郝占軍,段 渝,黨小超,曹 淵

(1.西北師范大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院,蘭州 730070; 2.甘肅省物聯(lián)網(wǎng)工程研究中心,蘭州 730070)

0 概述

無線通信基礎(chǔ)設(shè)施的廣泛部署,促進(jìn)了以基于無線通信網(wǎng)絡(luò)的人類行為識(shí)別為核心技術(shù)的各種應(yīng)用發(fā)展[1]。傳統(tǒng)的人類行為識(shí)別需要配置可以佩戴在人體上或者部署在環(huán)境中的物理傳感設(shè)備[2],如UWB、RFID和加速度傳感器等,通過讀取其采集的信息進(jìn)行行為識(shí)別。盡管傳統(tǒng)的行為識(shí)別方法已被普遍使用并取得了良好效果,但因其需要特定的傳感器設(shè)備,使用成本較高。隨著無線通信技術(shù)的發(fā)展,基于Wi-Fi的行為識(shí)別由于其在室內(nèi)區(qū)域中的普遍可用性而受到越來越多的關(guān)注。由于無需穿戴傳感器設(shè)備就可以自動(dòng)識(shí)別人體行為,因此該技術(shù)已在現(xiàn)實(shí)生活中得到廣泛應(yīng)用,例如智能家居、遠(yuǎn)程醫(yī)療保健、校園安全、重癥病人監(jiān)護(hù)、老年人活躍度檢測等[3]。

傳統(tǒng)的室內(nèi)人類行為檢測主要依靠接收信號(hào)強(qiáng)度(Received Signal Strength,RSS)方法[4]。但實(shí)驗(yàn)結(jié)果表明,RSS方法的動(dòng)作識(shí)別效果差,穩(wěn)定性低。與RSS相比,信道狀態(tài)信息(Channel State Information,CSI)是一種MAC層更細(xì)粒度的度量,其描述了無線信號(hào)的幅度衰減和相位移動(dòng)[5],通過CSI可有效識(shí)別生命體征、基本行為以及復(fù)雜的活動(dòng)[6]。例如:文獻(xiàn)[7]通過分析CSI信號(hào)來檢測心率和呼吸頻率;文獻(xiàn)[8]開發(fā)E-eyes系統(tǒng)來進(jìn)行人體步態(tài)識(shí)別;文獻(xiàn)[9]開發(fā)WiFi-ID系統(tǒng)來識(shí)別人類身份。根據(jù)識(shí)別算法和應(yīng)用場景的不同,CSI人體動(dòng)作識(shí)別方法可以分為基于模型的識(shí)別和基于指紋庫的識(shí)別,兩者最主要的區(qū)別為是否需要進(jìn)行先驗(yàn)學(xué)習(xí)[10]?；谀Ｐ偷淖R(shí)別方法通過接入大量的接入點(diǎn)(Access Point,AP)來準(zhǔn)確識(shí)別人類行為,例如文獻(xiàn)[11]建立的Fresnel模型,這導(dǎo)致了硬件成本和維護(hù)費(fèi)用較高?；谥讣y庫的識(shí)別方法通過離線階段訓(xùn)練和在線階段識(shí)別進(jìn)行模式匹配,即可實(shí)現(xiàn)人體動(dòng)作的識(shí)別,其無需密集部署AP,甚至可以僅使用單個(gè)AP,硬件和維護(hù)成本較低且基本不會(huì)影響人類的正常生活。

目前多數(shù)CSI人類行為識(shí)別研究僅能識(shí)別簡單的日常行為或者單一的人體站立蹲起姿勢,在實(shí)際場景中無法有效地識(shí)別復(fù)雜的人體動(dòng)作。為此,本文提出一種基于CSI的人體復(fù)雜動(dòng)作識(shí)別方法Wi-KongFu。將識(shí)別過程分為離線和在線2個(gè)階段,離線階段采集形意拳招式的CSI數(shù)據(jù)進(jìn)行訓(xùn)練并構(gòu)建特征指紋庫,在線階段通過對(duì)采集動(dòng)作數(shù)據(jù)分類并與特征指紋庫匹配,得到最終識(shí)別結(jié)果。

1 相關(guān)理論

1.1 信道狀態(tài)信息

Wi-Fi信號(hào)在標(biāo)準(zhǔn)協(xié)議下傳輸使用正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing,OFDM)調(diào)制方式,將數(shù)據(jù)編碼到若干條不同頻率載波上。本文使用文獻(xiàn)[12]中的工具從商用Atheros網(wǎng)卡中提取CSI,以其時(shí)域和頻域信號(hào)反映從接收機(jī)到發(fā)射機(jī)數(shù)據(jù)鏈路中的信道信息狀態(tài)。CSI是MAC層一種細(xì)粒度的特征,其反映的信號(hào)衰減,包括折射、反射、衍射、功率的衰減等信息。

在OFDM傳輸系統(tǒng)中,一個(gè)CSI通用模型可表示為:

Y=HX+N

(1)

其中,Y、X分別代表接收信號(hào)向量和發(fā)射信號(hào)向量,H與N分代表CSI矩陣和加性高斯白噪聲。由式(1)可以得出:

(2)

H=[H(f1),H(f2),…,H(fN)]

(3)

其中,N為不同信道帶寬設(shè)置下子載波分組個(gè)數(shù)。當(dāng)信道帶寬設(shè)置為20 MHz時(shí),N=30;當(dāng)信道帶寬設(shè)置為40 MHz時(shí),N=114。從數(shù)據(jù)包中解析出每一個(gè)子載波的CSI頻域和時(shí)域信息:

H(i)=|H(i)|ejsin∠H(i)

(4)

其中,H(i)表示第i的子載波的CSI值,|H(i)|表示第i個(gè)子載波的幅度值,∠H(i)表示第i個(gè)子載波的相位值。

1.2 巴特沃斯低通濾波器

巴特沃斯低通濾波器是一種無線沖擊響應(yīng)濾波器[13],若給定低通濾波器的幅頻函數(shù)為H(ε),則巴特沃斯低通濾波器的幅頻響應(yīng)函數(shù)可以表示為:

(5)

其中,N為濾波階數(shù),ΩC為截止頻率(單位rad/s),j為各階系數(shù)。一個(gè)濾波器的幅頻曲線包含通帶,阻帶以及過渡帶。對(duì)于通帶有:

1-δp≤|Ha(jΩ)|≤1+δp,|Ω|≤Ωp

(6)

對(duì)于阻帶滿足:

|Ha(jΩ)|≤δs,Ωs≤|Ω|≤∞

(7)

其中,Ωp、Ωs分別是通帶和阻帶的邊緣頻率,δs為通帶內(nèi)濾波器與理想濾波器幅值偏差,δp為阻帶內(nèi)濾波器與理想濾波器幅值偏差。

1.3 離散小波變換

小波變換被廣泛應(yīng)用于信號(hào)處理,其最大優(yōu)勢在于窗口的動(dòng)態(tài)自適應(yīng)性,通過調(diào)整窗口的寬度和高度,可以分析并提取出信號(hào)的有效信息。離散小波變換是對(duì)小波函數(shù)的參數(shù)作離散化處理[14-15],即對(duì)于尺度參數(shù)α,平移參數(shù)β,將ψα,β(t)中的連續(xù)變量取作整數(shù)離散形式,可得離散小波:

ψα,β(t)=2α/2ψ(2αt-k)

(8)

離散小波變換可以表示為:

Wf(α,β)=(f(t),ψα,β(t))

(9)

離散小波變換通過對(duì)參數(shù)α和參數(shù)β的調(diào)節(jié),實(shí)現(xiàn)對(duì)信號(hào)的局部化處理[16]。

2 Wi-KongFu識(shí)別方法

離線階段采集每個(gè)形意拳招式的CSI數(shù)據(jù),以振幅作為特征值,對(duì)采集到的CSI原始數(shù)據(jù)進(jìn)行預(yù)處理,利用巴特沃斯低通濾波器和離散小波變換過濾異常數(shù)據(jù),并使用受限玻爾茲曼機(jī)(Restricted Boltzmann Machine,RBM)進(jìn)行訓(xùn)練分類,建立每個(gè)形意拳招式的標(biāo)準(zhǔn)指紋庫。在線階段在實(shí)驗(yàn)環(huán)境中采集測試人員的形意拳招式動(dòng)作數(shù)據(jù)并進(jìn)行預(yù)處理,使用改進(jìn)深度置信網(wǎng)絡(luò)(Deep Belief Network,DBN)對(duì)其進(jìn)行進(jìn)一步分類[17],然后與離線階段建立的拳法招式標(biāo)準(zhǔn)指紋庫進(jìn)行實(shí)時(shí)匹配,識(shí)別具體的形意拳招式。Wi-KongFu方法識(shí)別流程如圖1所示。

圖1 Wi-KongFu方法流程Fig.1 Flowchart of Wi-KongFu method

2.1 離線數(shù)據(jù)采集

在拳法招式數(shù)據(jù)采集過程中,本文采用2×3鏈路,即2根發(fā)射天線和3根接收天線,每根天線可以接收56個(gè)子載波信道值。本文將形意拳動(dòng)作分為8個(gè)招式來進(jìn)行識(shí)別,分別為起式、崩拳、虎拳、馬形拳、鉆拳、橫拳、劈拳以及收式。在實(shí)驗(yàn)過程中,分別在信號(hào)鏈路中做這8個(gè)拳法招式,以采集每個(gè)拳法招式的不同的CSI值。預(yù)采集的形意拳招式對(duì)應(yīng)的特征值如圖2所示。

圖2 形意拳招式對(duì)應(yīng)的特征值Fig.2 Corresponding eigenvalues of Xing Yi Quan actions

2.2 離線數(shù)據(jù)處理

2.2.1 數(shù)據(jù)預(yù)處理

圖3顯示了一幅形意拳招式的原始CSI振幅圖。

圖3 原始CSI振幅圖Fig.3 Original CSI amplitude map

從圖3可以看出存在許多異常值。異常值的存在會(huì)導(dǎo)致拳法招式的識(shí)別精確度下降,為此,本文分別采用巴特沃斯低通濾波器和離散小波變換過濾異常值中的高頻和低頻干擾。通過數(shù)據(jù)的預(yù)處理,過濾采集數(shù)據(jù)的異常值,最大程度地保留信號(hào)特征完整性,以便建立每個(gè)形意拳招式的特征指紋信息。

通過巴特沃斯低通濾波器濾除拳法招式CSI數(shù)據(jù)中的高頻異常數(shù)據(jù),處理步驟如下:

步驟1設(shè)計(jì)巴特沃斯低通濾波器的幅頻傳遞函數(shù)H(ε)。

步驟2設(shè)置參數(shù)η(fn,fs,fp,Rp,Rs),生成可以處理振幅數(shù)據(jù)的巴特沃斯低通濾波器。其中,fn為采樣頻率,fs為阻帶截止頻率,fp為通帶截止頻率,Rp為通帶內(nèi)波動(dòng)最小衰減,Rs為阻帶內(nèi)最小衰減。

步驟3以形意拳招式的振幅矩陣為原始信號(hào),利用步驟2中設(shè)計(jì)的巴特沃斯低通濾波器進(jìn)行處理,過濾振幅信號(hào)的高頻異常。

經(jīng)巴特沃斯低通濾波器濾除異常的形意拳數(shù)據(jù)前后對(duì)比如圖4所示。可以看出,CSI數(shù)據(jù)變得更加平滑,且高頻異常被濾除。

圖4 巴特沃斯低通濾波器處理效果Fig.4 Processing effect of Butterworth low-pass filter

使用離散小波變換濾除CSI數(shù)據(jù)中的低頻干擾數(shù)據(jù)。將拳法招式特征信息作為離散小波變換的原始輸入信號(hào),對(duì)其進(jìn)行分解獲得近似部分和細(xì)節(jié)部分,近似表示低頻信息,細(xì)節(jié)表示高頻信息[18]。通過設(shè)置函數(shù)參數(shù)ζ(x[n],g[n],h[n],↓Q),完成對(duì)拳法數(shù)據(jù)中低頻信息的過濾。其中,x[n]為離散的輸入信號(hào),g[n]為低通濾波器,h[n]為高通濾波器,↓Q為降采樣濾波器。經(jīng)離散小波變換處理的數(shù)據(jù)如圖5所示。將濾除低頻異常后的CSI數(shù)據(jù)作為訓(xùn)練樣本集,進(jìn)行下一步對(duì)拳法數(shù)據(jù)的分類。

圖5 離散小波變換濾除低頻異常效果Fig.5 Effect of discrete wavelet transform filtering low frequency anomalies

2.2.2 形意拳招式動(dòng)作分類

以上述預(yù)處理后的數(shù)據(jù)作為訓(xùn)練樣本,使用RBM訓(xùn)練。假設(shè)訓(xùn)練集λ={λ(1),λ(2),…,λ(t)},其中,t為訓(xùn)練樣本的個(gè)數(shù),利用極大似然法求解RBM訓(xùn)練的似然函數(shù)P(v):

(10)

本文采用k步對(duì)比散度算法對(duì)RBM網(wǎng)絡(luò)進(jìn)行訓(xùn)練,即其只需要M步吉布斯采樣就可以得到適合待訓(xùn)練樣本模型的近似[19]。根據(jù)式(10),當(dāng)顯層數(shù)據(jù)一定時(shí),可推導(dǎo)出所有隱層神經(jīng)元的激活狀態(tài)的概率,如式(11)所示。同理,當(dāng)隱層數(shù)據(jù)一定時(shí),也可以由式(12)推導(dǎo)出顯層神經(jīng)元的激活狀態(tài)。

(11)

(12)

其中,σ(x)為神經(jīng)元的非線性sigmoid激活函數(shù),如式(13)所示。

(13)

2.2.3 離線指紋庫建立

對(duì)采集的形意拳招式數(shù)據(jù)進(jìn)行預(yù)處理,作為指紋信息S=(S1,S2,…,SW)T。將S作為待訓(xùn)練樣本集,對(duì)RBM進(jìn)行訓(xùn)練,訓(xùn)練過程如下:

步驟1初始化RBM,對(duì)顯層神經(jīng)元賦初值v0=v。

步驟2對(duì)訓(xùn)練樣本集S進(jìn)行吉布斯采樣,當(dāng)時(shí)間l=1,2,…,M時(shí),進(jìn)行M步的吉布斯采樣。

步驟3對(duì)顯層神經(jīng)元數(shù)據(jù)進(jìn)行吉布斯采樣,并對(duì)其進(jìn)行處理。可以由隱層采樣顯層,使用P(h(l)|v(l-1))計(jì)算出相應(yīng)的vl。同理,對(duì)隱層神經(jīng)元數(shù)據(jù)進(jìn)行吉布斯采樣,可以使用P(hl-1|vl-1)計(jì)算出hl-1。

步驟4對(duì)隱層和顯層計(jì)算相應(yīng)的期望值,完成訓(xùn)練。

通過對(duì)訓(xùn)練樣本集的M步吉布斯采樣后,系統(tǒng)就可以獲得一個(gè)適合訓(xùn)練樣本模型的近似采樣值。與此同時(shí),系統(tǒng)也可以確定顯層神經(jīng)元的激活狀態(tài),本文使用訓(xùn)練后的指紋信息記作S′=(S′1,S′2,…,S′W)T,建立每個(gè)形意拳招式動(dòng)作的特征指紋庫。

2.3 在線動(dòng)作識(shí)別

2.3.1 在線識(shí)別

在線識(shí)別階段使用發(fā)射機(jī)采集每個(gè)待識(shí)別動(dòng)作數(shù)據(jù),將采集到的數(shù)據(jù)發(fā)送給接收機(jī),選取CSI數(shù)據(jù)中的振幅作為特征值。信號(hào)中的頻率表示由身體運(yùn)動(dòng)引起的多徑變化速度,幅度表示信號(hào)的能量[20],因此,通過分析信號(hào)中的幅度信息,可以得到每個(gè)形意拳招式的幅度特征,進(jìn)而判別出不同的招式動(dòng)作。

在線階段識(shí)別流程如下:

步驟1在搭載Atheros網(wǎng)卡的接收機(jī)與發(fā)射機(jī)間采集實(shí)時(shí)形意拳招式數(shù)據(jù)。

步驟2選取形意拳招式CSI數(shù)據(jù)中的振幅作為特征值。

步驟3通過數(shù)據(jù)預(yù)處理過濾異常值。

步驟4將通過預(yù)處理的數(shù)據(jù)作為待訓(xùn)練的樣本集,使用改進(jìn)的DBN進(jìn)行訓(xùn)練,提高分類精度。

步驟5將分類后的形意拳招式數(shù)據(jù)與離線階段構(gòu)建的形意拳招式指紋庫進(jìn)行實(shí)時(shí)匹配,識(shí)別測試人員的動(dòng)作。

2.3.2 在線形意拳動(dòng)作分類

為了更好地對(duì)在線階段形意拳動(dòng)作進(jìn)行分類,本文使用改進(jìn)的DBN模型對(duì)形意拳招式動(dòng)作進(jìn)行分類,其偽代碼如下:

輸出DBN模型以及參數(shù)θ′

//預(yù)訓(xùn)練階段

//初始化DBN網(wǎng)絡(luò)

第一個(gè)顯層RBM值v(1)=v(x),對(duì)偏置a和偏置b賦初值為0,令權(quán)重參數(shù)W滿足正態(tài)分布(0,0.01);θ′(W′ij,a′i,b′j)

for epoch=1,2,…,Z

for j=1,2,…,Nh

//計(jì)算隱層神經(jīng)元被激活的狀態(tài):

從P(h1(j=1)|h1)中抽取均勻分布的隨機(jī)值h1(j)∈{0,1};

endfor

for j=1,2,…,Nv

//計(jì)算顯層神經(jīng)元被激活的狀態(tài):

從P(v2(i=1)|h1)中抽取均勻分布的隨機(jī)值v2(i)∈{0,1};

endfor

//微調(diào)階段:

//使用對(duì)比散度算法更新權(quán)重參數(shù)W,偏置a、b:

a→ma+ρ(v1-v2)

b→mb+ρ(P(h1=1|v1)-P(h2=1|v2))

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境

為驗(yàn)證Wi-KongFu方法在實(shí)際場景中的可行性,本文采用設(shè)備為:2臺(tái)臺(tái)式電腦(網(wǎng)卡為Atheros AR9380,CPU為 Intel Core i3-4150,操作系統(tǒng)為Ubuntu 16.04 LTS4.1.10 Linux內(nèi)核版)和5根1.5 m的外部天線。其中,一臺(tái)電腦作為發(fā)射端,另一臺(tái)作為接收端,分別將發(fā)射機(jī)和接收機(jī)Atheros網(wǎng)卡的天線觸點(diǎn)使用外部天線接出。實(shí)驗(yàn)場地選擇為空曠無人的大廳、走廊和實(shí)驗(yàn)室以對(duì)應(yīng)多徑效應(yīng)由低到高的變化。實(shí)驗(yàn)環(huán)境和實(shí)驗(yàn)環(huán)境平面結(jié)構(gòu)如圖6所示。

圖6 實(shí)驗(yàn)場地及其平面結(jié)構(gòu)Fig.6 Experimental sites and the corresponding plane structures

3.2 實(shí)驗(yàn)設(shè)計(jì)

設(shè)置3根發(fā)射天線和2根接收天線以形成 6條傳輸鏈路。保持接收機(jī)和發(fā)射機(jī)的高度、距離以及發(fā)射機(jī)發(fā)包速率一定,在3種不同實(shí)驗(yàn)環(huán)境中,分別安排測試人員站在發(fā)射機(jī)和接收機(jī)中點(diǎn)位置做形意拳的固定招式,每個(gè)形意拳招式采集CSI數(shù)據(jù)5 000包,保存至接收機(jī)PC端,經(jīng)過Wi-KongFu方法處理后,利用RBM對(duì)每個(gè)形意拳招式數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí),建立每個(gè)形意拳招式的標(biāo)準(zhǔn)特征指紋信息。

在線識(shí)別階段,在實(shí)驗(yàn)場地中,測試人員站在發(fā)射機(jī)和接收機(jī)的中間位置做任意的形意拳招式,實(shí)時(shí)采集并處理CSI數(shù)據(jù),使用DBN進(jìn)行分類,通過已建立的形意拳招式標(biāo)準(zhǔn)特征指紋庫進(jìn)行實(shí)時(shí)匹配,識(shí)別測試人員的形意拳具體招式。

3.3 性能分析

在離線階段形意拳招式動(dòng)作標(biāo)準(zhǔn)指紋庫的建立過程中,發(fā)射機(jī)和接收機(jī)的距離、發(fā)射機(jī)的發(fā)包速率等設(shè)置對(duì)識(shí)別效果起到關(guān)鍵作用。

3.3.1 距離對(duì)識(shí)別性能影響

為了分析發(fā)射機(jī)和接收機(jī)之間距離對(duì)本文方法的影響,在離線指紋庫構(gòu)建階段,保持其他條件不變,分別設(shè)置發(fā)射機(jī)與接收機(jī)之間距離為0.8 m、1.0 m、1.2 m、1.4 m、1.6 m、1.8 m、2.0 m,最終識(shí)別結(jié)果如圖7所示?？梢钥闯?隨著發(fā)射機(jī)與接收機(jī)之間距離的增加,每個(gè)形意拳招式識(shí)別準(zhǔn)確率基本呈現(xiàn)先上升后下降的趨勢,當(dāng)發(fā)射機(jī)與接收機(jī)距離為1.2 m時(shí),其識(shí)別準(zhǔn)確率最佳。

圖7 發(fā)射機(jī)與接收機(jī)距離對(duì)識(shí)別效果影響Fig.7 Influence of the distance between the transmitter and the receiver on recognition effect

3.3.2 發(fā)包率對(duì)識(shí)別性能的影響

發(fā)射機(jī)的發(fā)包速率決定了相同時(shí)間內(nèi)采集樣本的數(shù)量以及拳法招式動(dòng)作在數(shù)據(jù)鏈路中被采集的靈敏度。由于信號(hào)在空氣中傳播有一定的衰減,因此相同時(shí)間下不同發(fā)包率采集到的樣本數(shù)據(jù)損失數(shù)目也不同。在其他條件一定時(shí),本文將發(fā)包率設(shè)置為10包/s、20包/s、50包/s、100包/s,分析其對(duì)本文方法識(shí)別效果,結(jié)果如表1所示?？梢钥闯?當(dāng)發(fā)射機(jī)發(fā)包速率為10包/s時(shí),拳法招式在數(shù)據(jù)鏈路中被采集的靈敏度最佳,異常值干擾最小,采集到的包數(shù)衰減最少,更能真實(shí)地反映每個(gè)不同形意拳招式對(duì)數(shù)據(jù)鏈路信號(hào)的影響。

表1 發(fā)射機(jī)發(fā)包速率對(duì)識(shí)別效果的影響Table 1 Influence of packet transmitting rate on recognition effect

3.3.3 不同人員對(duì)識(shí)別性能的影響

本文選取2個(gè)測試人員做相同形意拳招式動(dòng)作,來驗(yàn)證通過大量數(shù)據(jù)采集構(gòu)建的形意拳招式標(biāo)準(zhǔn)指紋庫的可用性和Wi-KongFu方法的識(shí)別效果。以形意拳起式動(dòng)作為例,2個(gè)測試人員分別在發(fā)射機(jī)與接收機(jī)距離為1.2 m、發(fā)包率為10包/s的條件下,做相同的起式動(dòng)作,采集數(shù)據(jù)后通過Wi-KongFu方法進(jìn)行處理,實(shí)驗(yàn)結(jié)果如圖8所示?？梢钥闯?采集到的振幅特征值趨勢近似一致,表明Wi-KongFu方法識(shí)別效果較好。

圖8 測試人員對(duì)Wi-KongFu方法的影響Fig.8 Influence of testers on Wi-KongFu method

3.3.4 不同實(shí)驗(yàn)場地對(duì)識(shí)別性能的影響

本文根據(jù)多徑效應(yīng)由低到高,分別在空曠無人的大廳、走廊、實(shí)驗(yàn)室中進(jìn)行實(shí)驗(yàn),結(jié)果如圖9所示。

圖9 3種場地的平均動(dòng)作識(shí)別準(zhǔn)確率Fig.9 Average action recognition accuracy rate at 3 different sites

可以看出,隨著采集數(shù)據(jù)包數(shù)的增加,本文方法在3種場地中拳法招式的識(shí)別準(zhǔn)確率均能達(dá)到85%以上。其中,空曠無人的大廳為識(shí)別效果最好的場地,其次是走廊,最后是實(shí)驗(yàn)室。這是因?yàn)閷?shí)驗(yàn)室環(huán)境復(fù)雜,多徑效應(yīng)嚴(yán)重,大量障礙物對(duì)信號(hào)傳輸造成干擾,走廊中的障礙物較少,信號(hào)干擾并不嚴(yán)重,而空曠無人的大廳場地中幾乎沒有障礙物,多徑效應(yīng)對(duì)實(shí)驗(yàn)干擾很小。

3.3.5 動(dòng)作識(shí)別效果分析

實(shí)驗(yàn)分別采集2個(gè)測試人員多次做8個(gè)形意拳招式的數(shù)據(jù),基于每個(gè)形意拳招式的標(biāo)準(zhǔn)指紋信息進(jìn)行分類,并獨(dú)立驗(yàn)證了每個(gè)招式動(dòng)作。圖10通過混淆矩陣的形式,給出了形意拳招式識(shí)別的效果?？梢钥闯?所有招式動(dòng)作的識(shí)別準(zhǔn)確率均在85%以上,起式的識(shí)別準(zhǔn)確率達(dá)到90%,說明Wi-KongFu方法能對(duì)形意拳的8個(gè)招式動(dòng)作進(jìn)行有效區(qū)分。

圖10 8個(gè)形意拳招式動(dòng)作的混淆矩陣Fig.10 Confusion matrix of 8 Xing Yi Quan actions

3.3.6 動(dòng)作識(shí)別整體性能分析

為了驗(yàn)證Wi-KongFu方法的整體性能,本文將其與CSI-SRC、傳統(tǒng)RSSI方法進(jìn)行對(duì)比實(shí)驗(yàn),評(píng)價(jià)指標(biāo)為準(zhǔn)確率。3種方法的實(shí)驗(yàn)結(jié)果如圖11所示。

圖11 3種方法準(zhǔn)確率的比較Fig.11 Accuracy rate comparison of 3 methods

可以看出,3種方法的準(zhǔn)確率均能達(dá)到80%以上,但相比于CSI-SRC與傳統(tǒng)RSSI方法,Wi-KongFu方法的準(zhǔn)確率較高且相對(duì)穩(wěn)定,整體識(shí)別性能較好。

4 結(jié)束語

本文提出一種基于CSI的人體復(fù)雜動(dòng)作識(shí)別方法Wi-KongFu,并以形意拳招式作為復(fù)雜動(dòng)作進(jìn)行驗(yàn)證。離線階段采集每個(gè)形意拳招式CSI數(shù)據(jù),結(jié)合巴特沃斯低通濾波器和離散小波變換對(duì)其預(yù)處理后,使用RBM進(jìn)行訓(xùn)練并分類,建立標(biāo)準(zhǔn)指紋庫。在線階段使用改進(jìn)的DBN方法對(duì)過濾后的實(shí)時(shí)數(shù)據(jù)進(jìn)一步訓(xùn)練和分類,并與指紋庫進(jìn)行數(shù)據(jù)匹配,從而實(shí)現(xiàn)對(duì)不同形意拳招式的識(shí)別。實(shí)驗(yàn)結(jié)果表明,與CSI-SRC和傳統(tǒng)RSSI方法相比,Wi-KongFu方法在魯棒性和動(dòng)作識(shí)別準(zhǔn)確率方面性能均較好。后續(xù)將對(duì)該方法進(jìn)行改進(jìn),進(jìn)一步提高識(shí)別精度并使其能分辨更細(xì)粒度的動(dòng)作。