針對基于深度學(xué)習(xí)的Wi-Fi人體行為識別技術(shù)存在抗噪聲能力弱、信號尺寸不兼容和特征提取不充分等問題,提出了一種基于連續(xù)圖像深度學(xué)習(xí)的識別方法。首先把時(shí)變Wi-Fi信號重構(gòu)為若干個(gè)連續(xù)圖像幀,確保輸入尺寸一致;進(jìn)而設(shè)計(jì)低秩分解算法,對噪聲湮沒的關(guān)鍵運(yùn)動信息進(jìn)行分離;同時(shí)提出一種時(shí)間域和空間域信息融合的深度模型,自動捕捉變長圖像序列的時(shí)空域特征,并在Wi AR數(shù)據(jù)集和自主采集數(shù)據(jù)集上對所提方法進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明,所提方法平均識別精度分別為0.94和0.96,具備普適場景下的高精度和穩(wěn)健性。 

【文章來源】：通信學(xué)報(bào). 2020,41(08)北大核心

【文章頁數(shù)】：12 頁

【部分圖文】：

SIL-Fi的總體框架

渲校?Wi、Wo、Wf、Wc和bi、bo、bf、bc分別為相應(yīng)的權(quán)重和偏置矩陣，表示激活函數(shù)sigmoid，表示2個(gè)矩陣的逐元素相乘運(yùn)算。圖6LSTM結(jié)構(gòu)在實(shí)際操作中，需要預(yù)先在CNN-LSTM中分別添加“序列折疊層”和“序列展開層”，以便實(shí)現(xiàn)圖像序列批次和圖像批次之間的轉(zhuǎn)換。當(dāng)最后一個(gè)卷積層輸出特征圖為3×3×64的張量時(shí)，需要經(jīng)過flatten層的處理，轉(zhuǎn)換成576×1的向量后再輸入兩層LSTM單元中。LSTM的單元數(shù)為128，兩層圖5空間特征提取模型結(jié)構(gòu)

[17]和特征選取[18]，這使系統(tǒng)的穩(wěn)定性、實(shí)用性和整體精度不高。如何利用最少的人為干預(yù)，實(shí)現(xiàn)穩(wěn)艦普適、高精度的人體行為識別成為亟需解決的問題[19]。近年來，受圖像深度學(xué)習(xí)[20]的啟發(fā)，研究人員嘗試將信號矩陣轉(zhuǎn)化為灰度圖像并利用卷積神經(jīng)網(wǎng)絡(luò)（CNN,convolutionalneuralnetwork）自動學(xué)習(xí)尺度不變、位移不變的局部空間特征[21-22]。然而，相比于專業(yè)相機(jī)拍攝的主體清晰、固定尺寸的連續(xù)圖像，直接利用CNN處理Wi-Fi信號序列無疑更具挑戰(zhàn)性。不同動作的初始時(shí)間振幅曲線如圖1所示，其面臨的技術(shù)挑戰(zhàn)可概括如下。1)噪聲干擾嚴(yán)重。盡管CSI能宏觀地反映人體運(yùn)動狀態(tài)的變化，但是商用Wi-Fi設(shè)備所提供信號粒度有限，使感知目標(biāo)所產(chǎn)生的信號振幅容易混雜于背景噪聲和多徑干擾中[9,16]。現(xiàn)有工作往往難以提取運(yùn)動關(guān)鍵信息，導(dǎo)致深度網(wǎng)絡(luò)無法從混雜擾動中學(xué)到目標(biāo)信號的本質(zhì)特征。2)信號尺寸不兼容。人體活動的發(fā)生具有隨機(jī)性，因此每一次活動發(fā)生時(shí)刻均不一致，所產(chǎn)生的信號樣本在時(shí)間尺度上并不統(tǒng)一，因此導(dǎo)致其與CNN模型所要求的固定尺寸輸入存在矛盾[22]。現(xiàn)有工作通常截取固定長度的信號片段以適配模型輸入，但是這可能遺漏有效信息（過短）或是增加運(yùn)算成本（過長），從而影響系統(tǒng)部署的靈活性和時(shí)間效率。3)特征提取不充分，用戶執(zhí)行復(fù)合動作時(shí)通常存在上下文的邏輯關(guān)系，如完成深蹲動作需要依次執(zhí)行站立等待、快速蹲下、快速起身、站立等待的動作，因此會出現(xiàn)先平穩(wěn)、后快速震蕩、最終平穩(wěn)的波形變化。然而，單一的CNN模型無法對這種時(shí)間尺度上的依賴關(guān)系進(jìn)行有效建模，導(dǎo)致復(fù)雜環(huán)境下的系統(tǒng)精度受限。針對上述問題，本文將Wi-Fi信

【參考文獻(xiàn)】：
期刊論文
[1]基于圖像深度學(xué)習(xí)的無線電信號識別[J]. 周鑫,何曉新,鄭昌文.  通信學(xué)報(bào). 2019(07)
[2]基于信道狀態(tài)信息的無源室內(nèi)人員日常行為檢測方法[J]. 黨小超,黃亞寧,郝占軍,司雄.  通信學(xué)報(bào). 2019(04)
[3]基于智能手機(jī)內(nèi)置傳感器的人體運(yùn)動狀態(tài)識別[J]. 殷曉玲,陳曉江,夏啟壽,何娟,張鵬艷,陳峰.  通信學(xué)報(bào). 2019(03)
[4]視頻行為識別綜述[J]. 羅會蘭,王嬋娟,盧飛.  通信學(xué)報(bào). 2018(06)
[5]基于WiFi信號的人體行為感知技術(shù)研究綜述[J]. 魯勇,呂紹和,王曉東,周興銘.  計(jì)算機(jī)學(xué)報(bào). 2019(02)
[6]基于Wi-Fi的非接觸式行為識別研究綜述[J]. 王鈺翔,李晟潔,王皓,馬鈞軼,王亞沙,張大慶.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2017(04)



本文編號：3024186