基于WiFi信道状态信息的反网瘾系统
发布时间：2021-02-01 12:22
近些年,随着机器学习以及譬如射频和红外传感器等无线情景感知技术的快速的发展,WiFi由于其易获得性和低成本性,使得人们对WiFi的研究超越其最原始的用途,多种多样的无设备被动WiFi识别与检测系统应运而生。在这篇文章中,我们提出了基于信道状态信息的反网瘾系统,通过利用信道状态信息的细粒度性,首次展现了利用WiFi信号中的信道状态信息（Channel State Information,CSI）检测打游戏这个动作。该系统通过学习玩家的动作以及他们在打游戏时的共同特征来识别这个在电脑前的行为是不是打游戏。我们把该系统的研究与实现建立在普通商用WiFi设备上。主要包括以下研究内容:首先,利用核密度估计（Kernel Density Estimation,KDE）的方法,求取最佳行为检测阈值,也即实现从静默状态到动作状态的检测（入侵检测）,实验结果验证了该算法在室内多径环境下可以很好的检测到行为状态的开始,正确率可达94.2%。然后,在检测到行为状态开始后,再进一步通过一定算法判断该行为是否是打游戏。这里我们首先通过主成分分析法（Principal Component Analysis,PCA...
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
第四对天线对中30个子载波的幅值随时间的变化
（ｂ）?一个天线对中一个子载波的相位序列??（ｂ）?Ｔｈｅ?ｐｈａｓｅ?ｓｅｑｕｅｎｃｅ?ｏｆ?ｏｎｅ?ｓｕｂｃａｒｒｉｅｒ?ｉｎ?ｏｎｅ?ａｎｔｅｎｎａ?ｐａｉｒ??图２．５?—个天线对中一个子载波的幅值与相位序列??Ｆｉｇ?２．５?Ｔｈｅ?ａｍｐｌｉｔｕｄｅ?ａｎｄ?ｐｈａｓｅ?ｓｅｑｕｅｎｃｅ?ｏｆ?ｏｎｅ?ｓｕｂｃａｒｒｉｅｒ?ｉｎ?ｏｎｅ?ａｎｔｅｎｎａ?ｐａｉｒ??２．２人体行为识别框架??人体在运动或者具体某个部位的小幅度运动（如敲击键盘等）都会引起无线??信号的多径变化，所谓利用信道状态信息进行人体行为的识别，就是利用无线信??号产生的多径变化，并将这些变化经过算法处理后转化成行为特征后，对目标当??前行为进行识别。??ＣＳＴ信号?？信咢预处理?？行为判决准则?？行为特征提取??？建立分类模型??图２．６人体行为识别离线阶段框架??Ｆｉｇ?２．６?Ｔｈｅ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ｈｕｍａｎ?ｂｅｈａｖｉｏｒ?ｒｅｃｏｇｎｉｔｉｏｎ?ｉｎ?ｏｆｆｌｉｎｅ?ｓｔａｇｅ??本文主要是针对数据收集，数据处理并分析信号以及特征提取与识别算法等??行为识别的离线处理阶段作出描述与分析。如图２．６所不，在对不同行为特征的学??习后，系统会建立“特征－行为”的学习模型，将不同的特征与行为一一对应起来，??为后续的在线实时行为识别提供分类模型。我们首先采集了一定容量（需要支撑??—个相对正确的分类模型）的样本数据，然后再经过下面几个处理过程：基于低??通滤波，ＰＣＡ去噪和小波去噪的信号预处理；基于阈值的行为判决准则；基于频??域特征［７］和时域特征［３８
?ｙ??（２）核函数??如图２．８所示，现实生活中的很多问题通常是线性不可分的，也就是说找不到??一条直线可以将样本完全分开。这时就需要引入核函数（Ｋｅｒｎｅｌ?Ｆｕｎｃｔｉｏｎ），将原来??非线性可分的点映射到高一维空间，这时在这个高维空间中（这里以三维空间为??例），总可以找到一个平面，将原来的样本分成两类，那个平面就叫做分离超平面。??＇?＊１?°?＇?＋１?类?ｊ??．．，域邊参１??－１０?－８?－６－４?－２?０?２?４?６?８?１０??图２．８线性不可分情况??Ｆｉｇ?２．８?Ｔｈｅ?ｓｉｔｕａｔｉｏｎ?ｏｆ?Ｌｉｎｅａｒｌｙ?ｉｎｓｅｐａｒａｂｌｅ??但将数据映射到高维空间的同时又会出现一个问题，就是高维向量会引起计算??复杂度的增加，要想缓解该问题，可以引入点积运算??〇??１６??
【参考文献】：
期刊论文
[1]基于信道状态信息的人体行为识别系统[J]. Mohammed Abdulaziz Aide Al-qaness,李方敏,马小林,梅华锋. 武汉理工大学学报. 2016(04)
[2]基于WiFi背景噪音的被动式人体行为识别研究[J]. 谷雨,权良虎,陈孟妮,任福继. 中国科学技术大学学报. 2015(04)
[3]一种改进序贯最小优化算法的方法[J]. 项堃,喻莹. 现代电子技术. 2013(08)
[4]自适应核密度估计运动检测方法[J]. 徐东彬,黄磊,刘昌平. 自动化学报. 2009(04)
博士论文
[1]基于可穿戴传感器网络的人体行为识别技术研究[D]. 汪亮.南京大学 2014
[2]人体行为识别关键技术研究[D]. 何卫华.重庆大学 2012
[3]基于小波变换的目标检测方法研究[D]. 王丽荣.吉林大学 2006
硕士论文
[1]基于WIFI的手势识别研究[D]. 何文锋.深圳大学 2015
[2]基于可穿戴式传感网络的人体异常行为识别[D]. 杨璐璐.南京邮电大学 2015
[3]基于非参数核密度估计背景建模和Mean Shift的目标检测与跟踪[D]. 杨平平.合肥工业大学 2013
本文编号：3012768
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：75 页
【学位级别】：硕士
【部分图文】：
第四对天线对中30个子载波的幅值随时间的变化
（ｂ）?一个天线对中一个子载波的相位序列??（ｂ）?Ｔｈｅ?ｐｈａｓｅ?ｓｅｑｕｅｎｃｅ?ｏｆ?ｏｎｅ?ｓｕｂｃａｒｒｉｅｒ?ｉｎ?ｏｎｅ?ａｎｔｅｎｎａ?ｐａｉｒ??图２．５?—个天线对中一个子载波的幅值与相位序列??Ｆｉｇ?２．５?Ｔｈｅ?ａｍｐｌｉｔｕｄｅ?ａｎｄ?ｐｈａｓｅ?ｓｅｑｕｅｎｃｅ?ｏｆ?ｏｎｅ?ｓｕｂｃａｒｒｉｅｒ?ｉｎ?ｏｎｅ?ａｎｔｅｎｎａ?ｐａｉｒ??２．２人体行为识别框架??人体在运动或者具体某个部位的小幅度运动（如敲击键盘等）都会引起无线??信号的多径变化，所谓利用信道状态信息进行人体行为的识别，就是利用无线信??号产生的多径变化，并将这些变化经过算法处理后转化成行为特征后，对目标当??前行为进行识别。??ＣＳＴ信号?？信咢预处理?？行为判决准则?？行为特征提取??？建立分类模型??图２．６人体行为识别离线阶段框架??Ｆｉｇ?２．６?Ｔｈｅ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ｈｕｍａｎ?ｂｅｈａｖｉｏｒ?ｒｅｃｏｇｎｉｔｉｏｎ?ｉｎ?ｏｆｆｌｉｎｅ?ｓｔａｇｅ??本文主要是针对数据收集，数据处理并分析信号以及特征提取与识别算法等??行为识别的离线处理阶段作出描述与分析。如图２．６所不，在对不同行为特征的学??习后，系统会建立“特征－行为”的学习模型，将不同的特征与行为一一对应起来，??为后续的在线实时行为识别提供分类模型。我们首先采集了一定容量（需要支撑??—个相对正确的分类模型）的样本数据，然后再经过下面几个处理过程：基于低??通滤波，ＰＣＡ去噪和小波去噪的信号预处理；基于阈值的行为判决准则；基于频??域特征［７］和时域特征［３８
?ｙ??（２）核函数??如图２．８所示，现实生活中的很多问题通常是线性不可分的，也就是说找不到??一条直线可以将样本完全分开。这时就需要引入核函数（Ｋｅｒｎｅｌ?Ｆｕｎｃｔｉｏｎ），将原来??非线性可分的点映射到高一维空间，这时在这个高维空间中（这里以三维空间为??例），总可以找到一个平面，将原来的样本分成两类，那个平面就叫做分离超平面。??＇?＊１?°?＇?＋１?类?ｊ??．．，域邊参１??－１０?－８?－６－４?－２?０?２?４?６?８?１０??图２．８线性不可分情况??Ｆｉｇ?２．８?Ｔｈｅ?ｓｉｔｕａｔｉｏｎ?ｏｆ?Ｌｉｎｅａｒｌｙ?ｉｎｓｅｐａｒａｂｌｅ??但将数据映射到高维空间的同时又会出现一个问题，就是高维向量会引起计算??复杂度的增加，要想缓解该问题，可以引入点积运算??〇??１６??
【参考文献】：
期刊论文
[1]基于信道状态信息的人体行为识别系统[J]. Mohammed Abdulaziz Aide Al-qaness,李方敏,马小林,梅华锋. 武汉理工大学学报. 2016(04)
[2]基于WiFi背景噪音的被动式人体行为识别研究[J]. 谷雨,权良虎,陈孟妮,任福继. 中国科学技术大学学报. 2015(04)
[3]一种改进序贯最小优化算法的方法[J]. 项堃,喻莹. 现代电子技术. 2013(08)
[4]自适应核密度估计运动检测方法[J]. 徐东彬,黄磊,刘昌平. 自动化学报. 2009(04)
博士论文
[1]基于可穿戴传感器网络的人体行为识别技术研究[D]. 汪亮.南京大学 2014
[2]人体行为识别关键技术研究[D]. 何卫华.重庆大学 2012
[3]基于小波变换的目标检测方法研究[D]. 王丽荣.吉林大学 2006
硕士论文
[1]基于WIFI的手势识别研究[D]. 何文锋.深圳大学 2015
[2]基于可穿戴式传感网络的人体异常行为识别[D]. 杨璐璐.南京邮电大学 2015
[3]基于非参数核密度估计背景建模和Mean Shift的目标检测与跟踪[D]. 杨平平.合肥工业大学 2013
本文编号：3012768
本文链接：https://www.wllwen.com/kejilunwen/wltx/3012768.html
