CN117290717A - 一种基于csi信号改进原型网络的跨位置人体动作识别方法 - Google Patents
一种基于csi信号改进原型网络的跨位置人体动作识别方法 Download PDFInfo
- Publication number
- CN117290717A CN117290717A CN202311320755.5A CN202311320755A CN117290717A CN 117290717 A CN117290717 A CN 117290717A CN 202311320755 A CN202311320755 A CN 202311320755A CN 117290717 A CN117290717 A CN 117290717A
- Authority
- CN
- China
- Prior art keywords
- csi
- data
- antenna
- frequency
- prototype network
- 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
- 230000009471 action Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims abstract description 7
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 43
- 238000011176 pooling Methods 0.000 claims description 24
- 230000033001 locomotion Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 21
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000005452 bending Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 15
- 238000012360 testing method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及无线感知领域,尤其涉及一种基于CSI信号改进原型网络的跨位置人体动作识别方法,包括:使用两台装有Intel 5300无线网卡的计算机作为收发器,接收CSI数据;对采集到的CSI数据进行降噪;对降噪后的CSI数据进行天线链路选择,选择出相应于动作的天线;针对CSI数据进行分解,使用EMD‑RPCA算法将CSI数据中的动作信息从静态背景中分离出来;对最优天线每个子载波的数据进行连续小波变换,得到振幅数据的频谱图像;搭建改进原型网络并进行训练;确定神经网络评价指标并进行评价。本申请的技术方案可得到改进原型网络,形成了更为合理的嵌入空间并指导特征提取模块提取位置无关特征,提高不同位置下原型网络的泛化能力。
Description
技术领域
本申请涉及无线感知领域,尤其涉及一种基于CSI信号改进原型网络的跨位置人体动作识别方法。
背景技术
人体动作识别已被认为是许多人机交互(HCI)应用中不可或缺的技术,其在跟踪与检测、模式理解、健康拟合等工业或学术领域得到了广泛的应用。传统的人体行为感知和分析的技术手段主要通过摄像头、红外技术或专用传感器等采集人体行为动作。然而,这些方法可能会带来昂贵的设备成本或引起隐私问题。
近年来,基于Wi-Fi的人体动作识别以其隐私性和易于广泛部署备而备受关注,特别是大量基于深度学习的研究在该领域取得了重大进展,如E-eyes、CARM等。基于Wi-Fi的人体动作识别原理是人体的动作会带来信号的波动,不同的动作会对信号产生不同的影响。然而,Wi-Fi信号在传播过程中会被环境中的其他物体吸收、衍射、反射或散射,这导致从Wi-Fi信号中提取的CSI数据和人体动作外的环境存在着高度的耦合。因此再将训练好的模型应用于新位置的测试数据时,准确率下降非常大。简而言之,当将训练好的模型应用到新的位置时,一般基于Wi-Fi的人体动作模型的识别性能可能会显著下降。最明显的解决方案是为每个领域提供丰富的数据,以了解不同领域的活动特征。但是,在实际应用中获取大量的数据需要耗费大量的人力、时间和较差的用户体验。因此,如何利用尽可能少的样本来解决与位置无关的感知问题,以获得出色的泛化性能是需要的。
发明内容
本申请提供了一种基于CSI信号改进原型网络的跨位置人体动作识别方法,能够解决现存的人体动作模型需要大量样本数据导致耗费人力物力的问题。
本申请的技术方案是一种基于CSI信号改进原型网络的跨位置人体动作识别方法,包括:
S1:使用两台装有Intel 5300无线网卡的计算机作为收发器,并为发射器配置1根天线,接收器配备3根天线,接收CSI数据;
S2:对采集到的CSI数据进行降噪,使用巴特沃斯低通滤波器去除CSI数据中的高频噪声;
S3:对降噪后的CSI数据进行天线链路选择,使用基于极大极差的动态天线选择算法,选择出相应于动作的天线;
S4:针对CSI数据进行分解,使用EMD-RPCA算法将CSI数据中的动作信息从静态背景中分离出来;
S5:对最优天线每个子载波的数据进行连续小波变换,得到振幅数据的频谱图像;
S6:搭建改进原型网络并进行训练;
S7:确定神经网络评价指标并进行评价,以准确率P为评价指标。
可选地,所述S1包括:
S11:选定大小为10m×7m并且布置有桌椅的测量环境;发送天线与接收天线的距离为4m,天线高度距离底面为1.3m;
S12:在测量环境中设定了5个不同位置,相邻位置的直线距离在2.4米左右;
S13:在5个不同位置上分别执行拍手、挥手、蹲起、弯腰和行走的动作并收集CSI测量结果;每个收发天线对的CSI振幅数据流如下:
H=[h(1),h(2),...,h(30)]T;
式中,h(i)表示每个数据包中的第i个子载波的CSI数据。
可选地,所述S2包括:
S21:根据采样频率和要保留的人体动作频率计算截止频率,计算公式如下:
截止频率计算公式如下:
式中,f表示人体动作的最大频率,Fs表示数据的采样频率;
S22:使用巴特沃斯低通滤波器进行滤波,巴特沃斯低通滤波公式如下:
H(jω)=1/[1+(jω/ωc)^n];
式中,H(jω)是滤波器的频域传递函数,j是虚数单位,ω是频率,ωc是截止频率,也就是在该频率以下的信号成分会被保留,n是滤波器的阶数,决定了滤波器的陡峭程度。
可选地,所述S3包括:
S31:计算每根天线30个子载波每个数据包的均值Hmean,计算表达式为:
式中,i为子载波数目,HL为第L个数据包的幅值;
S32:使用滑动窗口计算Hmean的方差,记为Hmean-var=var(Hmean),
var表示计算窗口内数据的方差,计算表达式为:
式中,n表示滑动窗口内数据包个数,Hk表示第k个样本的幅值,表示滑动窗口内所有样本数据的平均值;
S33:计算Hmean-var的最大值与最小值差距D;
S34:选择三根天线中D最大的一根作为最终选择的天线。
可选地,所述S4包括:
S41:使用经验模态分解将每个子载波自适应的分解为一系列本征模态函数;将CSI信号这种不规则的信号自适应的化为多个单一频率的信号加残波的形式,大幅降低CSI数据的复杂性;
S42:利用RPCA算法将这一系列本征模态分量分解为低秩和稀疏部分;
S43:每个IMF分解出的稀疏分量进行CSI振幅数据重构;
S44:使用PCA对由稀疏分量重构的CSI振幅数据进行处理,提取其中的主要成分以消除噪声;
S45:将提取到的主成分作归一化处理,得到去除了大量位置信息的CSI振幅数据。
可选地,所述S5包括:
S51:对经过降噪、天线选择和去除静态背景信息的CSI振幅数据进行连续小波变换,来获取CSI振幅数据的频谱图像,转化公式如下:
S=2*fc*t/np.arange(1,t+1);
式中,t为总的尺度数量,用于确定连续小波变换在哪些不同尺度上进行;fc为所选小波函数的中心频率;S为根据参数计算不同尺度的小波分析参数,选择Morlet小波作为小波基函数,t设置为25。
可选地,所述S6包括:
S61:在输入特征提取器之前,对频谱图进行压缩以及剪裁,只保留下有能量分布的图像,以减少计算的复杂度,最后将其转化为灰度图像;
S62:搭建改进原型网络的特征提取器;
S63:搭建类原型权重分配模块,加权类原型采用的权重分配模块为三层网络;
S64:采用三重损失目标函数作为表示学习的目标函数,与交叉熵损失函数联合以改进原型网络的损失函数,联合损失函数的计算表达式如下:
式中,α是控制总体目标函数中表示学习权重的超参数;为三元组损失,为交叉熵损失。
可选地,所述S62包括:
S621:设置空间注意力模块;定义最大池化和平均池化层,压缩通道大小,便于后面学***均池化的结果,按照通道拼接;最后对拼接的结果进行卷积操作,通过Sigmoid激活函数处理,得到一个与输入大小一样的空间注意力矩阵,表示了不同空间位置的权重分布,用于突出重要的空间位置;
S622:设置卷积层:第一层卷积核为7x7,步长为2的卷积层,用于降低输入图像的空间分辨率;依次经过批处理归一化层、Relu激活函数以及一个尺寸为3x3并且步长为2的最大池化层,进一步减小特征图的大小;
S623:设置第一组残差模块;每个模块内部由2个残差块组成;每个残差块由两个3x3的卷积层和跳跃连接组成,并且在每个残差块中添加空间注意力模块;其中,第一个残差块的输入和输出通道数发生变化,需要进行1x1的卷积操作和跳跃连接的调整,以保持通道一致;
S624:重复所述S623,依次设计第二组、第三组、第四组残差模块;
S625:添加全局平均池化层,在最后一个残差模块的输出上应用全局平均池化,将输出压缩为固定大小的特征向量。
可选地,所述S63包括:
S631:设置自适应平均池化层为第一层,它将输入的特征向量空间维度缩小到1*1;
S632:设置卷积核大小为3*1的一维卷积层为第二层;
S633:通过sigmoid激活函数,得到的张量作为前向传递的输出返回。
有益效果:
本申请中的EMD-RPCA算法可以自适应的将动作信息从背景中分离出来,降低位变化的影响。然后,引入了ResNet18网络作为原型网络的特征提取模块,并添加了空间注意力机制。在原型计算阶段,提出了一种类原型加权计算方法,根据样本的代表性为其分配不同的权重。最后,提出了一个联合损失函数,可以以自适应的方式调整每个样本特征向量之间的距离。这三个方面的改进帮助原型网络形成了更为合理的嵌入空间并指导特征提取模块提取位置无关特征,提高不同位置下原型网络的泛化能力;
综上可知,本申请能够解决现存的人体动作模型需要大量样本数据导致耗费人力物力的问题,能够在Wi-Fi环境中用很少的样本实现与位置无关的传感,因此可以广泛应用于室内人体摔倒检测和老年人家庭监护等领域。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为基于CSI信号利用改进原型网络进行跨位置人体动作识别方法的流程示意图;
图2为原始CSI振幅图和EMD-RPCA算法分解出的人体动作图;
图3为神经网络框架图;
图4为空间注意力框架图;
图5为加权原型网络图;
图6为EMD-RPCA算法影响的示意图;
图7为类原型加权计算和损失函数改进影响的示意图;
图8为未改近原型网络的嵌入空间和改进原型网络的嵌入空间的示意图。
具体实施方式
下面将详细地对实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的***和方法的示例。
本申请提供了一种基于CSI信号利用改进原型网络进行跨位置人体动作识别方法,如图1所示,图1为基于CSI信号利用改进原型网络进行跨位置人体动作识别方法的流程示意图,方法包括:
S1:使用两台装有Intel 5300无线网卡的计算机作为收发器,并为发射器配置1根天线,接收器配备3根天线,在一个室内环境中的不同位置采集动作数据,提取振幅值,每个收发天线对的CSI振幅数据流如下:
H=[h(1),h(2),...,h(30)]T;
式中,h(i)表示每个数据包中的第i个子载波的CSI数据。
其中,所述S1包括:
S11:选定大小为10m×7m并且布置有桌椅的测量环境;发送天线与接收天线的距离为4m,天线高度距离底面为1.3m;
S12:在测量环境中设定了5个不同位置,相邻位置的直线距离在2.4米左右;
S13:在5个不同位置上分别执行拍手、挥手、蹲起、弯腰和行走的动作并收集CSI测量结果。如图2所示,图2为原始CSI振幅图和EMD-RPCA算法分解出的人体动作图。
S2:对采集到的CSI数据进行降噪,使用巴特沃斯低通滤波器去除CSI数据中的高频噪声。
其中,步骤S2包括:
S21:根据采样频率和要保留的人体动作频率计算截止频率,计算公式如下:
截止频率计算公式如下:
式中,f表示人体动作的最大频率,Fs表示数据的采样频率。
S22:使用巴特沃斯低通滤波器进行滤波,巴特沃斯低通滤波公式如下:
H(jω)=1/[1+(jω/ωc)^n];
式中,H(jω)是滤波器的频域传递函数,j是虚数单位,ω是频率,ωc是截止频率,也就是在该频率以下的信号成分会被保留,n是滤波器的阶数,决定了滤波器的陡峭程度。
S3:对降噪后的CSI数据进行天线链路选择,使用基于极大极差的动态天线选择算法,选择出相应于动作的天线。
其中,S31:计算每根天线30个子载波每个数据包的均值Hmean,计算表达式为:
式中,i为子载波数目,HL为第L个数据包的幅值;
S32:使用滑动窗口计算Hmean的方差,记为Hmean-var=var(Hmean),
var表示计算窗口内数据的方差,计算表达式为:
式中,n表示滑动窗口内数据包个数,Hk表示第k个样本的幅值,表示滑动窗口内所有样本数据的平均值;
S33:计算Hmean-var的最大值与最小值差距D;
S34:选择三根天线中D最大的一根作为最终选择的天线。
S4:针对CSI数据进行分解,使用EMD-RPCA算法将CSI数据中的动作信息从静态背景中分离出来。
其中,所述S4包括:
S41:使用经验模态EMD分解将每个子载波自适应的分解为一系列本征模态函数;将CSI信号这种不规则的信号自适应的化为多个单一频率的信号加残波的形式,大幅降低CSI数据的复杂性;EMD-RPCA算法的伪代码如表1所示:
表1 EMD-RPCA算法的伪代码列表
S42:利用RPCA算法将这一系列本征模态分量分解为低秩和稀疏部分;
S43:每个IMF分解出的稀疏分量进行CSI振幅数据重构;
S44:使用PCA对由稀疏分量重构的CSI振幅数据进行处理,提取其中的主要成分以消除噪声;
S45:将提取到的主成分作归一化处理,得到去除了大量位置信息的CSI振幅数据。
S5:对最优天线每个子载波的数据进行连续小波变换,得到振幅数据的频谱图像。
其中,S5包括:
S51:对经过降噪、天线选择和去除静态背景信息的CSI振幅数据进行连续小波变换(CWT),来获取CSI振幅数据的频谱图像。转化公式如下:
S=2*fc*t/np.arange(1,t+1)
其中t为总的尺度数量,用于确定连续小波变换在哪些不同尺度上进行;fc为所选小波函数的中心频率;S为根据参数计算不同尺度的小波分析参数,这些尺度将在连续小波变换中使用;选择Morlet小波作为小波基函数,t设置为256。
S6:搭建改进原型网络并进行训练。
其中,所述S6包括:
S61:在输入特征提取器之前,对频谱图进行压缩以及剪裁,只保留下有能量分布的图像,以减少计算的复杂度,最后将其转化为灰度图像;
S62:搭建改进原型网络的特征提取器。
其中,如图3、图4和图5所示,图3为神经网络框架图,图4为空间注意力框架图,图5为加权原型网络图,所述S62包括:
S621:设置空间注意力模块;定义最大池化和平均池化层,压缩通道大小,便于后面学***均池化的结果,按照通道拼接;最后对拼接的结果进行卷积操作,通过Sigmoid激活函数处理,得到一个与输入大小一样的空间注意力矩阵,表示了不同空间位置的权重分布,用于突出重要的空间位置;
S622:设置卷积层:第一层卷积核为7x7,步长为2的卷积层,用于降低输入图像的空间分辨率;依次经过批处理归一化层、Relu激活函数以及一个尺寸为3x3并且步长为2的最大池化层,进一步减小特征图的大小;
S623:设置第一组残差模块;每个模块内部由2个残差块组成;每个残差块由两个3x3的卷积层和跳跃连接组成,并且在每个残差块中添加空间注意力模块;其中,第一个残差块的输入和输出通道数发生变化,需要进行1x1的卷积操作和跳跃连接的调整,以保持通道一致;
S624:重复所述S623,依次设计第二组、第三组、第四组残差模块;
S625:添加全局平均池化层,在最后一个残差模块的输出上应用全局平均池化,将输出压缩为固定大小的特征向量。
S63:搭建类原型权重分配模块,加权类原型采用的权重分配模块为三层网络;
式中,所述S63包括:
S631:设置自适应平均池化层为第一层,它将输入的特征向量空间维度缩小到1*1;
S632:设置卷积核大小为3*1的一维卷积层为第二层;
S633:通过sigmoid激活函数,得到的张量作为前向传递的输出返回。
S64:采用三重损失目标函数作为表示学习的目标函数,与交叉熵损失函数联合以改进原型网络的损失函数,联合损失函数的计算表达式如下:
式中,α是控制总体目标函数中表示学习权重的超参数;为三元组损失,为交叉熵损失。
S7:确定神经网络评价指标并进行评价,以准确率P为评价指标。
为了测试本发明的可靠性,在会议室环境中通过两台配备Intel 5300NIC的笔记本电脑完成的数据采集;采集***配置在Ubuntu 12.05***上,数据采集时设置采样频率为200Hz;收发设备之间的距离为5米,并且收发设备均有有三根天线,排成一条直线,间隔3厘米。同时,所有天线距离地面高度均为1.5米;在实验环境中设定了5个不同位置,相邻位置的直线距离在2.4米左右;在这5个不同的位置上分别执行5(拍手,挥手,蹲起,弯腰,行走)中动作并收集CSI测量结果。此外,每个动作由3名用户重复20次,固定执行时间为10秒。
为了测试跨位置动作识别的表现,使用任意1个位置的数据作为训练集,其他4个位置的数据用来测试,下表显示了使用一个位置的数据训练模型后,模型在其他位置的准确率。支持集仅由每个动作类别的一个样本组成,即一次性条件的结果。
表2测试数据表
为了测试EMD-RPCA算法的影响,比较了使用EMD-RPCA算法以及无EMD-RPCA算法对改进的原型网络识别精度的影响。如图6、图7和图8所示,图6为EMD-RPCA算法影响的示意图,图6中每组数据柱中的左侧均为without EMD-RPCA并且右侧均为with EMD-RPCA,图7为类原型加权计算和损失函数改进影响的示意图,图8为未改近原型网络的嵌入空间和改进原型网络的嵌入空间的示意图,当输入的数据类型为时间序列时,也就是不将数据转化为频谱图时,使用该算法处理数据后准确度提高了4%左右。而当我们将输入数据转化为频谱图后,具体来说就是将数据进行EMD-RPCA算法处理后,再将其转化为频谱图,准确率比不使用该算法提高了0.2%左右。我们分析之所以该算法的效果下降,是因为我们将数据由时域转化为了时频域,而人体动作的频率与受位置的影响很小,所以频谱图受位置影响较小;简单来说,频谱图减轻了位置的影响。
为了测试添加了空间注意力的ResNet18网络的影响,与原始原型网络(CNN作为特征提取模块),无空间注意力的ResNet18为特征提取模块的原型网络进行对比。如下表所示,特征提取模块换为ResNet18网络后,准确度提升3%左右,添加空间注意力后,准确度提升1%左右。
表3测试准确率表
为了验证对原型网络原型计算和损失函数的改进对识别准确率的影响,进行了一系列的消融实验。如图7,WAPN比PN准确率提升了8%左右。使用TSNE算法将原型网络的嵌入空间可视化,如图8,图8中左侧表示未改近原型网络的嵌入空间,右侧表示改进原型网络的嵌入空间。
以上对本申请的实施例进行了详细说明,但内容仅为本申请的较佳实施例,不能被认为用于限定本申请的实施范围。凡依本申请范围所作的均等变化与改进等,均应仍属于本申请的专利涵盖范围之内。
Claims (9)
1.一种基于CSI信号改进原型网络的跨位置人体动作识别方法,其特征在于,包括:
S1:使用两台装有Intel5300无线网卡的计算机作为收发器,并为发射器配置1根天线,接收器配备3根天线,接收CSI数据;
S2:对采集到的CSI数据进行降噪,使用巴特沃斯低通滤波器去除CSI数据中的高频噪声;
S3:对降噪后的CSI数据进行天线链路选择,使用基于极大极差的动态天线选择算法,选择出相应于动作的天线;
S4:针对CSI数据进行分解,使用EMD-RPCA算法将CSI数据中的动作信息从静态背景中分离出来;
S5:对最优天线每个子载波的数据进行连续小波变换,得到振幅数据的频谱图像;
S6:搭建改进原型网络并进行训练;
S7:确定神经网络评价指标并进行评价,以准确率P为评价指标。
2.根据权利要求1所述的基于CSI信号改进原型网络的跨位置人体动作识别方法,其特征在于,所述S1包括:
S11:选定大小为10m×7m并且布置有桌椅的测量环境;发送天线与接收天线的距离为4m,天线高度距离底面为1.3m;
S12:在测量环境中设定了5个不同位置,相邻位置的直线距离在2.4米左右;
S13:在5个不同位置上分别执行拍手、挥手、蹲起、弯腰和行走的动作并收集CSI测量结果;每个收发天线对的CSI振幅数据流如下:
H=[h(1),h(2),...,h(30)]T;
式中,h(i)表示每个数据包中的第i个子载波的CSI数据。
3.根据权利要求1所述的基于CSI信号改进原型网络的跨位置人体动作识别方法,其特征在于,所述S2包括:
S21:根据采样频率和要保留的人体动作频率计算截止频率,计算公式如下:
截止频率计算公式如下:
式中,f表示人体动作的最大频率,Fs表示数据的采样频率;
S22:使用巴特沃斯低通滤波器进行滤波,巴特沃斯低通滤波公式如下:
H(jω)=1/[1+(jω/ωc)^n];
式中,H(jω)是滤波器的频域传递函数,j是虚数单位,ω是频率,ωc是截止频率,也就是在该频率以下的信号成分会被保留,n是滤波器的阶数,决定了滤波器的陡峭程度。
4.根据权利要求1所述的基于CSI信号改进原型网络的跨位置人体动作识别方法,其特征在于,所述S3包括:
S31:计算每根天线30个子载波每个数据包的均值Hmean,计算表达式为:
式中,i为子载波数目,HL为第L个数据包的幅值;
S32:使用滑动窗口计算Hmean的方差,记为Hmean-var=var(Hmean),var表示计算窗口内数据的方差,计算表达式为:
式中,n表示滑动窗口内数据包个数,Hk表示第k个样本的幅值,表示滑动窗口内所有样本数据的平均值;
S33:计算Hmean-var的最大值与最小值差距D;
S34:选择三根天线中D最大的一根作为最终选择的天线。
5.根据权利要求1所述的基于CSI信号改进原型网络的跨位置人体动作识别方法,其特征在于,所述S4包括:
S41:使用经验模态分解将每个子载波自适应的分解为一系列本征模态函数;将CSI信号这种不规则的信号自适应的化为多个单一频率的信号加残波的形式,大幅降低CSI数据的复杂性;
S42:利用RPCA算法将这一系列本征模态分量分解为低秩和稀疏部分;
S43:每个IMF分解出的稀疏分量进行CSI振幅数据重构;
S44:使用PCA对由稀疏分量重构的CSI振幅数据进行处理,提取其中的主要成分以消除噪声;
S45:将提取到的主成分作归一化处理,得到去除了大量位置信息的CSI振幅数据。
6.根据权利要求1所述的基于CSI信号改进原型网络的跨位置人体动作识别方法,其特征在于,所述S5包括:
S51:对经过降噪、天线选择和去除静态背景信息的CSI振幅数据进行连续小波变换,来获取CSI振幅数据的频谱图像,转化公式如下:
S=2*fc*t/np.arange(1,t+1);
式中,t为总的尺度数量,用于确定连续小波变换在哪些不同尺度上进行;fc为所选小波函数的中心频率;S为根据参数计算不同尺度的小波分析参数;选择Morlet小波作为小波基函数,t设置为25。
7.根据权利要求1所述的基于CSI信号改进原型网络的跨位置人体动作识别方法,其特征在于,所述S6包括:
S61:在输入特征提取器之前,对频谱图进行压缩以及剪裁,只保留下有能量分布的图像,以减少计算的复杂度,最后将其转化为灰度图像;
S62:搭建改进原型网络的特征提取器;
S63:搭建类原型权重分配模块,加权类原型采用的权重分配模块为三层网络;
S64:采用三重损失目标函数作为表示学习的目标函数,与交叉熵损失函数联合以改进原型网络的损失函数,联合损失函数的计算表达式如下:
式中,α是控制总体目标函数中表示学习权重的超参数;为三元组损失,为交叉熵损失。
8.根据权利要求7所述的基于CSI信号改进原型网络的跨位置人体动作识别方法,其特征在于,所述S62包括:
S621:设置空间注意力模块;定义最大池化和平均池化层,压缩通道大小,便于后面学***均池化的结果,按照通道拼接;最后对拼接的结果进行卷积操作,通过Sigmoid激活函数处理,得到一个与输入大小一样的空间注意力矩阵,表示了不同空间位置的权重分布,用于突出重要的空间位置;
S622:设置卷积层:第一层卷积核为7x7,步长为2的卷积层,用于降低输入图像的空间分辨率;依次经过批处理归一化层、Relu激活函数以及一个尺寸为3x3并且步长为2的最大池化层,进一步减小特征图的大小;
S623:设置第一组残差模块;每个模块内部由2个残差块组成;每个残差块由两个3x3的卷积层和跳跃连接组成,并且在每个残差块中添加空间注意力模块;其中,第一个残差块的输入和输出通道数发生变化,需要进行1x1的卷积操作和跳跃连接的调整,以保持通道一致;
S624:重复所述S623,依次设计第二组、第三组、第四组残差模块;
S625:添加全局平均池化层,在最后一个残差模块的输出上应用全局平均池化,将输出压缩为固定大小的特征向量。
9.根据权利要求7所述的基于CSI信号改进原型网络的跨位置人体动作识别方法,其特征在于,所述S63包括:
S631:设置自适应平均池化层为第一层,它将输入的特征向量空间维度缩小到1*1;
S632:设置卷积核大小为3*1的一维卷积层为第二层;
S633:通过sigmoid激活函数,得到的张量作为前向传递的输出返回。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311320755.5A CN117290717A (zh) | 2023-10-12 | 2023-10-12 | 一种基于csi信号改进原型网络的跨位置人体动作识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311320755.5A CN117290717A (zh) | 2023-10-12 | 2023-10-12 | 一种基于csi信号改进原型网络的跨位置人体动作识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117290717A true CN117290717A (zh) | 2023-12-26 |
Family
ID=89238855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311320755.5A Pending CN117290717A (zh) | 2023-10-12 | 2023-10-12 | 一种基于csi信号改进原型网络的跨位置人体动作识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117290717A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117812552A (zh) * | 2023-12-27 | 2024-04-02 | 韶关学院 | 一种基于数据包压缩网络的WiFi信号人体行为识别方法及*** |
-
2023
- 2023-10-12 CN CN202311320755.5A patent/CN117290717A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117812552A (zh) * | 2023-12-27 | 2024-04-02 | 韶关学院 | 一种基于数据包压缩网络的WiFi信号人体行为识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hsieh et al. | Deep learning-based indoor localization using received signal strength and channel state information | |
WO2023010886A1 (zh) | 一种室内非接触式人体活动识别方法及*** | |
CN111512178A (zh) | 基于无线信号属性的机器学习的运动检测 | |
CN117290717A (zh) | 一种基于csi信号改进原型网络的跨位置人体动作识别方法 | |
CN104107042A (zh) | 基于粒子群优化-支持向量机的肌电信号步态识别方法 | |
CN114359738B (zh) | 一种跨场景鲁棒的室内人数无线检测方法及*** | |
CN110440148B (zh) | 一种漏损声信号分类识别方法、装置及*** | |
CN104680541B (zh) | 基于相位一致性的遥感图像质量评价方法 | |
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 | |
Kaloop et al. | De-noising of GPS structural monitoring observation error using wavelet analysis | |
CN114423034B (zh) | 一种室内人员动作识别方法、***、介质、设备及终端 | |
CN109633106B (zh) | 一种在线农药残留快速检测方法、***及存储介质 | |
CN114048773A (zh) | 一种基于迁移学习和WiFi的行为识别方法及*** | |
CN112733609A (zh) | 一种基于离散小波变换的领域自适应Wi-Fi手势识别方法 | |
CN112380903B (zh) | 一种基于WiFi-CSI信号增强的人体活动识别方法 | |
Wan et al. | An improved complex multi-task Bayesian compressive sensing approach for compression and reconstruction of SHM data | |
Kim et al. | A method for underwater acoustic signal classification using convolutional neural network combined with discrete wavelet transform | |
CN113990303B (zh) | 基于多分辨率空洞深度可分卷积网络的环境声音辨识方法 | |
CN113453180B (zh) | 一种人体摔倒智能检测方法、***、信息数据处理终端 | |
CN115687894A (zh) | 一种基于小样本学习的跌倒检测***及方法 | |
CN109085547B (zh) | 一种表层穿透雷达回波信号的去噪方法和相关装置 | |
CN114626419A (zh) | 一种基于wifi中信道状态信息和改进卷积神经网络的动作识别方法 | |
CN117315886B (zh) | 一种基于uwb雷达的人员即将跌倒检测方法及装置 | |
US7424463B1 (en) | Denoising mechanism for speech signals using embedded thresholds and an analysis dictionary | |
Kabir et al. | Deep Convolution Neural Network Based CSI Signal Classifier to Recognize Human-Human Interactions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |