CN114041784B - 基于商用Wi-Fi的双人步态病症判断装置 - Google Patents
基于商用Wi-Fi的双人步态病症判断装置 Download PDFInfo
- Publication number
- CN114041784B CN114041784B CN202111333566.2A CN202111333566A CN114041784B CN 114041784 B CN114041784 B CN 114041784B CN 202111333566 A CN202111333566 A CN 202111333566A CN 114041784 B CN114041784 B CN 114041784B
- Authority
- CN
- China
- Prior art keywords
- spectrogram
- csi
- gait
- module
- signal
- 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
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/112—Gait analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Geometry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及无线设备、计算机网络,特别涉及到图像识别,数据挖掘领域,为实现体检时为医生提供目测判断减负,本发明采用的技术方案是,基于商用Wi‑Fi的双人步态病症判断装置,包括5个功能模块:数据收集、数据预处理、信号分离、谱图处理和病症判断,其中数据收集模块用于利用商用Wi‑Fi收集到的可反应受试者步态特征的信道状态信息CSI;数据预处理模块用于提取主成分达到降维、降低复杂度的目的;信号分离模块进行信号分离;谱图处理模块用于画出相应的频谱图;病症判断模块则是利用训练好的卷积神经网络CNN分类器对步态特征进行匹配识别,根据匹配程度进行初步判断是否发生病变。本发明主要应用于步态病症判断场合。
Description
技术领域
本发明涉及无线设备、计算机网络,特别涉及到图像识别,数据挖掘领域,具体涉及一种基于商用Wi-Fi的双人步态病症判断的装置。
背景技术
早期无线通信技术(Wi-Fi)感知工作都是基于无线信号的强度(Received SignalStrength Indicator,RSSI),RSSI从收集到的数据包中获得,常常用来进行室内位置轨迹的定位追踪、对目标的移动追踪。RSSI的出现实现了简单的动作检测,并不能区分不同动作。在这种情况下,Halperin等人发布了从商业Wi-Fi中提取信道状态信息(Channel StateInformation,CSI)的CSI工具(CSITool)的发布使得更细粒度的CSI感知成为当前研究的新趋势。正交频分复用技术对接收到的信号进行解码可以获得CSI信息,相比接收信号强度来说,信道状态信息中携带有关目标活动更为精细的信息,同时可以更灵敏的感知周围环境的变化,于是常用来利用CSI进行人体的动作识别(包括粗粒度的行走、下蹲上跳等动作和细粒度的呼吸检测、心跳检测、手势识别等生理特征)。相比于接收信号强度,信道状态信息不仅扩充了信道的信息容量,并且还具备了更加全面具体的活动特征信息(其中包括相位、振幅、和频率等数值特征)。研究人员可以以此在时域和频域上更加深层次地刻画人体动作和周围环境特征,增加识别精度,提升感知性能。
作为人类身份识别的流行生物识别技术,步态识别利用步行的方式来识别个体,也是日常生活活动能力之一,常用来评估患者是否存在异常步态以及步态异常的程度。在体检过程中以及成为很重要的一项,用于对受试者进行病症诊断和鉴别诊断,由医生通过目测,观察受试者的行走过程,然后根据对受试者行走步态的印象进行结果评定,作出步态分析的结果。但是对于医生来说,当待体检人过多时,容易造成大脑疲惫,判断能力下降,判断误差会增加。
为了减轻医生的负担,本发明利用商用Wi-Fi设备实现了双人病症判断的粗筛,使得判断病症的次数减半,并再提交给医生目测病症判断之前进行一次粗略识别。与其他步态识别***相比,基于商用Wi-Fi的方法具有无创,无处不在,覆盖范围更广,无需特殊硬件或硬件修改,无需隐私侵犯和光照条件的优势。
发明内容
为克服现有技术的不足,本发明提出了一种基于商用Wi-Fi的双人步态病症判断的技术方案,本发明主要用于体检时为医生提供目测判断减负的问题,本发明旨在通过一些列降噪方法和数据挖掘技术处理Wi-Fi信号。为此,本发明采取的技术方案是,基于商用Wi-Fi的双人步态病症判断装置,包括5个功能模块:数据收集、数据预处理、信号分离、谱图处理和病症判断,其中数据收集模块用于利用商用Wi-Fi收集到的可反应受试者步态特征的信道状态信息CSI;数据预处理模块主要是对原生CSI进行降噪、提取主成分达到降维、降低复杂度的目的,然后对连续的CSI进行动作分割获得只携带双人步态信息的CSI片段;信号分离模块是对CSI利用独立分量分析ICA(Independent Component Analysis)算法进行信号分离,获得解混后的单人步态CSI;谱图处理模块用于画出相应的频谱图,要利用频谱增强技术对频谱图进行信息增强,其中频谱翻译部分是利用先前训练好的生成式对抗网络GAN(Generative Adversarial Networks)将解混好的频谱图进行环境特征翻译;病症判断模块则是利用训练好的卷积神经网络CNN(Convolutional Neural Networks)分类器对步态特征进行匹配识别,根据匹配程度进行初步判断是否发生病变。
数据收集模块中收集CSI信号的详细过程如下:
1)放置一个商用Wi-Fi设备作为发射端,放置另一个商用Wi-Fi设备作为接收端,两者相距数米,形成一对链路;
2)检测开始时,两位受试者首先处于直立状态,站在初始的位置;
3)运动开始后,两位受试者分别沿预先设定的y=x和x=n米两条路线向视距(Line Of Sight,LOS)方向进行行走;
4)已经由医生诊断步态为正常的单受试者重复步骤2)和3)若干次,用来收集单目标环境下的训练集数据;
5)医生未诊断过且有可能发生病变两位受试者也依次重复步骤2)和3),用来收集双人环境下的待分离数据。
数据预处理模块中对原生CSI进行预处理的详细过程如下:
采用巴特沃斯带通滤波器和主成分分析PCA(Principal Component Analysis)的两级去躁方法来保持能真实反应步态的CSI频率幅值,其中采用巴特沃斯带通滤波器去除不相关的高低频噪声,并使用PCA算法对收集到的信号进行进一步处理;
对收集到的已清洁后的连续CSI数据进行分割的详细过程为,
1)检测CSI幅值变化;
2)选择合适的滑动窗口大小来确定每一个活动的起点和终止位置;
3)通过检查带通CSI幅值差异方差过滤出目标活动,方差超过阈值的第一个和最后一个时间点被标记为遍历的开始或结束点。
信号分离模块中对仅含步态信息后混合CSI进行信号分离的详细步骤如下:
将问题建模为盲源分离问题,具有m个独立的信号源s1,s2,……,sm和n个独立的观察量x1,x2,……,xn,观察量和信号源的关系为AS=X,其中A为传播矩阵,X为观察矩阵,即有:
若A存在逆矩阵W,使得S=WX,其中W=A-1。
独立分量分析ICA定义为利用源信号之间的统计独立性对源信号进行有效的估计,用于结识隐藏在随机变量、测量值或信号集合下的因素考虑到噪声的影响,即x(t)=As(t)+b(t),其中b(t)=[b1(t),b2(t),……,bm(t)]T为噪声信号,独立分量分析被要求解出解混矩阵W,从观测信号x(t)中恢复出要求的源信号s(t),即y(t)=Wx(t),其中y(t)=[y1(t),y2(t),……,ym(t)]T为源信号的估计矢量,即y(t)≈s(t),此时,公式(1)做如下变换:
谱图处理模块中对翻译后的CSI生成频谱图的详细过程如下:
生成频谱图后,采用谱图增强技术进一步降低频谱图中的噪声,同时增强目标部分;然后把分离后的单人频谱图与单目标环境下的单人频谱图对抗训练生成无监督的GAN网络,目的在于把具有相似特征的数据聚在一起,数据间的相似特征主要通过计算样本间和群体间距离得到;通过无监督GAN网络可以将解混信号自动匹配到最为适应的对应单目标环境下的目标频谱图。
病症判断模块对解混后的单人CSI判断病症的详细过程如下:
采用了CNN分类器中,将过去单目标环境下的单人频谱图训练出CNN网络,自动提取特征,再对翻译的频谱图进行分类匹配,根据步态特征匹配程度对受试者进行病症判断,若相似度低于阈值70%,则将该受试者的个人信息提交给医生,由医生再进行进一步诊断。
ICA方法可以实施的基本原则为:
1)尽可能使输出矩阵Y的列向量之间非线性且去相关,求W使得输出的Y矩阵中任意两行向量都互不相关,并且经非线性变换后的高阶统计量也不相关;
2)在矩阵Y方差恒定的情况下,尽可能使输出的Y矩阵呈现非高斯分布。
本发明的特点及有益效果是:
1.体检时,对待检测人进行步态分析是很重要的一项项目。医生可以根据待检测人的步态对其进行病症判断,而对每位待检测人目测步态这对医生是负担较大,如果能够提前用较少的时间对待检测人进行步态初步判断,便可以很大程度减少体检时间并减轻医生负担;
2.本发明使用商用Wi-Fi设备即可实现双人步态病症判断,具有成本低、普及度、无需特殊硬件或硬件修改、无需隐私侵犯、无需待检测人身穿设备和也不会收到光照条件影响的优势;
3.本发明使用的Wi-Fi信号处理方法,也可以用于其他领域,通用性较好,在不同的体检场所有较好的迁移性。
4.本发明在周围含有不同的医护人员存在时也能正常执行,但是在设备范围内不允许有其他人存在,每位待检测人行走的路线都要与第一次正常步态收集时的路线相同。
附图说明:
图1为一种基于商用Wi-Fi的双人步态病症判断方法的流程图;
图2为CSI振幅在数据预处理前后对比示意图,其中,(a)为原始CSI振幅数据,(b)巴特沃斯带通滤波器为滤波器处理后的数据,(c)为PCA处理后的第二个主成分;
图3为行走与静止状态下动作分割情况的示意图;
图4显示了双人行走时混合信号组成成分的示意图;
图5为频谱图在分离前后对比示意图,其中,(a)为混合频谱图,(b)为解混后受试者A的步态频谱图,(c)为解混后受试者B的步态频谱图;
图6为解混频谱图在谱图增强前后结果的对比示意图,其中,(a)为增强前的频谱图,(b)为增强后的高质量频谱图;
图7为频谱图的翻译、转换和融合过程产生的光谱图,其中,(a)为翻译前的频谱图,(b)为翻译后的频谱图。
具体实施方式
本发明采取的技术方案是,一种基于商用Wi-Fi双人步态病症判断装置:
数据收集:通过装在Intel5300上的CSITool工具,在预先固定的行走路线上,对Wi-Fi反应的单人和双人受试者步态信号进行收集,获取信号状态信息CSI;
数据预处理:首先对收集到的CSI进行降噪处理,然后对降噪后的CSI进行动作分割,从CSI信号分割出携带有双人步态信息的CSI片段;
混合信号分离:将双人混合CSI进行信号分离,获得单人解混信号;
谱图处理:生成频谱图,对解混单人频谱图增强,利用部分单目标环境下的单人信号与部分单人解混信号训练翻译网络,获得翻译后的单人频谱图;
病症判断:训练CNN网络提取特征,对两次环境下单人信号进行相似度匹配,对人进行病症判断,若相似度不够,则将其信息反馈给医生进一步判断。
收集CSI信号的详细过程如下:
1)一个商用Wi-Fi设备作为发射端放于(0m,0m),另一个商用Wi-Fi设备作为接收端放于(4m,0m),形成一对链路;
2)检测开始时,两位受试者首先处于直立状态,站在坐标系(4m,4m)的位置;
3)运动开始后,两位受试者分别沿预先设定的y=x和x=4m两条路线向LOS方向进行行走;
4)单受试者(此次已经由医生诊断步态为正常)重复步骤2)和3)若干次,用来收集单目标环境下的训练集数据;
5)两位受试者(此次医生未诊断过,有可能发生病变)也依次重复步骤2)和3),用来收集双人环境下的待分离数据。
对原生CSI进行预处理的详细过程如下:
采用巴特沃斯带通滤波器和主成分分析的两级去躁方法来保持能真实反应步态的CSI频率幅值,其中采用巴特沃斯带通滤波器去除不相关的高低频噪声,并使用PCA算法对收集到的信号进行进一步处理;
对收集到的已清洁后的连续CSI数据进行分割的详细过程为,
1)检测CSI幅值变化;
2)选择合适的滑动窗口大小来确定每一个活动的起点和终止位置;
3)通过检查带通CSI幅值差异方差过滤出目标活动。方差超过阈值的第一个和最后一个时间点被标记为遍历的开始或结束点。
对仅含步态信息后混合CSI进行信号分离的详细步骤如下:
将问题建模为盲源分离问题,具有m个独立的信号源s1,s2,……,sm和n个独立的观察量x1,x2,……,xn,观察量和信号源的关系为AS=X,其中A为传播矩阵,X为观察矩阵,即有:
若A存在逆矩阵W,使得S=WX,其中W=A-1。
独立分量分析ICA定义为利用源信号之间的统计独立性对源信号进行有效的估计,用于结识隐藏在随机变量、测量值或信号集合下的因素。ICA算法实际上是一种目标算法与优化算法的结合,在真实情况下,在处理信号之前会先通过滤波器对源信号进行预处理,不过噪声不能完全过滤掉,我们还要考虑到噪声的影响,即x(t)=As(t)+b(t),其中b(t)=[b1(t),b2(t),……,bm(t)]T为噪声信号,独立分量分析被要求解出解混矩阵W,使得它可以从观测信号x(t)中恢复出要求的源信号s(t),即y(t)=Wx(t),其中y(t)=[y1(t),y2(t),……,ym(t)]T为源信号的估计矢量,即y(t)≈s(t)。此时,公式(1)可以做如下变换:
ICA方法可以实施的基本原则为:
1)尽可能使输出矩阵Y的列向量之间非线性且去相关,求W使得输出的Y矩阵中任意两行向量都互不相关,并且经非线性变换后的高阶统计量也不相关;
2)在矩阵Y方差恒定的情况下,尽可能使输出的Y矩阵呈现非高斯分布。
采用基于ICA固定点算法的快速独立分量分析FastICA算法,利用了负熵作为度量,利用批处理和自适应相结合的方法,其优点在于算法的收敛速度较快且可靠,以达到分离后数据信号的概率密度函数与高斯分布相差最大的目的。
对翻译后的CSI生成的频谱图的详细过程如下:
由于解混后的信号比较单薄,生成的频谱图中目标部位会比较“冷”,与背景混杂在一起,不易于后续步态识别。所以生成频谱图后,需要采用谱图增强技术进一步降低频谱图中的噪声,同时增强目标部分。然后把分离后的单人频谱图与单目标环境下的单人频谱图对抗训练生成无监督的GAN网络,目的在于把具有相似特征的数据聚在一起,数据间的相似特征主要通过计算样本间和群体间距离得到。通过无监督GAN网络可以将解混信号自动匹配到最为适应的对应单目标环境下的目标频谱图。
对解混后的单人CSI判断病症的详细过程如下:
采用了CNN分类器中,将过去单目标环境下的单人频谱图训练出CNN网络,自动提取特征,再对翻译的频谱图进行分类匹配,根据步态特征匹配程度对受试者进行病症判断,若相似度低于阈值70%,则将该受试者的个人信息提交给医生,由医生再进行进一步诊断。
下面结合附图和具体实例进一步详细说明本发明。
本发明利用一系列降噪方法、深度学习等技术,发明了基于商用Wi-Fi的双人步态病症判断的方法,主要用于体检时为医生提供目测判断减负的问题,实现了基于商用Wi-Fi的双人步态病症判断方法,为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。具体描述如下:
所设计***首先进行信号收集,然后对收集到的原生数据进行预处理(降噪、动作分割),之后对预处理后的信号进行信号分离,画出相应频谱图,由于分离后的频谱图步态信息不够明显,然后该频谱图进行谱图增强,对增强后的频谱图使用之前训练好的对抗网络得到翻译后的频谱图,再利用训练好的CNN网络对翻译后的频谱图进行步态匹配,根据匹配程度对其进行病症判断。
***示意图如图1所示,***主要包括5个功能模块:数据收集、数据预处理、信号分离、谱图处理和病症判断。其中数据收集模块用于利用商用Wi-Fi收集到的可反应受试者步态特征的CSI信息;数据预处理模块主要是对原生CSI进行降噪、提取主成分达到降维、降低复杂度的目的,然后对连续的CSI进行动作分割获得只携带双人步态信息的CSI片段;信号分离模块是对CSI利用ICA算法进行信号分离,获得解混后的单人步态CSI,画出相应的频谱图,但是由于解混后的频谱图步态信息不够明显,于是要利用频谱增强技术对频谱图进行信息增强;频谱翻译是利用先前训练好的GAN网络将解混好的频谱图进行环境特征翻译;病症判断模块则是利用训练好的CNN分类器对步态特征进行匹配识别,根据匹配程度进行初步判断是否发生了病变,为医生步态判断提供了粗筛。
一、数据收集模块
硬件部分:两台装有Intel 5300网卡的ThinkPad T系列笔记本电脑,电脑一外接一根天线,用作发射端,电脑二也外接三根天线用作接收端(每根天线的增益为10dB),即共有三对收发天线。
软件部分:两台电脑的操作***皆为Ubuntu 14.03,均安装由Halperin发布的Linux802.11n CSITool,该工具的实现基于IEEE 802.11n协议。为了收集到时间分布均匀的CSI数据,两台笔记本电脑皆于5GHz频段下的161信道的监视器(Monitor)模式下运行,每对收发天线可以获得30条正交频分复用的子载波,而***中存在三对收发天线,因此在接收端可以获得1×3×30条子载波。***使用的标准采样频率为800Hz,即可以每秒获得一个90×800的矩阵。***使用所收集的CSI进行下一步处理。
二、数据预处理模块
为了简便后续数据操作,需要对收集到的数据清楚噪声部分、对数据进行降维,获得较为干净的CSI片段。
1.数据降噪
即使在不包含受试者活动的静态环境下,CSI的数值也会随着环境的波动而变化。因此通过商用Wi-Fi收集到的子载波数据中包含大量的干扰噪声,如脉冲噪声、信道频率响应的静态成分和低频干扰等。这些噪声主要有两大来源:一是Wi-Fi设备内部状态的变化,如传输速率自适应、传输功率自适应等,会导致脉冲噪声和突发噪声;二是在收集数据过程中,周围环境的影响,在实际的实验场景中旁观者的微小动作,当天环境的湿度、温度等因素都会导致收集到的CSI数据混入不同程度的低频和高频噪声,其中低频部分的占比较大,为步态识别增加难度。而一般的去躁方法,如低通滤波器和中值滤波器可以适用于去除低频、高频,但是在去除脉冲和突发噪声方面效果不佳,原因是这些方法要求采样率远高于Wi-Fi信号的频率,并且CSI值中的噪声密度对于传统滤波器来说过高,传统滤波器只能在低密度噪声下工作。
1)巴特沃斯带通滤波器去除高低频噪声。已知,人正常行走的速度大约在0.6m/s至1.2m/s之间,根据CSI反射频率与人体运动速度的关系:f=2v/λ,其中v为无线信号的传播速度,λ为无线信号的波长,大小为5.70cm,可知,行走引起的CSI波动频率大约为20Hz到40Hz之间。因此据经验得,巴特沃斯带通滤波器的阶数设置为5时效果最好,截止频率设置为20~40Hz。图2(a)是原生CSI子载波的信号,通过过滤器过滤得到图2(b),振幅被约束到-1~1之间,去躁后的信号曲线噪声更小,可以去除绝大部分噪声。
2)主成分分析PCA算法降维。身体运动引起的信号波动,在多条子载波之间是相关的,而噪声之间是不相关的。主成分分析法可以捕捉子载波的时变相关性,对其进行最优组合,在保证原始信息的基础上对信息的维度进行降低,在达到消除传统滤波器无法消除的带内噪声的条件下,还能保持原始CSI波形不变。本发明选择主成分分析的第二个主成分通常被选择作为观察对象,既满足更少的噪声,又能保持更明显的信号波动变化,PCA后得到CSI如图2(c)所示。
2.动作分割
由于获取的数据量大,为了实现快速的***响应,需要在数据处理前从长时间的序列中识别出具有步态信息的片段。
1)为了自动、准确地分离动作部分,采用基于阈值的滑动窗法,确定降噪后的子载波振幅数值是处于波动状态还是稳定状态。受试者在短时间内不会改变速度,比如0.1秒。因此,本发明将将这段时间内的速度视为常数,而判断合适的滑动窗口大小需要进行大量实验来选择最佳窗口大小,研究发现,0.1s时效果最佳,于是以0.1s的窗口遍历序列来识别该步态的起点和终点;
2)检测两种信号状态变化进行行走和静止分割的基本原理是,首先检测CSI幅值变化,然后通过检查带通CSI幅值差异方差过滤出目标活动。方差超过阈值的第一个和最后一个时间点被标记为遍历的开始或结束点。据经验得,阈值设置为0.2。结果如图3所示。
三、信号分离
在多径复杂的室内环境中,多个受试者存在的情况下,信号的反射于折射相比于单个受试者的存在情况更为复杂。
如图4所示我们可以定义接收端的CSI的组成成分为:xreceived=xsubjectA+xsubjectB+xsubjectA∩B+xnoise。其中xreceived为接收端收到的信号,xsubjectA和xsubjectB为受试者一号和受试者二号运动导致的信号波动成分,即目标组成成分,xnoise为噪声成分。在二人存在的环境中,还存在一种经由两位受试者共同反射导致的信号xsubject(A∩B),该部分由于反射路径的长度远远大于目标对象的反射路径长度,所以常常忽略不计。
本发明将问题建模为盲源分离问题,具有m个独立的信号源s1,s2,……,sm和n个独立的观察量x1,x2,……,xn,观察量和信号源的关系为AS=X,其中A为传播矩阵,X为观察矩阵,即有:
若A存在逆矩阵W,使得S=WX,其中W=A-1。
独立分量分析ICA定义为利用源信号之间的统计独立性对源信号进行有效的估计,用于结识隐藏在随机变量、测量值或信号集合下的因素。ICA算法实际上是一种目标算法与优化算法的结合,在真实情况下,在处理信号之前会先通过滤波器对源信号进行预处理,不过噪声不能完全过滤掉,我们还要考虑到噪声的影响,即x(t)=As(t)+b(t),其中b(t)=[b1(t),b2(t),……,bm(t)]T为噪声信号,独立分量分析被要求解出解混矩阵W,使得它可以从观测信号x(t)中恢复出要求的源信号s(t),即y(t)=Wx(t),其中y(t)=[y1(t),y2(t),……,ym(t)]T为源信号的估计矢量,即y(t)≈s(t)。此时,公式(1)可以做如下变换:
ICA方法可以实施的基本原则为:
1)尽可能使输出矩阵Y的列向量之间非线性且去相关,求W使得输出的Y矩阵中任意两行向量都互不相关,并且经非线性变换后的高阶统计量也不相关;
2)在矩阵Y方差恒定的情况下,尽可能使输出的Y矩阵呈现非高斯分布。
采用基于ICA固定点算法的快速独立分量分析FastICA算法,利用了负熵作为度量,利用批处理和自适应相结合的方法,其优点在于算法的收敛速度较快且可靠,以达到分离后数据信号的概率密度函数与高斯分布相差最大的目的,频谱分离后的结果如图5所示。
四、谱图处理
1.短时傅里叶变换生成频谱图。受试者行走时身体各部位皆对信号反射、衍射,人行走时分为站姿阶段和摆动阶段,身体各部位将会有不同的速度运动,这导致不同部位反射的无线电信号频率不同。本发明利用短时傅立叶变换技术将谱图增强技术中步骤一提及的子载波转化为频谱图,频谱图中颜色越“热”,表示FFT振幅越大。
2.谱图增强。但是由于解混后的信号比较单薄,生成的频谱图中目标部位会比较“冷”,与背景混杂在一起,不易于后续步态识别。所以生成频谱图后,需要采用谱图增强技术进一步降低频谱图中的噪声,同时增强目标部分,增强前如图6(a)所示,增强后如图6(b)所示,具体步骤如下:
第一步,对子载波信号进行判断,输入的是解混信号还是单目标环境下的目标信号。如果是解混信号,则是单个子载波,所以我们直接生成频谱图,并将频谱图的每一个时频块幅值大小叠加20次;如果是单目标环境下的目标信号X,则将对此信号进行PCA操作,取出结果中的前20个分量分别求出频谱图,将这20个频谱图对应的时频块相加求和。即可获得初步频谱图Ssum。
第二步,对求得的Ssum频谱图的前80个快速傅立叶变换(Fast FourierTransform,FFT)点的大小进行求和,这样得到每个块的能量级别,然后我们根据经验确定一个阈值,并忽略振幅能量低于阈值的块。
第三步,对剩余没有被忽略的目标频谱块进行归一化,将输入结果控制在一定范围中,归一化后最优解的寻优过程明显会变得平缓,更容易正确的收敛到最优解,这样更有利于后续操作。
第四步,利用频域去躁的方法,先在一段时间内求平均求得噪声底,然后用此频谱图减去该噪声底,以达到去躁目的。
第五步,使用尺寸为5,标准差为0.8的二维高斯低通滤波器对上一步得到的频谱图进行优化,这样即可得到一个更高质量的频谱图S’。
3.谱图翻译
将解混频谱图翻译为单目标环境下的频谱图本质上是图像到图像的转换,这是一类图形和视觉问题,其目标是使用对齐图像对的训练集来学习输出图像和输入图像之间的映射。
而由于对于解混信号的标签添加是一个非常耗费人力的过程,而人在贴标签的过程中也很容易出现差错,造成不必要的损失,换句话说成对的训练数据可用性不高,所以本发明采用一种无监督的GAN网络,目的在于把具有相似特征的数据聚在一起,数据间的相似特征主要通过计算样本间和群体间距离得到。而通过无监督GAN网络可以将解混信号自动匹配到最为适应的对应单目标环境下的目标频谱图,翻译前如图7(a)所示,翻译后如图7(b)所示。
五、病症识别
本发明对不同受试者的单目标环境下的步态信号特征训练出CNN分类器,然后利用此分类器对解混步态信号的步态特征进行步态特征匹配,当相似度率低于70%时,将该受试者信息提交给医生审核,以此达成病症判断粗筛的目的。
本发明通过采用一系列信号处理和数据挖掘技术来处理Wi-Fi信号,实现了使用商用Wi-Fi设备对双人步态的病症判断。
本示例以CSI数据处理为例给出具体的实施方式,具体步骤如下:
用一个笔记本电脑作为Wi-Fi接入点,即发送端,另外一个笔记本电脑作为接收端,两台笔记本都安装了Intel 5300NIC和Ubuntu 14.03,发射端有1根天线,每个接收端有3根天线,每端3根天线之间的距离为一个波长(5.79cm),并且位于一条直线上。发射端和接收端分别放在两个小桌板上,距离地面40cm,同时发射端与每一个接收端形成一对链路,建立一个平面直角坐标系,发射端位于坐标系原点,接收端分别位于X轴上,距离发射端4m。设备的摆放位置及受试者运动的方向如图2所示。数据包的传输速率为800Hz,传输的链接工作在频段为5GHz的161信道上。在接收端使用Linux CSITool收集CSI数据后,通过TCP/IP协议将数据发送到配置为Intel i5 2.4GHz电脑上,通过MATLAB处理收集到的数据。
首先本发明实对原生CSI进行降噪、提取主成分达到降维、降低复杂度的目的,然后对连续的CSI进行动作分割获得只携带双人步态信息的CSI片段;接着对CSI利用ICA算法进行信号分离,获得解混后的单人步态CSI,画出相应的频谱图,但是由于解混后的频谱图步态信息不够明显,于是要利用频谱增强技术对频谱图进行信息增强;再利用先前训练好的GAN网络将解混好的频谱图进行环境特征翻译;最后利用训练好的CNN分类器对步态特征进行匹配识别,利用十折交叉验证对训练好的分类模型进行精度检验,识别精度在91%左右,在可接受范围内,根据匹配程度进行初步判断受试者是否发生了病变,为医生步态判断提供了粗筛。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于商用Wi-Fi的双人步态病症判断装置,其特征是,包括5个功能模块:数据收集、数据预处理、信号分离、谱图处理和病症判断,其中数据收集模块用于利用商用Wi-Fi收集到的可反应受试者步态特征的信道状态信息CSI;数据预处理模块主要是对原生CSI进行降噪、提取主成分达到降维、降低复杂度的目的,然后对连续的CSI进行动作分割获得只携带双人步态信息的CSI片段;信号分离模块是对CSI利用独立分量分析ICA算法进行信号分离,获得解混后的单人步态CSI;谱图处理模块用于画出相应的频谱图,要利用频谱增强技术对频谱图进行信息增强,其中频谱翻译部分是利用先前训练好的生成式对抗网络GAN将解混好的频谱图进行环境特征翻译;病症判断模块则是利用训练好的卷积神经网络CNN分类器对步态特征进行匹配识别,根据匹配程度进行初步判断是否发生病变;
数据收集模块中收集CSI信号的详细过程如下:
1)放置一个商用Wi-Fi设备作为发射端,放置另一个商用Wi-Fi设备作为接收端,两者相距数米,形成一对链路;
2)检测开始时,两位受试者首先处于直立状态,站在初始的位置;
3)运动开始后,两位受试者分别沿预先设定的y=x和x=n米两条路线向视距LOS方向进行行走;
4)已经由医生诊断步态为正常的单受试者重复步骤2)和3)若干次,用来收集单目标环境下的训练集数据;
5)医生未诊断过且有可能发生病变两位受试者也依次重复步骤2)和3),用来收集双人环境下的待分离数据;
数据预处理模块中对原生CSI进行预处理的详细过程如下:
采用巴特沃斯带通滤波器和主成分分析PCA的两级去躁方法来保持能真实反应步态的CSI频率幅值,其中采用巴特沃斯带通滤波器去除不相关的高低频噪声,并使用PCA算法对收集到的信号进行进一步处理;
对收集到的已清洁后的连续CSI数据进行分割的详细过程为,
1)检测CSI幅值变化;
2)选择合适的滑动窗口大小来确定每一个活动的起点和终止位置;
3)通过检查带通CSI幅值差异方差过滤出目标活动,方差超过阈值的第一个和最后一个时间点被标记为遍历的开始或结束点;
信号分离模块中对仅含步态信息后混合CSI进行信号分离的详细步骤如下:
将问题建模为盲源分离问题,具有m个独立的信号源s1,s2,……,sm和n个独立的观察量x1,x2,……,xn,观察量和信号源的关系为AS=X,其中A为传播矩阵,X为观察矩阵,即有:
若A存在逆矩阵W,使得S=WX,其中W=A-1;
独立分量分析ICA定义为利用源信号之间的统计独立性对源信号进行有效的估计,用于结识隐藏在随机变量、测量值或信号集合下的因素考虑到噪声的影响,即x(t)=As(t)+b(t),其中b(t)=[b1(t),b2(t),……,bm(t)]T为噪声信号,独立分量分析被要求解出解混矩阵W,从观测信号x(t)中恢复出要求的源信号s(t),即y(t)=Wx(t),其中y(t)=[y1(t),y2(t),……,ym(t)]T为源信号的估计矢量,即y(t)≈s(t),此时,公式(1)做如下变换:
谱图处理模块中对翻译后的CSI生成频谱图的详细过程如下:
生成频谱图后,采用谱图增强技术进一步降低频谱图中的噪声,同时增强目标部分;然后把分离后的单人频谱图与单目标环境下的单人频谱图对抗训练生成无监督的GAN网络,目的在于把具有相似特征的数据聚在一起,数据间的相似特征主要通过计算样本间和群体间距离得到;通过无监督GAN网络可以将解混信号自动匹配到最为适应的对应单目标环境下的目标频谱图。
2.如权利要求1所述的基于商用Wi-Fi的双人步态病症判断装置,其特征是,病症判断模块对解混后的单人CSI判断病症的详细过程如下:采用了CNN分类器中,将过去单目标环境下的单人频谱图训练出CNN网络,自动提取特征,再对翻译的频谱图进行分类匹配,根据步态特征匹配程度对受试者进行病症判断,若相似度低于阈值70%,则将该受试者的个人信息提交给医生,由医生再进行进一步诊断。
3.如权利要求1所述的基于商用Wi-Fi的双人步态病症判断装置,其特征是,ICA方法可以实施的基本原则为:
1)尽可能使输出矩阵Y的列向量之间非线性且去相关,求W使得输出的Y矩阵中任意两行向量都互不相关,并且经非线性变换后的高阶统计量也不相关;
2)在矩阵Y方差恒定的情况下,尽可能使输出的Y矩阵呈现非高斯分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111333566.2A CN114041784B (zh) | 2021-11-11 | 2021-11-11 | 基于商用Wi-Fi的双人步态病症判断装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111333566.2A CN114041784B (zh) | 2021-11-11 | 2021-11-11 | 基于商用Wi-Fi的双人步态病症判断装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114041784A CN114041784A (zh) | 2022-02-15 |
CN114041784B true CN114041784B (zh) | 2023-09-19 |
Family
ID=80208412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111333566.2A Active CN114041784B (zh) | 2021-11-11 | 2021-11-11 | 基于商用Wi-Fi的双人步态病症判断装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114041784B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117219265A (zh) * | 2023-10-07 | 2023-12-12 | 东北大学秦皇岛分校 | 多模态数据分析方法、装置、存储介质和设备 |
CN117982155B (zh) * | 2024-04-07 | 2024-06-11 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种胸外科检查数据智能处理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102046076A (zh) * | 2008-04-03 | 2011-05-04 | Kai医药公司 | 非接触式生理运动传感器及其使用方法 |
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*** |
CN109711251A (zh) * | 2018-11-16 | 2019-05-03 | 天津大学 | 一种基于商用Wi-Fi的方向独立的步态识别方法 |
CN110337066A (zh) * | 2019-05-21 | 2019-10-15 | 西安电子科技大学 | 基于信道状态信息室内人员活动识别方法、人机交互*** |
CN111568425A (zh) * | 2020-06-08 | 2020-08-25 | 北京大学 | 一种非接触式的多人呼吸检测方法 |
CN112364769A (zh) * | 2020-11-11 | 2021-02-12 | 天津大学 | 基于商用Wi-Fi的人群计数方法 |
CN112687287A (zh) * | 2020-12-22 | 2021-04-20 | 杭州电子科技大学 | 基于盲源分离算法的麦克风阵列鼾声信号分离方法及*** |
CN112990026A (zh) * | 2021-03-19 | 2021-06-18 | 西北大学 | 基于对抗训练的无线信号感知模型构建、感知方法及*** |
CN113609976A (zh) * | 2021-08-04 | 2021-11-05 | 燕山大学 | 一种基于WiFi设备的方向敏感多手势识别***及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200064444A1 (en) * | 2015-07-17 | 2020-02-27 | Origin Wireless, Inc. | Method, apparatus, and system for human identification based on human radio biometric information |
US11531087B2 (en) * | 2015-07-17 | 2022-12-20 | Origin Wireless, Inc. | Method, apparatus, and system for fall-down detection based on a wireless signal |
-
2021
- 2021-11-11 CN CN202111333566.2A patent/CN114041784B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102046076A (zh) * | 2008-04-03 | 2011-05-04 | Kai医药公司 | 非接触式生理运动传感器及其使用方法 |
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*** |
CN109711251A (zh) * | 2018-11-16 | 2019-05-03 | 天津大学 | 一种基于商用Wi-Fi的方向独立的步态识别方法 |
CN110337066A (zh) * | 2019-05-21 | 2019-10-15 | 西安电子科技大学 | 基于信道状态信息室内人员活动识别方法、人机交互*** |
CN111568425A (zh) * | 2020-06-08 | 2020-08-25 | 北京大学 | 一种非接触式的多人呼吸检测方法 |
CN112364769A (zh) * | 2020-11-11 | 2021-02-12 | 天津大学 | 基于商用Wi-Fi的人群计数方法 |
CN112687287A (zh) * | 2020-12-22 | 2021-04-20 | 杭州电子科技大学 | 基于盲源分离算法的麦克风阵列鼾声信号分离方法及*** |
CN112990026A (zh) * | 2021-03-19 | 2021-06-18 | 西北大学 | 基于对抗训练的无线信号感知模型构建、感知方法及*** |
CN113609976A (zh) * | 2021-08-04 | 2021-11-05 | 燕山大学 | 一种基于WiFi设备的方向敏感多手势识别***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114041784A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sangaiah et al. | An intelligent learning approach for improving ECG signal classification and arrhythmia analysis | |
CN114041784B (zh) | 基于商用Wi-Fi的双人步态病症判断装置 | |
Yin et al. | ECG monitoring system integrated with IR-UWB radar based on CNN | |
CN112716474B (zh) | 基于生物微波雷达的非接触式睡眠状态监测方法和*** | |
Li | Wavelets for electrocardiogram: overview and taxonomy | |
CN104586387A (zh) | 一种时、频、空域多参数脑电特征提取与融合方法 | |
CN107822617B (zh) | 一种基于WiFi信号的心率异常检测方法 | |
CN105320969A (zh) | 基于多尺度Renyi熵的心率变异性特征分类方法 | |
CN104914994A (zh) | 基于稳态视觉诱发电位的飞行器控制***和飞行控制方法 | |
CN103019383A (zh) | 一种稳态视觉诱发电位脑—机接口信号识别方法 | |
CN114886388B (zh) | 一种麻醉深度监测过程中脑电信号质量的评估方法及装置 | |
CN114532993B (zh) | 一种癫痫患者脑电高频振荡信号的自动检测方法 | |
KR102221839B1 (ko) | 잡음 환경 내 실시간 심장 박동수 탐지 장치 및 그 방법 | |
CN113326801A (zh) | 一种基于信道状态信息的人体移动方向识别方法 | |
Keshavamurthy et al. | Review paper on denoising of ECG signal | |
CN114668373A (zh) | 一种基于动态模态分解的睡眠阶段分类方法及*** | |
Zhang et al. | Hybrid feature fusion for classification optimization of short ECG segment in IoT based intelligent healthcare system | |
CN115081486A (zh) | 一种癫痫发作前期颅内脑电网络定位癫痫灶***及方法 | |
CN115474901A (zh) | 基于无线射频信号的非接触式起居状态监测方法及*** | |
CN109918994B (zh) | 一种基于商用Wi-Fi的暴力行为检测方法 | |
CN114578963A (zh) | 一种基于特征可视化和多模态融合的脑电身份识别方法 | |
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 | |
Liu et al. | Epilepsy EEG classification method based on supervised locality preserving canonical correlation analysis | |
Jaffino et al. | Expectation-maximization extreme machine learning classifier for epileptic seizure detection | |
CN114532994B (zh) | 一种基于卷积变分自编码器的无监督脑电高频振荡信号自动检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |