[发明专利]一种基于无线网络的人体姿态识别方法

权利要求书

1.一种基于无线网络的人体姿态识别方法，其特征在于：

1)采集原始数据集：

(2)对采集到的原始数据集进行矩阵变换；

通过MATLAB软件提取子载波，其中data_f，data_s，data_t代表第一根天线、第二根天线、第三根天线的子载波数据；

F(x)＝x^T (1)

其中x代表传入的子载波数据，T代表转置，将data_f，data_s，data_t传入进行矩阵转置；将转置之后得到的三组数据进行扁平化降维处理成(1，n)维度的数据，其中n代表数据的列数；然后通过numpy库的stack函数，将其拼接成(3，n)矩阵，其中n代表数据的列数；将用户编号，用户姿态，时间戳拼接到矩阵中，构建成(6，n)，然后运用公式1，构建出原始数据集(r，6)，其中r为行数；

将数据进行归一化处理，将数据变为0到1之间的数据，运用公式(2)，其中x为传入的矩阵数据，MIN为该每一列数据的最小值，MAX为每一列数据的最大值；

(3)对矩阵变换后数据集进行清洗和处理：

设计了一个低通滤波器，在采集过程中，本文设计的滤波器发送频率为50Hz，经查阅，环境噪声为250Hz到500Hz；因此该低通滤波器设计为截止频率f_p＝30Hz，通带最大衰减α_p＝3dB，阻带起始频率f_s＝250Hz，阻带最小衰减α_s＝30dB；

通过公式(3)计算归一化频率λ_p是截止频率，λ_s是阻带开始频率，其中Ω_p＝2πf_p，Ω_p通带截止频率，Ω_s＝2πf_s，Ω_s通带开始频率；

计算巴特沃斯的滤波器阶次N和参数C

经过公式(4)的计算得出参数C为1，α为中间变量；

计算得出滤波器阶次N为5阶；

经过软件中butter转移函数公式(7)，计算出参数B，参数A

[B，A]＝butter(N，λ_s，λ_p，C) (7)

y即为输出信号序列，其中x是输入信号，也就数据集的三个子载波序列，其中B是巴特沃斯滤波的分子，A是巴特沃斯滤波的分母，filter为软件中的滤波函数；

y＝filter(B，A，x) (8)

在公式(8)输出滤波后的信号，对输入向量(三种子载波)进行去除异常值操作；Hampel函数计算样本及其周围六个样本组成的窗口的中值，每边三个；并利用中位数绝对值估计各样本对中值的标准差替换掉异常值，得到清洗和处理的数据集；通过本文设计的针对这一类的任务的滤波器和Hampel函数使的数据集相对于其他方法来说提高了数据集的整洁度；

(4)对清洗和处理后的数据集进行特征提取：

构建输入特征值，创建时间窗口，90乘50ms，也就是4.5秒，每次前进45条记录，采用半重叠的方式；然后创建输入数据，每一组包含三种子载波连续90条数据，称为一个片段姿态特征值，其中统计90条数据中的用户活动，出现次数最多的一个为本组数据的标签名；

(5)对提取的特征进行人体姿态识别，得到姿态识别结果

将数据集分成训练集、验证集、测试集；具体的本文使用的SVM算法为：

训练集数据T表示为：

T＝{(x1，y1)，(x2，y2)，...，(xn，yn)} (9)

xi属于一个多维空间，且y的值为0，1，2，3，4其中一个，且n＝1，2，…，n；n为大于等于1的整数；xi为第i个特征向量，yi为标签名(跑0、坐1、站2、上下楼梯3、走4)；

构造并求解凸二次规划问题，其中α_i，α_j表示对应y_iy_j的系数，α^*表示最优解，α的物理意义就是寻找一个最优解满足公式(10)，通过α的不断优化来寻找到最优超平面，从而得到SVM面对的分类问题的界限：

0＜α_i＜M，i＝1，2，3...n (12)

公式10，11，12求得最优解

其中代表函数y_i中对应自变量x_i的最优系数，共计有n个，公式13计算系数b^*，b^*代表函数y_i中对应常量的最优解，共计有n个；

计算出的α^*，b^*带入公式(15)

使用高斯核函数，惩罚系数M＝8，求解α^*使用梯度下降法，高斯核函数K(x_i，x_j)如公式所示；K的物理含义为函数代指后面方程，共有两个自变量；其中σ²是x_i，x_j的标准差；

求解f(x)，将结果与真实值标签进行比对，当f(x)＝0，证明匹配训练结果是跑，当f(x)＝1，证明匹配训练结果是坐，当f(x)＝2，证明匹配训练结果是站，当f(x)＝3，证明匹配训练结果是上下楼梯，当f(x)＝4，证明匹配训练结果是走。