基于WiFi的人体动作识别方法研究

发布时间：2020-04-13 02:59

【摘要】：家居环境的活动监测备受人们关注。传统的基于视频技术和可穿戴传感器的方法,硬件要求颇多,系统搭建复杂,均受到硬件成本的限制,不具备设备的普及性和用户的便利性。近年来,随着WiFi技术的不断创新和发展,以及WiFi设备的广泛部署,如何在满足用户活动监测需求的同时,尽量减少对用户的影响,以及提高系统的普适性,成为了系统设计的关键。因此,本文研究基于普通WiFi设备的人体动作识别和跌倒检测方法。WiFi信号的信道状态信息(Channel State Information,CSI)作为物理层的信息,能够测量信号每一个子载波的幅度和相位信息,具有一定的多径分辨能力。利用CSI自身的优势可以进行细粒度的环境感知。因此,本文主要研究利用CSI进行人体动作识别的方法,主要的研究内容总结如下:1.提出了一种基于信道状态信息的动作识别方法。对于不同人体动作而言,都会引起CSI信号不同的变化。重点在于将人体动作和对应的CSI片段相关联,并建立模型。利用CSI的幅度和相位信息,同时结合信号子载波的分析,提出CSI-SRC(Sparse Representation Classification,稀疏表示分类)的识别方法,其中针对不同时间间隔的CSI序列,提出子载波插值处理的方法,获取相同时刻的CSI测量值。最后,通过实验验证了本方法能够对常见的人体动作进行有效地识别,平均识别率可到达96.4%,同时降低了发包率。2.提出了一种基于信号传播路径改变率的跌倒检测方法。研究和分析信号的传播路径改变率(Path Length Change Speed,PLCS)这一重要特征,通过对CSI信号进行时频域的分析,获取其能量分布。通过分析不同的动作对信号的传播路径的影响,提出基于路径改变率的跌倒检测方法,将路径改变率作为跌倒和类似跌倒动作的判别依据。最后,通过随机森林(Random Forest,RF)的分类算法,对跌倒动作进行检测,并通过实验验证了本方法在室内环境中能够实现跌倒检测,保证较高检测率的同时,降低了误报率。实验结果表明,平均检测率可达到93.6%,而误报率仅为7%。3.针对以上提出的两种方法,搭建实际的数据采集环境采集真实的人体动作数据对其进行验证。并且从识别准确率、检测率、误报率等方面对所提出的动作识别和跌倒检测系统的性能进行评估,实验结果表明,系统整体性能较好,能够满足动作识别以及跌倒检测的需求。
【图文】：

波形,插值处理,子载波,方法

拖地逦睡觉逡逑图３．邋１不同动作的ＣＳＩ波形逡逑３．３基于信道状态信息的动作识别方法逡逑通过对人体动作与ＣＳＩ变化的分析，本文提出基于信道状态信息的动作识别逡逑方法（Ｃｈａｎｎｅｌ邋Ｓｔａｔｅ邋Ｉｎｆｏｒｍａｔｉｏｎ邋ｂａｓｅｄ邋ｏｎ邋Ｓｐａｒｓｅ邋Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ邋Ｃｌａｓｓｉｆｉｃａｔｉｏｎ，逡逑ＣＳＩ－ＳＲＣ），通过分析人体动作引起的ＣＳＩ信号变化的特征，提取ＣＳＩ时域和频逡逑域的信息，进一步分析和研究人体动作和ＣＳＩ信号的对应关系，从而建立基于稀逡逑疏表示的动作分类模型对人体动作进行分类和识别。图３．２给出了邋ＣＳＩ－ＳＲＣ动作逡逑识别方法的框架。从图中可以看出，系统的框架主要分为两个部分，第一部分利逡逑用无线发射器发射ＷｉＨ信号；第二个部分通过普通电脑接收ＷｉＦｉ信号，当测试逡逑人员在发射器和接收器活动时，利用ＣＳＩ工具懫集ＷｉＦｉ信号的ＣＳＩ信息，包括逡逑ＣＳＩ的幅度和相位信息。后续会详细解释ＣＳＩ－ＳＲＣ方法中一系列的数据处理的方逡逑法

式计算出ｔ时刻对应的ＣＳＩ值／／４。对所有序列都进行插值处理，因此时刻的ＣＳＩ值，表示为：逡逑（值处处理方法的优点在于能够获取不同的动作在相同的时刻对应的而更好地分析不同的动作的ＣＳＩ变化的相关性，进而提取每个动作对由于ＷｉＦｉ信号在传播的过程中会受到环境噪声的影响，为了去除这分，本文选择巴特沃兹低通滤波器对原始信号进行降噪处理，如图３拖地两个动作的原始波形可以看出，环境噪声对接收端的ＣＳＩ测量值的影响，掩盖了由于人体的动作造成的ＣＳＩ值的变化模式。经过低通处理之后，情况得到明显改善，，在去除无关噪声成分的同时有效地保作的特征，从图中可以明显地看出，当人体做不同的动作（如站、拖ＳＩ幅值的变化存在较大的差异，实验中也发现，有些动作（如下蹲、趋势出现类似的情况，在进行分类时较难区分，因此单纯的幅值信息作的特征，准确描述每个动作的特征在后面章节的特征提取会做详细
【学位授予单位】：湖南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TN92

【参考文献】