[發(fā)明專利]一種基于射頻信號的運動檢測方法

在審

• 申請?zhí)枺?/td>: 202111136733.4
• 申請日: 2021-09-27
• 公開（公告）號: CN113869200A
• 公開（公告）日: 2021-12-31
• 發(fā)明（設(shè)計）人: 陳哲;楊琳;黃文新
• 申請（專利權(quán)）人: 廣西萬云科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;A61B5/11;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市博太聯(lián)眾專利代理事務(wù)所(特殊普通合伙) 44354
• 代理人: 任轉(zhuǎn)英

本發(fā)明涉及運動檢測技術(shù)領(lǐng)域，具體涉及一種基于射頻信號的運動檢測方法，包括以下步驟：S1接收目標反射的射頻信號，經(jīng)信號處理后去除靜態(tài)環(huán)境，并采用標準差和峰值平均檢測算法對人體運動進行檢測；S2根據(jù)檢測結(jié)果激活信號自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)，采用深度可分卷積和點卷積或群卷積因子進行全卷積運算建立輕量級信號自適應(yīng)CNN塊；S3在CNN塊中使用分離的分支從射頻信號的時間和頻率的譜圖中提取特征，并將特征用于HAR，推斷得到人體運動結(jié)果。本發(fā)明設(shè)計了信號自適應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)模型能夠在資源受限的邊緣設(shè)備上工作，而無需手工操作，可以最大限度地利用從射頻信號中提取的信息，從而提高動作識別的準確性。

技術(shù)領(lǐng)域

本發(fā)明涉及運動檢測技術(shù)領(lǐng)域，具體涉及一種基于射頻信號的運動檢測方法。

背景技術(shù)

人類動作識別(HAR)在廣泛的現(xiàn)實應(yīng)用中發(fā)揮著關(guān)鍵作用，傳統(tǒng)上是通過可穿戴傳感實現(xiàn)的。最近，為了避免可穿戴設(shè)備帶來的負擔和不適，利用射頻(RF)信號的無設(shè)備方法成為HAR的一個很有前途的替代方案。大多數(shù)最新的無設(shè)備方法都需要在時間域或頻域訓練一個大型深度神經(jīng)網(wǎng)絡(luò)模型，需要大量的存儲空間來包含模型，需要密集的計算來推斷人類活動。

因此，即使在無設(shè)備HAR上取得了一些重大進展，當前的無設(shè)備方法在現(xiàn)實世界中仍然遠遠不現(xiàn)實，因為在現(xiàn)實世界中，邊緣設(shè)備所擁有的計算和存儲資源是有限的。

而基于RF的無設(shè)備方法的現(xiàn)有方案的不足之處：計算能力較低的邊緣設(shè)備難以實現(xiàn)實時HAR；內(nèi)存有限的邊緣設(shè)備無法支持在其上運行大型神經(jīng)網(wǎng)絡(luò)；用于HAR的CSI信息不能從大多數(shù)商用Wi－Fi硬件檢索，而只能從Intel 5300和一些特定的Atheros Wi－Fi卡，限制了基于Wi－Fi方法的實際采用。因此本文提出一種基于射頻信號的運動檢測方法。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)的不足，本發(fā)明公開了一種基于射頻信號的運動檢測方法，用于解決上述問題。

本發(fā)明通過以下技術(shù)方案予以實現(xiàn)：

本發(fā)明提供了一種基于射頻信號的運動檢測方法，包括以下步驟：

S1接收目標反射的射頻信號，經(jīng)信號處理后去除靜態(tài)環(huán)境，并采用標準差和峰值平均檢測算法對人體運動進行檢測；

S2根據(jù)檢測結(jié)果激活信號自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)，采用深度可分卷積和點卷積或群卷積因子進行全卷積運算建立輕量級信號自適應(yīng)CNN 塊；

S3在CNN塊中使用分離的分支從射頻信號的時間和頻率的譜圖中提取特征，并將特征用于HAR，推斷得到人體運動結(jié)果。

更進一步的，所述方法中，標準差計算公式為：

其中v₁,v₂,...,v_N是觀測值，得到的標準差向量為{SD₁,SD₂,...,SD_L}，其中每個峰表示環(huán)境中的一個運動。

更進一步的，所述方法中，所述峰平均檢測算法通過平均所有固 有噪聲電平的值進行確定固有噪聲電平閾值th_motion，并將測試值val與 coef·th_motion進行比較，其中coef是調(diào)整閾值的常數(shù)。其中峰平均檢測算 法用以避免誤報。由于噪音水平在空間和時間上都是變化的，我們不 能使用固定的閾值來檢測人類的運動。

更進一步的，所述方法中，信號自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)是由時間和頻率兩部分組成的CNN架構(gòu)。

更進一步的，所述CNN架構(gòu)使用分離的分支從時間和頻率的譜圖中提取特征，且每個分支都不共享CNN層的權(quán)重，每個分支都有一個或多個有效的CNN塊來提取高級特征。

更進一步的，對于資源受限的邊緣設(shè)備，我們需要實現(xiàn)多個高效 CNN塊來構(gòu)建上述信號自適應(yīng)模型。