[发明专利]针对WiFi信号行为识别的基于深度学习的动作分割框架构建方法

权利要求书

1.一种针对WiFi信号行为识别的基于深度学习的动作分割框架构建方法，其特征在于，包括：

步骤1：通过CSI数据训练状态推断模型；

步骤2：通过大小为ω的滑动窗口将CSI数据划分为等长的数据段，设置滑动步长为1；

步骤3：采用训练好的状态推断模型推断数据段的标签；

步骤4：基于数据段的标签，确定人体动作的开始点和结束点，对人体动作进行分割提取；

步骤5：基于动作分割好的CSI数据，采用深度学习模型CNN作为行为分类模型，进行行为分类，并计算置信度作为反馈信息；

步骤6：将来自行为分类模型的反馈信息融入到状态推断模型的构建中，完成基于深度学习的动作分割框架的构建。

2.根据权利要求1所述的针对WiFi信号行为识别的基于深度学习的动作分割框架构建方法，其特征在于，所述步骤1包括：

步骤1.1：将连续接收的CSI数据划分成为大小相同的数据段，并为所述数据段定义四个状态标签，分别为：静止状态、开始状态、运动状态、结束状态，分别用1、2、3、4表示；

步骤1.2：使用CNN架构作为状态推断模型，并将带有状态标签的CSI数据段作为训练数据，训练状态推断模型。

3.根据权利要求2所述的针对WiFi信号行为识别的基于深度学习的动作分割框架构建方法，其特征在于，所述步骤1.1包括：

在给定的CSI数据段中，从t_end+ω/2到t_end+ω/2+ω的CSI数据被标记为静止状态，从t_start-ω/2到t_start+ω/2的CSI数据被标记为开始状态，从(t_start+t_end-ω)/2到(t_start+t_end+ω)/2的CSI数据被标记为运动状态，从t_end-ω/2到t_end+ω/2的CSI数据被标记为结束状态；其中t_start和t_end分别是指人体动作的实际开始点和结束点，ω是指数据段的大小。

4.根据权利要求2所述的针对WiFi信号行为识别的基于深度学习的动作分割框架构建方法，其特征在于，所述步骤4包括：

确定人类动作是否开始，如果状态标签的众数从1变为2，则将i-m/2+1设置为动作的开始点，m表示计算众数的数据列表的长度；

确定人类动作是否结束，如果状态标签的众数从4变为1，则将i-m/2+1-ω设置为动作的结束点。

5.根据权利要求1所述的针对WiFi信号行为识别的基于深度学习的动作分割框架构建方法，其特征在于，所述计算置信度作为反馈信息包括：

利用最大概率和概率熵计算置信度D_i作为反馈信息：

其中D_i表示第i个样本的置信度，M_i是最大概率，E_i是概率熵，α是调整最大概率和概率熵所占权重的参数，y和y^*分别是预测标签和实际标签。

6.根据权利要求5所述的针对WiFi信号行为识别的基于深度学习的动作分割框架构建方法，其特征在于，所述步骤6包括：

加入反馈信息后，状态推断模型的目标函数J(Φ)可以表示为：

其中|X|表示输入的CSI数据段的个数，即输入的样本的个数，X是输入的CSI数据，D_i表示第i个样本的置信度，p(r_i|x_i；Φ)表示第i个样本x_i的预测概率函数，r_i表示样本x_i对应的状态，Φ＝{W_f,b_f,W_c,b_c}，W_f和b_f是卷积参数，W_c和b_c是全连接层的参数。