[发明专利]WiFi干扰环境下的CSI人体跌倒识别方法

权利要求书

1.一种WiFi干扰环境下的CSI人体跌倒识别方法，其特征在于：包括以下步骤：

S1：在WiFi干扰环境下的室内区域获取无活动、跌倒、坐下、站立、行走活动相关数据，通过CSI信号强度向量、CSI噪声阈值计算干扰强度P及活跃比率A，结合CSI包接收率PRR构建干扰特征映射矩阵S(P,A,PRR)，利用所述矩阵计算干扰指数I_index进行干扰判别；包括以下步骤：

S11：首先在WiFi干扰环境下的室内区域分别按照无活动、跌倒、坐下、站立、行走活动类型进行数据采集，依次按活动类型、时间先后序列对CSI数据中的幅值、时间标记、CSI信号强度向量、CSI噪声阈值、CSI包接收率PRR进行提取；

S12：通过CSI信号强度向量和CSI噪声阈值计算干扰强度P及活跃比率A，得到干扰特征F(P,A)，结合CSI包接收率PRR构建WiFi干扰特征映射矩阵S(P,A,PRR)，再利用该矩阵计算各信道干扰指数；

S13：干扰指数I_index用于反映信道n的WiFi干扰大小，根据干扰指数对数据进行干扰检测及干扰程度划分，将存在干扰的CSI数据与未存在干扰的CSI数据按照活动类型、时间先后序列、干扰程度作标记处理，构建为干扰数据集与未干扰数据集；

S2：采用基于干扰指数的动态子载波选择算法CSI-DSSA选取干扰数据中互相关性最弱的子载波组合，实现WiFi干扰过滤；采用多链路数据融合方法CSI-MLDF聚合未受干扰数据中多条数据流的时域特征信息，提高数据可靠性；包括以下步骤：

S21：选取所述干扰数据集，构建CSI的相关系数矩阵特征模型，利用基于干扰指数的动态子载波选择算法对干扰数据集进行干扰过滤处理；

S22：提取干扰过滤后的数据集和未干扰数据集，采取巴特沃斯低通滤波结合小波变换去噪的方式进行数据处理，对数据中存在的无关信息进行过滤，包括噪声和异常值；

S3：在步骤S2的基础上进行时域特征值提取，特征值包括均值、标准差、平均绝对偏差、最大值、百分位数，将特征数据按照活动种类进行归类处理；

S4：基于SVM分类算法，以步骤S3的特征数据作为输入，构建适用于WiFi干扰环境下的SVM多活动分类模型，并对模型进行测试优化，获得跌倒活动识别结果。