[發明專利]基于商用Wi-Fi人體活動識別與動作質量評估方法

有效

• 申請號: 202011254665.7
• 申請日: 2020-11-11
• 公開（公告）號: CN112364770B
• 公開（公告）日: 2023-02-17
• 發明（設計）人: 賈曉霞;張蕾;張岳強
• 申請（專利權）人: 天津大學
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06V10/30;G06V10/74;G06V10/764
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 劉國威

1.一種基于商用Wi-Fi人體活動識別與動作質量評估方法，其特征是，步驟如下：

數據收集：從商用多天線Wi-Fi設備中提取信道狀態信息CSI；

數據預處理：首先對CSI進行降噪處理，然后對連續的信號進行切割，將信號切割成單個動作，具體步驟如下：

采用基于Hampel和主成分分析PCA的兩級去噪方法來保持真實的CSI波形變化，其中，為實現細粒度的動作檢測，系統采用Hampel濾波器來去除不相關的頻率噪聲，并使用PCA算法對收集到的信號進行進一步處理；

對連續的信號進行切割詳細步驟是，首先，通過獲取CSI的方差來自動識別每個活動的結束位置；然后，通過從結束點選擇適當的跟蹤窗口大小來確定下一個活動的起點位置

對連續的信號進行切割進一步詳細步驟是，當動作結束時，CSI頻差有顯著變化，引入一個能量指示器來檢測活動的終點，計算公式如下：

其中，E是計算的能量，l是時間窗，FFT是歸一化的FFT系數，在時間窗內每200毫秒計算一次；

確定合適的窗口大小：為了分割不同的動作，需要找到最佳的窗口大小來捕捉活動，以便進行準確的動作檢測，最佳窗口大小為3秒，在終點前的2秒信號段，在終點后形成1秒信號段，代表單獨的完整的活動；

特征提取詳細步驟如下：

利用Gabor濾波器來提取頻域特征，二維Gabor小波濾波器定義如下：

其中x，y是矩陣中像素的坐標，波長λ，旋轉角θ，相位ψ，縱橫比σ，帶寬γ是Gabor濾波器的五個參數；

動作分類：利用提取的特征對活動進行識別；

動作質量評估：首先建立標準活動的特征庫，然后計算未知CSI模式與預先構造的CSI模式的相似度；

利用動態時間規整DTW和模糊推理系統FIS相結合的方法，將捕捉到的運動數據即未知CSI模式與參考動作即預先構造的CSI模式進行比較，并提供反饋。

2.如權利要求1所述的基于商用Wi-Fi人體活動識別與動作質量評估方法，其特征是，選擇最小二乘支持向量機LSSVM作為分類算法，通過將提取的特征輸入LSSVM分類器中，建立分類模型，LSSVM的分類決策函數為：

提供反饋具體為動作質量評估，CSI的時域特征和頻域特征都被用來作為評估指標，使用三個特征集振幅、相位、頻域特征，分別作為DTW的輸入來獲得三個不同的距離度量，對于每個特征集，DTW計算出了動作和標準動作時間序列之間的距離度量，這些距離隨后被輸入到模糊推理系統FIS，用于計算評估結果；模糊推理系統FIS的應用，包括模糊化，即建立輸入數據的模糊關系和模糊隸屬函數；模糊邏輯規則的確定和去模糊化運算步驟。

3.如權利要求2所述的基于商用Wi-Fi人體活動識別與動作質量評估方法，其特征是，模糊化具體步驟：

采用三角形隸屬函數確定輸入值與隸屬度之間的關系，三角隸屬函數顯示如下：

其中參數a和b決定三角形的底部，參數c確定三角形的峰值；

利用隸屬函數計算輸入模糊集，模糊關系集是表示各種模糊輸入值對不同輸出結果的影響程度的集合，用R表示，R是m×n階矩陣，其中m等于模糊輸出集中的元素個數，n等于模糊輸入集中的元素個數，矩陣R中的每一行都反映了各種因素對行輸出的影響：

其中，r_ij是輸入元素對輸出級別的隸屬度；

將輸入模糊化后，需要根據規則進行模糊推理，確定模糊輸出。

4.如權利要求3所述的基于商用Wi-Fi人體活動識別與動作質量評估方法，其特征是，模糊邏輯規則，用于構建FIS模糊推理的規則集如下所述：

Algorithm FIS rules

IF input1＝＝Goodinput2＝＝Goodinput3＝＝Good

Output＝Good

Else IF input1＝＝Medianinput2＝＝Medianinput3＝＝Median

Output＝Median

Else IF input1＝＝Poorinput2＝＝Poorinput3＝＝Poor

Output＝Poor

End

去模糊化：模糊推理系統構建的最后一步就是去模糊化，具體采用加權平均決策法：

其中，FS是上一步的FS輸出，OW是權重，解模糊的輸出用于動作質量評估的反饋。