一种基于CSI信号利用DenseNet网络进行人体活动识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113572546A(43)申请公布日2021.10.29(21)申请号202110669373.8G06N3/04(2006.01)(22)申请日2021.06.16G06N3/08(2006.01)(71)申请人西北大学地址710127陕西省西安市太白北路229号(72)发明人贺晨李月媛黄亮马存燕韩璐阳程艺璇王丹萍赵健(74)专利代理机构西安长和专利代理有限公司61227代理人黄伟洪(51)Int.Cl.H04B17/309(2015.01)H04W4/33(2018.01)H04W4/021(2018.01)G08B21/04(2006.01)H04L9/32(2006.01)权利要求书2页说明书10页附图10页(54)发明名称一种基于CSI信号利用DenseNet网络进行人体活动识别方法(57)摘要本发明属于人体活动识别技术领域，公开了一种基于CSI信号利DenseNet网络进行人体活动识别方法，在两个室内环境下采集动作数据，使用两台装有Intel5300无线网卡的计算机作为收发器，并设置相应的参数；设备的发送端和接收端之间通信过程中，采用线性插值的方法补充丢失的数据；使用巴特沃斯低通滤波器滤除由于收发机内部功率转换产生的一些高频噪声，利用离散小波变换在整个带宽上去除低频噪声；使用主成分分析对数据进行降维处理，将高维度的数据保留下最重要的一些特征，去除噪声和不重要的特征，实现提升数据处理速度的目的；对网络框架进行设计，并选择相关的参数进行训练。本发明提高了识别精度，具有良好的鲁棒性以及可靠性。CN113572546ACN113572546A权利要求书1/2页1.一种DenseNet进行人体活动的识别方法，其特征在于，所述DenseNet进行人体活动的识别方法，包括：在两个室内环境下采集动作数据，使用两台装有Intel5300无线网卡的计算机作为收发器，并设置相应的参数；设备的发送端和接收端之间通信过程中，采用线性插值的方法补充丢失的数据；使用巴特沃斯低通滤波器滤除由于收发机内部功率转换产生的一些高频噪声，利用离散小波变换在整个带宽上去除低频噪声；使用主成分分析对数据进行降维处理，将高维度的数据保留下最重要的一些特征，去除噪声和不重要的特征；根据预处理完成的后数据，对网络框架进行设计，并选择相关的参数进行训练。2.如权利要求1所述DenseNet进行人体活动的识别方法，其特征在于，两个室内环境的选择具体为：第一个室内环境为一间办公室，大小为5m×6m，办公室内其他家具少；第二个室内环境为一间会议室，会议室内有大量桌椅，大小为9m×7m，发送天线与接收天线的距离为2m，天线高度距离底面为0.8m。3.如权利要求1所述DenseNet进行人体活动的识别方法，其特征在于，所述设置相应的参数的具体为：设置发射天线Nr个数为1，接收天线Nt个数为3，CSItool工作在监控模式下，由于监控模式精确地控制发送的参数，设置以1000Hz的采样率发送3000个包，每个动作应该在3s内完成，受试者在每个动作前后保持静止；在IEEE802.11n协议中，使用OFDM调制技术得到56个子载波；将收发机设置工作在5G频段的165信道上。4.如权利要求1所述DenseNet进行人体活动的识别方法，其特征在于，在两个室内环境下采集动作数据具体为：举手、挥手、弯腰、鼓掌、走路和坐下。5.如权利要求1所述DenseNet进行人体活动的识别方法，其特征在于，用线性插值的方法补充丢失的数据具体为：线性插值为：其中，X0,Y0,X1,Y1分别为CSI信号中任意两点的坐标值，X∈(X0,X1)，Y为插值后的信号长度。6.如权利要求1所述DenseNet进行人体活动的识别方法，其特征在于，使用主成分分析对数据进行降维处理，具体过程为：输入数据集X＝{x1，x2，...，xn}，降维到k维；去平均值，每一位特征减去各自的平均值；计算协方差矩阵，计算协方差矩阵的特征值和特征向量，对特征值从大到小排序，选择其中最大的k个，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵，将数据转换到k个特征向量构建的新空间中。2CN113572546A权利要求书2/2页7.如权利要求1所述DenseNet进行人体活动的识别方法，其特征在于，对网络框架进行设计的具体过程为：第一步，对WiFiCSI数据进行预处理后获得的数据格式为30×3000，对于高维且数据长度很长的数据，首先对其进行数据长度方向上进行裁剪，因此采用卷积核尺寸为7，步长为6的一维卷积对数据长度进行处理，即其中O为输出尺寸，N为数据长度；第二步，设计第一组Dense_block层和Translation层，分别采用卷积和尺寸为1，步长为