[發(fā)明專利]一種基于Wi-Fi指紋的定位和活動(dòng)手勢(shì)聯(lián)合識(shí)別的交互方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201911381053.1
• 申請(qǐng)日: 2019-12-27
• 公開（公告）號(hào): CN111142668B
• 公開（公告）日: 2023-04-18
• 發(fā)明（設(shè)計(jì)）人: 王國利;郭凱林;郭雪梅
• 申請(qǐng)（專利權(quán)）人: 中山大學(xué)
• 主分類號(hào): G06F3/01
• 分類號(hào): G06F3/01;H04W4/33;H04W64/00;H04W56/00;H04B17/30;G06F18/231;G06F18/10;G06F18/213;G06F18/22;G06N3/0464;G06N3/084
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 林麗明

1.一種基于Wi-Fi指紋的定位和活動(dòng)手勢(shì)聯(lián)合識(shí)別的交互方法，其特征在于，包括以下步驟：

通過Wi-Fi設(shè)備收集Wi-Fi指紋的位置的CSI數(shù)據(jù)和活動(dòng)手勢(shì)的CSI數(shù)據(jù)；

提取Wi-Fi指紋的位置的CSI數(shù)據(jù)的振幅值和活動(dòng)手勢(shì)的CSI數(shù)據(jù)的振幅值，并根據(jù)同步時(shí)間形成CSI數(shù)據(jù)的一維采樣矩陣；

對(duì)CSI數(shù)據(jù)的一維采樣矩陣進(jìn)行預(yù)處理，去除其中的環(huán)境噪聲和高頻部分；

對(duì)預(yù)處理后的CSI數(shù)據(jù)進(jìn)行分割和上采樣，得到Wi-Fi指紋的位置對(duì)應(yīng)的CSI矩陣和活動(dòng)手勢(shì)對(duì)應(yīng)的CSI矩陣；

設(shè)置一維卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)Wi-Fi指紋的位置對(duì)應(yīng)的CSI矩陣和活動(dòng)手勢(shì)對(duì)應(yīng)的CSI矩陣進(jìn)行特征提取，且對(duì)Wi-Fi指紋的位置對(duì)應(yīng)的CSI矩陣和活動(dòng)手勢(shì)對(duì)應(yīng)的CSI矩陣進(jìn)行聯(lián)合分類，并得到相應(yīng)的位置識(shí)別和活動(dòng)手勢(shì)識(shí)別；

所述的“提取Wi-Fi指紋的位置的CSI數(shù)據(jù)的振幅值和活動(dòng)手勢(shì)的CSI數(shù)據(jù)的振幅值”包括以下內(nèi)容：

通過Wi-Fi設(shè)備收集的CSI數(shù)據(jù)通過下式進(jìn)行表達(dá)：

H(k)＝||H(k)||e^j∠H||(k)||

式中，所述的H(k)表示第k個(gè)子載波采集的CSI數(shù)據(jù)；所述的||H(k)||表示第k個(gè)子載波的幅度值；所述的∠H(k)為第k個(gè)子載波的相位信息；

所述的“對(duì)預(yù)處理后的CSI數(shù)據(jù)進(jìn)行分割和采樣，得到Wi-Fi指紋的位置對(duì)應(yīng)的CSI矩陣和活動(dòng)手勢(shì)對(duì)應(yīng)的CSI矩陣”包括以下內(nèi)容：

根據(jù)預(yù)處理后的CSI數(shù)據(jù)中的上升沿/下降沿，獲取人類活動(dòng)的開始時(shí)間/結(jié)束時(shí)間；

根據(jù)人類活動(dòng)的開始時(shí)間/結(jié)束時(shí)間，在預(yù)處理后的CSI數(shù)據(jù)中提取得到分割后的活動(dòng)手勢(shì)對(duì)應(yīng)的CSI矩陣；

對(duì)分割后的活動(dòng)手勢(shì)對(duì)應(yīng)的CSI矩陣進(jìn)行采樣，得到n*m維的活動(dòng)手勢(shì)對(duì)應(yīng)的CSI矩陣，所述的n表示子載波的個(gè)數(shù)；所述的m表示分割后的活動(dòng)手勢(shì)對(duì)應(yīng)的CSI矩陣中幅度值數(shù)據(jù)的個(gè)數(shù)；

對(duì)預(yù)處理后的CSI數(shù)據(jù)進(jìn)行分割，得到分割后的Wi-Fi指紋的位置對(duì)應(yīng)的CSI矩陣；

對(duì)分割后的Wi-Fi指紋的位置對(duì)應(yīng)的CSI矩陣進(jìn)行采樣，得到n*m維的Wi-Fi指紋的位置對(duì)應(yīng)的CSI矩陣。

2.根據(jù)權(quán)利要求1所述的交互方法，其特征在于，所述的“對(duì)CSI數(shù)據(jù)的一維采樣矩陣進(jìn)行預(yù)處理，去除其中的環(huán)境噪聲和高頻部分”包括以下內(nèi)容：

將CSI數(shù)據(jù)的一維采樣矩陣通過巴特沃斯低通濾波器進(jìn)行第一部預(yù)處理；

將第一部預(yù)處理后的CSI數(shù)據(jù)的一維采樣矩陣通過離散小波變換，完成預(yù)處理。

3.根據(jù)權(quán)利要求1或2所述的交互方法，其特征在于，所述的“設(shè)置一維卷積神經(jīng)網(wǎng)絡(luò)模型”包括以下內(nèi)容：

將n*m維的活動(dòng)手勢(shì)對(duì)應(yīng)的CSI矩陣和n*m維的Wi-Fi指紋的位置對(duì)應(yīng)的CSI矩陣分別作為特診提取器的輸入，分別得到對(duì)應(yīng)的CSI特征圖；

將2個(gè)CSI特征圖分別作為分類器的輸入進(jìn)行分類，并將分類結(jié)果通過損失函數(shù)計(jì)算損失，最后通過反向傳播算法來調(diào)整網(wǎng)絡(luò)各層神經(jīng)元的參數(shù)，直到損失函數(shù)收斂。

4.根據(jù)權(quán)利要求3所述的交互方法，其特征在于，所述的特診提取器包括一維卷積和池化層，卷積層采用1*3的小卷積核，池化層通過尺寸是1*3的均值池化，通過卷積層進(jìn)行抽象特征提取，通過層對(duì)輸出的特征圖進(jìn)行下采樣，降低輸入矩陣的維度，使用均值操作得到局部平均特征。

5.根據(jù)權(quán)利要求3所述的交互方法，其特征在于，所述的反向傳播算法是Adamoptimizer算法，所述的Adam?optimizer算法中的β₁是0.9；所述的Adam?optimizer算法中的β₂是0.999，所述的Adam?optimizer算法中的學(xué)習(xí)率是0.05。