[发明专利]一种基于WiFi信号的手势识别方法

权利要求书

1.一种基于卷积自编码的WiFi手势识别方法，其特征在于，包括如下步骤：

S1、收集10种手势的WiFi信道数据；

S2、从收集的手势WiFi信道数据中提取Ntx*Nrx*30的3维CSI矩阵；

S3、对提取出来的CSI矩阵数据进行数据预处理；

S4、对预处理后的CSI矩阵进行特征提取及重构，构造成卷积自编码器可以处理的矩阵形式；

S5、搭建卷积自编码器模型，对S4中获得的矩阵进行特征提取，并进行手势分类识别；

步骤S3中，所述的预处理，包括如下步骤：

S3-1、提取CSI子载波的幅度值：提取得到的CSI矩阵为1×3×30的3维矩阵，其中1×3表示一根发射天线和三根接收天线，30表示每一路包含30个子载波；先对其进行降维处理成3×30的2维矩阵，原CSI矩阵中的每个元素为复数，将当前环境下接收到的无线信道模型表示为：

Y＝HX+N (1)

公式(1)中，X表示系统中路由器的发射信号向量，Y表示接受到的无线信号向量，H表示信道增益矩阵，N为系统中的噪声向量，一般表示为高斯白噪声；

求得信道状态信息H的表达式为：

公式(2)中，为CSI的计算表达式，为一个复数矩阵，则求得第k个子载波H(k)的幅度和相位的表达式为：

H(k)＝||H(k)||e^j∠H(k) (3)

公式(3)中，||H(k)||表示第k个子载波的幅度，e^j∠H(k)表示第k个子载波的相位；

S3-2、对提取的CSI子载波的幅度值进行巴特沃斯低通滤波：利用巴特沃斯滤波器滤除CSI幅值中的大部分高频分量；

S3-3、对滤波后的CSI子载波幅度进行小波变换，进一步去除高频噪声，得到包含少量噪声的低频CSI子载波幅度；

步骤S4中，所述的对预处理后的CSI矩阵进行特征提取及重构，构造成自编码器可以处理的矩阵形式，经过预处理后，利用时间窗口Δt获取CSI子载波中因手势动作而导致的信道状态信息变化的部分的子载波，然后取滑动窗口中波形的平均绝对偏差作为卷积自编码器的输入特征，具体包括如下步骤：

S4-1、对S3-3获得的低频CSI子载波幅度值画图并进行观察，根据观察设定合适的时间窗口Δt，用时间窗口截取子载波中因手势动作而导致信道状态信息变化的子载波；

S4-2、根据时间顺序用Δt截取CSI子载波中的所有变化波形；

S4-3、计算出所有时间窗口内子载波幅度值的平均绝对偏差，作为时间序列的特征；

S4-4、原3×30的二维CSI矩阵经时间窗口Δt截取后变成n×m的二维实数矩阵，其中n为单个子载波截取的时间窗口数量，即△t的数量，m为CSI矩阵中子载波的数量，经过时间窗口处理后的CSI时间序列矩阵如下：

其中a_mn表示第m个子载波中被滑动窗口△t截取的那一小段幅值波形的平均绝对偏差；

步骤S5中，所述的卷积自编码器模型，是对获取的n×m的2维实数矩阵进行特征提取，输入数据维度为n×m的二维矩阵，自编码器将输入表达X编码为新的表达Y，再将Y解码回X，自编码器使用反向传播算法来训练网络使得输出等于输入；自编码器包括编码器和解码器两部分，利用Model函数将编码器和解码器联合提取手势特征，并进行分类识别。

2.根据权利要求1所述的一种基于卷积自编码的WiFi手势识别方法，其特征在于，所述的编码器，包括卷积层、池化层；

所述的卷积层，采用(3，3)大小的卷积核对数据样本进行相乘再相加得到特征图，卷积层中所有权重参数自动从头到尾进行调整，每个卷积单元的参数通过反向传播算法最佳化得到的，卷积自编码器通过多个卷积层对数据进行特征提取；

所述的池化层，利用max pooling进行池化，对卷积层输出的特征图矩阵的局部区域进行下采样，降低特征矩阵的维度，先将输入矩阵分为若干个分区，在每个分区中，使用max操作来获取局部最大特征，max操作是在降低处理数据的维度的基础上保留了数据规模不变的特征。

3.根据权利要求1所述的一种基于卷积自编码的WiFi手势识别方法，其特征在于，所述的解码器，输入为编码器的输出，包括卷积层、上采样层，卷积层跟编码器部分相同，上采样层在up pooling阶段使用最大值的信息扩充特征图，在对称的max pooling中记录最大值的位置，up pooling时最大值位置设置为特征值，除最大值位置以外，其余补0。