随着物联网的快速发展,人体行为识别技术已经成为促进医疗健康、智能家居、安防监控等领域发展的关键。传统的人体行为识别主要是通过摄像机和可穿戴设备来实现,然而基于摄像机的识别技术受限于用户隐私及光照条件,基于可穿戴设备的方案受限于用户配合程度。此时,基于WiFi的人体行为识别作为一种新的识别方法吸引了众多学术界及商界的关注,该方法成本低、不需要光源并且不触碰用户隐私,可以有效弥补传统识别方案的不足而达到更理想的识别效果。在布置好WiFi信号收发设备的室内环境中充斥着多条无线信道,当人在其中活动时无线信道的信道状态信息(Channel State Information,CSI)产生变化,根据CSI的变化中可提取出相应的行为信息。在人体行为识别中,人员活动的持续时间是基础参数之一。通过活动持续时间可以量化人体活动与疾病之间的关系,还可根据活动持续时间分析移动人员的异常行为等。目前为止,研究人员将重点聚焦于具体动作、身份识别甚至呼吸检测等微小动作识别等方面,缺乏对活动持续时间的探索,忽略了基础参数的重要性。因此,本文将分析WiFi信号中的CSI信息,结合信号处理及机器学习的方法来估计人员活动持续时间。本论文所做的主要工作如下:(1)第一部分通过分析CSI幅度变化实现一种基于信道状态信息的人员检测方法。首先对CSI样本数据进行预处理,去除异常值和高频噪声,并补全丢失的信息,然后对数据进行降维处理,并将CSI主成分方差与特征向量一阶差分均值的比值作为环境特征,利用BP神经网络进行分类,最后采用多数投票机制对分类结果进行决策,判断出当前环境的状态。(2)第二部分是在第一部分的基础之上进一步实现基于信道状态信息的人员活动持续时间估计方法。首先将人员检测结构化输出有人员活动信息的CSI序列,并依托于将连续复杂的人员活动持续时间估计问题转化成离散简单的人员检测问题的思想,将其分割为多个等长的CSI短序列,并提取每一条CSI短序列的特征值,利用BP神经网络模型进行活动检测,同样采用多数投票机制减小系统误差,综合每条CSI短序列的分类结果,估计CSI序列的活动持续时间。
暂无评论