基于CSI的增量学习人体动作识别方法技术

本发明专利技术公开了一种基于CSI的增量学习人体动作识别方法，其步骤包括：1、通过部署WIFI设备收集M+1个场景中的CSI动作样本；2、将时间信息添加到CSI动作样本上；3、利用数据增强方法为每类动作生成伪样本；4、利用增量学习模型完成跨场景的人体动作识别；5、更新的模型和内存集用于下一个新场景动作的学习。本发明专利技术能持续的学习不同场景下的人体动作，在保证较高识别精度的前提下降低对动作样本数量的需求。精度的前提下降低对动作样本数量的需求。精度的前提下降低对动作样本数量的需求。

【技术实现步骤摘要】
基于CSI的增量学习人体动作识别方法


[0001]本专利技术属于无线通信
，具体的说是一基于CSI的增量学习人体动作识别方法。

技术介绍

[0002]人体动作识别在智能家居、手势识别、日常行为检测等领域获得了广阔的应用。与计算机视觉感知技术、红外感知技术以及专用传感器感知技术等相比，基于WiFi信号的人体动作识别技术具有不侵犯隐私、不受光线影响、成本低等优势，已成为人体动作识别领域热门方法之一。相比于RSSI，CSI具有更细的粒度和敏感度，能够感知到信道更微小的变化，因此它对呼吸、手势等幅度较小的动作具有更好的识别准确率。
[0003]跨环境的人体活动识别还存在以下问题需要解决：由于多径效应的影响，同一动作在不同场景中的CSI信号特征存在差别，当室内场景发生变化时，现有模型的识别精度明显下降甚至不能识别，需要重新采集CSI动作数据来训练模型。
[0004]目前，最接近的技术：针对上述问题，一些研究者使用迁移学习和小样本学习方法在一定程度上实现了模型的复用。专家学者们使用基于特征的、基于实例的或者基于共享参数的迁移学习方法，通过新场景的CSI人体动作数据调整旧场景的模型，使得模型适用新场景。
[0005]另外，小样本学习是解决这一问题的一种途径。典型的机器学习应用需要大量带有标签的样本，然而实际应用中很难获得足够数量的动作样本。小样本学习是机器学习的一种特殊情况，它的目标是在提供少量样本情况下获得良好的学习性能。先使用一部分人体动作样本预训练模型，然后将新场景的动作样本构成多个任务输入网络来更新模型参数。
[0006]综上所述，采用迁移学习方法或小样本学习方法的HAR模型虽然在新场景中依旧保持较高的准确率，但是迁移学习需要大量新场景下的动作样本微调模型，小样本学习方法在新动作的种类数量增多导致识别率明显降低。同时小样本学习和迁移学习方法在学习识别新动作后，新模型对原先的动作识别精度大幅下降，它只在当前场景下有效，无法实现持续的学习。这两类方法遗忘旧任务的原因在于：在新任务的训练中，网络中各个神经元之间的连接权重要针对新任务进行调整，这将改变适应旧任务的原有结构，导致在旧任务上的性能快速下降。

技术实现思路

[0007]本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于CSI的增量学习人体动作识别方法，以期能在学习当前场景下动作后保持对已学场景下动作的识别精度，同时尽可能降低对当前场景下动作样本数量的需求，从而提升采集效率，增强模型的鲁棒性。
[0008]本专利技术为达到上述专利技术目的，采用如下技术方案：
[0009]本专利技术一种基于CSI的增量学习人体动作识别方法的特点是按如下步骤进行：
[0010]步骤1、选定布局不同的M+1个室内场景分别记为(C0,C1,
…
,C
M
)，其中，C0为旧场景，(C1,
…
,C
i
,
…
,C
M
)为新场景；C
i
表示第i个新场景；M表示场景数；
[0011]在M+1个室内场景中分别部署一对WIFI收发设备，其中，使用路由器作为WIFI信号的发送设备，记为AP，使用无线网卡作为接收设备，记为RP，且路由器AP和无线网卡RP的间隔距离为l；
[0012]步骤2、在时间周期T内，分别在任一室内场景的采集点上做第s类动作，并使用所述接收设备RP以采样速率v连续采集所述发送设备AP发送的c个信道上的w个子载波信号，从而构成维度为c
×
w
×
T的三维CSI矩阵并分别作为相应室内场景中的一个动作样本，将所述三维CSI矩阵的每个元素与其对应的采集时刻相加，从而得到第s类动作的一个输入样本，以同一室内场景中第s类动作的n个输入样本构成对应室内场景中第s类动作的样本集X
s
；
[0013]步骤3、按照步骤2的过程得到第i个新场景中的t
i
类动作样本集，并将M个新场景中所有动作的样本集按顺序排列为样本序列，其中，第i个新场景中的动作样本集在所述样本序列中对应的动作类别为t
i
‑1+1～t
i
类动作；
[0014]按照步骤2的过程得到旧场景中的动作样本集；
[0015]步骤3、数据增强；
[0016]步骤3.1、基于所述样本序列中第s类动作样本集X
s
的输入样本x
s,a
和x
s,b
，利用式(1)得到伪输入样本x
s,c
，并加入第s类动作样本集X
s
中，从而得到第s类动作的新样本集X'
s
；
[0017]x
s,c
＝ω
xs,a
+(1
‑
ω)
xs,b
+n
ꢀꢀꢀ
(1)
[0018]式(1)中，ω表示随机权重，且ω∈(0,1)，n表示高斯噪声；
[0019]步骤4、构建增量学习网络模型，包括：特征提取器模块和最近邻分类器模块；
[0020]步骤4.1、所述特征提取器模块使用e个卷积单元和一个平均池化层；所述卷积单元由卷积层、批归一化层、relu激活函数层依次构成；
[0021]所述最近邻分类器模块使用激活函数为sigmoid的全连接层；
[0022]步骤4.2、第s类动作的新样本集X'
s
输入所述特征提取器模块中，并依次经过e个卷积单元和一个平均池化层的处理后，输出特征矩阵F
s
＝{f
s,1
,
…
,f
s,j
,
…
,f
s,n
}，其中，f
s,j
表示第s类动作的新样本集X'
s
中第j个样本的特征向量；
[0023]第s类动作的新样本集X'
s
中第j个样本的特征向量f
s,j
经过最近邻分类器模块的处理后，输出向量其中，表示将第s类动作的新样本集X'
s
中第j个样本识别为第y类动作的概率值；
[0024]步骤4.3、初始化i＝1，基于旧场景C0中的动作样本集，初始化所述增量学习网络模型的网络参数θ，并得到预训练模型Model
i
‑1；
[0025]将第i个新场景中的动作样本集的动作种类序号记为(t
i
‑1+1,
…
,u
…
t
i
)，则前i
‑
1个新场景中的动作种类序号记为(1,
…
,v
…
,t
i
‑1)，当i＝1时，令t
i
‑1＝0；
[0026]将第i个新场景中的动作样本集输入增量学习网络模型，并按照步骤4.2的过程进行处理，同时利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CSI的增量学习人体动作识别方法，其特征是按如下步骤进行：步骤1、选定布局不同的M+1个室内场景分别记为(C0，C1，...，C
M
)，其中，C0为旧场景，(C1，...，C
i
，...，C
M
)为新场景；C
i
表示第i个新场景；M表示场景数；在M+1个室内场景中分别部署一对WIFI收发设备，其中，使用路由器作为WIFI信号的发送设备，记为AP，使用无线网卡作为接收设备，记为RP，且路由器AP和无线网卡RP的间隔距离为l；步骤2、在时间周期T内，分别在任一室内场景的采集点上做第s类动作，并使用所述接收设备RP以采样速率v连续采集所述发送设备AP发送的c个信道上的w个子载波信号，从而构成维度为c
×
w
×
T的三维CSI矩阵并分别作为相应室内场景中的一个动作样本，将所述三维CSI矩阵的每个元素与其对应的采集时刻相加，从而得到第s类动作的一个输入样本，以同一室内场景中第s类动作的n个输入样本构成对应室内场景中第s类动作的样本集X
s
；步骤3、按照步骤2的过程得到第i个新场景中的t
i
类动作样本集，并将M个新场景中所有动作的样本集按顺序排列为样本序列，其中，第i个新场景中的动作样本集在所述样本序列中对应的动作类别为t
i
‑1+1～t
i
类动作；按照步骤2的过程得到旧场景中的动作样本集；步骤3、数据增强；步骤3.1、基于所述样本序列中第s类动作样本集X
s
的输入样本x
s，a
和x
s，b
，利用式(1)得到伪输入样本x
s，c
，并加入第s类动作样本集X
s
中，从而得到第s类动作的新样本集X
′
s
；x
s，c
＝ωx
s，a
+(1
‑
ω)x
s，b
+n
ꢀꢀꢀꢀꢀ
(1)式(1)中，ω表示随机权重，且ω∈(0，1)，n表示高斯噪声；步骤4、构建增量学习网络模型，包括：特征提取器模块和最近邻分类器模块；步骤4.1、所述特征提取器模块使用e个卷积单元和一个平均池化层；所述卷积单元由卷积层、批归一化层、relu激活函数层依次构成；所述最近邻分类器模块使用激活函数为sigmoid的全连接层；步骤4.2、第s类动作的新样本集X
′
s
输入所述特征提取器模块中，并依次经过e个卷积单元和一个平均池化层的处理后，输出特征矩阵F
s
＝{f
s，1
，...，f
s，j
，...，f
s，n
}，其中，f
s，j
表示第s类动作的新样本集X
′
s
中第j个样本的特征向量；第s类动作的新样本集X
′
s
中第j个样本的特征向量f
s，j
经过最近邻分类器模块的处理后，输出向量其中，表示将第s类动作的新样本集X
′
s
中第j个样本识别为第y类动作的概率值；步骤4.3、初始化i＝1，基于旧场景C0中的动作样本集，初始化所述增量学习网络模型的网络参数θ，并得到预训练模型Model
i
‑1；将第...

【专利技术属性】
技术研发人员：张勇，何飞，于光伟，武定超，王英，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：