[发明专利]一种基于深度学习的信道状态信息人类活动识别方法及系统

权利要求书

1.一种基于深度学习的信道状态信息人类活动识别方法，其特征在于，包括以下步骤：

步骤1，数据采集及预处理，包括：

1.1)基于无线网卡，采集室内环境下的人体动作对应肢体动作对Wi-Fi信道状态造成影响的信息，获得CSI信息，形成数据集；

1.2)对步骤1.1)获得的CSI信息中的子载波进行预处理，获得预处理后的子载波信号；所述预处理包括：平滑处理和消噪处理；

1.3)对转换到时域的预处理后的子载波信号进行降采样，获得降采样后的子载波信号；其中，采样频率由50Hz～100Hz的范围降低至5Hz～10Hz的频率范围；

1.4)对降采样后的子载波信号进行连续小波变换，获得连续小波变换后的子载波信号；

1.5)将连续小波变换后的子载波信号进行合成，获得人体动作的功率谱；

步骤2，训练网络模型及分类，包括：

2.1)选取Alexnet作为预训练网络；其中，Alexnet在ImageNet上完成了预训练；所述Alexnet的构造为15～35层的含有12～36个连接的CNN网络，后接一个3～16层的深度神经网络；

2.2)将根据步骤1获得的不同样本的功率谱输入步骤2.1)的Alexnet，设置初始训练参数，进行训练，获得训练好的动作识别网络模型；其中，输入大小为227*227*3，前两个值表示二维矩阵的大小，第三个值表示图像的颜色信道；

步骤3，基于步骤2.2)获得的训练好的动作识别网络模型，完成人类活动识别。

2.根据权利要求1所述的一种基于深度学习的信道状态信息人类活动识别方法，其特征在于，步骤1.1)中，肢体动作包括：屈膝、抬左腿、抬右腿、抬左手、抬右手。

3.根据权利要求1所述的一种基于深度学习的信道状态信息人类活动识别方法，其特征在于，步骤1.2)中，

平滑处理，用于使整个信号趋近于一个近似信号，展现整个信号中最突出的特征；

消噪处理，使用Hampel filter对经过平滑处理过的子载波信号进行噪声消除处理，对离群值进行剔除；其中，将Hampel filter窗口在信号上滑动，在所有情况下只要窗口中值大于中位数，便将其视为离群值，并用中位数将其取代。

4.根据权利要求1所述的一种基于深度学习的信道状态信息人类活动识别方法，其特征在于，步骤1.4)中，选择Morlet wavelet簇作为母波。

5.根据权利要求1所述的一种基于深度学习的信道状态信息人类活动识别方法，其特征在于，步骤2.1)中的Alexnet的CNN包括三种神经网络层，分别是：

卷积层，用于使用不同的内核对图像进行遍历来搜索各种模式，并寻找边缘、拐角；

最大池化层，用于逐步降采样，减少每次迭代的维数；

线性规整单元层，用于将每次计算得到的负数值转换为0值，以降低计算复杂度；

Alexnet后接的深度神经网络包括：

分类层，用于对数据集进行分类并输出；

全连接层，用于对输出的每个类别的分数进行计数；

softmax层，用于对每个分数进行统计预测并给出最终概率。

6.根据权利要求1所述的一种基于深度学习的信道状态信息人类活动识别方法，其特征在于，步骤3具体包括：

3.1)基于无线网卡对待检测的人体活动进行信道状态检测，获得人体活动信号；

3.2)将3.1)检测到的人体活动信号输入步骤2训练好的动作识别网络模型；

3.3)通过模型输出最终的人体活动类型的检测结果。

7.根据权利要求1所述的一种基于深度学习的信道状态信息人类活动识别方法，其特征在于，步骤1.2)还包括：将预处理后的子载波信号转换到时域。

8.根据权利要求1所述的一种基于深度学习的信道状态信息人类活动识别方法，其特征在于，步骤2.2)还包括：

训练完成后，对预设比例的功率谱数据进行分类精度测试。

9.一种基于深度学习的信道状态信息人类活动识别系统，其特征在于，包括：

数据采集及预处理模块，用于基于无线网卡，采集室内环境下的人体动作对应肢体动作对Wi-Fi信道状态造成影响的信息，获得CSI信息，形成数据集；用于对获得的CSI信息中的子载波进行预处理，获得预处理后的子载波信号；所述预处理包括：平滑处理和消噪处理；用于对转换到时域的预处理后的子载波信号进行降采样，获得降采样后的子载波信号；其中，采样频率由50Hz～100Hz的范围降低至5Hz～10Hz的频率范围；用于对降采样后的子载波信号进行连续小波变换，获得连续小波变换后的子载波信号；用于将连续小波变换后的子载波信号进行合成，获得人体动作的功率谱；

网络模型训练及分类模块，用于选取Alexnet作为预训练网络；其中，Alexnet在ImageNet上完成了预训练；所述Alexnet的构造为15～35层的含有12～36个连接的CNN网络，后接一个3～16层的深度神经网络；用于将获得的不同样本的功率谱输入Alexnet，设置初始训练参数，进行训练，获得训练好的动作识别网络模型；其中，输入大小为227*227*3，前两个值表示二维矩阵的大小，第三个值表示图像的颜色信道；

输入模块，用于将待检测的人体活动类型输入训练好的动作识别网络模型，完成人类活动识别。