基于Wi-Fi信號(hào)的人體動(dòng)作識(shí)別系統(tǒng)設(shè)計(jì)

薛源，殷鋒，袁平

（1.四川大學(xué)計(jì)算機(jī)學(xué)院，成都 610065；2.西南大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，成都 610041；3.重慶大學(xué)數(shù)學(xué)與信息工程學(xué)院，重慶 400044）

0 引言

近年來，隨著人們對健康的重視，室內(nèi)人體運(yùn)動(dòng)識(shí)別受到了越來越多的關(guān)注，各種識(shí)別方式層出不窮。在人體動(dòng)作識(shí)別的發(fā)展過程中，識(shí)別技術(shù)不斷創(chuàng)新?；趫D像的識(shí)別技術(shù)對光線的要求較高，同時(shí)也需要被識(shí)別對象在視覺范圍內(nèi)才可以進(jìn)行準(zhǔn)確識(shí)別；基于傳感器的可穿戴設(shè)備會(huì)在一定程度上對用戶的生活造成影響，而且其識(shí)別的準(zhǔn)確率也不能很好地保證。

1 相關(guān)研究

隨著Wi-Fi技術(shù)的發(fā)展，普通商用Wi-Fi設(shè)備開始被人們所重視，一般的Wi-Fi設(shè)備就可以對人體動(dòng)作進(jìn)行研究。2013年，Pu等人提出了WiSee[4]系統(tǒng)，用來對房間內(nèi)的人體手勢行為進(jìn)行識(shí)別，其準(zhǔn)確度達(dá)到了94%。

2014年，B.Kellogg等人提出了AllSee[3]，通過分析RSS信號(hào)對手勢動(dòng)作進(jìn)行識(shí)別，該系統(tǒng)取得了97%的識(shí)別精度。2015年，Abdelnasser等人提出了WiGest[1]。它通過利用通用Wi-Fi設(shè)備的RSSI信號(hào)對上下變動(dòng)的七種手勢進(jìn)行分析，達(dá)到了87.5%（單AP）和96%（三AP）的精確度。該系統(tǒng)通過分析信號(hào)的上升沿、下降沿以及其停頓來描述復(fù)雜的手勢。2016年，Tan.S等人提出WiFinger[2]在處理環(huán)境影響方面有了較大的改進(jìn)。將頻域CSI信號(hào)轉(zhuǎn)換為時(shí)域功率時(shí)延譜，可以去除延遲較長的信號(hào)分量，從而減輕多經(jīng)效應(yīng)的影響。2018年，F(xiàn)an.T等人提出了WiCatch[5]，與以往的識(shí)別系統(tǒng)不同，在該系統(tǒng)可以識(shí)別有限的雙手手勢動(dòng)作。

2 系統(tǒng)設(shè)計(jì)

系統(tǒng)分為發(fā)射器和接收器兩部分。發(fā)射器是一部2.4GHz的單天線路由器，接收器是經(jīng)過改造的Wi-Fi雷達(dá)[8]。系統(tǒng)采集CSI信號(hào)，并依據(jù)其變化情況進(jìn)而測定房間內(nèi)人體運(yùn)動(dòng)情況。

2.1 CSI概述

在無線通信中，通常使用信道沖擊響應(yīng)（Channel Impulse Response，CIR）對無線信道的多徑傳播進(jìn)行建模，系統(tǒng)輸出可表達(dá)為：

其中，αi，θi和 τi分別表示多徑傳播下，第 i條傳播路徑的無線信號(hào)的幅度的衰減尺度、相位偏移的尺度以及時(shí)間延遲的大小。δ(τ)表示狄拉克脈沖函數(shù)。CIR和信道頻率響應(yīng)（Channel Frequency Response，CFR）互為傅立葉變換，因而可以通過對CFR的測量間接獲得CIR。本文中通過采集CSI（CFR的間隔采樣）信號(hào)獲取信息。

CSI是物理層的信道信息，反映了無線信道的性能，它可以表示為：

其中，H(fk)表示中心頻率為 fk的子載波的CSI，||H(fk)||表示該子載波的幅頻響應(yīng)，∠H(fk)表示該子載波的相頻響應(yīng)。

2.2 數(shù)據(jù)處理

由于環(huán)境無線信號(hào)的存在和設(shè)備內(nèi)部的電流等因素，所獲取到的數(shù)據(jù)中包含著大量的噪聲，這些噪聲會(huì)嚴(yán)重影響數(shù)據(jù)分析。

對于原始數(shù)據(jù)，首先需要將個(gè)別離群點(diǎn)去除。因?yàn)樵O(shè)備原因，有時(shí)信號(hào)會(huì)出現(xiàn)明顯的突變。為此，本文采取了 Hampel濾波，將不在區(qū)間 [μ-γ×σ,μ+γ×σ]范圍內(nèi)的點(diǎn)都定義為離群點(diǎn)。其中，μ為數(shù)據(jù)平均值，σ為數(shù)據(jù)標(biāo)準(zhǔn)差，σ為倍數(shù)，本文中將其定為3。樣本數(shù)據(jù)值與中值相差3倍的標(biāo)準(zhǔn)差，則用中值替換該樣本值。與中值濾波器簡單地使用窗口數(shù)據(jù)的中值作為過濾后的數(shù)據(jù)值相比，Hampel濾波器對于數(shù)據(jù)的處理更加細(xì)致，因此減小了過度過濾的可能。

由于人體動(dòng)作的頻率都集中在中低頻區(qū)間，在進(jìn)行過初步處理后，所取得的圖像中仍然具有很強(qiáng)的抖動(dòng)性。這是因?yàn)樗〉玫臄?shù)據(jù)是室內(nèi)多條多徑信號(hào)和電磁噪聲等多種噪聲疊加后產(chǎn)生的采樣結(jié)果，有大量無關(guān)信息。為了取得更直觀且更精確的動(dòng)作信息，我們需要將高頻分量和直流分量去除。對于不同的人體動(dòng)作，頻率范圍如表1所示。

表1 常見行為頻率圖[6]

本文采用數(shù)字濾波的方式對數(shù)據(jù)進(jìn)行再次處理。數(shù)字濾波器的系統(tǒng)函數(shù)可以表示如下：

與之相對應(yīng)的表示濾波器輸入信號(hào)和輸出信號(hào)關(guān)系的常系數(shù)線性差分方程表示如下：

本文采用常見的巴特沃斯濾波器對數(shù)據(jù)進(jìn)行處理。對于巴特沃斯濾波器，其幅度平方函數(shù)為：

其中，ω表示信號(hào)頻率，ωc表示濾波器的截止頻率，n表示濾波器的階數(shù)。巴特沃斯濾波器在過濾時(shí)能夠較好地保持通帶內(nèi)信號(hào)的幅值。由于研究目標(biāo)是人體動(dòng)作，根據(jù)表1，選擇基本頻率為0-300Hz。

通過表中數(shù)據(jù)可以對濾波范圍進(jìn)行一定的估計(jì)，濾波前后的圖形如圖1。可以看出，環(huán)境噪聲對接收端的CSI測量值產(chǎn)生了較大影響，經(jīng)過濾波以后，情況得到了明顯改善。

圖1 濾波前后的對比情況

2.3 特征提取

對信號(hào)進(jìn)行預(yù)處理后的信息包含了有效的動(dòng)作信息。但是在這些信息中，包含動(dòng)作信息的同時(shí)，也包含了一些無動(dòng)作時(shí)的信息。為了對動(dòng)作進(jìn)行提取，首先需要對信號(hào)進(jìn)行分割。

在一個(gè)OFDM系統(tǒng)內(nèi)，子載波之間的相關(guān)矩陣很容易求出，由此可以得到相關(guān)矩陣的特征向量和特征值。在安靜的環(huán)境下，第二個(gè)特征向量會(huì)在相鄰子載波之間隨機(jī)變化。在環(huán)境內(nèi)出現(xiàn)動(dòng)作時(shí)，子載波之間出現(xiàn)一定的相關(guān)性，它的第一個(gè)插值會(huì)變得更小，該值可以表示為：

其中，Nc是子載波的個(gè)數(shù)，|q2()l-q2(l-1)|是相鄰子載波的系數(shù)差，通過來判斷是否有動(dòng)作出現(xiàn)。通過對數(shù)據(jù)段的切分，可以將每個(gè)動(dòng)作所對應(yīng)的時(shí)間域取出，方便進(jìn)行進(jìn)一步的分析。

在取得動(dòng)作片段以后，需要對動(dòng)作片段進(jìn)行分類識(shí)別。由于不同的動(dòng)作所導(dǎo)致的CSI信號(hào)變化不同，從整體變化的方式來看，在同一時(shí)間段內(nèi)，子載波之間雖然存在有微小的差異，但是其基本的變化趨勢是相同的。為了獲得更加精確的運(yùn)動(dòng)情況，在處理中，本文充分利用了30個(gè)子載波的數(shù)據(jù)構(gòu)造特征矩陣。

基于上述原因，本文選擇方差作為動(dòng)作的特征值。對于任一CSI序列，其方差可以表示該段序列的離散程度和變化情況。根據(jù)所有子載波的這一特點(diǎn)，結(jié)合SRC分類算法，本文對t時(shí)間內(nèi)的CSI序列求移動(dòng)方差。

對于一個(gè)CSI序列H={H1(1),H2(2),H3(3)…Hk(t)}，計(jì)算其在滑動(dòng)窗口m內(nèi)的CSI序列方差的公式為：

其中，Hk(t )代表在t時(shí)刻內(nèi)，第k個(gè)子載波的CSI幅值，由該式可以計(jì)算得到一個(gè)特征方差矩陣，該矩陣包含了子載波的信號(hào)特征，同時(shí)也能反映出由于人體動(dòng)作所引起的CSI變化情況。不同的人體動(dòng)作（站起、行走）等動(dòng)作所引起的移動(dòng)方差有明顯的區(qū)別。

2.4 動(dòng)作分類

在上述過程中，我們得到了不同動(dòng)作最具代表性的特征，需要一個(gè)正確的分類器來進(jìn)行識(shí)別。本文采用支持向量機(jī)（SVM）對不同動(dòng)作進(jìn)行分類。由于原始數(shù)據(jù)當(dāng)中的數(shù)據(jù)并不全部都是線性可分的，因此需要將其原始空間映射到高維空間，從而對數(shù)據(jù)集進(jìn)行區(qū)分。本文采用LIBSVM[7]進(jìn)行處理。

3 結(jié)語

本文設(shè)計(jì)了一套基于Wi-Fi信號(hào)的人體動(dòng)作識(shí)別系統(tǒng)。人體在Wi-Fi環(huán)境中運(yùn)動(dòng)時(shí)，會(huì)對信號(hào)波形產(chǎn)生一定的影響，系統(tǒng)首先對數(shù)據(jù)信號(hào)進(jìn)行采集，然后對采集到的數(shù)據(jù)進(jìn)行一系列的去噪操作，接著對其進(jìn)行分割并計(jì)算其特征值，最終采用LIBSVM系統(tǒng)進(jìn)行動(dòng)作分類，從而可以對人體運(yùn)動(dòng)情況進(jìn)行簡單的識(shí)別和判斷，具有一定的應(yīng)用價(jià)值。