[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

说明书

本发明属于行为识别技术领域，公开一种针对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，包括：通过CSI数据训练状态推断模型；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；采用训练好的状态推断模型推断数据段的标签；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；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；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。本发明不需要依靠经验的噪声去除和阈值计算，解决了混合动作下动作分割性能下降问题。

技术领域

本发明属于行为识别技术领域，尤其涉及一种针对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。

背景技术

作为物联网的重要组成部分，行为识别在许多物联网应用(如智能家居和医疗保健等)中起着关键作用，这些应用需要识别不同类型的行为来提高生活质量。现有的行为识别可以分为接触式的行为识别和非接触式的行为识别，如可穿戴传感器，智能电话和相机等都属于典型的接触式的行为识别，而基于WiFi信号的行为识别近年来则以其无处不在的可用性和非接触式的特点受到了极大的青睐。通过采集信道状态信息(Channel StateInformation，CSI)，现有的很多工作对不同类型动作的行为识别进行了探索，例如细粒度动作(手势和手语)和粗粒度动作(行走和跌倒)。

对于基于CSI的行为识别，在经过数据采集和预处理后，剩下的步骤大致可以分为两个部分：动作分割和行为分类。动作分割旨在从持续接收的CSI数据中找到动作开始的点和结束的点。行为分类是要将动作分割的结果归类到相应的类别。作为行为分类的输入，动作分割的质量对行为分类的性能有着重要的影响，而且由于动作出现时，CSI振幅波动的范围要比没有动作发生时的波动大的多，因此大部分现有的工作如Tw-See(Wu,X.G.,et al.,TW-See:Human Activity Recognition Through the Wall With Commodity Wi-FiDevices.Ieee Transactions on Vehicular Technology,2019.68(1):p.306-319.)和Wi-Multi(Feng,C.,et al.,Wi-multi:AThree-phase System for Multiple Human ActivityRecognition with Commercial WiFi Devices.IEEE Internet of Things Journal,2019:p.1-1.)，考虑通过找到一个最佳阈值来检测动作是否发生，从而设计一个基于阈值的动作分割方法，即如果CSI波动的幅度超过了所设阈值，则认定发生了动作，反之，则没有发生动作。