基于無線信號的人類行為檢測和識別

戴明威劉文鴻黃曉霞

1（中國科學(xué)院深圳先進技術(shù)研究院 深圳 518055）2（中國科學(xué)院大學(xué) 北京 100049）

基于無線信號的人類行為檢測和識別

戴明威1，2劉文鴻1黃曉霞1

1（中國科學(xué)院深圳先進技術(shù)研究院 深圳 518055）
2（中國科學(xué)院大學(xué) 北京 100049）

物聯(lián)網(wǎng)技術(shù)實現(xiàn)了物與物、人與物的全面互聯(lián)，其中信息傳感設(shè)備與人的交互需要對人體行為活動進行感知。目前廣泛使用的有基于視覺和利用穿戴式傳感器的識別方法，但這些方法在很多場景下應(yīng)用有所限制。文章提出一種基于無線信號識別人類行為的方法，通過對通信中傳輸數(shù)據(jù)包狀態(tài)的統(tǒng)計和分析，能夠利用少量通信節(jié)點達到感知非攜帶設(shè)備的目標在室內(nèi)檢測區(qū)域行為活動的目的。對于不同的行為活動特征，采用序列最小優(yōu)化算法、 K-最近鄰算法等不同算法進行分類研究。相對于傳統(tǒng)基于無線信號接收信號強度指標的免攜帶設(shè)備行為識別方法，文章提出的方法對不同運動速度等級的識別精度平均提高了 25.1%。

行為識別；無線射頻信號；免攜帶設(shè)備行為偵測；序列最小優(yōu)化；K-最近鄰

1 引 言

物聯(lián)網(wǎng)通過射頻識別、傳感器等設(shè)備對客觀物體進行表示并利用網(wǎng)絡(luò)進行數(shù)據(jù)交換。其目的是對物體實現(xiàn)智能化控制，達到與物與物以及物與人交互的目的。對環(huán)境中實體的感知有助于給物聯(lián)網(wǎng)系統(tǒng)提供更多的環(huán)境狀況信息。對于目標的行為識別是物聯(lián)網(wǎng)系統(tǒng)中不能忽視的技術(shù)之一。行為識別在智能家居，安防入侵檢測等領(lǐng)域都有潛在的應(yīng)用前景。

傳統(tǒng)的行為檢測的方法主要有基于視覺的檢測［1］，通常的方法是在監(jiān)測區(qū)域布置攝像頭等設(shè)備。其缺點是安裝和擴展的成本很高，而且只能用于視距條件下；在煙霧和黑暗的環(huán)境下往往不能達到理想的效果。另外一類基于傳感器的應(yīng)用是很普遍的行為識別方法［2］，加速度傳感器被廣泛應(yīng)用于識別人體的運動，并且有一定的識別精度。其問題是傳感器必須攜帶在人的身體上（穿戴設(shè)備或者移動終端設(shè)備），檢測的精度和傳感器在人體的分布位置有很大關(guān)系［3］，并且傳感器設(shè)備也受到功耗的限制。在入侵檢測等條件下，被檢測者往往不會攜帶傳感器設(shè)備，這種需要結(jié)合目標攜帶設(shè)備的方法就不再適用。

無線信號最普遍的作用是進行信息的無線傳輸，常見的有 GSM、Wi-Fi 以及無線傳感網(wǎng)絡(luò)。可以使用特定的節(jié)點、頻段和傳輸?shù)臋C制，利用無線信號達到識別人類活動的目的?，F(xiàn)存的技術(shù)有基于電磁波反射的雷達和超寬帶系統(tǒng)［4，5］。此類系統(tǒng)在實際安裝和檢測中需要額外的開銷，并且超寬帶系統(tǒng)會受到環(huán)境的干擾，檢測精度受影響。

有研究表明， 通過提取信號的多普勒效應(yīng)特征并對特征進行量化［6，7］，可以有效地對人體的不同活動狀態(tài)進行分類。Adib 等［8］的研究顯示，工作在 2.4 GHz 頻段的 Wi-Fi 信號，可以被用來偵測穿墻的手勢以及運動行為。而室內(nèi)環(huán)境中的各種電器發(fā)出的電磁干擾和噪聲可以采集并被用作監(jiān)測簡單用電活動［9］，即普通的電器也可以被作為行為識別的傳感器。

用于通信的無線信號資源在日常生活中覆蓋越來越廣泛。本文利用軟件定義無線電，在2.4 GHz 頻段上利用通用軟件無線電外設(shè)（Universal Software Radio Peripheral，USRP）建立通信，根據(jù)收到的傳輸包的狀態(tài)信息，對監(jiān)測區(qū)域的人類活動進行識別和分類，用很少量的節(jié)點達到檢測的效果。此方法還可以嵌入到現(xiàn)有的傳輸接入點上，通過較小的開銷實現(xiàn)對行為的識別。

2 基于軟件定義無線電的無線信號人體行為識別

在利用無線信號對人體行為進行檢測中，上述的工作大多需要人體攜帶相應(yīng)的傳感設(shè)備，這樣的方法導(dǎo)致適用場景的局限性。Youssef 等［10］定義了免攜帶設(shè)備室內(nèi)定位，利用室內(nèi)無線信號對實體的位置進行判別，并且被測人員不需要攜帶任何傳感設(shè)備。之后的研究者將這種概念應(yīng)用于對人體不同行為的識別，即基于無線電的免攜帶設(shè)備行為識別［11］：通過分析無線信道中信號的波動來推斷人類的活動。目前該類方法主要集中在對物理層的接收信號強度（Received Signal Strength Indication，RSSI）變化的檢測。信號強度指標可以反映信道的波動情況，但當(dāng)前無線設(shè)備很少能直接訪問射頻信道，而更容易獲得數(shù)據(jù)包級別信息。因此，本文的研究沒有再利用信號強度指標，而是利用通用軟件定義無線電平臺，搭建分組傳輸?shù)耐ㄐ拍K，通過對接收節(jié)點網(wǎng)絡(luò)層數(shù)據(jù)包狀態(tài)進行統(tǒng)計和分析，從而提取相應(yīng)特征進行行為識別。

2.1 無線檢測環(huán)境

接收信號強度指標普遍應(yīng)用于免攜帶設(shè)備行為識別［12，13］，來對人行為特征的分析和評估。通常使用設(shè)備收集相應(yīng)頻段上的信號強度，之后通過對信號強度值的波動來描述行為特征。RSSI的變化易受多徑衰落和陰影效應(yīng)的影響，在之前免攜帶設(shè)備行為識別的研究當(dāng)中，無線節(jié)點往往被布置在視距環(huán)境下［11，12］。而本文在監(jiān)視環(huán)境更加嚴格的非視距條件下進行，人體在電磁環(huán)境中可被視為導(dǎo)體，目標的不同行為會反射、折射或者散射電磁波，產(chǎn)生信號的慢衰落導(dǎo)致到達接收節(jié)點的信號質(zhì)量變化，從而影響接收信號強度和信噪比等指標。

本文通過在實際分組傳輸中容易獲得的網(wǎng)絡(luò)層信息來衡量人體的活動給通信帶來的影響。數(shù)據(jù)包的不同狀態(tài)信息和信道的通信質(zhì)量有密切的關(guān)系，而目標在檢測區(qū)域的活動帶來的信道波動，會在通信的接收節(jié)點產(chǎn)生特定的特征。利用圖1 所示的通信模塊，在室內(nèi)實驗環(huán)境下進行行為檢測。

圖1 用于行為識別的通信模塊Fig. 1 The communication module for activity recognition

2.2 特征選取

在系統(tǒng)中發(fā)射節(jié)點以恒定的速率向接收節(jié)點傳輸數(shù)據(jù)包，接收節(jié)點收集分組數(shù)據(jù)包的狀態(tài)信息時間序列，定義接收包的不同狀態(tài)：能夠正確解調(diào)的數(shù)據(jù)包、解調(diào)校驗發(fā)生錯誤的數(shù)據(jù)包以及丟失的數(shù)據(jù)包。通過定義：接收節(jié)點能正確解調(diào)的數(shù)據(jù)包定義為‘1’，解調(diào)之后校驗數(shù)據(jù)包發(fā)生錯誤或者丟失的數(shù)據(jù)包定義為‘0’。使用收包率P（w）來反映通信質(zhì)量的好壞，進而分析行為。

其中，Ndecode是固定時間窗口長度下接收端正確解調(diào)的數(shù)據(jù)包個數(shù)；Nout是對應(yīng)時間長度下發(fā)射端總共發(fā)出的數(shù)據(jù)包個數(shù)。圖2 顯示了對數(shù)據(jù)包狀態(tài)序列取重疊窗，計算每個窗口的收包率，得到收包率序列，通過其波動反映空間中的傳輸質(zhì)量變化，進而能夠提取特征進行行為識別。在實際行為識別場景中存在 3 種可能的通信條件：

（1）增強條件：無人的情況下，接收節(jié)點的收包狀況很差，數(shù)據(jù)包解調(diào)發(fā)生錯誤，不能正確解調(diào)數(shù)據(jù)包，目標在檢測區(qū)域的活動使接收節(jié)點能夠正確解調(diào)部分數(shù)據(jù)包；

（2）衰落條件：無人的情況下，接收節(jié)點能夠正常穩(wěn)定地解調(diào)數(shù)據(jù)包，目標在檢測區(qū)域的活動使信道通信質(zhì)量下降，出現(xiàn)部分時間段中解調(diào)數(shù)據(jù)包錯誤或者丟包的情況；

（3）人的活動對傳輸沒有影響，接收端的傳輸數(shù)據(jù)包狀態(tài)保持穩(wěn)定且對人的活動不敏感。

以上三種通信條件，一旦發(fā)射天線和接收天線的位置、角度固定，發(fā)射節(jié)點和接收節(jié)點的傳輸狀態(tài)就能在信號傳輸區(qū)域無人活動的情況下保持穩(wěn)定。（1）和（2）適用于對行為的檢測和識別：無人條件下收包率穩(wěn)定在一定范圍內(nèi)，目標在檢測區(qū)域的活動導(dǎo)致收包率的波動，通過波動來識別人的存在。在條件（3）下，檢測區(qū)域內(nèi)有人和無人情況收包率沒有區(qū)別，不能用來檢測人的活動，但是接收端天線移動一個波長的距離，信道的頻率響應(yīng)就完全改變，收包率也會隨之變化，到達角度也會對信號質(zhì)量產(chǎn)生影響。通過旋轉(zhuǎn)或者移動接收天線，能使檢測模塊從通信條件（3）變?yōu)椋?）或（2）。本研究對于目標的檢測均在（1）或（2）通信條件下進行，檢測當(dāng)中固定接收和發(fā)射天線的位置角度，系統(tǒng)在檢測當(dāng)中能夠保持增強或者衰落條件的狀態(tài)。

圖2 從數(shù)據(jù)包狀態(tài)序列得到收包率Fig. 2 Employ overlapped window on packet state series and calculate the packet receive rate

在增強條件的通信環(huán)境下，由于在無人情況下收包率為 0，目標的活動使收包率提升，很容易提取出有人活動對應(yīng)的收包率序列。對于衰落條件的通信環(huán)境，收包率在無人活動的時刻有一定的波動，會影響有人活動時對應(yīng)序列的提取，因此采用以下的方法來提取出有人活動對應(yīng)的時刻。

首先通過預(yù)處理數(shù)據(jù)包狀態(tài)得到的收包率序列，然后通過取重疊窗得到子序列。若子序列中的最大值和最小值的差小于設(shè)定的閾值，說明該段子序列收包率的波動不大，則該段序列取子序列的平均值；若子序列最大值和最小值之間的差值大于閾值，則子序列保持不變。對于均值濾波后的序列，利用標準差來區(qū)分是否有人的活動。使用標準差是因為標準差能夠區(qū)分收包率的波動程度，而且在增強條件和衰落條件下，有人活動對應(yīng)的收包率的標準差均大于無人情況。若一段序列當(dāng)中標準差的值高于閾值，則該段序列為有人活動的序列。

圖3 顯示了在衰落的通信條件下在有人和無人情況連續(xù)采集的一段收包率序列。原始序列中收包率不同程度的下降區(qū)間代表檢測區(qū)域中有目標活動；收包率在穩(wěn)定的區(qū)間則代表檢測區(qū)域中無目標（人）活動。通過用標準差衡量濾波后的收包率數(shù)據(jù)，可以提取出有人活動時對應(yīng)的收包率序列。

圖3 對收包率序列進行均值濾波Fig. 3 Filtering noise of packet receive rate sequence

2.3 傳輸數(shù)據(jù)包時間間隔信息

在提取出有人活動的序列之后，利用收包率等作為特征衡量檢測區(qū)域內(nèi)目標活動的不同狀態(tài)。在免攜帶設(shè)備的入侵檢測中，對目標物體運動速度的識別較使用加速度傳感器的要困難很多。本文采取基于傳輸數(shù)據(jù)包狀態(tài)信息的方法，雖然利用收包率特征能夠衡量出由于人的活動導(dǎo)致的傳輸質(zhì)量的變化，但同時也會忽略傳輸數(shù)據(jù)包之間的細節(jié)信息，因此需要找出新的特征來描述目標的運動速度。

傳輸中數(shù)據(jù)包的解調(diào)狀態(tài)會因通信質(zhì)量的變化而被動地發(fā)生改變，而不同運動速度引起的通信質(zhì)量不同程度的衰落則會產(chǎn)生不同的數(shù)據(jù)包間隔，依此來衡量速度信息。在實驗當(dāng)中對每個數(shù)據(jù)包以包序號表示，并且記錄下每個數(shù)據(jù)包到達接收節(jié)點的時間，利用每個傳輸數(shù)據(jù)包狀態(tài)以及到達時間序列對運動速度進行分析，分別定義以下特征：

acf：自相關(guān)函數(shù)（Autocorrelation Function）。在網(wǎng)絡(luò)傳輸當(dāng)中，相鄰數(shù)據(jù)包之間的延時有一定的相關(guān)性，當(dāng)?shù)?i 個數(shù)據(jù)包出現(xiàn)高延時，第 i+1個數(shù)據(jù)包也在很大概率上有大的延時。因此可利用相鄰數(shù)據(jù)包之間的時間間隔的相關(guān)性來衡量不同的速度。

其中，公式（2）表示相鄰接收數(shù)據(jù)包時間間隔的相關(guān)函數(shù)；ti表示相鄰數(shù)據(jù)包之間的時間間隔；l 是所取的不同數(shù)據(jù)包間隔個數(shù)； 表示系統(tǒng)的平均數(shù)據(jù)包時間間隔。傳輸數(shù)據(jù)包到達接收節(jié)點的時間與目標的運動情況緊密相關(guān)。多普勒效應(yīng)導(dǎo)致信號在接收節(jié)點發(fā)生頻偏，數(shù)據(jù)包會發(fā)生丟失，接收端數(shù)據(jù)包間隔比無人時刻明顯增大，而時間間隔的陡然上升則使相鄰數(shù)據(jù)包之間的傳輸間隔的相似度降低。被測者遮擋電磁波的時間越久，數(shù)據(jù)包的時間間隔越大；相反，如果被測者以很快的速度通過檢測區(qū)域，由于對信號的遮擋時間短，對應(yīng)的數(shù)據(jù)包間隔相對于慢速通過檢測區(qū)域就沒有很大的波動。

Rn：解調(diào)數(shù)據(jù)包時間間隔和系統(tǒng)傳輸速率的加權(quán)。

其中，F(xiàn)out和 Fin分別為發(fā)射節(jié)點和接收節(jié)點的傳輸速率；為相鄰解調(diào)數(shù)據(jù)包到達時間間隔。如圖4 所示，相鄰解調(diào)數(shù)據(jù)包的時間間隔越大，同時傳輸?shù)乃俾试降停瑒t表示當(dāng)前時刻的通信質(zhì)量越差。

圖4 接收節(jié)點相鄰解調(diào)數(shù)據(jù)包示意圖Fig.4Diagram for the adjacent decoded packets

Loc：衡量傳輸當(dāng)中出現(xiàn)的非正常間隔。在數(shù)據(jù)包的傳輸中，每個數(shù)據(jù)包的正常間隔為 tn，而dn對應(yīng)相鄰數(shù)據(jù)包到達時間間隔大于 tn的相鄰數(shù)據(jù)包間隔，把這些非正常間隔的數(shù)據(jù)包提取出來，利用 pn衡量非正常間隔數(shù)據(jù)包的歸一化位置。相鄰非正常間隔的數(shù)據(jù)包之間的包序號越大，則表示在這一段間隔之類有更多數(shù)據(jù)包的丟失，而短時間內(nèi)大量的丟包則可以用來表示該段時間類信號質(zhì)量的衰減程度。

其中，bi是第 i 個非正常時間間隔數(shù)據(jù)包的包序號；ln是總的包序號。根據(jù)以上三個參量，定義如下等式：

其中， 、 和 分別是四個速度測試實驗所對應(yīng)三個屬性的集合，記為：

三個參數(shù)分別描述的是每個實例和其同一速度等級的實例的相似程度，速度相似的實例有相近的三個參數(shù)的取值。α、β 和 γ 是三個參數(shù)的權(quán)重，通過對訓(xùn)練樣本當(dāng)中統(tǒng)計符合速度等級取值范圍的樣本所占的比例來確定各權(quán)重的值，比如 含有 20 個速度為 0.5 m/s 的樣本，其中有14 個樣本服從屬性的取值范圍，則對應(yīng)的 β 取值為 0.7。

通過計算傳輸數(shù)據(jù)包狀態(tài)序列中 acf、Rn和Loc，提取出每次運動對應(yīng)的 ui對不同速度等級進行量化，能得出不同速度等級對應(yīng) ui的取值范圍。對于需要測試的樣例，通過計算 ui的值即可進行匹配相應(yīng)的速度，實現(xiàn)非攜帶設(shè)備運動目標的不同速度識別。

3 實驗評估

為說明研究所使用的方法能夠有效地識別實體在檢測區(qū)域的活動，本節(jié)在實際場景下進行不同的實驗，并且采用分類的方法對得到的特征進行線下處理。

3.1 識別目標狀態(tài)

圖5 用于行為識別的檢測場景Fig. 5 The test bed of our experiment for activity recognition

實驗采用圖1 的通信模塊建立檢測系統(tǒng)，測試環(huán)境如圖5 所示。檢測節(jié)點的接收和發(fā)射天線被放置在被墻壁隔斷的走道兩端，形成非視距的環(huán)境。為了減小監(jiān)測環(huán)境中的干擾，四個發(fā)射節(jié)點工作在不同的頻點，因此接收端在一次檢測中只接收來自一個發(fā)射端的信號。實際的檢測區(qū)域為長 12 m、寬 1.5 m 的走廊空間。實驗在 2.2 節(jié)定義的衰落條件（2）下進行檢測，即無人時刻接收節(jié)點正常穩(wěn)定地解調(diào)出數(shù)據(jù)包，目標的活動導(dǎo)致接收率的下降，此種通信條件在實際的場景中最為常見。

對目標的狀態(tài)，考慮區(qū)域無人、有人靜止站立、有人行走以及有人跑動四種情況。兩位測試者分別在發(fā)射節(jié)點采用定向和全向天線的條件下，在檢測區(qū)域分別做出靜止站立、勻速走動和勻速跑動的行為，每種行為重復(fù)進行 20 次。對接收端采集到的數(shù)據(jù)，以 25 個傳輸包作為窗口大小計算收包率序列，之后以序列均值、極值、方差、中值作為特征，分別使用序列最小優(yōu)化算法（Sequential Minimal Optimization，SMO）和 K-最鄰近結(jié)點算法（K-nearest Neighbor Algorithms，KNN）對數(shù)據(jù)特征利用 Weka 軟件進行分類［14］，結(jié)果如表1 所示。

定向天線將電磁波的能量集中在檢測區(qū)域，傳輸質(zhì)量對人體的遮擋更加敏感，因此發(fā)射節(jié)點使用定向天線的識別效率高于全向天線。從表1中可以看出，區(qū)域內(nèi)無人的情況不會被誤判為其他狀態(tài)，而狀態(tài)的混淆主要出現(xiàn)在勻速走和勻速跑之間，四種狀態(tài)的平均識別精度為 92.8%。表明利用收包率可以正確區(qū)分監(jiān)測區(qū)域內(nèi)是否有人活動以及目標行為狀態(tài)，通過提取有人活動時的收包狀態(tài)序列，可以進行其他行為特征的分析。

3.2 對不同體型目標的識別

由于身高的差異，對電磁波遮擋程度的不同會對傳輸質(zhì)量產(chǎn)生差別。為了驗證實驗系統(tǒng)對不同體型目標的識別效果，7 位測試者（包括 5 名男性和 2 名女性，身高為 160～180 cm），分別以正常速度和步態(tài)以兩種方向單獨穿過走廊檢測區(qū)域，每位測試者重復(fù)實驗 20 次，接收節(jié)點采集每組實驗的數(shù)據(jù)包狀態(tài)序列并計算分段收包率。之后分別以五位測試者（A： 180 cm，B： 170 cm，C： 170 cm，D： 160 cm，E： 160 cm）的數(shù)據(jù)單獨作為訓(xùn)練樣本，其他人的數(shù)據(jù)作為測試集，利用分段收包率作為每組實例的特征，采用 SMO 分類算法對兩種行走方向進行分類。

表1 檢測區(qū)域中實體的分類混淆矩陣Table 1 The confusion matrix of classifi cation activities conducted by the subjects

利用 F-值作為衡量分類精度的指標。其中，F(xiàn)-值是表1 混淆矩陣中召回率和精度的加權(quán)調(diào)和平均。圖6 顯示，以單個測試目標數(shù)據(jù)作為訓(xùn)練樣本，兩種運動方向的分類平均精度為 97%。測試樣本中主要身高分布在 170 cm，以 170 cm 身高為訓(xùn)練樣本測試其他目標的運動方向平均準確度為 98%，表明系統(tǒng)對不同目標的識別有一定的魯棒性。由于目標以相對固定的方式移動，分段收包率在室內(nèi)隨目標移動位置的不同產(chǎn)生固定的衰落，不同體型目標收包率的數(shù)據(jù)可以作為訓(xùn)練樣本數(shù)據(jù)用來測試其他目標的運動特征。

3.3 運動速度區(qū)分

為了驗證系統(tǒng)對目標運動速度的識別效果，仍在走廊的環(huán)境中進行實驗。發(fā)射天線采用定向天線，使電磁波集中分布在檢測區(qū)域。在接收節(jié)點采集傳輸數(shù)據(jù)包狀態(tài)序列。在測試區(qū)域內(nèi)，測試者分別以四種速度（0.5 m/s、0.8 m/s、1.5 m/s和 3.0 m/s）運動，且同一位測試者每種測試速度均以相同的路徑運動 40 次，分別提取出有目標活動的序列作為測試的實例，計算每組運動實例的傳輸數(shù)據(jù)包狀態(tài)序列中 acf、Rn和 Loc參數(shù)。

圖6 不同目標數(shù)據(jù)作訓(xùn)練樣本對行走方向識別精度Fig. 6 The classifi cation accuracy of moving directions based on the data collected from different subjects

圖7 為四種速度對應(yīng)不同數(shù)據(jù)包間隔（1～30）的 acf。從圖7 可看出，目標在檢測區(qū)域?qū)π盘栒趽踉骄?，則數(shù)據(jù)包之間的時間間隔波動越大，導(dǎo)致更低的相關(guān)性。對于 Rn，隨機選取四個速度對應(yīng)的 20 組序列，每個速度等級分五組數(shù)據(jù)，從這五組數(shù)據(jù)當(dāng)中分別取最大的 20 個值，四種速度對應(yīng)的累積分布曲線如圖8 所示?？梢钥闯?Rn的極值在不同速度對應(yīng)的實例中有明顯的差別。而圖9 為四種速度對應(yīng)的 Loc：慢速的運動導(dǎo)致更多非正常接收時間間隔的數(shù)據(jù)包，反映在 Loc上有更大的波動。

利用以上三個參數(shù)，分別取每組測試實例的平均、方差和極值作為特征對不同運動速度進行分類，表2 顯示了分別利用 SMO 和 KNN 方法對四種速度的分類結(jié)果。 結(jié)果顯示，利用 SMO方法的識別精度為87.5%，而 KNN 分類方法的為84.1%。數(shù)據(jù)包時間間隔提取的參數(shù)作為特征衡量速度，利用了每個數(shù)據(jù)包之間的傳輸狀態(tài)，其特征相對于利用分段收包率更加細致，對于不同的速度有更明顯的區(qū)分。

圖7 四種速度不同包序號間隔對應(yīng) acfFig. 7 acf of four speed

圖8 四種速度 Rn累計分布函數(shù)Fig.8 CDF of Rnof four speed

圖9 四種速度的 LocFig. 9 Locof four speed

得到每組測試實例的參數(shù)之后，利用公式

表2 檢測區(qū)域內(nèi)目標運動速度的分類混淆矩陣Table 2 The confusion matrix of classifi cation movement velocity

（5）計算 ui量化四種不同的速度，圖10 為4個速度等級對應(yīng) ui的盒圖。其中，每種速度包含 40組數(shù)據(jù)的參量。根據(jù)其分布趨勢可看出，快速運動對應(yīng)的 ui更小且其值分布范圍也較小，相同的運動速度則有一致的 ui取值范圍。

圖10 ui的分布Fig. 10 Distribution of ui

3.4 系統(tǒng)傳輸速率對速度識別影響

對目標運動速度的偵測中，本研究提出的數(shù)據(jù)包傳輸時間間隔特征和系統(tǒng)的傳輸速率有關(guān)，系統(tǒng)每個傳輸數(shù)據(jù)包的大小為 1 KB，即上節(jié)實驗中傳輸速率為 65 KB/s。過大的傳輸速率影響實驗硬件設(shè)備的性能，導(dǎo)致傳輸當(dāng)中解調(diào)錯誤數(shù)據(jù)包增多，甚至影響檢測系統(tǒng)的穩(wěn)定性。而過小的傳輸速率則導(dǎo)致傳輸數(shù)據(jù)包的狀態(tài)不能完全描述區(qū)域內(nèi)目標的運動，因此選擇合適的數(shù)據(jù)包傳輸速率對于本文提出的檢測系統(tǒng)也十分重要。

為了衡量不同傳輸速率帶來的影響，分別在衰落的通信條件下設(shè)置 USRP2 的發(fā)送速率為 30 KB/s、55 KB/s、110 KB/s 和 125 KB/s。在每種傳輸速率下，同一測試目標分別以 3 種速度通過檢測區(qū)域，每種速度重復(fù)實驗 30 次，接收節(jié)點采集每組實驗的數(shù)據(jù)包狀態(tài)序列計算時間間隔參數(shù)acf、Rn和 Loc。利用 SMO 方法，通過參數(shù)的均值方差等特征對 3 種運動速度（0.5 m/s、0.8 m/s、1.5 m/s）分類，得到的準確度如圖11 所示。當(dāng)數(shù)據(jù)包的傳輸速率在 55～100 KB/s 時，平均識別精度為87.4%；當(dāng)速率為 30 KB/s 時，由于數(shù)據(jù)包之間的時間間隔過大，不能很好地記錄目標的運動情況，運動速度識別精度僅為 79.9%；當(dāng)傳輸速率為 125 KB/s 時，過小的數(shù)據(jù)包傳輸間隔對檢測目標的活動沒有更大的幫助，速度平均識別準確度為84.4%。此外，傳輸速率過快還會導(dǎo)致設(shè)備性能下降，出現(xiàn)更多校驗錯誤的數(shù)據(jù)包。因此，對于使用 USRP2 建立的點對點半雙工通信系統(tǒng)來說，適合利用數(shù)據(jù)包傳輸間隔作為特征進行行為識別的數(shù)據(jù)包傳輸速率為 55～110 KB/s。

圖11 不同數(shù)據(jù)包傳輸速率目標運動速度識別精度Fig. 11 The classifi cation accuracy of different moving speeds with different transmission speed

3.5 與其他方法的對比

本文依據(jù)提出的數(shù)據(jù)包時間間隔信息 acf、Rn和 Loc作為特征，分別與基于無線信號的非攜帶設(shè)備速度檢測方法以及攜帶設(shè)備方法對比。對于無線信號的非攜帶速度檢測，將本文提出的利用收包率作為特征的方法與傳統(tǒng)的基于接收信號強度值估計［13］方法進行對比。常見的攜帶設(shè)備速度檢測方法是在運動物體上放置傳感器，根據(jù)加速度對速度進行估計。在 3.3 節(jié)相同的接收、發(fā)射節(jié)點設(shè)置下，接收節(jié)點除了在每組實例中采集數(shù)據(jù)包狀態(tài)序列還同時固定間隔采集接收信號強度值序列。另外，測試者在測試中手持手機且與身體保持水平靜止，若把手機屏幕看成一個長方形，y 軸是沿手機長邊方向，同時指向頂端為正方向， x 軸垂直 y 軸且與屏幕平行，沿手機短邊從左至右為正方向，而 z 軸始終垂直于手機屏幕。利用手機的三軸加速度傳感器設(shè)備所采集的加速度數(shù)據(jù)，通過累積和估計不同實例的速度，作為攜帶設(shè)備方法的檢測對比。

3.5.1 與傳統(tǒng)接收信號強度方法對比

無線信號非攜帶設(shè)備速度檢測分為利用以下三種特征的方法：從網(wǎng)絡(luò)層提取的數(shù)據(jù)包傳輸狀態(tài)序列時間間隔參數(shù)、分段收包率 P（w）以及物理層固定采集的接收信號強度。

本文提出的基于數(shù)據(jù)包時間間隔的方法通過時間間隔衡量空間中無線信號的波動從而反映目標運動的速度，利用數(shù)據(jù)包狀態(tài)序列參數(shù) acf、Rn和 Loc的均值、方差、極值和中值作為特征對不同速度行為進行分類。表1 顯示，利用 SMO 算法對四種速度等級的識別精度為87.5%。在接收信號強度方面，對同時采集到的接收信號強度序列，使用 Sigg 等［11］的方法，取接收信號強度序列變化的分段平均值和方差極值作為特征進行運動速度分類，而使用 SMO 算法的平均識別精度（表3）僅為 62.4%，可見本研究基于數(shù)據(jù)包時間間隔的精度提高了 25.1%。而本文利用分段收包率作為特征則與固定采集接收信號強度類似，對于收包率 P（w）序列分段取平均值作為每組實例的特征，以 SMO 算法作分類，由于收包率忽略了相鄰數(shù)據(jù)包的狀態(tài)及時間信息，表3 顯示對速度識別準確率僅為 58.4%。

3.5.2 與攜帶設(shè)備方法比較

圖12 顯示了利用無線信號進行非攜帶設(shè)備速度檢測和攜帶設(shè)備的加速度估計速度精度對比。

攜帶設(shè)備的加速度估計利用了同時在測試者使用的手機上三軸加速度數(shù)據(jù)，通過步長和實驗記錄的 z 軸計算瞬時速度［15］，本實驗中對四種速度的估計準確度為88.9%，略高于利用數(shù)據(jù)包時間間隔進行檢測的方法。然而，由于加速度受到累計誤差的影響，利用無線信號數(shù)據(jù)包時間間隔方法對快速的運動（大于 1.5 m/s）識別的準確度更高，且其優(yōu)勢在于不需要被測目標攜帶任何傳感器設(shè)備。

表3 不同運動速度下的 SMO 算法混淆矩陣Table 3 The SMO algorithm confusion matrix under different moving speeds

圖12 四種方法對于速度識別的精度對比Fig. 12 The precision of distinguish different speed by the methods mentioned above

4 結(jié)論和展望

本實驗中基于軟件定義無線電建立通信模塊，通過對接收節(jié)點采集到的數(shù)據(jù)包傳輸狀態(tài)信息進行統(tǒng)計和分析，能夠檢測和識別出無線信號覆蓋的檢測區(qū)域內(nèi)目標物體的運動行為，包括靜止站立、勻速走、勻速跑等，并且能夠通過對數(shù)據(jù)的統(tǒng)計分辨出不同運動速度。將上述幾種行為進行分類，達到了一定的識別精度。實現(xiàn)用少量的檢測節(jié)點，在非視距條件下進行免攜帶設(shè)備的行為識別。

下一步的工作主要是將基于傳輸數(shù)據(jù)包狀態(tài)的無線信號行為識別方法植入到現(xiàn)有的無線設(shè)備中，僅通過軟件和后臺的分析，能夠在低開銷的情況下實現(xiàn)室內(nèi)目標行為識別系統(tǒng)，相信會有廣泛的商業(yè)價值和應(yīng)用前景。

［1］ Hongeng S，Nevatia R，Bremond F.Video based event recognition：activity representation and probabilistic recognition methods ［J］. Computer Vision and Image Understanding，2004，96（5）：129-162.

［2］ Cao H，Nguyen MN，Phua CCW，et al.An integrated framework for human activity classifi cation ［C］ // Proceedings of the 14th ACM International Conference on Ubiquitous Computing，2012.

［3］ He Y，Li Y.Physical activity recognition utilizing the built-in kinematic sensors of a smart-phone［J］. International Journal of Distributed Sensor Networks，2013：481580.

［4］ Howland P.Editorial：passive radar systems ［J］. IEE Proceedings of Radar，Sonar and Navigation，2005，152（3）：105-106.

［5］ Amin M.Through-the-Wall Radar Imaging ［M］. Boca Raton： CRC Press， 2010.

［6］ Pu Q，Gupta S，Gollakota S，et al. Whole-home gesture recognition using wireless signals ［C］ // Proceedings of the 19th Annual International Conference on Mobile Computing and Networking，2013： 27-38.

［7］ Kim Y，Ling H.Human activity classifi cation based on micro-Doppler signatures using a support vector machine ［J］. IEEE Transactions on Geoscience and Remote Sensing，2012， 57（5）：1328-1337.

［8］ Adib F，Katabi D. See through walls with WiFi［C］ // Proceedings of the 2013 ACM Special Interest Group on Data Communication， 2013.

［9］ Gupta S，Reynolds MS，Patel SN. Electrisense：singlepoint sensing using EMI for electrical event detection and classificaiton in the home ［C］ // Proceedings of the 13th International Conference on Ubiquitous Computing， 2010： 139-148.

［10］ Youssef M，Mah M，Agrawala A.Challenges：device-free passive localisation for wireless environments ［C］ // Proceedings of the 13thAnnual ACM International Conference on Mobile Computing and Networking，2007：222-229.

［11］ Sigg S，Scholz M，Shi S，et al. RF-sensing of activities fromnon-cooperative subjects in devicefree recognition systems using ambient and local signals ［J］. IEEE Transactions on Mobile Computing，2013，13（6）： 698-720.

［12］ Sigg S，Shi S，Büsching F，et al.Leveraging RF-channel fluctuation for activity recognition：active and passive systems， continuous and RSSI-based signal features ［C］ // Proceedings of the 11th International Conference on Advances in Mobile Computing & Multimedia， 2013， doi：10.1145/2536853.2536873.

［13］ Kosba AE，Saeed A，Youssef M.Rasid：a robust WLAN device-free passive motion detection system ［C］ // Proceedings of IEEE International Conference on Pervasive Computing and Communications，2012.

［14］ Hall M，F(xiàn)rank E，Holmes G，et al. The WEKA data mining software：an update ［J］.SIGKDD Explorations，2009，11（1）：10-18.

［15］ Alvarez D，Lopez A.Comparison of step length estimators from weareable accelerometer devices ［C］ // Proceedings of the IEEE 28th Annual International Conference on Engineering in Medicine and Biology Society， 2006： 5964-5967.

Detection and Recognition of Human Activity Based on Radio-Frequency Signals

DAI Mingwei1，2LIU Wenhong1HUANG Xiaoxia1

1（ Shenzhen Institutes of Advanced Technology， Chinese Academy of Sciences， Shenzhen 518055， China ）
2（ University of Chinese Academy of Sciences， Beijing 100049， China ）

The Internet of Things realizes the connection of human and objects. Activity recognition is necessary for the interaction between information sensing devices and human. Currently， vision-based and sensor based methods are widely used， but these methods are limited in many scenes. In this paper， a new radio-frequency-based activity recognition technique was proposed， in which a few communication nodes were deployed in the monitoring area for the device-free activity recognition by analyzing the transmission packet state information. The sequential minimal optimization and K-nearest neighbor algorithms were employed for classification. The classification accuracy of walking speed of the proposed method is improved by 25.1% on average compared to the traditional method based on received signal strength indication.

activity recognition； radio frequency signal； device-free motion detection； sequential minimal optimization； K-nearest neighbor

TN 99

A

2015-03-17

2015-10-06

戴明威，碩士研究生，研究方向為認知無線電網(wǎng)絡(luò)；劉文鴻，碩士研究生，研究方向為嵌入式系統(tǒng)；黃曉霞（通訊作者），研究員，研究方向為無線傳感網(wǎng)絡(luò)、認知無線電網(wǎng)絡(luò)、線通信和移動計算，E-mail：xx.huang@siat.ac.cn。