[發明專利]針對WiFi信號行為識別的基于深度學習的動作分割框架構建方法

在審

• 申請號: 202010718841.1
• 申請日: 2020-07-23
• 公開（公告）號: CN111914709A
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 肖春靜;何海生;段宇晨;雷越;陳世名
• 申請（專利權）人: 河南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 鄭州大通專利商標代理有限公司 41111
• 代理人: 張立強

1.一種針對WiFi信號行為識別的基于深度學習的動作分割框架構建方法，其特征在于，包括：

步驟1：通過CSI數據訓練狀態推斷模型；

步驟2：通過大小為ω的滑動窗口將CSI數據劃分為等長的數據段，設置滑動步長為1；

步驟3：采用訓練好的狀態推斷模型推斷數據段的標簽；

步驟4：基于數據段的標簽，確定人體動作的開始點和結束點，對人體動作進行分割提取；

步驟5：基于動作分割好的CSI數據，采用深度學習模型CNN作為行為分類模型，進行行為分類，并計算置信度作為反饋信息；

步驟6：將來自行為分類模型的反饋信息融入到狀態推斷模型的構建中，完成基于深度學習的動作分割框架的構建。

2.根據權利要求1所述的針對WiFi信號行為識別的基于深度學習的動作分割框架構建方法，其特征在于，所述步驟1包括：

步驟1.1：將連續接收的CSI數據劃分成為大小相同的數據段，并為所述數據段定義四個狀態標簽，分別為：靜止狀態、開始狀態、運動狀態、結束狀態，分別用1、2、3、4表示；

步驟1.2：使用CNN架構作為狀態推斷模型，并將帶有狀態標簽的CSI數據段作為訓練數據，訓練狀態推斷模型。

3.根據權利要求2所述的針對WiFi信號行為識別的基于深度學習的動作分割框架構建方法，其特征在于，所述步驟1.1包括：

在給定的CSI數據段中，從t_end+ω/2到t_end+ω/2+ω的CSI數據被標記為靜止狀態，從t_start-ω/2到t_start+ω/2的CSI數據被標記為開始狀態，從(t_start+t_end-ω)/2到(t_start+t_end+ω)/2的CSI數據被標記為運動狀態，從t_end-ω/2到t_end+ω/2的CSI數據被標記為結束狀態；其中t_start和t_end分別是指人體動作的實際開始點和結束點，ω是指數據段的大小。

4.根據權利要求2所述的針對WiFi信號行為識別的基于深度學習的動作分割框架構建方法，其特征在于，所述步驟4包括：

確定人類動作是否開始，如果狀態標簽的眾數從1變為2，則將i-m/2+1設置為動作的開始點，m表示計算眾數的數據列表的長度；

確定人類動作是否結束，如果狀態標簽的眾數從4變為1，則將i-m/2+1-ω設置為動作的結束點。

5.根據權利要求1所述的針對WiFi信號行為識別的基于深度學習的動作分割框架構建方法，其特征在于，所述計算置信度作為反饋信息包括：

利用最大概率和概率熵計算置信度D_i作為反饋信息：

其中D_i表示第i個樣本的置信度，M_i是最大概率，E_i是概率熵，α是調整最大概率和概率熵所占權重的參數，y和y^*分別是預測標簽和實際標簽。

6.根據權利要求5所述的針對WiFi信號行為識別的基于深度學習的動作分割框架構建方法，其特征在于，所述步驟6包括：

加入反饋信息后，狀態推斷模型的目標函數J(Φ)可以表示為：

其中|X|表示輸入的CSI數據段的個數，即輸入的樣本的個數，X是輸入的CSI數據，D_i表示第i個樣本的置信度，p(r_i|x_i；Φ)表示第i個樣本x_i的預測概率函數，r_i表示樣本x_i對應的狀態，Φ＝{W_f,b_f,W_c,b_c}，W_f和b_f是卷積參數，W_c和b_c是全連接層的參數。