[发明专利]WiFi干扰环境下的CSI人体跌倒识别方法

说明书

本发明涉及一种在WiFi干扰环境下的WIFI CSI动态子载波选择的人体跌倒识别方法，属于无线通信技术领域。该方法首先对CSI干扰强度及CSI活跃比率进行分析，构建WiFi干扰特征映射矩阵，利用该矩阵计算各信道干扰指数实现干扰判别。接着通过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进行干扰处理，分析多链路数据融合方法CSI‑MLDF聚合未受干扰数据中多数据流的时域特征信息。最后，提取时域特征值并构建WiFi干扰环境下的SVM多活动分类模型，获得跌倒活动识别结果。本发明能够有效提高WiFi干扰环境下的人体跌倒活动识别准确率。

技术领域

本发明属于无线通信技术领域，涉及一种在WiFi干扰环境下的WIFICSI动态子载波选择的人体跌倒识别方法。

背景技术

随着科技的不断发展，尤其是无线网络技术的逐渐成熟，无线信号不仅在数据传输上发挥了重要的作用，而且可以用来实现环境感知，利用无线信号实现自主的活动监测已经成为一种发展趋势，同时也为家居环境中老年人的活动和健康监测提供了全新的解决方案，具有十分重要的社会意义和广泛的应用前景。基于WiFi的人体活动监测以用户为中心，利用人体动作对WiFi信号传播产生的影响，采集人体的生理信息，包括人体的位置、姿势、动作等，并通过无线传输的方式传送给远程控制端，实现对老年人健康状况的远程监测。例如，对于独居老年人而言，当出现心率异常、跌倒等健康威胁时，能够通过WiFi信号检测出异常状况并发出警报，从而采取及时且有效的应对措施。WiFi信号在安全监控、人体检测、人机交互、医疗监护等众多领域有着广泛的运用，具有十分重要的研究价值和意义。

但是随着WiFi设备在日常生活中的广泛普及，WiFi信号之间常常存在严重的共信道干扰或邻信道干扰问题，因会导致WiFi跌倒识别的性能大大降低。现有的研究大多忽略了WiFi信号之间的干扰问题，仅采用一般的信号处理技术滤除不确定噪声，唯一考虑到无线干扰的相关工作仅仅是在进行活动识别时采用一种抗噪声分类算法来容忍干扰。由于该算法不直接处理被干扰的CSI测量值，导致识别效果不太理想，也不能很好地推广到其他类型的传感应用。如果能够将被干扰的CSI测量值与未被干扰的CSI测量值区分开来，并正确处理发生畸变的CSI测量值，能够显著提高WiFi识别准确率，同时能够在其它类似环境下进行CSI其它领域的应用，有助于提高其工作效能。

发明内容

有鉴于此，本发明的目的在于提供一种在WiFi干扰环境下的WIFICSI动态子载波选择的人体跌倒识别方法，旨在提高WiFi干扰场景下的人体跌倒活动识别准确率。

为达到上述目的，本发明提供如下技术方案：

一种WiFi干扰环境下的CSI人体跌倒识别方法，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F(P,A,PRR)，利用所述矩阵计算干扰指数I-index进行干扰判别；

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；

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的特征数据集作为输入，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。

进一步，步骤S1具体包括以下步骤：