[发明专利]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

权利要求书

1.一种基于注意力机制使用WiFi数据进行人体行为识别方法，包括以下步骤：

步骤一：假设WiFi设备天线个数为I，子载波个数为K，利用Intel5300网卡获取WiFi信号信道状态信息(CSI)信息，将第t个数据包表示为Η_t，t为正整数；csi_t,i,k表示第t(1≤t≤T)个CSI数据包中第i(1≤i≤I)根天线的第k(1≤k≤K)个子载波上的CSI数据；

步骤二：在WiFi系统中，使用正交频分复用(OFDM)将信道宽带选择性衰落分为多个重叠的正交窄带平坦衰落信道，这不仅减弱了码间干扰(ISI)的影响，而且大大提高了无线信道的利用率；通过傅立叶变换和逆傅里叶变换对信道频率响应(CFR)和信道冲激响应(CIR)进行相互转换，h_t,i代表所求的第t个数据包中第i条天线所采集数据的CIR，h_t,i,Δτ代表CIR中的第Δτ个多径信息；

步骤三：通过相关计算选择所需延迟范围内的数据，其中，对CIR进行一阶正向差分后计算其最大值，以定位多径选择的起点；由于信道噪声的影响，无法直接确定最小值的位置，因此使用CIR移动平均值的最小值确定多路选择延迟的结束时延；

步骤四：计算CSI的幅值和相位信息，构建神经网络输入特征矩阵；

步骤五：提出了一种具有时频注意力机制的多层长短期记忆人工神经网络(LSTM)，用于人类活动的识别，该模型在通过频率注意模块输入的每个序列特征中自动选择有价值的子载波特征，并通过时间注意模块将不同的注意分配给不同的时间序列；

步骤六：对于活动的分类，使用一种主网络的输出z_t来进行计算行为识别结果的方法；

步骤七：提出一种损失函数计算公式，并通过采集数据测试，确定了相关参数λ₁，λ₂，λ₃分别设置为0.01、0.001和0.0004。

2.根据权利要求1所述的一种基于注意力机制使用WiFi数据进行人体行为识别方法，所述步骤三，通过分析CIR中不同时延差的数据变化，提出一种有效多径提取的方法，包括以下步骤：

由于设备之间的同步误差和信道中信号的传播延迟的影响，在获得的实际数据中，CIR会有一定的延迟滞后，并且从不同的数据包获得的CIR中的延迟滞后也存在差异；通过统计分析CIR的变化趋势，发现当视线传输(LOS)路径的信号到达接收器时，幅度会突然改变，突变后的多径幅度将逐渐下降到最小值；LOS信号到达后，此最小路径信号到达约500ns；然后，CIR逐渐返回到平滑波动，在每个CSI数据包中，CIR幅值的突变值和最小值之间的数据就是所需要的路径的数据，因此，通过以下计算选择所需延迟范围内的数据：

Δ_t,i,Δτ＝h_t,i,Δτ-h_t,i,Δτ-1，

其中，对CIR进行一阶正向差分后计算其最大值，以定位多径选择的起点；同时由于信道噪声的影响，无法直接确定最小值的位置，因此使用CIR移动平均值的最小值确定多路选择延迟的结束时延，即和

3.根据权利要求1所述的一种基于注意力机制使用WiFi数据进行人体行为识别方法，所述步骤五，通过设计一种深度学习网络模型，实现高鲁棒性、高精度的人体行为识别，包括以下步骤：

该模型在通过频率注意模块输入的每个序列特征中自动选择有价值的子载波特征，并通过时间注意模块将不同的注意分配给不同的时间序列，由LSTM主网络，中间网络，时间注意力子网络和频率注意力子网络组成，是频率注意子网和时域注意子网的输出，分别用于为序列和特征分配权重，y_t和z_t分别是中间网络和主网络的输出；

在每个时间序列t时，子载波特征集为x_t，注意力子网络会为每个特征分配唯一的注意力权重，注意力权重的集合为α_t：

其中W_gα是参数矩阵，b_α是偏差矢量，而是LSTM层的隐藏变量；softmax为频率注意子网的激活函数，用于获得频率注意权重；该子网控制每个特征传输到主网络的信息量，输入到下一个网络模块的信息为

在时间注意力子网络中，使用具有良好收敛性能的Relu作为激活函数，并将不同的关注β_t分配给不同的序列，其中：

对于序列特征来说，从每个时间序列LSTM中间网络的输出y_t和权重β_t计算流到主网络的信息，主网络输入为

对于活动的分类，基于主网络的输出z_t来进行计算在主网络中，C是所需要识别的行为类别数目，通过以下公式确定行为类别：

其中，p_c代表人体正在进行第c种动作的概率，最终概率最大的动作即为所识别出的动作，即max(p₁,p₂,…,p_C)；

将序列的常规互熵损失函数用于时频注意力网络：

其中l_i表示数据的标签，如果它属于第i类，则l_i＝1，如果不属于第i类，则l_i＝0；l′_i代表神经网络模型预测为第i类的概率为l′_i＝p_i；λ₁，λ₂，λ₃是控制正则化程度的超参数，分别设置为0.01、0.001和0.0004；∑||w||代表网络模型中所有权重参数的幅值累加的总和。