[发明专利]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

说明书

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，具体包括以下步骤：搭建基于Wi‑Fi信号的人体行为检测系统；采集CSI数据，计算子载波相关系数；根据计算得到的相关系数按照子载波空间频率约束完成子载波动态选择；将选择出的子载波提取主成分，提取CSI行为特征矩阵；引入Transformer与卷积网络结合的模型结构进行训练，训练完成后进行测试。本发明通过读取CSI数据，基于子载波动态选择进行CSI数据预处理，提取CSI行为特征矩阵，减少了训练时间，同时极大提高了人体行为识别的准确度。

技术领域

本发明属于移动无线通信技术领域，设计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。

背景技术

随着无线网络的激增以及移动设备的不断进步，物联网技术高速发展，为非接触式环境感应实现人体行为识别打开了大门，并在物流仓储、智慧空间、智能家居等领域得到广泛的应用。作为物联网技术的重要组成部分，基于Wi-Fi的人体行为识别技术由于无需在监测目标上附着任何设备，降低了监测过程的主动配合要求。

作为非接触性识别技术的重要组成部分，Wi-Fi技术以其覆盖面广、通信速度快、技术较为成熟等优势被广泛应用于各领域。同时，深度学习技术的发展，深度学习凭借其强大的运算能力也迅速融入相关领域，在深度学习与其他领域结合的过程中，近些年发展迅速的Transformer也进一步促进了交叉学科尤其是人体行为识别领域的发展。传统的Wi-Fi人体行为识别系统利用直接采集的CSI数据，进而对获得的原始CSI做简单的预处理进行行为识别，且采用的分类方法为传统的机器学习方法。上述方法存在数据维度大，且提取的特征较为粗糙，分类准确率低，无法对各种动作实现细粒度的区分等问题。针对上述问题，本发明提出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。

发明内容

本发明的目的是，提供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，通过对CSI数据进行特征增强并结合Transformer与卷积网络的网络模型进行人体行为识别，解决现有技术在对人体行为识别时准确度低、实施复杂度高、耗时长的问题。本发明采用的技术方案是，利用基于Wi-Fi的Intel 5300网卡采集CSI数据，与深度学习结合，利用Transformer与CNN结合的网络模型进行训练与分类，具体包括以下步骤：

步骤1：搭建基于Wi-Fi信号的人体行为检测系统，系统由两台配备了Intel 5300网卡的移动设备组成，人体行为识别方法的框架主要包括四部分：CSI数据采集、CSI子载波动态选择、提取CSI行为特征矩阵、人体行为识别；

步骤2：基于步骤1搭建的人体行为检测系统进行CSI数据采集，令测试者在系统中分别做出跑步、跳跃、慢走、摔倒、鞠躬等动作，通过与Intel 5300网卡配套的CSI Tool收集动作产生的CSI数据H，H是由n个数据包组成的集合，即H＝[H₁，H₂，...，H_i，...，H_n]，其中第i个数据包表示H_i中第k个子载波的CSI向量，N表示子载波个数，通常取30；

步骤3：考虑到原始的CSI数据中包含较多冗余信息，因此通过子载波选择算法减少CSI数据中的冗余信息同时降低数据维度，进而提高系统的鲁棒性与运算速度，根据步骤2采集的CSI数据，计算子载波之间的相关系数r_a，b，其中a_i与b_i表示序列a与b中第i个元素，l表示序列a与b的长度，与分别代表序列a与b的平均值，根据上式计算每个子载波与其他子载波之间的相关系数，得到30×30的子载波相关系数矩阵R_f，弱相关的子载波会包含更多信息，缓解信息丢失带来的准确度下降问题，因此需确定样本中相关性最弱的子载波组合；