【技术实现步骤摘要】
本专利技术属于行为识别，涉及一种基于csi信息的室内人类行为识别方法。
技术介绍
1、人类行为识别(human activity recognition，har)旨在识别人类的各种行为，如走路、坐、摔倒等。其研究在不同领域有着众多应用，因此有着学术和商业价值，例如智能家居、安全监控、救援系统等。由于其重要性，近年来许多研究工作都致力于har，主要依赖计算机视觉、传感器等。但是这些方法需要提供特定的环境和在部署调试时需要特殊处理。例如摄像机的观测范围有限，对照明有一定要求且需要视距条件(无烟雾或其他障碍物)。对特定设备和环境的依赖导致其成本高效率低，这阻碍了它们在日常生活场景中的应用。与上述方法相比，基于wifi的har因为其具有覆盖范围广、无处不在、非侵入性、保护用户隐私和身份等优点，最近受到了广泛关注。常用的wifi信号数据有两种：接收无线信号强度(received signal strength indication，rssi)和信道状态信息(channel stateinformation，csi)。在har中，信道状态信息的粒度更细，包含丰富的环境信息，所以通常都采集csi进行分析。
2、传统的机器学习算法使用不同的特征提取技术从csi信号中手动提取特征，以对人类行为进行分类或识别，比如支持向量机、k-最近邻等。然而，手动特征提取非常耗时，并且提取的特征不够全面。当前基于深度学习算法主要集中在卷积神经网络、稀疏自动编码机和长期短记忆(long short-term memory，lstm)等，它们可以自动从输
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种基于csi信息的室内人类行为识别方法，通过将天线选择算法和基于bilstm的注意力模型相结合，利用天线选择算法剔除对活动最不敏感的天线，再使用基于bilstm的注意力模型进行特征提取，以提升行为识别的精度。
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种基于csi信息的室内人类行为识别方法，该方法包括：
4、s1、通过无线路由器和无线网卡采集室内人类不同行为的csi信号；
5、s2、对无线网卡各天线接收的csi信号进行迭代方差计算，剔除对活动最不敏感的天线；
6、s3、采用离散小波变换对处理后的csi信号进行降噪，采用主成分分析法对csi信号进行降维，并基于预处理后的数据构建训练集和验证集；
7、s4、构建基于bilstm和自注意力机制的人类行为识别模型，其中bilstm用于提取csi信号中与时间相关的特征信息，注意力机制用于突出关键时间步的信息，抑制冗余特征；
8、s5、通过训练集训练该模型，并利用验证集指导该模型进行参数优化，直至训练完成；
9、s6、收集人类活动的csi信号输入到训练好的人类行为识别模型中，实现对人类行为的识别。
10、进一步的，步骤s1具体为，搭建模拟室内环境，其中发射设备为无线路由器，接收设备为配备了无线网卡的电脑；所采集的人类的行为包括站立、散步、慢跑、换衣服、打扫、跌倒、坐、蹲、弯腰、躺下，被采集行为的人类包括小孩、成年男性和老年人。
11、进一步的，步骤s2具体为，令无线网卡的第i根天线接收到的数据包表示为：
12、
13、式中，表示第i根天线接收到的第n个数据包的信号强度；n表示天线按时间序列接收到的数据包数，即序列长度；
14、设置一大小为wz的滑动窗口，该滑动窗口在第i根天线接收到的信号序列上按固定步长移动，每次移动时计算滑动窗口内信号的方差，移动完后得到一个方差序列；
15、由于处于非活动范围的信号趋于稳定，滑动窗口中的方差较小，而活动范围的信号不稳定，则滑动窗口中的方差将变大，对目标动作敏感的天线在动作实施阶段具有重叠的有信号波动的人类行为信号窗口，而对动作不敏感的天线则没有重叠的信号波动窗口，根据是否具有重叠的信号波动窗口识别并剔除对活动最不敏感的天线。
16、进一步的，步骤s4中，所构建的人类行为识别模型包括依次连接的bilstm、自注意力模块、展平层、全连接层和softmax层，其中，bilstm与自注意力模块之间基于残差网络结构进行连接。
17、进一步的，步骤s6中，基于该训练好的人类行为识别模型进行人类行为识别包括：
18、s61、将收集的人类活动的csi信号输入该模型中，通过bilstm提取csi信号中与时间相关的特征信息；
19、s62、通过自注意力模块对bilstm每个时间步的输出进行加权求和，以突出关键时间步的信息，抑制冗余特征；
20、s63、将bilstm的输出和自注意力模块的输出进行拼接，保留输入信息并融合注意力增强特征；
21、s64、通过展平层将多维特征张量转换为一维向量，通过全连接层进行非线性映射以学习特征与类别之间的关系，最后softmax层将全连接层的输出转化为概率分布，用于分类决策。
22、进一步的，步骤s64中，通过全连接层进行非线性映射以学习特征与类别之间的关系包括，使用全连接层将展平得到的一维向量映射到预设的目标动作上，得到未归一化的分数hfc：
23、hfc＝wfc·hflatten+bfc
24、式中，wfc表示权重矩阵，bfc表示偏置向量，hflatten表示展平层输出的一维向量；
25、通过softmax层将未归一化分数转化为概率分布：
26、
27、式中，p(ym|x)表示输入x属于第m类行为的概率，ym表示第m类行为，c表示行为类别数，hfc,m表示第m类行为未归一化的分数；找出softmax输出中概率最大的类别：
28、
29、表示该输入x被分类的最终类别。
30、本专利技术的有益效果在于：
31、(1)本专利技术通过搭建模拟室内环境，采集不同人群10种典型日常行为(如喝水、跌倒等)的数据，专注于增强模型对室内行为活动的学习能力和识别效果。通过构建高针对性的数据集，本专利技术显著提高了模型在捕捉室内行为特征上的精确性，有效减少了场景不匹配对性能的影响。即使在复杂多样的室内环境中，模型仍能精准识别行为活动，展现出极强的场景适应性和实际应用价值。
32、(2)本专利技术利用不敏感天线剔除方法，有效剔除了csi信号接收中对动作最不敏感的天线，显著降低了系统的运算复杂度和计算量。通过对天线选择过程的优化，本专利技术显著提高了模型对关键动作特征的捕捉能力，有效增强了模型在处理复杂场景中的响应效率和稳定性。本文档来自技高网...
【技术保护点】
1.一种基于CSI信息的室内人类行为识别方法，其特征在于，该方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过无线路由器和无线网卡采集室内人类不同行为的CSI信号包括，搭建模拟室内环境，其中发射设备为无线路由器，接收设备为配备了无线网卡的电脑；所采集的人类的行为包括站立、散步、慢跑、换衣服、打扫、跌倒、坐、蹲、弯腰、躺下，被采集行为的人类包括小孩、成年男性和老年人。
3.根据权利要求1所述的方法，其特征在于，所述对无线网卡各天线接收的CSI信号进行迭代方差计算，剔除对活动最不敏感的天线包括，无线网卡的第i根天线接收到的数据包表示为：
4.根据权利要求1所述的方法，其特征在于，所构建的所述人类行为识别模型包括依次连接的BiLSTM、自注意力模块、展平层、全连接层和Softmax层，其中，所述BiLSTM和自注意力模块基于残差网络结构进行连接。
5.根据权利要求1或4所述的方法，其特征在于，基于训练好的所述人类行为识别模型进行人类行为识别包括，将收集的人类活动的CSI信号输入该模型中，先通过BiLSTM提取CSI信号中与时间
6.根据权利要求5所述的方法，其特征在于，所述通过全连接层进行非线性映射以学习特征与类别之间的关系包括，使用全连接层将展平得到的一维向量映射到预设的目标动作上，得到未归一化的分数Hfc：
...【技术特征摘要】
1.一种基于csi信息的室内人类行为识别方法，其特征在于，该方法包括：
2.根据权利要求1所述的方法，其特征在于，所述通过无线路由器和无线网卡采集室内人类不同行为的csi信号包括，搭建模拟室内环境，其中发射设备为无线路由器，接收设备为配备了无线网卡的电脑；所采集的人类的行为包括站立、散步、慢跑、换衣服、打扫、跌倒、坐、蹲、弯腰、躺下，被采集行为的人类包括小孩、成年男性和老年人。
3.根据权利要求1所述的方法，其特征在于，所述对无线网卡各天线接收的csi信号进行迭代方差计算，剔除对活动最不敏感的天线包括，无线网卡的第i根天线接收到的数据包表示为：
4.根据权利要求1所述的方法，其特征在于，所构建的所述人类行为识别模型包括依次连接的bilstm、自注意力模块、展平层、全连接层和softmax层，其中，所述bilstm和自注意力模块基于残差网...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。