[發(fā)明專利]WiFi干擾環(huán)境下的CSI人體跌倒識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010092968.7
• 申請(qǐng)日: 2020-02-14
• 公開（公告）號(hào): CN111225354B
• 公開（公告）日: 2022-02-22
• 發(fā)明（設(shè)計(jì)）人: 謝昊飛;羅云霄;周義超;郭小沨;陳新月;張銀杰;王佳昕
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): H04W4/33
• 分類號(hào): H04W4/33;G06K9/00
• 代理公司: 北京同恒源知識(shí)產(chǎn)權(quán)代理有限公司 11275
• 代理人: 趙榮之

本發(fā)明涉及一種在WiFi干擾環(huán)境下的WIFI CSI動(dòng)態(tài)子載波選擇的人體跌倒識(shí)別方法，屬于無(wú)線通信技術(shù)領(lǐng)域。該方法首先對(duì)CSI干擾強(qiáng)度及CSI活躍比率進(jìn)行分析，構(gòu)建WiFi干擾特征映射矩陣，利用該矩陣計(jì)算各信道干擾指數(shù)實(shí)現(xiàn)干擾判別。接著通過(guò)基于干擾指數(shù)的動(dòng)態(tài)子載波選擇算法CSI?DSSA，選取干擾數(shù)據(jù)中互相關(guān)性最弱的子載波組合進(jìn)行干擾處理，分析多鏈路數(shù)據(jù)融合方法CSI?MLDF聚合未受干擾數(shù)據(jù)中多數(shù)據(jù)流的時(shí)域特征信息。最后，提取時(shí)域特征值并構(gòu)建WiFi干擾環(huán)境下的SVM多活動(dòng)分類模型，獲得跌倒活動(dòng)識(shí)別結(jié)果。本發(fā)明能夠有效提高WiFi干擾環(huán)境下的人體跌倒活動(dòng)識(shí)別準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明屬于無(wú)線通信技術(shù)領(lǐng)域，涉及一種在WiFi干擾環(huán)境下的WIFICSI動(dòng)態(tài)子載波選擇的人體跌倒識(shí)別方法。

背景技術(shù)

隨著科技的不斷發(fā)展，尤其是無(wú)線網(wǎng)絡(luò)技術(shù)的逐漸成熟，無(wú)線信號(hào)不僅在數(shù)據(jù)傳輸上發(fā)揮了重要的作用，而且可以用來(lái)實(shí)現(xiàn)環(huán)境感知，利用無(wú)線信號(hào)實(shí)現(xiàn)自主的活動(dòng)監(jiān)測(cè)已經(jīng)成為一種發(fā)展趨勢(shì)，同時(shí)也為家居環(huán)境中老年人的活動(dòng)和健康監(jiān)測(cè)提供了全新的解決方案，具有十分重要的社會(huì)意義和廣泛的應(yīng)用前景。基于WiFi的人體活動(dòng)監(jiān)測(cè)以用戶為中心，利用人體動(dòng)作對(duì)WiFi信號(hào)傳播產(chǎn)生的影響，采集人體的生理信息，包括人體的位置、姿勢(shì)、動(dòng)作等，并通過(guò)無(wú)線傳輸?shù)姆绞絺魉徒o遠(yuǎn)程控制端，實(shí)現(xiàn)對(duì)老年人健康狀況的遠(yuǎn)程監(jiān)測(cè)。例如，對(duì)于獨(dú)居老年人而言，當(dāng)出現(xiàn)心率異常、跌倒等健康威脅時(shí)，能夠通過(guò)WiFi信號(hào)檢測(cè)出異常狀況并發(fā)出警報(bào)，從而采取及時(shí)且有效的應(yīng)對(duì)措施。WiFi信號(hào)在安全監(jiān)控、人體檢測(cè)、人機(jī)交互、醫(yī)療監(jiān)護(hù)等眾多領(lǐng)域有著廣泛的運(yùn)用，具有十分重要的研究?jī)r(jià)值和意義。

但是隨著WiFi設(shè)備在日常生活中的廣泛普及，WiFi信號(hào)之間常常存在嚴(yán)重的共信道干擾或鄰信道干擾問(wèn)題，因會(huì)導(dǎo)致WiFi跌倒識(shí)別的性能大大降低。現(xiàn)有的研究大多忽略了WiFi信號(hào)之間的干擾問(wèn)題，僅采用一般的信號(hào)處理技術(shù)濾除不確定噪聲，唯一考慮到無(wú)線干擾的相關(guān)工作僅僅是在進(jìn)行活動(dòng)識(shí)別時(shí)采用一種抗噪聲分類算法來(lái)容忍干擾。由于該算法不直接處理被干擾的CSI測(cè)量值，導(dǎo)致識(shí)別效果不太理想，也不能很好地推廣到其他類型的傳感應(yīng)用。如果能夠?qū)⒈桓蓴_的CSI測(cè)量值與未被干擾的CSI測(cè)量值區(qū)分開來(lái)，并正確處理發(fā)生畸變的CSI測(cè)量值，能夠顯著提高WiFi識(shí)別準(zhǔn)確率，同時(shí)能夠在其它類似環(huán)境下進(jìn)行CSI其它領(lǐng)域的應(yīng)用，有助于提高其工作效能。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種在WiFi干擾環(huán)境下的WIFICSI動(dòng)態(tài)子載波選擇的人體跌倒識(shí)別方法，旨在提高WiFi干擾場(chǎng)景下的人體跌倒活動(dòng)識(shí)別準(zhǔn)確率。

為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

一種WiFi干擾環(huán)境下的CSI人體跌倒識(shí)別方法，包括以下步驟：

S1：在WiFi干擾環(huán)境下的室內(nèi)區(qū)域獲取無(wú)活動(dòng)、跌倒、坐下、站立、行走活動(dòng)相關(guān)數(shù)據(jù)，通過(guò)CSI信號(hào)強(qiáng)度向量、CSI噪聲閾值計(jì)算干擾強(qiáng)度P及活躍比率A，結(jié)合CSI包接收率PRR構(gòu)建干擾特征映射矩陣F(P,A,PRR)，利用所述矩陣計(jì)算干擾指數(shù)I-index進(jìn)行干擾判別；

S2：采用基于干擾指數(shù)的動(dòng)態(tài)子載波選擇算法CSI-DSSA選取干擾數(shù)據(jù)中互相關(guān)性最弱的子載波組合，實(shí)現(xiàn)WiFi干擾過(guò)濾；采用多鏈路數(shù)據(jù)融合方法CSI-MLDF聚合未受干擾數(shù)據(jù)中多條數(shù)據(jù)流的時(shí)域特征信息，提高數(shù)據(jù)可靠性；

S3：在步驟S2的基礎(chǔ)上進(jìn)行時(shí)域特征值提取，特征值包括均值、標(biāo)準(zhǔn)差、平均絕對(duì)偏差、最大值、百分位數(shù)，將特征數(shù)據(jù)按照活動(dòng)種類進(jìn)行歸類處理；

S4：基于SVM分類算法，以步驟S3的特征數(shù)據(jù)集作為輸入，構(gòu)建適用于WiFi干擾環(huán)境下的SVM多活動(dòng)分類模型，并對(duì)模型進(jìn)行測(cè)試優(yōu)化，獲得跌倒活動(dòng)識(shí)別結(jié)果。

進(jìn)一步，步驟S1具體包括以下步驟：