CN111597991A - 一种基于信道状态信息和BiLSTM-Attention的康复检测方法 - Google Patents
一种基于信道状态信息和BiLSTM-Attention的康复检测方法 Download PDFInfo
- Publication number
- CN111597991A CN111597991A CN202010412872.4A CN202010412872A CN111597991A CN 111597991 A CN111597991 A CN 111597991A CN 202010412872 A CN202010412872 A CN 202010412872A CN 111597991 A CN111597991 A CN 111597991A
- Authority
- CN
- China
- Prior art keywords
- csi
- bilstm
- layer
- rehabilitation
- attention
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000009471 action Effects 0.000 claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000000513 principal component analysis Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 239000000969 carrier Substances 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 208000013409 limited attention Diseases 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 210000000323 shoulder joint Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于信道状态信息和BiLSTM‑Attention的康复检测方法,其实现步骤包括:在室内环境中采集康复动作的CSI数据,提取幅度信息;对CSI数据进行低通滤波、归一化、主成分分析等预处理步骤;对预处理后的信号进行切分,检测动作的起始和终止点,并将切分的数据段划分为训练集和测试集;通过将训练集输入基于BiLSTM‑Attention的深度神经网络进行动作识别模型训练,得到康复动作识别模型,采用该模型可以对采集到的CSI测试集数据进行分类,达到康复动作识别、对康复程度打分的目的。本发明采用基于BiLSTM‑Attention的深度神经网络自动学习并选择特征,实现对三种不同动作的十个康复程度的识别。
Description
技术领域
本发明涉及人体感知及行为识别技术领域,具体涉及一种基于信道状态信息和BiLSTM-Attention的康复检测方法,用于解决在室内环境下利用WiFi信号提取人体行为特征,实现康复动作识别、康复程度打分的问题。
背景技术
随着室内无线网络应用技术的飞速发展和无线接入设备的普遍使用,以及人工智能技术的逐渐成熟,基于WiFi信号的人体感知及行为识别技术已经成为了一项重要的课题,并且为相当数量的人提供了便利,在人体检测、人机交互、医疗监护、室内定位、安全监控等众多领域都具有十分重要的研究价值和意义。
临床护理工作中康复检测是一项重要的工作,对肢体康复程度打分和评定可以分析患者障碍程度与正常标准的差别,为制订康复治疗方案提供依据,同时对判定康复治疗效果提供客观指标。但是传统的康复检测方法大多是医生借助量角器或目测评估,依靠人工监测。这种方法受医生主观影响大,可能存在人为误差,效率低下等问题。因此,本文展开了基于信道状态信息和BiLSTM-Attention神经网络的康复检测方法,力图增强康复检测***的鲁棒性。
长短期记忆网络(LSTM)是循环神经网络(RNN)的变体,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件,有效解决了传统循环神经网络存在梯度消失、梯度***、长期依赖等问题,提高了神经网络的学习能力和分类精度。在LSTM训练时,通过三个逻辑门的相互配合调节之前输入信息对当前输入信息影响,同时对当前记忆模块状态进行更新,充分考虑了信息在时序上的相关性,因此非常适用于时序型数据的处理。而BiLSTM是由前向LSTM和后向LSTM结合而成,可以考虑过去和未来两个方向的CSI测量值。
Attention机制即注意力机制,核心思想是将有限的注意力资源集中于大量信息中的关键信息点上,从而避免了平均用力导致的大量计算和较低效率。Attention机制通过相似度计算函数依次对查询数据和输入数据进行相似度计算,得出相似度分数。然后将查询数据与对应相似度分数进行加权求和,得出最终的关键信息点。
发明内容
本发明目的是提供一种基于信道状态信息和BiLSTM-Attention的康复检测方法解决现有技术中存在的人为误差,效率低下的问题。
为了实现上述目的,本发明采取的技术解决方案是:
一种基于信道状态信息和BiLSTM-Attention的康复检测方法,具体包括以下步骤:
步骤1:在室内环境中采集康复动作的CSI数据,提取幅度信息;
步骤2:将步骤1采集到的CSI数据进行预处理;
步骤3:从步骤2预处理后的信号中获取动作的关键信息,检测动作的起始和结束点,并将切分的数据段划分为训练集和测试集;
步骤4:将训练集输入基于BiLSTM-Attention的深度神经网络进行动作识别模型训练,得到康复动作识别模型,采用该模型对采集到的CSI测试集数据进行分类,达到康复动作识别、对康复程度打分的目的。
进一步地,步骤1中,在室内环境中采集康复动作的CSI数据,提取幅度信息,具体为:
利用安装有Intel5300无线网卡的PC机和路由器收集不同程度康复动作的WiFi信号,提取得到CSI矩阵为1×3×30的三维矩阵,其中1×3表示一根发射天线和三根接收天线,包含1×3=3个信道,30表示每个信道有30个子载波,共有1×3×30=90个CSI流;CSI是物理层的信道信息,反映了无线信道的性能,CSI取绝对值后得到CSI的幅值。
进一步地,步骤2中,将步骤1采集到的CSI数据进行如低通滤波、归一化、主成分分析的预处理步骤,具体为:
步骤2-1:将步骤1提取的原始数据通过Hampel滤波器进行平滑处理,滤除异常值,消除噪声干扰;再使用巴特沃斯低通滤波器滤除CSI幅值中的大部分高频分量;
步骤2-2:将步骤2-1去噪后的CSI子载波幅值序列使用min-max标准化处理,即其中xnew表示经标准化处理后的新特征,xold表示经标准化处理前的旧特征,xmax和xmin分别表示该特征被处理前所有样本的最大值和最小值;
步骤2-3:通过主成分分析跟踪经min-max标准化处理后样本的相关性,借助于原始数据协方差矩阵的特征向量做正交变换,将原来分量相关的随机向量转换成新的分量不相关的随机向量,将多指标转化为少数几个综合指标,即主成分,确定需要保留的主成分,舍弃其他成分,从而实现数据的降维;选取第一主成分。
进一步地,步骤3中,具体步骤为:
步骤3-1:通过动态阈值算法判断动作的开始,首先计算第j个滑动窗口CSI幅值的平均绝对偏差Dj: 其中ai(k)是数据包k的子载波i的幅值,S是滑动窗口所有数据包的索引集合,P是子载波的总数,ω是滑动窗口的长度;
步骤3-2:采用指数移动平均算法更新噪声水平,Nj=(1-αn)Nj-1+αn×Dj,系数αn被设置为0.15;
步骤3-3:将步骤3-1和步骤3-2求得的Dj和Nj作比较,如果在一个滑动窗口中,Dj大于噪声水平Nj的四倍,则将检测到动作的起始点;同理检测出动作的结束点。
进一步地,步骤4中,利用深度学习工具构建以BiLSTM为基础的深度学习模型,并将步骤3分割完动作的CSI训练样本输入,对动作识别问题进行模型训练,引入Attention机制,进一步在数据特征中聚焦关键信息点,最终通过激活函数分类动作,得出检测结果,得到动作识别模型;之后,将CSI测试样本输入模型进行分类,得到动作识别分类预测结果。
进一步地,步骤4中建立的模型架构由5个部分构成:CSI信号输入层、BiLSTM层、注意力机制层、平整层、Softmax分类层;
CSI信号输入层接收输入的CSI子载波幅值序列;
BiLSTM层包括前向层和后向层,当处理第t个序列数据时,将前向LSTM层和后向LSTM层的隐藏状态分别表示为和BiLSTM的完全隐藏状态ht等于前向层和后向层隐藏状态的串联,即将从BiLSTM学习到的特征输出到下一层;
注意力机制层设计为softmax回归层,使用从BiLSTM学习到的特征作为输入,得到表示特征和序列数据重要性的注意力矩阵;注意力机制层进行数据处理时采用的公式如下:其中ht是上一层BiLSTM神经网络层的输出向量,W是模型系数,b是偏置量;
平整层通过使用逐元素乘法将学***整层将特征矩阵平整为特征向量;
Softmax分类层通过接收经过平整层降维处理后得到的特征向量,最终识别不同动作。
本发明的有益效果是:
(1)本发明采集的CSI信号是由正交频分复用(Orthogonal Frequency DivisionMultiplexing,OFDM)解码获得的采样新指标,相比于传统的接收信号强度指示(ReceivedSignal Strength Indication,RSSI),CSI可以在一定程度上区分多径成分。同时CSI包含每个子载波的幅度和相位信息,能够提供更加丰富的时频域信息。
(2)本发明采用的BiLSTM神经网络在LSTM神经网络基础上,增加了对未来方向CSI测量值的考虑,并且有效解决了传统循环神经网络存在梯度消失、梯度***、长期依赖等问题。同时与传统的特征提取方法相比,BiLSTM可以自动学习和选择特征,避免手动提取。BiLSTM与注意力机制结合,更有效地提高了神经网络的学习能力和康复动作的分类精度。
(3)本发明采用的注意力机制具有模拟人脑注意力的特点,将有限的注意力资源集中于大量信息中的重要内容上,对其它内容分配较少的注意力,从而避免了平均用力导致的大量计算和较低效率。从而能够对从BiLSTM神经网络学习到的特征进行权重的分配,根据特征矩阵和序列数据的重要程度进行选择性分析,对康复动作检测更加深度、精确。
附图说明
图1是本发明实施例中康复检测方法的流程示意图。
图2是本发明实施例中基于BiLSTM-Attention的神经网络架构。
图3是本发明实施例中肩关节康复程度打分表。
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。
一种基于信道状态信息和BiLSTM-Attention的康复检测方法,其实现步骤包括:在室内环境中采集康复动作的CSI数据,提取幅度信息;对CSI数据进行低通滤波、归一化、主成分分析等预处理步骤;对预处理后的信号进行切分,检测动作的起始和终止点,并将切分的数据段划分为训练集和测试集;通过将训练集输入基于BiLSTM-Attention的深度神经网络进行动作识别模型训练,得到康复动作识别模型,采用该模型可以对采集到的CSI测试集数据进行分类,达到康复动作识别、对康复程度打分的目的。本发明采用基于BiLSTM-Attention的深度神经网络自动学习并选择特征,实现对三种不同动作的十个康复程度的识别。
一种基于信道状态信息和BiLSTM-Attention的康复检测方法,流程如图1,具体包括以下步骤:
步骤1:在室内环境中采集康复动作的CSI数据,提取幅度信息,具体为:利用安装有Intel 5300无线网卡的PC机和路由器收集不同程度康复动作的WiFi信号,提取得到CSI矩阵为1×3×30的三维矩阵,其中1×3表示一根发射天线和三根接收天线,因此将会有1×3=3个信道,30表示每个信道有30个子载波,共有1×3×30=90个CSI流。CSI是物理层的信道信息,反映了无线信道的性能,CSI取绝对值后得到CSI的幅值。
步骤2:将步骤1采集到的CSI数据进行低通滤波、归一化、主成分分析等预处理步骤,具体包括如下分步骤:
步骤2-1:将步骤1提取的原始数据通过Hampel滤波器进行平滑处理,滤除异常值,消除噪声干扰。再使用巴特沃斯低通滤波(Butterworth low-pass filter)滤除CSI幅值中的大部分高频分量;
步骤2-2:将步骤2-1去噪后的CSI子载波幅值序列使用min-max标准化处理。即其中xnew表示经标准化处理后的新特征,xold表示经标准化处理前的旧特征,xmax和xmin分别表示该特征被处理前所有样本的最大值和最小值。
步骤2-3:通过主成分分析(Principal Component Analysis,PCA)跟踪经min-max标准化处理后样本的相关性,借助于原始数据协方差矩阵的特征向量做正交变换,将原来分量相关的随机向量转换成新的分量不相关的随机向量,将多指标转化为少数几个综合指标(即主成分),确定需要保留的主成分,舍弃其他成分,从而实现数据的降维。本发明选取第一主成分。
步骤3:从步骤2预处理后的信号中获取动作的关键信息,检测动作的起始和结束点,并将切分的数据段划分为训练集和测试集,具体为:
步骤3-1:通过动态阈值算法判断动作的开始,首先计算第j个滑动窗口CSI幅值的平均绝对偏差Dj: 其中ai(k)是数据包k的子载波i的幅值,S是滑动窗口所有数据包的索引集合,P是子载波的总数,ω是滑动窗口的长度。
步骤3-2:采用指数移动平均算法更新噪声水平,Nj=(1-αn)Nj-1+αn×Dj,本发明中,系数αn被设置为0.15。
步骤3-3将步骤3-1和步骤3-2求得的Dj和Nj作比较,如果在一个滑动窗口中,Dj大于噪声水平Nj的四倍,则将检测到动作的起始点。同理检测出动作的结束点。
步骤4:将训练集输入基于BiLSTM-Attention的深度神经网络进行动作识别模型训练,得到康复动作识别模型,采用该模型可以对采集到的CSI测试集数据进行分类,达到康复动作识别,对康复程度打分的目的,具体为:利用深度学习工具构建以BiLSTM为基础的深度学习模型,并将步骤3分割完动作的CSI训练样本输入,对动作识别问题进行模型训练,引入Attention机制,进一步在数据特征中聚焦关键信息点,最终通过激活函数分类动作,得出检测结果,可得到动作识别模型。之后,将CSI测试样本输入模型进行分类,可得到动作识别分类预测结果。
其中,本步骤中建立的模型架构如图2所示。
模型由5个部分构成:CSI信号输入层(CSI Signal Layer)、BiLSTM层、注意力机制层(Attention Layer)、平整层(Flatten Layer)、Softmax分类层(SoftmaxClassification Layer),所述各层的功能如下。
CSI信号输入层(CSI Signal Layer):接收输入的CSI子载波幅值序列。
BiLSTM层:BiLSTM层包括前向层和后向层。当处理第t个序列数据时,将前向LSTM层和后向LSTM层的隐藏状态分别表示为和BiLSTM的完全隐藏状态ht等于前向层和后向层隐藏状态的串联,即将从BiLSTM学习到的特征输出到下一层。
注意力机制层(Attention Layer):本发明中将注意力模型设计为softmax回归层,使用从BiLSTM学习到的特征作为输入,得到表示特征和序列数据重要性的注意力矩阵。注意力机制层进行数据处理时采用的公式如下:其中ht是上一层BiLSTM神经网络层的输出向量,W是模型系数,b是偏置量。
平整层(Flatten Layer):通过使用逐元素乘法将学***整层将特征矩阵平整为特征向量。
Softmax分类层(Softmax Classification Layer):Softmax分类层通过接收经过平整层(Flatten Layer)降维处理后得到的特征向量,最终识别不同动作。
步骤5:以肩关节康复检测为例,根据《上田敏偏瘫上肢功能评价方法》,肩关节外展动作可以有效评价康复程度,康复程度打分表如图3所示。因此基于信道状态信息和BiLSTM-Attention识别出康复动作后,我们可以根据康复程度打分表准确识别患者康复程度。
该种基于信道状态信息和BiLSTM-Attention的康复检测方法,采集的CSI信号是由正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)解码获得的采样新指标。相比于传统的接收信号强度指示(Received Signal Strength Indication,RSSI),CSI可以在一定程度上区分多径成分。同时CSI包含每个子载波的幅度和相位信息,能够提供更加丰富的时频域信息。
该种基于信道状态信息和BiLSTM-Attention的康复检测方法,使用BiLSTM神经网络在LSTM神经网络基础上,增加了对未来方向CSI测量值的考虑,并且有效解决了传统循环神经网络存在梯度消失、梯度***、长期依赖等问题。同时与传统的特征提取方法相比,BiLSTM可以自动学习和选择特征,避免手动提取。BiLSTM与注意力机制结合,更有效地提高了神经网络的学习能力和康复动作的分类精度。
该种基于信道状态信息和BiLSTM-Attention的康复检测方法,采用的注意力机制具有模拟人脑注意力的特点,将有限的注意力资源集中于大量信息中的重要内容上,对其它内容分配较少的注意力,从而避免了平均用力导致的大量计算和较低效率。从而能够对从BiLSTM神经网络学习到的特征进行权重的分配,根据特征矩阵和序列数据的重要程度进行选择性分析,对康复动作检测更加精确。
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 (6)
1.一种基于信道状态信息和BiLSTM-Attention的康复检测方法,其特征在于:具体包括以下步骤:
步骤1:在室内环境中采集康复动作的CSI数据,提取幅度信息;
步骤2:将步骤1采集到的CSI数据进行预处理;
步骤3:从步骤2预处理后的信号中获取动作的关键信息,检测动作的起始和结束点,并将切分的数据段划分为训练集和测试集;
步骤4:将训练集输入基于BiLSTM-Attention的深度神经网络进行动作识别模型训练,得到康复动作识别模型,采用该模型对采集到的CSI测试集数据进行分类,达到康复动作识别、对康复程度打分的目的。
2.根据权利要求1所述的一种基于信道状态信息和BiLSTM-Attention的康复检测方法,其特征在于:步骤1中,在室内环境中采集康复动作的CSI数据,提取幅度信息,具体为:
利用安装有Intel5300无线网卡的PC机和路由器收集不同程度康复动作的WiFi信号,提取得到CSI矩阵为1×3×30的三维矩阵,其中1×3表示一根发射天线和三根接收天线,包含1×3=3个信道,30表示每个信道有30个子载波,共有1×3×30=90个CSI流;CSI是物理层的信道信息,反映了无线信道的性能,CSI取绝对值后得到CSI的幅值。
3.根据权利要求1所述的一种基于信道状态信息和BiLSTM-Attention的康复检测方法,其特征在于:步骤2中,将步骤1采集到的CSI数据进行如低通滤波、归一化、主成分分析的预处理步骤,具体为:
步骤2-1:将步骤1提取的原始数据通过Hampel滤波器进行平滑处理,滤除异常值,消除噪声干扰;再使用巴特沃斯低通滤波器滤除CSI幅值中的大部分高频分量;
步骤2-2:将步骤2-1去噪后的CSI子载波幅值序列使用min-max标准化处理,即其中xnew表示经标准化处理后的新特征,xold表示经标准化处理前的旧特征,xmax和xmin分别表示该特征被处理前所有样本的最大值和最小值;
步骤2-3:通过主成分分析跟踪经min-max标准化处理后样本的相关性,借助于原始数据协方差矩阵的特征向量做正交变换,将原来分量相关的随机向量转换成新的分量不相关的随机向量,将多指标转化为少数几个综合指标,即主成分,确定需要保留的主成分,舍弃其他成分,从而实现数据的降维;选取第一主成分。
4.根据权利要求1所述的一种基于信道状态信息和BiLSTM-Attention的康复检测方法,其特征在于:步骤3中,具体步骤为:
步骤3-1:通过动态阈值算法判断动作的开始,首先计算第j个滑动窗口CSI幅值的平均绝对偏差Dj: 其中ai(k)是数据包k的子载波i的幅值,S是滑动窗口所有数据包的索引集合,P是子载波的总数,ω是滑动窗口的长度;
步骤3-2:采用指数移动平均算法更新噪声水平,Nj=(1-αn)Nj-1+αn×Dj,系数αn被设置为0.15;
步骤3-3:将步骤3-1和步骤3-2求得的Dj和Nj作比较,如果在一个滑动窗口中,Dj大于噪声水平Nj的四倍,则将检测到动作的起始点;同理检测出动作的结束点。
5.根据权利要求1所述的一种基于信道状态信息和BiLSTM-Attention的康复检测方法,其特征在于:步骤4中,利用深度学习工具构建以BiLSTM为基础的深度学习模型,并将步骤3分割完动作的CSI训练样本输入,对动作识别问题进行模型训练,引入Attention机制,进一步在数据特征中聚焦关键信息点,最终通过激活函数分类动作,得出检测结果,得到动作识别模型;之后,将CSI测试样本输入模型进行分类,得到动作识别分类预测结果。
6.根据权利要求5所述的一种基于信道状态信息和BiLSTM-Attention的康复检测方法,其特征在于:步骤4中建立的模型架构由5个部分构成:CSI信号输入层、BiLSTM层、注意力机制层、平整层、Softmax分类层;
CSI信号输入层接收输入的CSI子载波幅值序列;
BiLSTM层包括前向层和后向层,当处理第t个序列数据时,将前向LSTM层和后向LSTM层的隐藏状态分别表示为和BiLSTM的完全隐藏状态ht等于前向层和后向层隐藏状态的串联,即将从BiLSTM学习到的特征输出到下一层;
注意力机制层设计为softmax回归层,使用从BiLSTM学习到的特征作为输入,得到表示特征和序列数据重要性的注意力矩阵;注意力机制层进行数据处理时采用的公式如下:其中ht是上一层BiLSTM神经网络层的输出向量,W是模型系数,b是偏置量;
平整层通过使用逐元素乘法将学***整层将特征矩阵平整为特征向量;
Softmax分类层通过接收经过平整层降维处理后得到的特征向量,最终识别不同动作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010412872.4A CN111597991A (zh) | 2020-05-15 | 2020-05-15 | 一种基于信道状态信息和BiLSTM-Attention的康复检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010412872.4A CN111597991A (zh) | 2020-05-15 | 2020-05-15 | 一种基于信道状态信息和BiLSTM-Attention的康复检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111597991A true CN111597991A (zh) | 2020-08-28 |
Family
ID=72182845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010412872.4A Pending CN111597991A (zh) | 2020-05-15 | 2020-05-15 | 一种基于信道状态信息和BiLSTM-Attention的康复检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597991A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131972A (zh) * | 2020-09-07 | 2020-12-25 | 重庆邮电大学 | 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 |
CN112423265A (zh) * | 2020-11-13 | 2021-02-26 | 武汉理工大学 | 基于csi的双循环神经网络的船载环境室内定位方法 |
CN113288172A (zh) * | 2021-05-24 | 2021-08-24 | 山东师范大学 | 癫痫脑电信号识别方法及*** |
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*** |
CN113935373A (zh) * | 2021-10-11 | 2022-01-14 | 南京邮电大学 | 基于相位信息和信号强度的人体动作识别方法 |
CN114222202A (zh) * | 2021-11-22 | 2022-03-22 | 上海数川数据科技有限公司 | 一种基于WiFi CSI的环境自适应活动检测方法及*** |
CN116304915A (zh) * | 2023-05-16 | 2023-06-23 | 山东科技大学 | 基于WiFi的无接触动作识别方法、***及实验室装置 |
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 (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635837A (zh) * | 2018-11-10 | 2019-04-16 | 天津大学 | 一种基于商用无线Wi-Fi的场景无忧跌倒检测*** |
CN109846472A (zh) * | 2019-01-30 | 2019-06-07 | 郑州大学 | 基于BiLSTM-Attention深度神经网络的心搏分类方法 |
-
2020
- 2020-05-15 CN CN202010412872.4A patent/CN111597991A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635837A (zh) * | 2018-11-10 | 2019-04-16 | 天津大学 | 一种基于商用无线Wi-Fi的场景无忧跌倒检测*** |
CN109846472A (zh) * | 2019-01-30 | 2019-06-07 | 郑州大学 | 基于BiLSTM-Attention深度神经网络的心搏分类方法 |
Non-Patent Citations (1)
Title |
---|
BIYUN SHENG等: "Deep Spatial–Temporal Model Based Cross-Scene Action Recognition Using Commodity WiFi", 《IEEE INTERNET OF THINGS JOURNAL》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131972A (zh) * | 2020-09-07 | 2020-12-25 | 重庆邮电大学 | 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 |
CN112423265A (zh) * | 2020-11-13 | 2021-02-26 | 武汉理工大学 | 基于csi的双循环神经网络的船载环境室内定位方法 |
CN113288172A (zh) * | 2021-05-24 | 2021-08-24 | 山东师范大学 | 癫痫脑电信号识别方法及*** |
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*** |
CN113723221B (zh) * | 2021-08-11 | 2023-09-08 | 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*** |
CN113935373A (zh) * | 2021-10-11 | 2022-01-14 | 南京邮电大学 | 基于相位信息和信号强度的人体动作识别方法 |
CN114222202A (zh) * | 2021-11-22 | 2022-03-22 | 上海数川数据科技有限公司 | 一种基于WiFi CSI的环境自适应活动检测方法及*** |
CN114222202B (zh) * | 2021-11-22 | 2023-09-22 | 上海数川数据科技有限公司 | 一种基于WiFi CSI的环境自适应活动检测方法及*** |
CN116304915A (zh) * | 2023-05-16 | 2023-06-23 | 山东科技大学 | 基于WiFi的无接触动作识别方法、***及实验室装置 |
CN116304915B (zh) * | 2023-05-16 | 2023-08-29 | 山东科技大学 | 基于WiFi的无接触动作识别方法、***及实验室装置 |
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 |
---|---|---|
CN111597991A (zh) | 一种基于信道状态信息和BiLSTM-Attention的康复检测方法 | |
CN106658590B (zh) | 基于WiFi信道状态信息多人室内环境状态监控***的设计与实现 | |
CN111698258B (zh) | 一种基于WiFi的环境入侵检测方法和*** | |
CN114564982A (zh) | 雷达信号调制类型的自动识别方法 | |
CN112819059A (zh) | 一种基于流行保持迁移学习的滚动轴承故障诊断方法 | |
CN110929842B (zh) | 非合作无线电信号突发时间区域精确智能检测方法 | |
CN116343284A (zh) | 基于注意力机制的多特征户外环境情绪识别方法 | |
CN111901028B (zh) | 一种基于多天线上csi的人体行为识别方法 | |
CN115204238B (zh) | 用于可穿戴设备上的ppg信号身份识别方法及可穿戴设备 | |
CN114330572A (zh) | 基于对比学习的异常检测方法、***及计算机存储介质 | |
CN114048773A (zh) | 一种基于迁移学习和WiFi的行为识别方法及*** | |
CN111310719B (zh) | 一种未知辐射源个体识别及检测的方法 | |
CN114781463A (zh) | 一种跨场景鲁棒的室内摔倒无线检测方法及相关设备 | |
CN115392333A (zh) | 一种基于改进端到端ResNet-BiLSTM双通道模型的设备故障诊断方法 | |
CN116701871A (zh) | 基于因果特征加权网络的滚动轴承复合故障特征选择方法 | |
CN116956222A (zh) | 一种基于自适应特征提取的多复杂度行为识别***及方法 | |
Tang et al. | Specific emitter identification for IoT devices based on deep residual shrinkage networks | |
Zeeshan et al. | CSI-based device-free joint activity recognition and localization using Siamese networks | |
CN113935373A (zh) | 基于相位信息和信号强度的人体动作识别方法 | |
CN113837122A (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*** | |
Jakkala et al. | Deep CSI learning for gait biometric sensing and recognition | |
CN117606801A (zh) | 一种基于多表征自适应网络的跨域轴承故障诊断方法 | |
CN117131436A (zh) | 面向开放环境的辐射源个体识别方法 | |
CN114757237B (zh) | 一种基于WiFi信号的速度无关步态识别方法 | |
CN116386847A (zh) | 基于db-lstm神经网络的移动医疗物联网频谱智能预测算法 |
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 |
Application publication date: 20200828 |
|
RJ01 | Rejection of invention patent application after publication |