針對傳統(tǒng)人體行為識別方法系統(tǒng)搭建成本高、部署復(fù)雜且存在侵犯隱私等問題,提出一種使用商用Wi-Fi設(shè)備獲取信道狀態(tài)信息CSI進行人體行為識別與跌倒檢測的方法.通過提取信道狀態(tài)信息CSI中的幅度和相位特征作為基礎(chǔ)信號,并使用功率譜熵作為新特征建立指紋庫.采用基于人工魚群算法AFSA修正的支持向量機SVM對動作進行分類識別,通過對SVM中的參數(shù)懲罰因子和核函數(shù)參數(shù)進行優(yōu)化選擇達到優(yōu)化分類的效果.根據(jù)真實環(huán)境數(shù)據(jù)驗證表明,平均識別率達到94.64%. 

【文章來源】：云南大學學報(自然科學版). 2020,42(02)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

檢測方法總體流程Fig.1Systemflowchartoftestingmethod常

(3)foNsCi,jij其中是在802.11n協(xié)議中定義的OFDM子載波的中心頻率，為子載波數(shù)，表示第根天線上的第個子載波的幅值.1.3.2CSI幅值指數(shù)平滑如圖2所示，黑色線條顯示了由電磁噪聲干擾的原始CSI幅值信息，可以觀察到信號的真實趨勢被淹沒在噪聲中.因此，我們設(shè)計了一個指數(shù)平滑濾波器來濾除噪聲，紅色線條顯示濾波器有效地消除了噪聲，并且獲得了由人體運動引起的真實變化趨勢.圖1檢測方法總體流程Fig.1Systemflowchartoftestingmethod圖2指數(shù)濾波前后信號幅值對比Fig.2Comparisonofsignalamplitudebeforeandafterexponentialfiltering第42卷冉亞鑫等：一種基于CSI的跌倒檢測方法221

分出跌倒動作，需要對于動作指紋庫中的CSI進行提取特征值的處理.我們從CSI流中提取以下5個特征用于行為識別，由于在文獻[5]中詳細分析了前4個活動分類特征,本文重點分析新提出的第5個特征—功率譜熵.（1）CSI值的歸一化標準差（normalizedstandarddeviation，NSTD）：描述活動的動態(tài)范圍.（2）中位數(shù)絕對偏差（medianabsolutedeviation，MAD）：描述CSI數(shù)據(jù)樣本差異性.（3）四分位距（interquartilerange，IR）：描述CSI圖3跌倒動作原始幅值與計算移動方差后的幅值對比Fig.3Comparisonoftheoriginalamplitudeandtheamplitudeaftercalculatingthemovingvarianceofthefallaction222云南大學學報（自然科學版）http://www.yndxxb.ynu.edu.cn第42卷

【參考文獻】：
期刊論文
[1]基于AFSA-SVM的滾動軸承故障診斷研究[J]. 姬盛飛,王麗君,吉南陽.  組合機床與自動化加工技術(shù). 2019(01)
[2]一種基于信道狀態(tài)信息的室內(nèi)人員行為檢測方法[J]. 黨小超,黃亞寧,郝占軍,司雄.  計算機工程. 2018(08)
[3]基于WiFi信號的人體動作識別系統(tǒng)[J]. 肖玲,潘浩.  北京郵電大學學報. 2018(03)

碩士論文
[1]無線感知網(wǎng)絡(luò)中基于CSI的室內(nèi)入侵檢測與行為識別研究[D]. 周健.南京郵電大學 2018
[2]基于MEMS慣性傳感器的可穿戴式跌倒檢測系統(tǒng)研究[D]. 陳吉鑫.西南交通大學 2018



本文編號：3228378