CN116304915A - 基于WiFi的无接触动作识别方法、***及实验室装置 - Google Patents
基于WiFi的无接触动作识别方法、***及实验室装置 Download PDFInfo
- Publication number
- CN116304915A CN116304915A CN202310544553.2A CN202310544553A CN116304915A CN 116304915 A CN116304915 A CN 116304915A CN 202310544553 A CN202310544553 A CN 202310544553A CN 116304915 A CN116304915 A CN 116304915A
- Authority
- CN
- China
- Prior art keywords
- window
- action
- data
- channel state
- state information
- 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
Links
- 230000009471 action Effects 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 230000011218 segmentation Effects 0.000 claims abstract description 45
- 230000033001 locomotion Effects 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 26
- 238000013145 classification model Methods 0.000 claims description 23
- 238000001914 filtration Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 230000003068 static effect Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000002474 experimental method Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 239000000969 carrier Substances 0.000 description 9
- 238000004590 computer program Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000010187 selection method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于动作数据感知与识别技术领域,公开了基于WiFi的无接触动作识别方法、***及实验室装置。该方法包括:通过WiFi设备获取信道状态信息数据;对接收的信道状态信息数据进行预处理,消除机器运作和环境干扰带来的噪声信息,利用动态子载波选择算法对每条天线链路间多个子载波的信道状态信息数据进行选取子载波;对获取的信道状态信息数据进行动态与静态的判断,并将动作区间切割出来;对动作区间进行特征提取;将提取的特征进行训练,并基于训练模型进行动作的识别分类。本发明提出动态子载波选择算法以及分割辅助算法,有效提高了动作区间的分割精度和动作分类准确性。
Description
技术领域
本发明属于动作数据感知与识别技术领域,尤其涉及基于WiFi的无接触动作识别方法、***及实验室装置。
背景技术
随着无线通信与智能信息技术的不断发展,智能应用逐渐深入到现实生活当中,物联网相关技术设备与周围的环境进行数据交换,从而实现对不同目标之间的智能化检测、识别等。作为物联网技术研究的热点,人类活动识别被认为是许多新兴物联网应用的关键方面。在过去的几年里,手势识别在智能家居、医疗保健、跟踪和检测以及其它工业和学术领域发挥着重要作用。
将人体动作的识别应用于实际场所能够为人们的生活提供很多的便利。传统的动作识别包括基于传感器的方法、基于视频的方法和基于射频的方法。这些传统方法主要依赖于专用设备,具有许多不足之处,基于传感器的部署必须要穿戴相关的传感器设备,这会对使用者带来诸多不便、基于视频的方法需要在光线较好的地方才能实现,而且存在侵犯用户隐私的问题、基于射频的方法成本较高,不便普及。相比于传统的识别技术,基于WiFi技术的动作识别具有明显的优势,它成本低、不需要特别的部署,可穿墙扫描、保障个人隐私、不受光照影响,无论是在人们的日常家居环境还是在忙碌的工作场所,无线网络都随处可见。
通过上述分析,现有技术存在的问题及缺陷为:虽然基于WiFi技术的动作识别方法已经拥有较多的研究和较好的效果,但目前使用WiFi技术进行动作识别还具有一定问题,现有技术中,无线设备在干扰情况下数据采集质量不佳、分割不精确导致动作识别准确率下降。
发明内容
为克服相关技术中存在的问题,本发明公开实施例提供了基于WiFi的无接触动作识别方法、***及实验室装置。
所述技术方案如下:基于WiFi的无接触动作识别方法,其特征在于,该方法包括以下步骤:
S1,通过WiFi设备获取信道状态信息数据;
S2,对接收的信道状态信息数据进行预处理,消除机器运作和环境干扰带来的噪声信息,利用动态子载波选择算法对每条天线链路间多个子载波的信道状态信息数据进行选取子载波;
S3,对获取的信道状态信息数据进行动态与静态的判断,并将动作区间切割出来;
S4,对步骤S3中所述的动作区间进行特征提取;
S5,利用分类模型将提取的特征进行训练,并基于训练模型进行动作的识别分类。
在步骤S2中,对接收的信道状态信息数据进行预处理具体包括如下步骤:
S2.1,对信道状态信息进行去噪声:将信道状态信息数据解析,提取信道状态信息数据幅值,利用低通滤波进行初步滤波,使用小波变换平滑滤波,通过滤波降噪消除机器运作和环境干扰带来的噪声信息;
S2.2,利用动态子载波选择算法选择与动作数据最相关的子载波作为最优子载波反映动作特征。
在步骤S2.2中,动态子载波选择算法包括:通过嵌套循环的方式动态地计算每组输入数据每个子载波的方差,再将该数据的每个子载波的方差进行排序,选取一定数量的最优子载波后循环进入下一组数据进行子载波选取;
在步骤S3中,对获取的信道状态信息数据进行动态与静态的判断中,检测区域内获取的信道状态信息数据无人体运动时的状态为静止状态,信道状态信息波形振幅平稳,人体在检测区域内做出动作时,信道状态信息波形振幅出现扰动,进行动态判断将动作区间切割出来;所述动态判断包括以下步骤:
S3.1,利用分割辅助算法对扰动的信道状态信息波形振幅进行数据处理;
S3.2,根据数据处理后的信道状态信息波形振幅获得动作区间的起始点和结束点,将动作区间切割出来。
在步骤S3.1中分割辅助算法包括以下步骤:
(1)计算整个CSI时间序列L的标准差,标准差表示一组数值的离散程度,标准差越大,表示该组数值与均值的偏差越大,当序列L长度为n时,整个序列幅值的均值为/>,/>为窗内i点的振幅值,标准差/>的计算公式为:
(2)设置一个滑动窗口W,以步长为1在序列L上由左向右滑动,计算各窗口内的均值,均值的公式为:
式中,,/>为第j个窗口内的均值,/>为窗内第一个点的幅值,/>是窗内第M个点的幅值,第M个点的幅值为窗内最后一点的幅值,M为窗口W的长度;将序列中所有数据点的幅值顺序与标准差/>作比较,第i点的幅值记为/>,当/>大于或等于/>时,保持第i点幅值不变,当/>小于/>时,将相应窗内的均值/>赋予该点的值,第i点的幅值/>表达公式为:
(3)为保持动作区间内部不受影响,设置一个新的滑动窗口w,w的长度应设置的小于或等于动作区间长度,设定一个阈值T,当窗的起始点和结束点都大于该阈值时为该窗内所有点赋值为原来数据值,窗的起始点和结束点都大于该阈值的表达式为,,阈值T为标准差/>,/>表示窗的起始点值,/>表示窗的结束点值。
在步骤S3.2将动作区间切割出来包括:使用滑动窗口w,记窗长为m,以步长为1遍历信道状态信息时间序列L,计算每个滑动窗口中的方差,通过滑动窗口方差的值获得动作区间的起始点,滑动窗口方差的计算公式如式:
滑动窗口从左向右顺序滑动时,将整个序列上各滑动窗口内的方差值进行比较,滑动窗口方差的值最大的窗口的左端点为动作区间的起始点;滑动窗口从右向左反向滑动时,将整个序列上各滑动窗口内的方差值进行比较,滑动窗口方差的值最大的窗口的右端点为动作区间的结束点。
在步骤S4中,特征提取包括:运用STFT将时域CSI序列数据转化为时频域的频谱图,以频谱图作为分类特征输入到神经网络进行动作的分类识别;将CSI时间序列数据进行STFT的过程包括:采用滑动窗口机制,给连续的CSI序列信号乘一个时间有限的窗函数,令窗函数在时间轴上移动,通过计算每个窗口的傅里叶变换得到各个窗内时域信号对应的频谱,堆叠起来形成CSI信号的时频谱图;时间序列x(t)的短时傅里叶变换定义为公式:
在步骤S5中,构建分类模型,所述分类模型采用卷积神经网络模型,利用采集的几种动作的特征训练并保存分类模型,将测试样本输入训练完成的分类模型,根据预测类别的比例,确定动作类别,预测占比最高的为当前动作类别。
本发明的另一目的在于提供一种基于WiFi的无接触动作识别***,实施所述的基于WiFi的无接触动作识别方法,该***包括:
WiFi设备,用于获取信道状态信息数据;
CSI数据预处理模块,用于对接收的信道状态信息数据进行预处理,消除机器运作和环境干扰带来的噪声信息,并对信道状态信息数据选取子载波;
动作区间切割模块,用于对此时的信道状态信息数据进行动态与静态的判断,实现将动作区间切割出来;
动作识别分类模块,用于对所述的动作区间进行特征提取;以及利用分类模型将提取的特征进行训练,最后基于训练模型实现动作的识别分类。
本发明的另一目的在于提供一种实验室装置,所述实验室装置搭载所述的基于WiFi的无接触动作识别***。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明为增强动作识别的鲁棒性,提高识别性能。提出了一种动态子载波选择算法和分割辅助算法。
本发明提出一种基于WiFi的无接触动作识别方法,首先利用WiFi设备能够感知人体运动的原理获取CSI(Channel State Information,信道状态信息)数据,利用Butterworth低通滤波和小波变换去除噪声干扰,为降低机器计算复杂程度,同时得到最优分类效果,提出动态子载波选择算法;针对无线设备在干扰情况下数据采集质量不佳、分割不精确导致动作识别准确率下降的问题,提出一种用于提高采集数据质量的分割辅助算法,有效提高了动作区间的分割精度和动作分类准确性,最后提取时频域特征,利用CNN的方式实现动作识别分类。
本发明所提出的一种基于WiFi的无接触动作识别方法,使用CSI反映人体活动对信号的影响,CSI是一种细粒度的信道状态表征,它包含了幅度和相位等多种信道状态的信息,对于细粒度的动作具有更高的敏感度。在发明中提出动态子载波选择算法,根据每组输入数据,对应的为其选择最佳的子载波,减少了机器计算的幅值程度,增加了动作识别的准确性;在动作区间的分割中,提出了分割辅助算法,在分割区间前处理数据,将时间序列中的静止区间变得平缓,同时考虑了算法对动作区间的影响,经过分割辅助算法处理后,在面对数据采集质量较差,不易分割的情况下,分割精度能够得到很大幅度的提高,分割辅助算法有效增强了分割准确性和分类准确性。
作为本发明的优点,还体现在以下方面:随着人工智能和物联网技术的快速发展,人们对智能家居和人机交互设计的需求也越来越大,人体动作识别技术逐渐成为计算机应用、传感器技术、模式识别、虚拟现实及无线感知等多种领域的重要内容。现有技术中,动作识别在智能家居、医疗监护、身份认证、智能驾驶及其它无接触操作领域发挥着重要作用,将人体动作识别应用于实际场所能够为人们的生活提供很多的便利,因此,对人体动作识别具有十分重要的现实意义和商业价值,将动作识别技术应用在智能家居中,可以为家居生活提供很多智能化、舒适化元素,例如,当动作识别应用于控制家居灯时,用户在休息前,不需要从床上下来关上灯的开关按键,只需一个动作即可执行熄灯的指令,将动作识别技术应用于医疗监测还可以检测老人或需要看护的病人的摔倒情况和异常行为;将动作识别技术应用于工业技术领域,可作为无接触的防触电设备等。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理;
图1是本发明实施例提供的基于WiFi的无接触动作识别方法流程图;
图2是本发明实施例提供的动态子载波选择算法流程框图;
图3是本发明实施例提供的分割辅助算法的流程框图;
图4是本发明实施例提供的分割辅助算法处理前示意图;
图5是本发明实施例提供的分割辅助算法处理后示意图;
图6是本发明实施例提供的基于WiFi的无接触动作识别***示意图;
图7是本发明实施例提供的仿真实验中放置实验设备的空旷实验室示意图;
图8是本发明实施例提供的人体动作示意图;
图9是本发明实施例提供的数据降噪中未经任何处理的原始CSI振幅图像;
图10是本发明实施例提供的数据降噪中为经过巴特沃斯低通滤波器滤除高频分量后的图像示意图;
图11是本发明实施例提供的数据降噪中经过小波变换处理后的信号示意图;
图12是本发明实施例提供的验证分割辅助算法的有效性和实验的鲁棒性的对比结果图;
图13是本发明实施例提供的滑动窗口分割动作区间的示意图;
图14是本发明实施例提供的动作I经过STFT产生的时频谱图;
图15是本发明实施例提供的动作II经过STFT产生的时频谱图;
图16是本发明实施例提供的动作III经过STFT产生的时频谱图;
图17是本发明实施例提供的动作IV经过STFT产生的时频谱图;
图18是本发明实施例提供的使用混淆矩阵验证分类的统计结果图;
图19是本发明实施例提供的将四种动作的精确率、召回率和F1分数值用柱状图;
图中:1、WiFi设备;2、CSI数据预处理模块;3、动作区间切割模块;4、动作识别分类模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
本发明实施例提供一种基于WiFi的无接触动作识别方法,其中,为降低机器计算复杂程度,同时得到最优的分类识别结果,设计了基于信号能量的动态子载波选择算法;针对无线设备在干扰情况下数据采集质量不佳、分割不精确导致动作识别准确率下降的问题,提出了分割辅助算法帮助有效分割。
实施例1,如图1所示,本发明实施例提供一种基于WiFi的无接触动作识别方法,包括以下步骤:
S1,通过WiFi设备1获取信道状态信息(Channel State Information,CSI)数据;
示例性的,所述WiFi设备1包括:利用商业WiFi设备作为信号发射端,装有Intel5300网卡的电脑作为接受端,在信号检测范围内做出设计的动作采集CSI数据;
S2,对接收的信道状态信息数据进行预处理,消除机器运作和环境干扰带来的噪声信息;
由于在每条天线链路间都具有30个子载波的信道状态信息数据,为减少冗余,降低机器计算复杂度,对信道状态信息数据选取子载波;
S3,对此时的信道状态信息数据进行动态与静态的判断,实现将动作区间切割出来;
S4,对步骤S3中所述的动作区间进行特征提取;
S5,利用分类模型将提取的特征进行训练,最后基于训练模型实现动作的识别分类。
在本发明实施例中,步骤S2对接收的信道状态信息数据进行预处理具体包括如下内容:
S2.1,对信道状态信息进行去噪声:将信道状态信息数据解析,提取信道状态信息数据幅值,利用Butterworth低通滤波进行初步滤波,使用小波变换平滑滤波,通过滤波降噪消除机器运作和环境干扰带来的噪声信息;
S2.2,受各种因素影响,子载波会有不同程度的衰落情况,即子载波受动作影响程度不同,因此选择与动作数据最相关的子载波作为最优子载波更能反映动作特征,本发明对天线链路间的子载波进行动态选取。
在本发明实施例中,步骤S2.2具体实现方法为:由于在每条天线链路间都具有30个子载波的信道状态信息(CSI)数据,使用全部子载波的数据信息会导致信道状态信息(CSI)数据的特征冗余,不利于后续的训练和识别过程,为减少冗余,降低机器计算复杂度,需要对信道状态信息(CSI)数据选取子载波,然而在不同时间和状态下,信道的状态不同,因此每个采集数据的最优子载波是不同的,据此设计动态子载波选择算法,如图2所示,根据输入数据,选择当前的数据中最能反映信号特征的子载波数据为最优子载波;动态子载波选择算法具体包括:通过嵌套循环的方式动态地计算每组输入数据每个子载波的方差,再将该数据的每个子载波的方差进行排序,选取一定数量的最优子载波后循环进入下一组数据进行子载波选取。
可以理解,所述的嵌套循环的方式为:先进行一个循环,这一个循环是对某个输入数据循环地计算它的30个子载波的方差,在这个循环外面再套设另一层循环,该层循环可循环地输入多个数据,可以动态地计算每个输入数据的每个子载波的方差。
从式中可以看出,方差越小数据的波动越小,方差越大,数据的波动程度越大,因此方差越大的子载波代表其对于动作更加敏感。
在步骤S3中,检测区域内获取的信道状态信息数据无人体运动时的状态为静止状态,信道状态信息波形振幅平稳,人体在检测区域内做出动作时,信道状态信息波形振幅出现扰动,进行动态判断将动作区间切割出来;所述动态判断包括以下步骤:
在步骤S3中,检测区域内获取的信道状态信息数据无人体运动时的状态为静止状态,信道状态信息波形振幅平稳,人体在检测区域内做出动作时,信道状态信息波形振幅出现扰动,进行动态判断将动作区间切割出来;所述动态判断包括以下步骤:
S3.2,根据数据处理后的信道状态信息波形振幅获得动作区间的起始点和结束点,将动作区间切割出来。
在本发明实施例中,在步骤S3.1中分割辅助算法包括以下步骤:
(1)计算整个CSI时间序列L的标准差,标准差表示一组数值的离散程度,标准差越大,表示该组数值与均值的偏差越大,当序列L长度为n时,整个序列幅值的均值为/>,/>为窗内i点的振幅值,标准差/>的计算公式为:
(2)设置一个滑动窗口W,以步长为1在序列L上由左向右滑动,计算各窗口内的均值,均值的公式为:
式中,,/>为第j个窗口内的均值,/>为窗内第一个点的幅值,/>是窗内第M个点的幅值,第M个点的幅值为窗内最后一点的幅值,M为窗口W的长度;将序列中所有数据点的幅值顺序与标准差/>作比较,第i点的幅值记为/>,当/>大于或等于/>时,保持第i点幅值不变,当/>小于/>时,将相应窗内的均值/>赋予该点的值,第i点的幅值/>表达公式为:
(3)为保持动作区间内部不受影响,设置一个新的滑动窗口w,w的长度应设置的小于或等于动作区间长度,设定一个阈值T,当窗的起始点和结束点都大于该阈值时为该窗内所有点赋值为原来数据值,窗的起始点和结束点都大于该阈值的表达式为,,阈值T为标准差/>,/>表示窗的起始点值,/>表示窗的结束点值。
在本发明实施例中,本发明分割辅助算法的作用是为了解决无线设备在干扰情况下数据采集质量不佳、分割不精确导致动作识别准确率下降的问题,如图4分割辅助算法处理前示意图;经本发明分割辅助算法能够使序列数据静态区间变得平缓,突出动静态区域的边缘,帮助有效分割,经过分割辅助算法处理后,在面对数据采集质量较差,不易分割的情况下,分割精度能够得到很大幅度的提高,有效增强了分割准确性和分类准确性,如图5分割辅助算法处理后示意图。
在本发明实施例中,步骤S3.2将动作区间切割出来包括:
式中,表示滑动窗口方差,/>为第i点的值,/>为窗内数据值的平均值;滑动窗口从左向右顺序滑动时,将整个序列上各滑动窗口内的方差值进行比较,滑动窗口方差的值最大的窗口的左端点为动作区间的起始点;滑动窗口从右向左反向滑动时,将整个序列上各滑动窗口内的方差值进行比较,滑动窗口方差的值最大的窗口的右端点为动作区间的结束点。在本发明实施例步骤S4中,特征提取采用STFT将时间序列转化为时频谱特征图像。
在本发明实施例步骤S5中,构建分类模型,所述分类模型采用卷积神经网络(Convolutional Neural Network,CNN)模型,利用采集的几种动作的特征训练并保存模型,将测试样本输入训练完成的分类模型,根据预测类别的比例,确定动作类别,预测占比最高的即为当前动作类别。
实施例2,如图6所示,本发明实施例提供一种基于WiFi的无接触动作识别***,包括:
WiFi设备1,用于获取信道状态信息(Channel State Information,CSI)数据;
CSI数据预处理模块2,用于对接收的信道状态信息数据进行预处理,消除机器运作和环境干扰带来的噪声信息,并对信道状态信息数据选取子载波;
动作区间切割模块3,用于对此时的信道状态信息数据进行动态与静态的判断,实现将动作区间切割出来;
动作识别分类模块4,用于对所述的动作区间进行特征提取;以及利用分类模型将提取的特征进行训练,最后基于训练模型实现动作的识别分类。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程。
基于上述本发明实施例记载的技术方案,进一步的可提出以下应用例。
根据本申请的实施例,本发明还提供了一种计算机设备,该计算机设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端,所述信息数据处理终端用于实现于电子装置上执行时,提供用户输入接口以实施如上述各方法实施例中的步骤,所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器,所述服务器用于实现于电子装置上执行时,提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例还提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
为进一步证明上述实施例的积极效果,本发明基于上述技术方案进行如下实验,仿真实验具体实施数据采集、预处理、动作分割、特征提取、分类。
(1)数据采集;采集CSI数据时,以路由器作为信号的发射端,因此需要对实验所用路由器进行配置,首先路由器需不设密码接收端才能收到信号数据,双频路由器具有5G和2.4G两个工作频段,为了避免频段间的互相干扰,需将路由器设置为仅5GHz下使用。数据的接收端是一台台式电脑,为该台式机安装Intel 5300网卡,外部接天线,外接天线作为信号的接收端。对接收端电脑的配置首先需要安装内核版本为Linux Ubuntu 14.04(cpu型号:Intel(R) Core(TM)i5-6500,内存:8GB)的操作***,在终端通过命令安装遵循IEEE802.11n协议的CSI Tool工具包。实验场地是一个放置实验设备的空旷实验室,如图7所示。
收发端配置完成后进行数据的采集,采集时接收端连接路由器,在信号发射端打开终端,通过ping命令向接收端的路由器发送icmp数据包,接着打开一个新的终端,在这个新的终端里执行CSI Tool的接收信号脚本程序log_to_file,收集由路由器返回到Intel5300网卡的ack数据包,将其以dat形式保存在计算机的中。动作采集者位于发射端与接收端两者之间做出不同动作采集数据。采集数据时,设置发射端与接收端的高度为1.1米,发射端与接收端之间的水平距离为1.5米,采集数据时,发包速率设置为200包/秒。
实验共设计了四种人体动作,分别是向前推手、双手合掌、画√和画×,人体动作示意图如图8所示。采集工作一共有五名志愿者,其中三名志愿者为女性,两名志愿者为男性,采集数据时,志愿者坐在发射端与接收端之间的一侧,面对着发射端与接收端直接路径的方向,做出相应动作采集数据。
(2)预处理;原始信号在传输过程中受到多径效应、收发设备影响及外界环境干扰会产生许多高频噪声,这些噪声会覆盖在动作信号上,影响识别结果,因此首先需要对原始信号进行滤波降噪处理。人体动作的频率较低,而噪声引起的WiFi信号变化一般集中在高频分量上,所以使用巴特沃斯低通滤波器来滤除高频噪声,为了使信号变得更加平滑,动作特征更加明显,再使用sym8小波变换对信号进行进一步处理。以只取一个子载波上的数据信号来呈现效果为例,数据降噪及压缩的效果如图9是未经任何处理的原始CSI振幅图像,图10为经过巴特沃斯低通滤波器滤除高频分量后的图像,从图像中可以看到,经过这一层滤波后大量噪声已经被有效去除,图11是经过小波变换处理后的信号,这一步使得信号更加平滑。
针对最优子载波的选取,提出了一种动态的子载波选择方法,为验证所提算法的有效性,本发明做了相关对比实验,分别使用随机选取子载波、固定地选择大多数数据中方差最大的子载波、以及本发明所使用的动态子载波选择算法进行实验,其中,根据方差固定选择子载波的方法,是使用一部分数据进行试验,根据方差计算,分析哪些子载波在大多数数据中都具有较好的表现就选取其为最佳子载波。在三种选择子载波的方法做对比实验时,保持其他条件不变,只改变子载波的选择方法,实验结果如表1所示,显然,根据本发明所提的动态子载波选择算法进行选取具有更好的效果。
表1不同子载波选择方法结果对比
(3)动作分割;在采集实验数据时,由于环境变化及设备状态不同,所采集到的数据质量也参差不齐,一些较好的数据在经过前面的普通滤波处理后就可以进行准确的动作区间分割,然而,一些由于不可控因素造成的采集质量不好的数据即使是在静止区间,仍然存在较大干扰,影响正确分割,与此同时,为增加实验鲁棒性,在有人为干扰的情况下所采集的数据在静止区间里也会有较大噪声干扰,因此,为解决因环境噪声或人为干扰所导致的采集的数据静止区间仍有较大噪声,与动作区间的边缘模糊的问题,提高分割精度,本发明设计了一种基于阈值的分割辅助算法。在进行分割之前,使用该方法对信号数据进行优化处理,使静态区间变得更为平缓,突出动作的边缘,有效帮助动作分割,算法使用前后效果如图4、图5所示。
为验证分割辅助算法的有效性和实验的鲁棒性,考虑在环境中有其他人员干扰的情况下,能否对动作进行准确的分类识别。因此增加一组对比实验,在实验场景中存在其他人在信号采集设备两米左右的地方随意走动时采集部分数据作为干扰情况下的样本,分别将这些样本在使用分割辅助算法处理前后都进行动作区间的分割,然后将分割的动作数据输入到训练好的分类模型中得到动作分类结果,最终得到的对比结果如图12所示,从图中可以看出,分割因采集质量不佳而导致的动作区间与静态区间边界不明显的数据时,基于CNN的分割方式会有明显的性能下降问题,为了解决该问题,使用分割辅助算法对这些数据进行预处理后再进行分割,此时的分割精度大幅提高,由此证明了分割辅助算法的有效性。
在分割时设计了一种基于滑动窗口的动作区间分割截取方法,利用滑动窗口,以步长为1向后滑动,遍历包含一个动作区间的序列,窗口设置的长度应与动作区间的长度大致相等,通过计算每个滑动窗口中的方差值来找到动作区间的起始点,方差是计算一组数据离散程度的重要指标,当数据在某一部分比较分散,即数据的波动范围越大,方差就越大,利用这个原理,计算比较每个滑动窗口中方差的大小,选择方差最大的窗口的起点作为人体运动区间的起始点,从而将动作区间与静止区间分割,将序列的动作区间截取出来。图13为滑动窗口分割动作区间的示意图。这是一段经过了预处理后的振幅的一阶差分图,图中标记竖线之内的地方就是要截取的动作区间。
(4)特征提取;在时频域分析中运用STFT将时域CSI序列数据转化为时频域的频谱图,以频谱图作为分类特征输入到神经网络进行动作的分类识别。将CSI时间序列数据进行STFT的过程为:采用滑动窗口机制,给连续的CSI序列信号乘一个时间有限的窗函数,令窗函数在时间轴上移动,通过计算每个窗口的傅里叶变换得到各个窗内时域信号对应的频谱,堆叠起来形成CSI信号的时频谱图。时间序列x(t)的短时傅里叶变换定义为公式:
实验采集的四个动作经过STFT产生的时频谱图,如图14动作I经过STFT产生的时频谱图,图15动作II经过STFT产生的时频谱图,图16动作III经过STFT产生的时频谱图,图17动作IV经过STFT产生的时频谱图所示,可以看出,不同人体动作信号生成的时频谱图像具有一定的差距。
(5)分类;在构建分类模型时,采用迁移学***移等操作来增强训练鲁棒性。模型训练时使用卷积层提取图像特征,最大池化层进行下采样,使用Fire model进行降维,减少网络学习参数,为防止过拟合使用ReLu激活函数,最终使用Softmax分类器输出分类结果,通过预测标签与真实标签的对比得到最终的准确率。
SqueezeNet模型是轻量型卷积神经网络的经典模型之一,它能在保证准确度的同时减少模型中的参数。该网络的特点在于其中的fire model模块,由Squeeze层和Expand层组成。Squeeze层的卷积核大小都为1*1,特征图经过该层后分辨率不变,通道数减少;特征图经Squeeze层处理后输入到Expand层,Expand层中包含1×1和3×3的卷积核。特征图像经过fire model结构,它的尺寸不会改变但参数量却能减少很多。在模型搭建中,首先输入特征图像,划分数据集,设置超参数,接着对输入图像进行维度迁移。训练时设置单次打包图像数目为10,迭代次数为30,使用GPU加速模型的训练与验证过程并进行可视化分析,此外,在训练过程中设置加入一些旋转、平移等操作来增强训练鲁棒性。
实验时,将采集到的人体动作数据按照8:2的比例划分为训练集和测试集,使用训练集训练分类模型,使用测试集测试训练好的模型。本发明通过四种动作的平均准确率、精确率、召回率和F1值对识别效果进行验证。动作的识别准确率是预测正确的结果占总样本的百分比,在本实验中可以用如下公式表示:
式中,TP为第一种动作被预测正确的样本数,TN为第二种动作被预测正确的样本数,TR为第三种动作被预测正确的样本数,TQ为第四种动作被预测正确的样本数,FP为将第一种动作错误预测为其他类别的样本数,FN为将第二种动作错误预测为其他类别的样本数,FR为将第三种动作错误预测为其他类别的样本数,FQ为将第四种动作错误预测为其他类别的样本数。
本发明中,最终实验的平均识别准确率为92.5%,虽然准确率能够判断总的正确率,但判断一个分类模型的好坏需要判断每种样本的识别情况,因此只通过一个最终的准确率并不能很好的用来衡量结果。此时本发明通过精确率和召回率来进行进一步地验证。精确率是针对预测结果而言的,其含义是某种动作正确预测为该类动作的样本数占该类动作总样本数的概率,召回率是针对原样本而言的,其含义是所有被预测为该类动作的样本数中实际真正为这类动作样本数的概率,这里仅以第一类动作为例进行公示说明,第一类动作的精确率Precision表达式为:
召回率Recall的表达式为:
其中,在召回率Recall的表达式中,FN_P为原本为第二类动作但被错误预测为第一类动作的样本数,FR_P为原本为第三类动作但被错误预测为第一类动作的样本数,FQ_P原本为第四类动作但被错误预测为动作的样本数。
本发明使用混淆矩阵验证分类的统计结果,如图18所示,这四种细粒度动作的精确率分别为95.9%、98.6%、86.2%、90.1%,召回率分别为95.9%、91、89.5%、94.8%。利用该混淆矩阵可以非常直观地将几种动作的预测准确度情况结合在一起,清晰地将动作的识别准确率、精确度和召回率展示出来。
分数可以用来对分类模型精确度进行衡量,是可以衡量分类模型精确率和召回率的综合指标,由模型准确率和召回率的加权平均得到,可以表达为公式/>,它的最大值是1,最小值是0,在0到1之间它的值越大代表模型越好,将四种动作的精确率、召回率和/>分数值用柱状图表示出来,如图19所示。
以上所述,仅为本发明较优的具体的实施方式,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揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于WiFi的无接触动作识别方法,其特征在于,该方法包括以下步骤:
S1,通过WiFi设备(1)获取信道状态信息数据;
S2,对接收的信道状态信息数据进行预处理,消除机器运作和环境干扰带来的噪声信息,利用动态子载波选择算法对每条天线链路间多个子载波的信道状态信息数据进行选取子载波;
S3,对获取的信道状态信息数据进行动态与静态的判断,并将动作区间切割出来;
S4,对步骤S3中所述的动作区间进行特征提取;
S5,利用分类模型将提取的特征进行训练,并基于训练模型进行动作的识别分类。
2.根据权利要求1所述的基于WiFi的无接触动作识别方法,其特征在于,在步骤S2中,对接收的信道状态信息数据进行预处理具体包括如下步骤:
S2.1,对信道状态信息进行去噪声:将信道状态信息数据解析,提取信道状态信息数据幅值,利用低通滤波进行初步滤波,使用小波变换平滑滤波,通过滤波降噪消除机器运作和环境干扰带来的噪声信息;
S2.2,利用动态子载波选择算法选择与动作数据最相关的子载波作为最优子载波反映动作特征。
4.根据权利要求1所述的基于WiFi的无接触动作识别方法,其特征在于,在步骤S3中,对获取的信道状态信息数据进行动态与静态的判断中,检测区域内获取的信道状态信息数据无人体运动时的状态为静止状态,信道状态信息波形振幅平稳,人体在检测区域内做出动作时,信道状态信息波形振幅出现扰动,进行动态判断将动作区间切割出来;所述动态判断包括以下步骤:
S3.1,利用分割辅助算法对扰动的信道状态信息波形振幅进行数据处理;
S3.2,根据数据处理后的信道状态信息波形振幅获得动作区间的起始点和结束点,将动作区间切割出来。
5.根据权利要求4所述的基于WiFi的无接触动作识别方法,其特征在于,在步骤S3.1中,分割辅助算法包括以下步骤:
(1)计算整个CSI时间序列L的标准差,标准差表示一组数值的离散程度,标准差越大,表示该组数值与均值的偏差越大;当序列L长度为n时,整个序列幅值的均值为/>,/>为窗内i点的振幅值,标准差/>的计算公式为:
(2)设置一个滑动窗口W,以步长为1在序列L上由左向右滑动,计算各窗口内的均值,均值的公式为:
式中,,/>为第j个窗口内的均值,/>为窗内第一个点的幅值,/>是窗内第M个点的幅值,第M个点的幅值为窗内最后一点的幅值,M为窗口W的长度;将序列中所有数据点的幅值顺序与标准差/>作比较,第i点的幅值记为/>,当/>大于或等于/>时,保持第i点幅值不变,当/>小于/>时,将相应窗内的均值/>赋予该点的值,第i点的幅值/>表达公式为:
8.根据权利要求1所述的基于WiFi的无接触动作识别方法,其特征在于,在步骤S5中,构建分类模型,所述分类模型采用卷积神经网络模型,利用采集的几种动作的特征训练并保存分类模型,将测试样本输入训练完成的分类模型,根据预测类别的比例,确定动作类别,预测占比最高的为当前动作类别。
9.一种基于WiFi的无接触动作识别***,其特征在于,实施权利要求1-8任意一项所述的基于WiFi的无接触动作识别方法,该***包括:
WiFi设备(1),用于获取信道状态信息数据;
CSI数据预处理模块(2),用于对接收的信道状态信息数据进行预处理,消除机器运作和环境干扰带来的噪声信息,并对信道状态信息数据选取子载波;
动作区间切割模块(3),用于对此时的信道状态信息数据进行动态与静态的判断,实现将动作区间切割出来;
动作识别分类模块(4),用于对所述的动作区间进行特征提取;以及利用分类模型将提取的特征进行训练,最后基于训练模型实现动作的识别分类。
10.一种实验室装置,其特征在于,所述实验室装置搭载权利要求9所述的基于WiFi的无接触动作识别***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310544553.2A CN116304915B (zh) | 2023-05-16 | 2023-05-16 | 基于WiFi的无接触动作识别方法、***及实验室装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310544553.2A CN116304915B (zh) | 2023-05-16 | 2023-05-16 | 基于WiFi的无接触动作识别方法、***及实验室装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116304915A true CN116304915A (zh) | 2023-06-23 |
CN116304915B CN116304915B (zh) | 2023-08-29 |
Family
ID=86781831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310544553.2A Active CN116304915B (zh) | 2023-05-16 | 2023-05-16 | 基于WiFi的无接触动作识别方法、***及实验室装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116304915B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805194A (zh) * | 2018-06-04 | 2018-11-13 | 上海交通大学 | 一种基于wifi信道状态信息的手写识别方法及*** |
CN109409216A (zh) * | 2018-09-18 | 2019-03-01 | 哈尔滨工程大学 | 基于子载波动态选择的速度自适应室内人体检测方法 |
CN109671238A (zh) * | 2018-12-07 | 2019-04-23 | 浙江大学 | 一种基于无线信道状态信息的室内入侵检测方法 |
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*** |
CN111225354A (zh) * | 2020-02-14 | 2020-06-02 | 重庆邮电大学 | WiFi干扰环境下的CSI人体跌倒识别方法 |
CN111597991A (zh) * | 2020-05-15 | 2020-08-28 | 南京邮电大学 | 一种基于信道状态信息和BiLSTM-Attention的康复检测方法 |
CN112333653A (zh) * | 2020-09-22 | 2021-02-05 | 西安电子科技大学 | 基于WiFi信道状态信息的身份智能识别方法、*** |
CN112380903A (zh) * | 2020-10-14 | 2021-02-19 | 东北电力大学 | 一种基于WiFi-CSI信号增强的人体活动识别方法 |
CN114048773A (zh) * | 2021-11-10 | 2022-02-15 | 厦门大学 | 一种基于迁移学习和WiFi的行为识别方法及*** |
CN114333044A (zh) * | 2020-09-27 | 2022-04-12 | 天津科技大学 | 一种非接触式连续行为感知方法 |
CN114694260A (zh) * | 2022-04-13 | 2022-07-01 | 天津工业大学 | 一种基于信道特征增强与深度学习的新型人体行为识别方法 |
CN114707563A (zh) * | 2022-06-07 | 2022-07-05 | 湖南工商大学 | 一种基于Wi-Fi信道状态信息的人体动作识别方法 |
US20230055065A1 (en) * | 2021-08-06 | 2023-02-23 | Nanjing University Of Posts And Telecommunications | Indoor non-contact human activity recognition method and system |
-
2023
- 2023-05-16 CN CN202310544553.2A patent/CN116304915B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805194A (zh) * | 2018-06-04 | 2018-11-13 | 上海交通大学 | 一种基于wifi信道状态信息的手写识别方法及*** |
CN109409216A (zh) * | 2018-09-18 | 2019-03-01 | 哈尔滨工程大学 | 基于子载波动态选择的速度自适应室内人体检测方法 |
CN109671238A (zh) * | 2018-12-07 | 2019-04-23 | 浙江大学 | 一种基于无线信道状态信息的室内入侵检测方法 |
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*** |
CN111225354A (zh) * | 2020-02-14 | 2020-06-02 | 重庆邮电大学 | WiFi干扰环境下的CSI人体跌倒识别方法 |
CN111597991A (zh) * | 2020-05-15 | 2020-08-28 | 南京邮电大学 | 一种基于信道状态信息和BiLSTM-Attention的康复检测方法 |
CN112333653A (zh) * | 2020-09-22 | 2021-02-05 | 西安电子科技大学 | 基于WiFi信道状态信息的身份智能识别方法、*** |
CN114333044A (zh) * | 2020-09-27 | 2022-04-12 | 天津科技大学 | 一种非接触式连续行为感知方法 |
CN112380903A (zh) * | 2020-10-14 | 2021-02-19 | 东北电力大学 | 一种基于WiFi-CSI信号增强的人体活动识别方法 |
US20230055065A1 (en) * | 2021-08-06 | 2023-02-23 | Nanjing University Of Posts And Telecommunications | Indoor non-contact human activity recognition method and system |
CN114048773A (zh) * | 2021-11-10 | 2022-02-15 | 厦门大学 | 一种基于迁移学习和WiFi的行为识别方法及*** |
CN114694260A (zh) * | 2022-04-13 | 2022-07-01 | 天津工业大学 | 一种基于信道特征增强与深度学习的新型人体行为识别方法 |
CN114707563A (zh) * | 2022-06-07 | 2022-07-05 | 湖南工商大学 | 一种基于Wi-Fi信道状态信息的人体动作识别方法 |
Non-Patent Citations (3)
Title |
---|
HOONYONG LEE ET AL.: "Poster Abstract: Exploiting Multiple Receivers for CSI-Based Activity Classification Using A Hybrid CNN-LSTM Model", 《BUILDSYS \'19》, pages 389 - 390 * |
周浩: "基于信道状态信息的速度自适应室内人体检测方法研究", 《中国优秀硕士学位论文全文数据库》, pages 1 - 66 * |
李晓薇 等: "一种基于CSI的非合作式人体行为识别方法", 《计算机科学》, vol. 46, no. 12, pages 266 - 271 * |
Also Published As
Publication number | Publication date |
---|---|
CN116304915B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107968689B (zh) | 基于无线通信信号的感知识别方法及装置 | |
Yuan et al. | Fast hyperspectral anomaly detection via high-order 2-D crossing filter | |
CN111178331B (zh) | 雷达图像识别***、方法、设备及计算机可读存储介质 | |
CN105242779A (zh) | 一种识别用户动作的方法和移动智能终端 | |
CN113609976B (zh) | 一种基于WiFi设备的方向敏感多手势识别***及方法 | |
CN105786189B (zh) | 一种基于肌动信号的指部独立动作识别方法及*** | |
CN105184818A (zh) | 一种视频监控异常行为检测方法及其检测*** | |
CN111914709B (zh) | 针对WiFi信号行为识别的基于深度学习的动作分割框架构建方法 | |
CN109512390B (zh) | 基于eeg时域多维度特征及m-wsvm的睡眠分期方法及可穿戴装置 | |
KR20120122617A (ko) | 움직임을 상상하는 뇌파 분류 방법 및 그 장치 | |
CN114048773A (zh) | 一种基于迁移学习和WiFi的行为识别方法及*** | |
Zhang et al. | Feature-transfer network and local background suppression for microaneurysm detection | |
CN111901028B (zh) | 一种基于多天线上csi的人体行为识别方法 | |
Behura et al. | WiST ID—Deep learning-based large scale wireless standard technology identification | |
CN112668438A (zh) | 红外视频时序行为定位方法、装置、设备及存储介质 | |
CN116343261A (zh) | 基于多模态特征融合与小样本学习的手势识别方法和*** | |
CN114465678A (zh) | 一种基于深度学习的复杂活动wifi感知方法 | |
CN112380903B (zh) | 一种基于WiFi-CSI信号增强的人体活动识别方法 | |
CN116304915B (zh) | 基于WiFi的无接触动作识别方法、***及实验室装置 | |
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 | |
CN117711436A (zh) | 一种基于多传感器融合的远场声音分类方法和装置 | |
CN117332300A (zh) | 基于自注意力改进域适应网络的运动想象脑电分类方法 | |
CN114333044A (zh) | 一种非接触式连续行为感知方法 | |
Zheng et al. | SAVMD: An adaptive signal processing method for identifying protein coding regions | |
CN116933002A (zh) | 一种动作检测方法、装置、终端设备和存储介质 |
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 |