲线；
步骤6将超过改进后的上界曲线的点视为异常值点并将他们全部提取出来。

Claims (1)

1.一种基于信道状态信息的陌生人手势识别方法，其特征在于，该方法包括以下步骤：
(1)首先使用华盛顿大学发布的一款运行于商用802.11n网卡上的工具，该工具运行在Intel5300无线网卡上配备有3根天线的Linux操作***下，收集基于802.11标准的无线信道状态信息；
(2)将收集到的信息经过预处理操作后提取出对应的90个子载波的信息，并提取出其中的相位信息；
(3)对提取到的子载波中的相位数据做线性变换，分离出其中有效的相位数据；
(4)对经过线性变换后的相位数据做高斯滤波去噪处理；
(5)对经过去噪操作之后的某一个子载波的数据使用改进的滑动四分位距法提取出异常值；
(6)对提取到的异常值数据计算出每组异常数据中的最大波峰的值，并计算出每组异常数据中小波方差的值，将它们作为时域上的特征值；
(7)按照步骤(6)中的方法将剩余数据中的特征值提取出来，形成测试集的特征值数据矩阵；
(8)将作为训练集的特征值数据矩阵中的每个人手势动作的数据分别放入随机森林分类器中进行训练，确保训练集中的不同手势的特征值之间没有交集；
(9)将测试集和训练集特征矩阵带入随机森林分类器中进行分类，通过对陌生人识别准确率的数据折线图，显示实验的结果；
上述步骤(5)其中基于改进算法的滑动四分位距异常值提取算法的计算流程如下：
(5.1)设定滑动窗口的大小为N；
(5.2)将经过从小到大排列后的信号数据进行四等分，提取出其中第3/4位置的数值；
(5.3)在等分的四段数据中，分别计算出每一段的平均值，并将这个平均值与该段数据的中位值进行对比，选择两者中的较大者作为下一步要使用的数值；
(5.4)将上一步得到的每一段的数值与该段的第3/4位置点的数据求和，由此得到该段内的滑动四分位距的上界曲线；
(5.5)选取数值小于1的检验系数，并将它与上界曲线中的数据进行乘法操作，得到改进后的上界曲线；
(5.6)将超过改进后的上界曲线的点视为异常值点并将他们全部提取出来；
包括：原始数据的采集及预处理模块、有效数据去噪模块、手势异常数据提取模块、特征值提取及分类器分类模块；
原始数据的采集模块是通过华盛顿大学开发的CSITools工具来完成的，根据发射天线m和接收天线n的个数形成一个m×n的矩阵，表示收集到的原始数据，其中原始数据中包含了幅值和相位信息；通过原始数据的预处理模块对收集到的原始相位数据进行线性变换来消除信号中原本就具有的显著的噪声，获得有效的相位信息；以相应的数据结构将这些信息存储在matlab软件中的临时数据文件中；
有效数据去噪模块是通过对上一步提取到的有效相位数据进行处理，在去除混杂在其中的噪声的同时，保留不同手势的发出者所具有的区别于他人的特征；
手势异常数据提取模块主要是通过使用通过改进的滑动四分位矩法，从经过去噪处理之后的数据中分离出混杂在其中的手势动作数据；
特征值提取及分类器分类模块包括特征值提取模块和分类器分类模块两部分，特征值提取模块从上一步得到的手势动作数据模块中提取出能够区分不同人做出同种手势动作的一种或几种在时域、频域或时频域上的特征值；分类器分类模块选择能够对不同人的特征值数据进行区分的分类器，并使用该分类器对提取到的所有人的数据通过已经训练出来的训练集特征值进行分类；
所述原始数据的采集及预处理模块实现了所述步骤(1)、步骤(2)和步骤(3)，所述有效数据去噪模块实现了所述步骤(4)，所述手势异常提取模块实现了所述步骤(5)，所述特征值提取及分类器分类模块实现了所述步骤(6)～步骤(9)，其中特征值提取模块实现了步骤(6)，分类器分类模块实现了步骤(7)～步骤(9)。
CN201810771509.4A 2018-07-13 2018-07-13 一种基于信道状态信息的陌生人手势识别方法及*** Active CN109325399B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810771509.4A CN109325399B (zh) 2018-07-13 2018-07-13 一种基于信道状态信息的陌生人手势识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810771509.4A CN109325399B (zh) 2018-07-13 2018-07-13 一种基于信道状态信息的陌生人手势识别方法及***

Publications (2)

Publication Number Publication Date
CN109325399A CN109325399A (zh) 2019-02-12
CN109325399B true CN109325399B (zh) 2021-11-19

Family

ID=65263929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810771509.4A Active CN109325399B (zh) 2018-07-13 2018-07-13 一种基于信道状态信息的陌生人手势识别方法及***

Country Status (1)

Country Link
CN (1) CN109325399B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059612B (zh) * 2019-04-15 2022-11-18 哈尔滨工程大学 一种基于信道状态信息的位置无关的手势识别方法及***
CN110062379B (zh) * 2019-04-15 2022-10-28 哈尔滨工程大学 一种人体行为场景下基于信道状态信息的身份认证方法
CN110502105B (zh) * 2019-07-08 2020-12-11 南京航空航天大学 一种基于csi相位差的手势识别***及识别方法
CN110414468B (zh) * 2019-08-05 2022-10-21 合肥工业大学 WiFi环境下基于手势信号的身份验证方法
CN112861893B (zh) * 2019-11-27 2023-03-24 四川大学 基于csi幅度-子载波概率分布的陌生人识别算法
CN111626174B (zh) * 2020-05-22 2023-03-24 哈尔滨工程大学 一种基于信道状态信息的姿态鲁棒动作识别方法
CN112163540B (zh) * 2020-10-09 2024-01-19 上海第二工业大学 一种基于WiFi的姿态识别方法
CN113359816B (zh) * 2021-05-21 2022-07-15 中国人民解放军陆军工程大学 一种基于无线手势识别的无人机控制方法及***
CN113609976B (zh) * 2021-08-04 2023-07-21 燕山大学 一种基于WiFi设备的方向敏感多手势识别***及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289558A (zh) * 2011-05-23 2011-12-21 公安部第一研究所 一种基于随机信号处理的基线调整方法
CN202261388U (zh) * 2011-04-22 2012-05-30 喜讯无限(北京)科技有限责任公司 基于带有通信模块的触控屏移动设备远程手势识别与传输实现***
CN103529976A (zh) * 2012-07-02 2014-01-22 英特尔公司 手势识别***中的干扰消除
CN105046265A (zh) * 2015-03-03 2015-11-11 沈阳工业大学 基于纹理差异的虹膜图像肠环区域检测方法
CN106599864A (zh) * 2016-12-21 2017-04-26 中国科学院光电技术研究所 一种基于极值理论的深度人脸识别方法
KR101731031B1 (ko) * 2016-02-12 2017-04-27 주식회사 엠씨넥스 타인 사용이 제한된 차량용 스마트키
CN107272903A (zh) * 2017-06-26 2017-10-20 王田 基于图像处理算法的社交***
CN107356979A (zh) * 2017-05-27 2017-11-17 淮海工学院 一种电离层tec异常探测的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN202261388U (zh) * 2011-04-22 2012-05-30 喜讯无限(北京)科技有限责任公司 基于带有通信模块的触控屏移动设备远程手势识别与传输实现***
CN102289558A (zh) * 2011-05-23 2011-12-21 公安部第一研究所 一种基于随机信号处理的基线调整方法
CN103529976A (zh) * 2012-07-02 2014-01-22 英特尔公司 手势识别***中的干扰消除
CN105046265A (zh) * 2015-03-03 2015-11-11 沈阳工业大学 基于纹理差异的虹膜图像肠环区域检测方法
KR101731031B1 (ko) * 2016-02-12 2017-04-27 주식회사 엠씨넥스 타인 사용이 제한된 차량용 스마트키
CN106599864A (zh) * 2016-12-21 2017-04-26 中国科学院光电技术研究所 一种基于极值理论的深度人脸识别方法
CN107356979A (zh) * 2017-05-27 2017-11-17 淮海工学院 一种电离层tec异常探测的方法
CN107272903A (zh) * 2017-06-26 2017-10-20 王田 基于图像处理算法的社交***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Device-Free Passive Identity Identification via WiFi Signals;Jiguang Lv等;《sensor》;20171102;第1-17页 *
Jiguang Lv等.Device-Free Passive Identity Identification via WiFi Signals.《sensor》.2017,第1-17页. *

Also Published As

Publication number Publication date
CN109325399A (zh) 2019-02-12

Similar Documents

Publication Publication Date Title
CN109325399B (zh) 一种基于信道状态信息的陌生人手势识别方法及***
CN110059612B (zh) 一种基于信道状态信息的位置无关的手势识别方法及***
CN107749143B (zh) 一种基于WiFi信号的穿墙室内人员跌倒探测***及方法
CN108629380B (zh) 一种基于迁移学习的跨场景无线信号感知方法
CN108670276A (zh) 基于脑电信号的学习注意力评价***
CN110502105B (zh) 一种基于csi相位差的手势识别***及识别方法
CN106650605A (zh) 一种基于机器学习的Morse信号自动检测译码方法
CN103093133B (zh) 面向ieee802.15.6的生物身份认证方法
CN111597991A (zh) 一种基于信道状态信息和BiLSTM-Attention的康复检测方法
CN110287863A (zh) 一种基于WiFi信号的手势识别方法
CN112312457A (zh) 一种基于复数深度残差网络的通信辐射源个体识别方法
CN110062379B (zh) 一种人体行为场景下基于信道状态信息的身份认证方法
CN111142668B (zh) 一种基于Wi-Fi指纹的定位和活动手势联合识别的交互方法
CN112861813A (zh) 基于复值卷积神经网络的墙后人体行为识别方法
Shi et al. Deep learning networks for human activity recognition with CSI correlation feature extraction
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
Tamura et al. Wireless devices identification with light-weight convolutional neural network operating on quadrant IQ transition image
CN108345873A (zh) 一种基于多层卷积神经网络的多自由度人体运动信息解析方法
CN110621038B (zh) 一种基于WiFi信号检测步态实现多用户身份识别的方法及装置
CN112272066A (zh) 一种用于机场终端区甚高频通信中的频谱数据清洗方法
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
CN116340849B (zh) 一种基于度量学习的非接触式跨域人体活动识别方法
CN101901337B (zh) 基于动态特征的个人识别方法
CN101841928A (zh) 一种多跳无线体域网环境中基于自适应码本的心电信号传输方法
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
GR01 Patent grant
GR01 Patent grant