[发明专利]一种基于Wi-Fi信道状态信息CSI的人体行为识别方法

说明书

本发明公开了一种基于Wi‑Fi信道状态信息CSI的人体行为识别方法，包括：采集不同动作的CSI数据，对CSI数据的实部和虚部的平方和求根号求得对应的幅值；将计算得出的幅值按照子信道序号排序得到CSI序列；利用LPC计算公式对CSI序列提取LPC系数；根据LPC系数利用SVM分类器训练分类模型；利用训练好的分类模型对未知的CSI序列进行识别。本发明根据不同行为动作下CSI信号变化的特性，将LPC特征用于表达不同动作下CSI幅值曲线的变化趋势，具有良好的人体行为识别效果，提高了基于Wi‑Fi的人体行为识别精度。

技术领域

本发明涉及特征提取方法领域，具体涉及一种基于Wi-Fi信道状态信息CSI的人体行为识别方法。

背景技术

随着计算机科学迅速发展，计算机技术正在从原本的以机器为中心逐渐转变为以人类为中心，让人成为计算环节的一部分，促进现实世界和信息世界的融合，实现高水平人机交互是未来的发展方向。近年来，人们一直在不断创造新的技术来实现更有效的人体行为感知和分析，例如通过计算机视觉技术识别图像中的人体动作，使用加速度计和陀螺仪等精密传感器检测人体运动变化趋势等。现如今手势识别、步态识别，动作分析等众多行为识别分析技术已逐步应用到日常生活中，例如在养老院，使用人体行为识别技术检测到老人摔倒后，可以利用报警装置发出警报防止出现意外事故；在体感游戏领域，利用红外或计算机视觉技术识别人不同的动作，从而让人通过动作远程操控电脑进行游戏；在健康医疗领域，通过佩戴手环或其他辅助设备检测人每天走了多少步，根据步数估计每天运动量，使人们更加有效的管理自己的身体健康。

随着无线通信技术的快速发展，使得基于Wi-Fi无线信号的人体行为识别成为可能，与基于计算机视觉和特殊传感器的传统方法不同，基于Wi-Fi无线信号的人体行为识别不受光线影响，不需人额外携带设备，且部署成本低，因此受到研究人员的青睐。在Wi-Fi行为感知领域中，由于CSI是属于通信链路物理层信息，相比于数据链路层的接收信号强度(RSS)具有更高的细粒度，抗干扰性更强，因此目前基于CSI的人体行为识别技术成为了国内外研究人员的研究热门。

线性预测系数(LPC)原本是语音处理中的概念，可以通过LPC系数计算出线性预测倒谱系数(LPCC)，对数面积比系数(LAR)，反射系数(REFL)和线谱频率(LSF)等语音识别方面许多重要的特征。对于语音信号来说，相邻点之间有很大的相关性，当前的信号在很大程度上可以通过过去的采样点预测得到，即每个采样点可以通过几个过去时间的采样点的线性组合来逼近。

发明内容

本发明的目的是提供一种基于Wi-Fi信道状态信息CSI的人体行为识别方法，以解决上述现有技术存在的问题，通过寻找一种新型的特征替代传统统计特征，提高基于Wi-Fi的人体行为识别精度。

为实现上述目的，本发明提供了如下方案：本发明提供一种基于Wi-Fi信道状态信息CSI的人体行为识别方法，包括如下步骤：

步骤一，采集单位时间内第K个子信道上的CSI为CSI_k＝b+ci(1≤k≤56)，其中b为实部，c为虚部，计算CSI_k的幅值单位时间内采集到的CSI幅值为|CSI|＝{|CSI₁|,|CSI₂|,…,|CSI₅₆|}；

步骤二，采集时间t内第k个子信道上的CSI为计算的幅值，将所述的幅值按照子信道序号排列得到

步骤三，设采集动作样本集合为S＝{S₁,S₂,…,S_n}，其中n表示动作类型数量，S_i为动作类型，对所述动作类型S_i利用LPC计算公式求出其对应的系数A_i＝{a₁,a₂,…,a_m}，其中m为动作类型S_i的采样样本个数，a＝{a(1),a(2),…,a(p)}是提取出的LPC系数，p为求取LPC系数时的阶数；