一种基于WiFi-CSI信号增强的人体活动识别方法

摘要

本发明是一种基于WiFi‑CSI信号增强的人体活动识别方法，其特征是，它包括：CSI数据采集、动态天线选择算法、活动信号增强、动作分割算法和人体行为识别等步骤：首先对天线进行选择，挑选出对人体行为最为敏感的天线，减少后续计算分析的数据量；其次对选择后的天线进行信号和增强，使得活动信号与非活动信号存在明显的差异；最后，基于增强后的信号分割动作起止时间，去除非活动信号部分，保留活动信号部分。将活动信号输入分类器训练，识别人体行为。本发明可以广泛应用于室内人体摔倒检测，老年人家庭监护等领域。

说明书

技术领域

本发明属于无线感知技术领域，具体涉及在一种基于WiFi-CSI信号增强的人体活动识别方法。

背景技术

如今，WiFi信号已广泛覆盖，如果将WiFi设备看作是某种意义上的传感器，那么由WiFi信号覆盖的网络将会成为全球最大的一张传感器网络，成为除视觉、传感器、光波、声波之外的新型感知媒介。室内WiFi信号经直射、反射、散射多径叠加到达接收端，从而携带物理环境特征的信息。基于WiFi信号的无线感知技术是联系物理世界和信息世界的重要枢纽。其中，基于WiFi信号的人体行为识别技术成为智能医疗、人机交互等众多领域的研究热点。

目前，在基于WiFi信号人体行为识别方法中，对于子载波的选取与融合方法的研究已经非常丰富，但针对多输入输出(MIMO)天线系统中关于天线的处理方案研究甚少，然而，MIMO天线系统保证了高精度感知的同时，也带来了大量的冗余、非敏感数据。如何找对动作敏感程度最高的天线，是实现高精度、快速识别的前提和关键所在。

在基于WiFi信号人体行为识别方法的数据预处理模块中，众多方法被用于滤除环境噪声，如各种滤波器，小波变换等。其目的旨在减少环境噪声对活动信号的影响，然而这些方法只是被动地“降噪”，而没有主动地去“增强”。反过来讲，如果能够增加活动信号与非活动信号之间的差异性，使得活动信号被增强，非活动信号被削弱，进一步将这种差异进行放大，那么活动信号与非活动信号将会被分离开来，削弱非活动信号对识别的影响。

在整个CSI时间序列中，由人体行为引起的信号变化只占很少的一部分，绝大多数信号都是由动作开始前和结束后的非活动信号组成，如果将整个时间序列提取特征输入分类器训练，大量非活动信号将会增加计算开销，影响识别准确率。因此，需要一种动作分割方法将获得信号与非活动信号区分割开来，提供最能够代表人体行为特征的信号区间。

综上，国内外在基于WiFi信号的人体行为识别技术方面的研究已经取得一定理论成果，但该技术仍然存在一些问题需要解决。

发明内容

本发明的目的在于提供一种基于WiFi-CSI信号增强的人体活动识别方法，以解决上述存在的技术问题。本发明提出的方法可以实现室内环境下人体行为的识别，更有效的提取了最能够代表人体行为特征的数据，提高精度和效率。

为了实现上述目的，本发明采用以下技术方案：一种基于WiFi-CSI信号增强的人体活动识别方法，其特征是，它包括以下步骤：

步骤1)CSI数据采集：

在1×3的收发天线系统中采集数据，并提取幅值，整理数据格式，生成1×3×30的CSI数据流，记为CSI

CSI

CSI

CSI

其中，CSI

步骤2)动态天线选择算法：

根据步骤1)原始信号，构建基于最大极差的动态天线选择机制，选择对该动作敏感的天线；

步骤3)活动信号增强：

采用基于最小二乘原理的多项式平滑算法对步骤2)选择后的天线信号进行预处理，再采用N迭代增强和P次增强公式对活动区间信号增强，非活动区间信号抑制；

步骤4)动作分割算法：

采用基于四分位数排序法对步骤3)增强后的信号进行动作分割，确定动作开始和结束时间；

步骤5)人体行为识别：

将步骤4)分割出的信号的开始和结束时间范围映射到原始CSI信号进行切分，提取特征后输入分类器训练判决。

进一步，所述步骤2)动态天线选择包括：

(1)计算每个天线30个子载波在对应时间点的均值

其中，N为接收天线序号，k为子载波数目，p为每个子载波中第p个接收包的幅值,L为子载波中数据包的总个数；

(2)使用滑动窗口计算

其中，n表示滑动窗口内数据点个数，CSI

(3)计算(2)中

(4)对D

进一步，所述步骤3)活动信号增强包括：

(1)迭代增强：

①使用滑动窗口计算步骤2)选择后的天线中每个子载波滑动窗口内的方差，生成一组新的数据序列CSI

②使用同样的滑动窗口计算数据序列CSI

③重复迭代步骤，生成第N轮迭代数据序列CSI

④根据实验精度要求，确定第N轮数据为迭代增强后的信号。

(2)p次增强：

①使用滑动窗口计算步骤2)选择后的天线中每个子载波滑动窗口内的S值，其中S的计算表达式为：

其中，CSI

②根据实验精度要求，选择合适的p值，确定p次增强后的信号。

进一步，所述步骤4)动作分割算法包括：

(1)使用滑动窗口计算步骤3)增强后的信号中每个子载波滑动窗口内的均值；

(2)对(1)中的均值序列进行升序排序，滤除小于四分位数75％的数值，大于四分位数75％所在的位置集合记为T；

(3)集合T中每两个相邻的位置形成一个窗口，判断相邻两个窗口之间的距离，如果该距离小于某阈值win_interval则进行合并，如果合并后仍小于某阈值win_min，则删除该窗；

(4)T中剩余连续数据的范围是数据序列中的活动的开始时间v

(5)对30个子载波执行(1)-(4)，生成每个子载波动作的开始时间v

(6)对所有子载波分割窗口的左右边界进行合并，合并形成总的开始点T

其中，T

本发明提出的一种基于WiFi-CSI信号增强的人体活动识别方法具有以下有益效果：

首先对天线进行选择，挑选出对人体行为敏感的天线，减少后续计算分析的数据量。其次对选择后的天线进行信号和增强，使得活动信号与非活动信号存在明显的差异。最后，基于增强后的信号分割动作起止时间，去除非活动信号部分，保留活动信号部分。将活动信号输入分类器训练，识别人体行为。本发明可以广泛应用于室内人体摔倒检测，老年人家庭监护等领域。

本发明所提出的方法能够提高系统的识别准确率，降低时间复杂度。

附图说明

图1为本发明一种基于WiFi-CSI信号增强的人体活动识别方法框图；

图2为弯腰和坐下动作三根天线的原始信号图；

图3为弯腰动作3根天线均值融合后的数据序列

图4为滑动窗口内计算方差形成的数据序列

图5为N迭代信号增强的迭代结构示意图；

图6为弯腰动作的原始信号与迭代增强信号的示意图；

图7为弯腰动作的1号和2号天线P次增强信号的示意图；

图8为以P次增强为基础对弯腰动作的1号天线的第10号单个子载波进行动作分割与映射到原始信号动作窗口的示意图；

图9为以P次增强为基础对弯腰动作的1号天线所有子载波进行动作分割与映射到原始信号动作窗口的示意图；

图10为三种室内实验场景图；

图11为在会议室环境下三个志愿者及其两两融合的数据集中使用RF分类器的准确率测试结果图；

图12为在会议室环境下志愿者B数据集使用三种方法的RF分类器指标的测试结果图。

具体实施方式

下面结合附图对本发明作进一步说明。

实施本方法的硬件环境为：具有Intel 5300网卡的ThinkPadX200笔记本电脑作为WiFi信号的发送端和接收端，并支持发送2.4GHZ和5GHZ两个频段的无线信号，发送端和接收端各外接三根4dBi增益全向天线。

实施本方法的软件环境为：数据采集部分搭载修改固件重新编译后的Ubuntu12.05系统，内核版本为4.2.0，安装有已公开的Daniel Halperin等研究人员开发的CSITool工具。通过Monitor模式下发送数据包，发包频率可根据不同模式进行调整。数据处理部分使用Python。软件技术是本领域技术人员容易获得的，且所熟悉的技术。

如图1所示，本发明一种基于WiFi-CSI信号增强的人体活动识别方法，包括以下步骤：

步骤1)CSI数据采集：

在1×3的收发天线系统中采集数据，并提取幅值，整理数据格式，生成1×3×30的CSI数据流，记为CSI

CSI

CSI

CSI

其中，CSI

步骤2)动态天线选择算法：

根据步骤1)原始信号，构建基于最大极差的动态天线选择机制，选择对该动作敏感的天线；

步骤3)活动信号增强：

采用基于最小二乘原理的多项式平滑算法对步骤2)选择后的天线信号进行预处理，再采用N迭代增强和P次增强公式对活动区间信号增强，非活动区间信号抑制；

步骤4)动作分割算法：

采用基于四分位数排序法对步骤3)增强后的信号进行动作分割，确定动作开始和结束时间；

步骤5)人体行为识别：

将步骤4)分割出的信号的开始和结束时间范围映射到原始CSI信号进行切分，提取特征后输入分类器训练判决。

进一步，所述步骤2)动态天线选择包括：

(1)弯腰和坐下动作三根天线的原始信号如图2所示，以弯腰动作为例，对弯腰动作原始信号计算每个天线30个子载波在对应时间点的均值

其中，N为接收天线序号，k为子载波数目，

(2)使用滑动窗口计算

其中，n表示滑动窗口内数据点个数，CSI

(3)计算(2)中

(4)对D

动态天线选择算法伪代码为：

进一步，所述步骤3)活动信号增强包括：

(1)迭代增强：

①使用滑动窗口计算步骤2)选择后的天线中每个子载波滑动窗口内的方差，生成一组新的数据序列CSI

②使用同样的滑动窗口计算数据序列CSI

③重复迭代步骤，生成第N轮迭代数据序列CSI

④根据实验精度要求，确定第N＝2轮数据为迭代增强后的信号，如图6所示。

迭代增强算法伪代码为：

(2)p次增强：

①使用滑动窗口计算步骤2)选择后的天线中每个子载波滑动窗口内的S值，其中S的计算表达式为：

其中，CSI

⑤根据实验精度要求，选择p＝2值，确定为增强后的信号，弯腰动作的1号和2号天线p＝2增强信号如图7所示。

进一步，所述步骤4)动作起止时间分割包括：

(1)使用滑动窗口计算步骤3)增强后的信号中每个子载波滑动窗口内的均值；

(2)对(1)中的均值序列进行升序排序，滤除小于四分位数75％的数值，大于四分位数75％所在的位置集合记为T；

(3)集合T中每两个相邻的位置形成一个窗口，判断相邻两个窗口之间的距离，如果该距离小于某阈值win_interval＝20则进行合并，如果合并后仍小于某阈值win_min＝20，则删除该窗；

(4)T中剩余连续数据的范围是数据序列中的活动的开始时间v

(5)对30个子载波执行(1)-(4)，每个子载波生成活动的开始时间v

(6)对所有子载波分割窗口的左右边界进行合并，合并形成总的开始点T

动作分割算法伪代码为：

步骤5)，人体行为识别：将步骤4)分割出的信号的开始和结束时间范围映射到原始CSI信号进行切分，提取特征后输入SVM、RF、KNN分类器训练判决。其中SVM核函数为gamma＝'scale'，RF中森林树木为200，KNN中K为13。

本发明的测试环境如图10所示，发送与接收端之间距离2.5m，垂直高度为1m。实验中采集了三个志愿者的8中日常行为动作，分别是弯腰、下蹲、走、拍手、打电话、喝水、挥手、坐下。每种行为30组，共计720组行为。实验采集在Monitor模式下，5.2G WiFi频率，带宽为40MHZ，接收频率为30HZ情况下测试。

为了测试本发明的可靠性，在会议室环境下三个志愿者及其两两融合的数据集中使用RF分类器的准确率如图11所示。从中可以看出，使用N迭代信号增强和P次信号增强两种信号增强方法的识别准确率明显高于直接使用原始信号。在不同的数据集测试存在差异，这是因为动作执行志愿者的行为习惯，动作幅度不同。由结果图可得，在室内复杂环境下，单个志愿者平均识别精度为94.29％。如图12所示，在空房间环境下使用志愿者B数据集训练，使用RF分类器的分类结果指标，其中准确率可达96.8％，召回率可达95.4％。

本发明还分析了每个动作的分类效果，表1是在三种实验场景下，不同动作的分类准确率。从表1中可以看出，行走动作识别准确率最高，这是因为行走属于连续重复型动作，有着单一的动作模式，个体之间的行走差异相对较小，对于拍手、喝水和下蹲，识别准确率略低，这是因为这些动作发生的同时，往往伴随着其它肢体动作，这些肢体动作丰富多样，没有固定的动作模式，给识别带来困难。

表1为三种实验情景下使用不同方法所有动作的识别准确率

综上所述，本发明所提出的方法相比于传统未进行天线选择、信号增强和动作分割的方法，在准确率上有着较为明显的提升，本发明所提出方法在个体多样性、环境鲁棒性下仍具有良好的系统性能。

本发明实施例仅用于对本发明作进一步的说明，并非穷举，并不构成对权利要求保护范围的限定，本领域技术人员根据本发明实施例获得的启示，不经过创造性劳动就能够想到其它实质上等同的替代，均在本发明保护范围内。