一种基于CSI的跌倒检测方法

冉亚鑫 余江 常俊 李晓薇

引用本文:
Citation:

一种基于CSI的跌倒检测方法

    作者简介: 冉亚鑫(1996−),女,山东人,硕士生,主要研究方向为人体行为检测技术应用,E-mail:974349385@qq.com;
    通讯作者: 余江, yujiang@ynu.edu.cn
  • 中图分类号: TP391.4

A method of fall detection based on CSI

    Corresponding author: YU Jiang, yujiang@ynu.edu.cn ;
  • CLC number: TP391.4

  • 摘要: 针对传统人体行为识别方法系统搭建成本高、部署复杂且存在侵犯隐私等问题,提出一种使用商用Wi-Fi设备获取信道状态信息CSI进行人体行为识别与跌倒检测的方法. 通过提取信道状态信息CSI中的幅度和相位特征作为基础信号,并使用功率谱熵作为新特征建立指纹库. 采用基于人工鱼群算法AFSA修正的支持向量机SVM对动作进行分类识别,通过对SVM中的参数惩罚因子和核函数参数进行优化选择达到优化分类的效果. 根据真实环境数据验证表明,平均识别率达到94.64%.
  • 图 1  检测方法总体流程

    Figure 1.  System flow chart of testing method

    图 2  指数滤波前后信号幅值对比

    Figure 2.  Comparison of signal amplitude before and after exponential filtering

    图 3  跌倒动作原始幅值与计算移动方差后的幅值对比

    Figure 3.  Comparison of the original amplitude and the amplitude after calculating the moving variance of the fall action

    图 4  原始相位与相位差对比

    Figure 4.  Comparison of the originol phose and the phase difference

    图 5  实验场景与平面部署

    Figure 5.  Experimental scenario and plane deployment

    图 6  AFSA-SVM算法和SVM算法分类效果对比

    Figure 6.  Comparison of AFSA-SVM algorithm and SVM algorithm classification effect

    图 7  CSI与RSSI对分类效果的对比

    Figure 7.  Comparison of classification effects between CSI and RSSI

    图 8  功率谱熵对分类结果的影响

    Figure 8.  Influence of power spectrum entropy on classification results

    表 1  AFSA-SVM算法分类的混淆矩阵

    Table 1.  Confusion matrix of AFSA-SVM algorithm classification

    坐-站 跳跃 深蹲 跌倒
    坐-站 0.750 0 0.027 0 0.027 8 0
    跳跃 0.050 0 0.973 0 0.055 6 0
    深蹲 0.050 0 0 0.916 7 0
    跌倒 0 0 0 1.000 0
    下载: 导出CSV

    表 2  SVM算法分类的混淆矩阵

    Table 2.  Confusion matrix of SVM algorithm classification

    坐-站 跳跃 深蹲 跌倒
    坐-站 0.578 9 0.052 6 0 0
    跳跃 0.421 1 0.894 7 0.200 0 0.136 4
    深蹲 0 0.052 6 0.800 0 0
    跌倒 0 0 0 0.863 6
    下载: 导出CSV

    表 3  各优化算法错误率和运行时间比较

    Table 3.  Comparison of error rate and running time of different optimization algorithms

    算法 错误率/% 运行时间/s
    PSO-SVM 9.29 123.50
    GA-SVM 8.65 137.16
    AFSA-SVM 5.36 95.37
    下载: 导出CSV
  • [1] 周健. 无线感知网络中基于CSI的室内入侵检测与行为识别研究[D]. 南京: 南京邮电大学, 2018.

    Zhou J. Research on indoor intrusion detection and behavior recognition based on CSI in wireless perception network[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2018.
    [2] Dong Z H, Li F M, Ying J L. Indoor motion detection using Wi-Fi channel state information in flat floor environments versus in staircase environments[J]. Sensors (Basel, Switzerland), 2018, 18(7): 2 177-2 195. DOI:  10.3390/s18072177.
    [3] Tan S, Yang J. Wi-Finger: leveraging commodity Wi-Fi for fine-grained finger gesture recognition[C]. the 17th ACM International Symposium, Paderbern, Germany, 2016: 201-210.
    [4] 陈吉鑫. 基于MEMS惯性传感器的可穿戴式跌倒检测系统研究[D]. 成都: 西南交通大学, 2018.

    Chen J X. Research on wearable fall detection system based on MEMS inertial sensor[D]. Chengdu: Southwest Jiaotong University, 2018.
    [5] Li Y, Ho K C, Mihail P. A microphone array system for automatic fall detection[J]. IEEE Transactions on Biomedical Engineering, 2012, 59(5): 1 291-1 301. DOI:  10.1109/TBME.2012.2186449.
    [6] Chen C, Han Y, Chen Y, et al. TR-BREATH: Time-reversal breathing rate estimation and detection[J]. IEEE Transactions on Biomedical Engineering, 2018, 65(3): 489-501. DOI:  10.1109/TBME.2017.2699422.
    [7] Wang Y, Liu J, Chen Y, et al. E-eyes: Device-free location-oriented activity identification using fine-grained Wi-Fi signatures[C]. Proceedings of the 20th annual international conference on Mobile computing and networking, Maui, Hawaii, USA, 2014: 617-628.
    [8] Wang Y, Wu K, Ni L M. Wi-fall: Device-free fall detection by wireless networks[J]. IEEE Transactions on Mobile Computing, 2017, 16(2): 581-594. DOI:  10.1109/TMC.2016.2557792.
    [9] 党小超, 黄亚宁, 郝占军, 等. 一种基于信道状态信息的室内人员行为检测方法[J]. 计算机工程, 2018, 44(8): 79-85. Dang X C, Huang Y N, Hao Z J, et al. Indoor personnel behavior detection method based on channel state information[J]. Computer Engineering, 2018, 44(8): 79-85.
    [10] Mathecken P, Riihonen T, Werner S, et al. Constrained phase noise estimation in OFDM using scattered pilots without decision feedback[J]. IEEE Transactions on Signal Processing, 2017, 65(9): 2 348-2 362. DOI:  10.1109/TSP.2017.2655481.
    [11] Jiang X, Wu K, Yi Y, et al. FIMD: Fine-grained device-free motion detection[C].2012 IEEE 18th International Conference on Parallel and Distributed Systems, Singapore, 2012: 229-235.
    [12] Wang W, Liu A X, Shahzad M, et al. Understanding and modeling of Wi-Fi signal based human activity recognition[C].Proceedings of the 21st Annual International Conference on Mobile Computing and Networking, Paris, France, 2015: 65-76.
    [13] Qian K, Wu C, Yang Z, et al. Enabling contactless detection of moving humans with dynamic speeds using CSI[J]. ACM Transactions on Embedded Computing Systems, 2018, 17(2): 1-18.
    [14] 肖玲, 潘浩. 基于Wi-Fi信号的人体动作识别系统[J]. 北京邮电大学学报, 2018, 41(3): 119-124. Xiao L, Pan H. Human motion recognition system based on Wi-Fi signal[J]. Journal of Beijing University of Posts and Telecommunications, 2018, 41(3): 119-124.
    [15] Chowdhury T Z. Using Wi-Fi channel state information (CSI) for human activity recognition and fall detection[D]. British: University of British Columbia, 2018.
    [16] Kapur J N, Kesavan H K.Entropy optimization principles with applications[M]. San Diego: Academic Press, 1992.
    [17] 姬盛飞, 王丽君, 吉南阳. 基于AFSA-SVM的滚动轴承故障诊断研究[J]. 组合机床与自动化加工技术, 2019(1): 115-117. Ji S F, Wang L J, Ji N Y. Research on fault diagnosis of rolling bearing based on AFSA-SVM[J]. Combined Machine Tools and Automated Machining Technology, 2019(1): 115-117.
  • [1] 王海燕王红军徐小力 . 基于支持向量机的纳西东巴象形文字符识别*. 云南大学学报(自然科学版), 2016, 38(5): 730-736. doi: 10.7540/j.ynu.20150757
    [2] 何晨光贺思德董志民 . 最小二乘支持向量机在人脸识别中的应用. 云南大学学报(自然科学版), 2008, 30(3): 239-245.
    [3] 焦红虹周浩方淇 . 基于光流场的时间分段网络行为识别. 云南大学学报(自然科学版), 2019, 41(1): 36-45. doi: 10.7540/j.ynu.20170750
    [4] 李琰崔建福马镭石磊 . 局部影响分析在支持向量机中的应用. 云南大学学报(自然科学版), 2004, 26(3): 204-207.
    [5] 周爱红尹超袁颖 . 基于主成分分析和支持向量机的砂土渗透系数预测模型*. 云南大学学报(自然科学版), 2016, 38(5): 742-749. doi: 10.7540/j.ynu.20150781
    [6] 卢康贺西平安笑笑贺升平尼涛 . 基于TSVM的多特征融合超声金属防伪识别. 云南大学学报(自然科学版), 2017, 39(4): 584-589. doi: 10.7540/j.ynu.20160548
    [7] 陆正福李佳 . FHE*KDFRS:全同态加密相容的核基人脸识别系统. 云南大学学报(自然科学版), 2018, 40(6): 1116-1127. doi: 10.7540/j.ynu.20180400
    [8] 马欣欣郭敏 . 基于EEMD和多域特征融合的手势肌电信号识别研究. 云南大学学报(自然科学版), 2018, 40(2): 252-258. doi: 10.7540/j.ynu.20170300
    [9] 闵文文梅 端代婷婷胡光华 . 基于遗传算法SVM的基因表达谱数据分析. 云南大学学报(自然科学版), 2013, 35(4): 441-446. doi: 10.7540/j.ynu.20120663
    [10] 马苗陈芳郭敏陈昱莅 . 基于改进LeNet-5的街景门牌号码识别方法. 云南大学学报(自然科学版), 2016, 38(2): 197-203. doi: 10.7540/j.ynu.20150560
    [11] 邱宇青胡光华潘文林 . 基于正交表的支持向量机并行学习算法. 云南大学学报(自然科学版), 2006, 28(2): 93-97.
    [12] 彭新俊胡光华 . 密度函数估计的修正SVM法. 云南大学学报(自然科学版), 2004, 26(4): 284-287.
    [13] 陈威张世峰张祝威胡贵妹 . 焦炉集气管压力系统的复合自适应PID控制. 云南大学学报(自然科学版), 2017, 39(4): 565-572. doi: 10.7540/j.ynu.20160597
    [14] 燕志星王海瑞杨宏伟靖婉婷 . 基于深度学习特征提取和GWO-SVM滚动轴承故障诊断的研究. 云南大学学报(自然科学版), 2020, 42(): 1-8. doi: 10.7540/j.ynu.20190535
    [15] 杞娴胡光华彭新俊 . 基于最佳距离度量近邻法的邻域风险最小化方法. 云南大学学报(自然科学版), 2004, 26(5): 373-377.
    [16] 张严严郭 敏 . 基于小波包和SVM的小麦碰撞声分类研究. 云南大学学报(自然科学版), 2013, 35(4): 463-468. doi: 10.7540/j.ynu.20120377
    [17] 胡光华徐汝争 . 最小二乘双胞支持向量回归机的研究. 云南大学学报(自然科学版), 2011, 33(6): 621-626.
    [18] 邵凯旋余映钱俊吴青龙杨鉴 . 基于边缘信息结合空间权重的图像显著性检测算法研究. 云南大学学报(自然科学版), 2020, 42(3): 429-436. doi: 10.7540/j.ynu.20190442
    [19] 张达敏蔡绍洪周海平郭长睿 . 规则网格中带人工免疫SIRS模型的动力学行为. 云南大学学报(自然科学版), 2010, 32(2): 158-162 .
    [20] 曹敏邹京希魏龄赵旭张林山李鹏 . 基于RBF神经网络的配电网窃电行为检测*. 云南大学学报(自然科学版), 2018, 40(5): 872-878. doi: 10.7540/j.ynu.20170426
  • 加载中
图(8)表(3)
计量
  • 文章访问数:  548
  • HTML全文浏览量:  354
  • PDF下载量:  18
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-07-23
  • 录用日期:  2019-11-29
  • 网络出版日期:  2019-12-17
  • 刊出日期:  2020-03-01

一种基于CSI的跌倒检测方法

    作者简介:冉亚鑫(1996−),女,山东人,硕士生,主要研究方向为人体行为检测技术应用,E-mail:974349385@qq.com
    通讯作者: 余江, yujiang@ynu.edu.cn
  • 云南大学 信息学院,云南 昆明 650500

摘要: 针对传统人体行为识别方法系统搭建成本高、部署复杂且存在侵犯隐私等问题,提出一种使用商用Wi-Fi设备获取信道状态信息CSI进行人体行为识别与跌倒检测的方法. 通过提取信道状态信息CSI中的幅度和相位特征作为基础信号,并使用功率谱熵作为新特征建立指纹库. 采用基于人工鱼群算法AFSA修正的支持向量机SVM对动作进行分类识别,通过对SVM中的参数惩罚因子和核函数参数进行优化选择达到优化分类的效果. 根据真实环境数据验证表明,平均识别率达到94.64%.

English Abstract

  • 当今社会,无线设备和无线信号遍布我们身边的每一个角落. 基于公众通信的无线智能感知,存在于无形,感知于无影,特别是基于OFDM和MIMO技术的新一代商业Wi-Fi设备,其测量的信道状态信息携带了比传统接收信号强度(RSS)更加细粒度的传播环境特征,在入侵检测[1]、行为检测[2]、手势识别[3]等应用中已经取得了显著的进步.

    我国已进入老龄化社会,所以对人体跌倒的研究引起了广泛的关注. 目前已有基于可穿戴传感器[4]和基于计算机视觉的研究方案[5],但这些系统存在一系列缺点,基于可穿戴传感器的方法要求用户随身佩带传感器,给日常生活带来不便. 利用摄像头采集信息的方案,只适用于光学条件较好的场景下,部署复杂,成本高,并会带来隐私问题. 利用Wi-Fi信号进行人体状态检测极为方便,早期研究人员大多利用接收信号强度(RSS)进行活动识别. 但RSS测量的是多径传播的叠加信号,稳定性差. 基于CSI(Channel State Information)的跌倒检测器很好的弥补了这些缺点,它不需要用户佩戴任何设备也不会侵犯隐私,并可以将跌倒检测信号传送到人机交互设备,然后发送给最近的医疗机构. CSI是MAC层更细粒度的度量,从人体基本行为到更复杂的活动,都能得到较准确的识别. 文献[6]通过分析CSI信号进行呼吸检测,文献[7]基于CSI信号开发的E-eyes系统进行人体步态识别. 利用CSI对人体跌倒进行检测的最早研究是Wi-Fall系统[8],研究人员利用幅值来区分人体活动,并提出采用随机森林分类器来改进分类的准确性. 然而,他们的研究存在明显的不足,仅利用CSI信号的幅值特征对活动进行分类,而忽略了对表征动作更敏感的相位特征. 文献[9]中的Wi-SK检测方法在静态环境中实现了细粒度的人员行为检测,但同样仅利用CSI幅值信息. 文献[10]中将SVM应用在基于RSSI的室内人员定位上,而RSSI在复杂环境中具有不稳定的缺陷,不利于人体行为检测. 文献[11]设计的FIMD系统利用CSI信号在复杂环境中更稳定的特点,对静态环境中的人员进行检测,但检测准确性会因环境的变化而降低. 文献[12]中的CARM系统,使用CSI速度模型和隐含马尔柯夫模型分类算法,没有考虑人体行为的特点,同时训练时间较长,复杂度较大. 文献[13]通过提取CSI幅度和相位的相关矩阵的最大和第二大特征值构成四维的特征向量,但识别率是否会随着特征向量的增加而有所提高还有待验证;文献[14]提出提取不同动作对应的子载波特征方差,进而采用SRC算法对人体行为进行分类,但该方法稳定性差,在人体活动不剧烈的情况下检测效果并不理想.

    针对以上问题,本文设计并实现了一种基于CSI的跌倒检测方法. 将CSI数据幅值和相位作为基础信号提取特征,提出使用功率谱熵作为识别跌倒的新特征,采用人工鱼群算法AFSA(Artificial Fish Swarm Algorithm)实现动作分类,并获得很好的识别效果.

    • CSI是描述无线信道状态的信息集合,它包括幅度和相位等信息. 为了能够细致地反映每条路径单独传播的情况,无线信道通常具备2种表现形式:信道冲击响应反映信号在时域上的特征,信道频率响应反映信号在频域上的特征. Wi-Fi采用OFDM调制技术,将信号调制到一系列间隔为312.5 kHz的子载波上进行通信,接收端可以从每个数据包中获取信道状态信息. 一组CSI数据是以子载波频差为频率采样间隔,对Wi-Fi带宽内的信道频率响应(CFR)的30个离散采样值,以代表子载波的幅度和相位. 第 $t$ 次采样的CSI数据可以表示为:

      ${C_t} = \left[ {\begin{array}{*{20}{c}} {{C_{1,1}}\left( {{f_1}} \right)}&{\cdots}&{{C_{1,j}}\left( {{f_j}} \right)} \\ {\cdots}&{\cdots}&{\cdots} \\ {{C_{i,1}}\left( {{f_1}} \right)}&{\cdots}&{{C_{i,j}}\left( {{f_j}} \right)} \end{array}} \right],$

      其中矩阵中的每个元素都是复数值,表示为:

      ${C_{i,j}}\left( {{f_j}} \right) = \left\| {{C_{i,j}}\left( {{f_j}} \right)} \right\|{e^{j\angle {C_{i,j}}\left( {{f_j}} \right)}},$

      ${f_j}$ 表示第 $j$ 个子载波的频率,$\left\| {{C_{i,j}}\left( {{f_j}} \right)} \right\|$$\angle {C_{i,j}}\left( {{f_j}} \right)$ 分别表示第 $i$ 根天线上的第 $j$ 个子载波的幅度和相位. 我们使用CSI的幅度信息和相位信息作为人体行为的基础信号.

    • 本文所述的一种基于CSI的跌倒检测方法,主要包括数据采集、信号预处理、特征提取、指纹库建立和数据信息匹配5个步骤. 总体流程如图1所示.

      图  1  检测方法总体流程

      Figure 1.  System flow chart of testing method

    • 根据IEEE 802.11n标准,利用Intel 5300网卡,通过修改固件,普通Wi-Fi设备每条收发链路可获得30组子载波上的CSI数据. 设备接收端接收到的CSI数据包是 ${N_t} \times {N_r} \times 30$ 的矩阵,其中 ${N_{\rm t}}$ 是发送端天线数,${N_{\rm r}}$ 是接收端天线数,且每个CSI数据流有30个子载波. 实验采用1×3的收发设备,每个CSI数据包包含3个数据流. 人体运动对3个数据流的影响不同,但对每个数据流中的30个子载波的影响相似[15],利用频率分集来补偿小规模衰落效应,我们将30个子载波的CSI幅度加权平均,加权因子的选择基于无线电波的传播与频率相关这一事实(参考自由空间模型),每个子载波对应的CSI可表示为:

      ${C_j} = \frac{1}{{{N_s}}}\sum\limits_{j = 1}^{{N_s}} {\frac{{{f_j}}}{{{f_o}}}} \times \left| {{C_{i,j}}} \right| ,$

      其中 ${f_o}$ 是在802.11n协议中定义的OFDM子载波的中心频率,${N_s}$ 为子载波数,$\left| {{C_{i,j}}} \right|$ 表示第 $i$ 根天线上的第 $j$ 个子载波的幅值.

    • 图2所示,黑色线条显示了由电磁噪声干扰的原始CSI幅值信息,可以观察到信号的真实趋势被淹没在噪声中. 因此,我们设计了一个指数平滑滤波器来滤除噪声,红色线条显示滤波器有效地消除了噪声,并且获得了由人体运动引起的真实变化趋势.

      图  2  指数滤波前后信号幅值对比

      Figure 2.  Comparison of signal amplitude before and after exponential filtering

    • 本文将预处理后的CSI数据作为提取活动特征的输入信号,但在人体活动的持续时间内完整的CSI信号轨迹包含过多的静止状态,这无疑增加了计算开销. 因此,由人体实际活动产生的CSI数据应该被分割出来. 为了提高分割精度,我们使用移动方差分割的方法放大CSI数据流的波动. 对于由 $n$ 个数据包组成的CSI数据,移动方差表示为:

      $C_{t,mv} \!=\! \left[ {\frac{1}{{L \!-\! 1}}{{\sum\limits_{d \!=\! 1}^L {\left| {{C_d} \!-\! \mu } \right|} }^2}} \right], \left( {1 \!\leqslant\! t \!\leqslant\! n \!-\! L \!+\! {\rm{1}}} \right),$

      $\mu = \frac{1}{L}\sum\limits_{d = 1}^L {C_d} ,$

      其中L为滑动窗口的长度,µd分别是滑动窗口中的幅度平均值和数据包编号,t是整个CSI流中当前位置包的编号.使用滑动窗口计算每个移动方差时,该滑动窗口跨相邻CSI包的经验长度 $L$ 值定为30. 图3(b)表示对跌倒动作计算了移动方差后的幅值,相比于图3(a)描述的原始CSI幅值,两者幅值高度相关,并且由人体实际活动产生的CSI数据更容易被分割出来,减少计算开销.

      图  3  跌倒动作原始幅值与计算移动方差后的幅值对比

      Figure 3.  Comparison of the original amplitude and the amplitude after calculating the moving variance of the fall action

    • 很多现有的研究只利用幅值特征来区分不同的活动,不能较好地提高对活动识别的正确率. 本文增加相位信息作为基础信号,但由于随机噪声以及收发端时钟不同步的影响,造成原始相位信息在各个子载波上的分布比较随机,因而无法直接使用. 本文计算两天线之间的相位差方差,将其作为特征,区分不同活动.

      若把第 $i$ 根天线上的第 $j$ 个子载波上的CFR原始相位 $\widehat {{\phi _j}}$ 表示为[16]

      $\widehat {{\phi _j}} = {\phi _j} - 2\pi \frac{{{k_j}}}{N}\delta + \beta ,$

      其中 ${\phi _j}$ 表示第 $j$ 个子载波上真实相位;$\delta $ 是接收端的时钟偏移,是造成相位误差的主要原因之一;$\beta $ 是未知的常数相位偏移;${k_j}$ 是子载波索引号;$N$ 是FFT解调部分的采样数. 任何一对天线 ${i_1}$${i_2}$ 的相位差,表示为$\vartriangle \widehat \phi _j^{{i_{1,}}{i_2}}$[2]

      $\begin{split} &\vartriangle \widehat \phi _j^{{i_{1,}}{i_2}} = \widehat \phi _j^{{i_1}} - \widehat \phi _j^{{i_2}} = \\ &\vartriangle \phi _j^{{i_{1,}}{i_2}} - 2\pi \frac{{{k_j}}}{N}\vartriangle {\delta _{{i_{1,}}{i_2}}} + \vartriangle {\beta _{{i_{1,}}{i_2}}} ,\\ \end{split} $

      其中,$\vartriangle \widehat \phi _j^{{i_{1,}}{i_2}} = \widehat \phi _j^{{i_1}} - \widehat \phi _j^{{i_2}}$ 是真实的相位差,$\vartriangle {\delta _{{i_1},{i_2}}}$ 是两根天线的相对采样误差,它仅和两根天线的信道状态有关,当信道稳定时,$\vartriangle {\delta _{{i_1},{i_2}}}$ 是常数. $\vartriangle {\beta _{{i_1},{i_2}}}$ 是常数相位误差,一旦接收器启动,${\beta _i}$是恒定的. 因此相位差 $\vartriangle \widehat \phi _j^{{i_{1,}}{i_2}}$ 仅由真实相位决定,可将其用作反映人体行为的特征,图4分别显示了静止和跌倒环境中的原始相位分布和相位差. 我们可以看到,随机分布的原始相位可以通过在一对天线上计算相位差来校准.

      图  4  原始相位与相位差对比

      Figure 4.  Comparison of the originol phose and the phase difference

    • 为了能够准确检测出人体的各种行为动作并从中区分出跌倒动作,需要对于动作指纹库中的 CSI进行提取特征值的处理. 我们从CSI流中提取以下5个特征用于行为识别,由于在文献[5]中详细分析了前4个活动分类特征, 本文重点分析新提出的第5个特征—功率谱熵.

      (1)CSI值的归一化标准差(normalized standard deviation,NSTD):描述活动的动态范围.

      (2)中位数绝对偏差(median absolute deviation,MAD):描述CSI数据样本差异性.

      (3)四分位距(interquartile range,IR):描述CSI数据各变量的分散情形.

      (4)信号熵值(signal entropy,SE):描述CSI数据混乱程度.

      (5)功率谱熵(Power Spectral Entropy,PSE):描述信号的活动性强弱程度.

    • 考虑到跌倒动作发生时,在时频域中出现功率的急剧下降现象,因此针对跌倒提出新特征—功率谱熵. 功率谱熵是时间序列信号通过FFT变换所得. 在无线信号的功率谱中,当谱峰较窄时,其熵值较小,它表明信号具有明显的震荡. 然而,谱峰较平滑时,其熵值较大.

      功率谱熵是能够量化不确定系统的谱复杂度的信息熵. 它在文献[16]中定义. 对于一个不确定的系统,我们假设一个随机变量 $X$ 作为系统的状态.

      $X = \{ {x_1},{x_2},\cdots,{x_s}\} ,(s \geqslant 1).$

      相应的概率是

      $P = \{ {p_1},{p_2},\cdots,{p_s}\} ,(0 \leqslant {p_l} \leqslant 1,l = 1,2,\cdots,s).$

      约束条件是

      $\sum\limits_{l = 1}^s {{p_i}} = 1.$

      因此,系统的信息熵可以表示为

      $H = - \sum\limits_{l = 1}^s {{p_l}} \ln {p_l}.$

      时间序列信号通过FFT变换成为功率谱,功率谱的信息熵称为功率谱熵. 该算法可以概括为:

      (1)信号的离散傅立叶变换 $X({w_l})$ 可以通过FFT获得,其中 ${w_l}$ 是第 $l$ 个点处的频率.

      (2)计算其功率谱密度(PSD)

      $\widehat P({w_l}) = \frac{1}{N}{\left| {X({w_l})} \right|^2}.$

      (3)归一化 $\widehat P\left( {{w_l}} \right)$,并获得功率谱密度分布函数

      ${p_l} = \frac{{\widehat P({w_l})}}{{\displaystyle\sum\nolimits_l {\widehat P({w_l})} }}.$

      (4)根据功率谱密度分布函数,计算出功率谱熵值Hpse,表示为:

      $H_{\rm{pse}}=\sum\limits_{c=1}^s p_c l_n p_c. $

    • CSI有非线性、非平稳的信号特点,所以对人体动作的识别问题实质上是非线性的分类问题. 针对这一问题,本文将鱼群算法和支持向量机算法融合,通过鱼群算法优化支持向量机的寻优过程. 根据径向基函数选取 $K({y_u},{y_v})$ 作为核函数,对输入变量做非线性变换,在其高维空间找最佳分类平面. 由拉格朗日乘数法得到决策函数[17]f(y)和径向基函数 $K(y,z)$ 分别表示为:

      $f(y) = \operatorname{sgn} \left\{ {\sum\limits_{u = 1,v = 1}^n {a_u^*{z_u}K\left( {{y_u} \cdot {y_v}} \right)} + {b^*}} \right\},$

      $K(y,z) = \exp \left( { - {{\frac{{\left\| {y - z} \right\|}}{{2{\sigma ^2}}}}^2}} \right),$

      其中,$z$ 是自定义的常数,用于控制惩罚度,$b$ 为偏移量,$y$ 为输入变量,a为引入拉格朗日函数的中间变量.

      SVM分类效果的好坏与核函数参数 $\sigma $ 以及自身参数惩罚因子 $C$ 的关系比较大 [17]. 本文使用人工鱼群算法对支持向量机中的核函数参数 $\sigma $ 以及参数惩罚因子 $C$ 寻优,以达到更佳的优化分类效果.

      使用人工鱼群算法对支持向量机进行优化,首先设定鱼群参数,使用交叉验证,确定适应度函数. 在参数空间随机生成人工鱼. 根据鱼群的特性设置支持向量机的核函数参数以及参数惩罚因子,一起带入到支持向量机模型中计算个体适应度. 判断是否满足结束条件. 如果不满足,则对鱼群位置进行更新. 如果满足,则最终输出的值就是最优解.

    • 接收端采用配备Intel 5300 NIC并运行Ubuntu 11.04 OS的迷你台式机,发射端是TL-WR742N无线路由器,工作频率为2.4 GHz,带宽设置为40 MHz. 在一个发射器天线和3个接收器天线(3个TR链路)之间采集CSI数据,如果仅使用子载波的幅度或相位作为基础信号,则时间序列为Nt×Nr×30 = 1×3×30 = 90维. 如果使用2个基础信号,则CSI时间序列是180维. 在本实验中,我们使用子载波的幅度和相位作为基础信号,并利用2个TR链路.

    • 分别在全封闭的会议室和半封闭空旷的走廊环境中采集数据. 实验收发设备分别置于距地面45 cm高的椅子上,邀请3名志愿者在收发设备相距4 m的视距位置中间,做出坐-站、深蹲、跳跃和跌倒4个动作,对每个动作采集200个样本,共800个样本,其中每个动作的80%的样本作为训练数据,剩下的20%作为测试数据. 由于实验场景的限制,跌倒动作只进行了前倾跌倒实验. 在每个数据收集期的开始和结束时添加10 s的缓冲期,这样做是为了能够采集到完整的动作. 实验环境如图5所示.

      图  5  实验场景与平面部署

      Figure 5.  Experimental scenario and plane deployment

    • 图6显示了2种分类算法的动作检测正确率. 为了公平比较,本文把CSI数据经过相同方法的预处理,并提取相同动作特征作为输入,其中包含功率谱熵特征,然后分别运用AFSA-SVM算法和SVM算法实现对人体行为的识别,使用本文算法所得的总体检测正确率达94.64%. 结果表明,在相同的场景,运用AFSA-SVM算法的分类效果明显优于传统的SVM算法. 为了比较本文算法与传统支持向量机算法对4种不同的人体活动影响的不同效果,使用混淆矩阵展示2种方法的结果.

      图  6  AFSA-SVM算法和SVM算法分类效果对比

      Figure 6.  Comparison of AFSA-SVM algorithm and SVM algorithm classification effect

      表12所示,误报主要来自“坐-站”的动作,系统会把这个动作分类为“跳跃”和“深蹲”,因为这个动作同“跳跃”和“深蹲”一样存在自下而上的起身过程,而且持续时间也非常相似. 针对“跌倒”动作,由于动作下降趋势明显,使用优化算法的识别正确率可达100%,虽然优化算法对参数进行寻优的时间稍长,但这是可以接受的. 相比于传统的SVM分类算法,AFSA-SVM分类算法性能更好.

      坐-站 跳跃 深蹲 跌倒
      坐-站 0.750 0 0.027 0 0.027 8 0
      跳跃 0.050 0 0.973 0 0.055 6 0
      深蹲 0.050 0 0 0.916 7 0
      跌倒 0 0 0 1.000 0

      表 1  AFSA-SVM算法分类的混淆矩阵

      Table 1.  Confusion matrix of AFSA-SVM algorithm classification

      坐-站 跳跃 深蹲 跌倒
      坐-站 0.578 9 0.052 6 0 0
      跳跃 0.421 1 0.894 7 0.200 0 0.136 4
      深蹲 0 0.052 6 0.800 0 0
      跌倒 0 0 0 0.863 6

      表 2  SVM算法分类的混淆矩阵

      Table 2.  Confusion matrix of SVM algorithm classification

      表3是3种优化算法的错误率和运行时间对比. 其中基于遗传算法优化支持向量机(GA-SVM)的错误率为8.65%,但耗时最长. 基于粒子群算法优化支持向量机(PSO-SVM)错误率最高为9.29%. 而AFSA-SVM分类器具有更强的分类能力,错误率为5.36%,在分类时间上比其他两种优化用时短. 因此,在本实验条件下,经过子载波聚合、指数滤波、数据分割以及相位校准处理过CSI数据后,选取能保证较高准确率且运行时间最短的AFSA-SVM算法为最优算法.

      算法 错误率/% 运行时间/s
      PSO-SVM 9.29 123.50
      GA-SVM 8.65 137.16
      AFSA-SVM 5.36 95.37

      表 3  各优化算法错误率和运行时间比较

      Table 3.  Comparison of error rate and running time of different optimization algorithms

    • 基于RSSI的人体行为识别也被广泛应用,为了公平比较,本文把在同一时间段内采集得到的RSSI数据经过与前文对CSI数据相同的预处理与特征提取之后,运用人工鱼群分类算法实现对人体行为的识别,实验结果如图7所示.

      图  7  CSI与RSSI对分类效果的对比

      Figure 7.  Comparison of classification effects between CSI and RSSI

      实验表明,在相同的实验条件下,基于RSSI的方法对4种动作的检测正确率为85.7%,无论是针对单个动作还是总体检测正确率,基于CSI的方法优势凸显,针对跳跃动作的识别优势更为突出,相对于采集的跳跃动作样本的不良因素影响,基于CSI的方法有更好的鲁棒性. 总之,与基于RSSI的方法相比,基于CSI的方法可以提供更好的识别性能.

    • 为分析功率谱熵作为动作识别的新特征对于分类的影响,我们把增加功率谱熵作为新特征对4种不同的人体运动的识别效果与未加入新特征(均使用AFSA-SVM)的识别效果进行对比实验. 如图8所示,灰色表示仅使用传统特征表征动作的分类效果,对4种动作的检测正确率为90.18%;粉色表示增加新特征之后的分类精度,对4种动作的检测正确率为94.64%. 可见,增加功率谱熵作为特征对每个动作的分类精度都有较明显的提升,特别对跌倒动作的识别效果最好.

      图  8  功率谱熵对分类结果的影响

      Figure 8.  Influence of power spectrum entropy on classification results

    • 本文利用商用Wi-Fi设备上的物理层信道状态信息映射出不同的人类活动,提出一种基于CSI的人体行为识别与跌倒检测的方法. 首先对CSI数据进行预处理,使用CSI幅值和相位信息作为基础信号,对信号进行滤波去噪;然后从4个常见动作中提取有效特征作为分类算法的输入;最后使用基于人工鱼群算法修正的支持向量机对动作进行分类识别. 实验结果表明,在多场景下平均识别率达94.64%,提高了识别精度. 在未来的工作中,我们将重点研究更多复杂干扰的环境下使用MIMO系统对多人员的日常连贯动作的识别.

参考文献 (17)

目录

    /

    返回文章
    返回