Wi-Do: WiFi信號(hào)下的高魯棒人員動(dòng)作感知模型

郝占軍 喬志強(qiáng) 黨小超 張岱陽(yáng) 段 渝

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(西北師范大學(xué)) 蘭州 730070)

隨著無(wú)線通訊的快速發(fā)展，人機(jī)交互技術(shù)逐漸被應(yīng)用到各個(gè)領(lǐng)域之中，如智能家居、現(xiàn)代醫(yī)療等.人機(jī)交互的各種技術(shù)與應(yīng)用已成為各行各業(yè)所聚焦的熱點(diǎn)問(wèn)題之一.其中，室內(nèi)位置服務(wù)以及人體動(dòng)作識(shí)別作為人機(jī)交互的重要內(nèi)容近十年也成為了科研人員與企業(yè)關(guān)注的焦點(diǎn).為了滿足人與計(jì)算機(jī)更便捷的交互，眾多學(xué)者開(kāi)始致力于低成本、非接觸式的技術(shù)研究.

WiFi技術(shù)的興起與其設(shè)備的大量部署為室內(nèi)定位與人體動(dòng)作識(shí)別提供了新的思路.基于WiFi信號(hào)的動(dòng)作識(shí)別技術(shù)具有普適性強(qiáng)、隱私程度高、部署成本低等優(yōu)勢(shì).文獻(xiàn)[4]中利用WiFi的接收信號(hào)強(qiáng)度(received signal strength, RSS)進(jìn)行室內(nèi)人體的動(dòng)作識(shí)別.但是由于多徑效應(yīng)的影響導(dǎo)致RSS對(duì)環(huán)境噪聲特別敏感，所以其受到的外界干擾較大.文獻(xiàn)[5]中則用從WiFi信號(hào)中提取的信道狀態(tài)信息(channel state information, CSI)進(jìn)行人體動(dòng)作識(shí)別.相較于RSS，CSI是更細(xì)粒度的物理信息，在采集人體動(dòng)作時(shí)受到的干擾更小，更加穩(wěn)定.但是在目前的研究中，基于CSI的人體動(dòng)作識(shí)別還存在一些問(wèn)題，如絕大部分的研究工作所識(shí)別的動(dòng)作往往面向同一方向，難以保證不同方向上識(shí)別的魯棒性.

針對(duì)上述問(wèn)題，本文提出了一種基于WiFi信號(hào)的高魯棒性人員動(dòng)作感知模型Wi-Do，利用CSI識(shí)別人體動(dòng)作，證明了動(dòng)作識(shí)別的方向無(wú)關(guān)性.首先通過(guò)商用WiFi設(shè)備收集動(dòng)作的CSI信息，并利用離散小波變換(discrete wavelet transformation, DWT)進(jìn)行降噪處理.接著使用主成分分析(principal com-ponents analysis, PCA)算法及短時(shí)傅里葉變換(short-time Fourier transform, STFT)提取動(dòng)作數(shù)據(jù)的多普勒頻移作為其特征.最后將動(dòng)作特征輸入帶有注意力機(jī)制的門(mén)控循環(huán)單元(gate recurrent unit, GRU)網(wǎng)絡(luò)進(jìn)行動(dòng)作的分類并輸出識(shí)別結(jié)果.

本文的主要貢獻(xiàn)包括3個(gè)方面:

1) 消除了天線之間相位偏移以獲取更豐富的CSI信息，以此放大由動(dòng)作引起的多普勒頻移，并通過(guò)快速傅里葉變換來(lái)檢測(cè)動(dòng)作的發(fā)生;

2) 引入注意力機(jī)制的雙向GRU網(wǎng)絡(luò)對(duì)CSI數(shù)據(jù)進(jìn)行分類與識(shí)別，驗(yàn)證了多普勒頻移、動(dòng)作能量變換值與目標(biāo)動(dòng)作的相關(guān)性;

3) 證明了人體動(dòng)作的方向無(wú)關(guān)性，并通過(guò)實(shí)驗(yàn)說(shuō)明動(dòng)作的方向不會(huì)對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生較大的影響.

1 相關(guān)工作

目前人體動(dòng)作識(shí)別基于多種技術(shù)方案，本節(jié)將從接觸式與非接觸式兩大類來(lái)闡述相關(guān)工作，并詳細(xì)講述了基于CSI對(duì)動(dòng)作識(shí)別的國(guó)內(nèi)外研究進(jìn)展.

1.1 接觸式動(dòng)作識(shí)別

在人體動(dòng)作識(shí)別領(lǐng)域中，傳感器技術(shù)已經(jīng)得到了廣泛應(yīng)用.其中，主要硬件設(shè)備分為智能手機(jī)和可穿戴設(shè)備2類.智能手機(jī)往往使用其內(nèi)置傳感器，如三軸加速度計(jì)、陀螺儀、重力傳感器來(lái)實(shí)現(xiàn)對(duì)人體活動(dòng)的探測(cè).文獻(xiàn)[6]中利用三軸加速度計(jì)，三軸陀螺儀等傳感器收集人體動(dòng)作數(shù)據(jù)，利用LS-SVM識(shí)別器來(lái)進(jìn)行動(dòng)作的分類和識(shí)別.文獻(xiàn)[7]提出了一種基于智能手機(jī)內(nèi)置傳感器的人體動(dòng)作識(shí)別系統(tǒng)，并使用在線獨(dú)立支持向量機(jī)進(jìn)行動(dòng)作識(shí)別.可穿戴設(shè)備的原理是將能夠探測(cè)人體運(yùn)動(dòng)狀態(tài)的傳感器嵌入到可以穿戴的日常物品中(如衣服、手表、手環(huán))，然后提取各項(xiàng)數(shù)據(jù)進(jìn)行人體姿態(tài)或動(dòng)作的識(shí)別.例如，文獻(xiàn)[8]利用多個(gè)可穿戴式傳感器(如加速度計(jì)、磁力計(jì)等)讀取人體運(yùn)動(dòng)時(shí)的各種數(shù)據(jù)，并用RNN網(wǎng)絡(luò)對(duì)跑步、坐、起立、騎行等動(dòng)作進(jìn)行了識(shí)別，證明了該方法具有較好的識(shí)別效果.

傳感器需要用戶以穿戴的方式采集數(shù)據(jù)，對(duì)用戶造成不便的同時(shí)也帶來(lái)了隱私性與安全性的困擾.傳感器在工作時(shí)受限于電池的續(xù)航能力.同時(shí)，如果用戶忘記攜帶相關(guān)設(shè)備，識(shí)別工作將難以開(kāi)展.

1.2 非接觸式動(dòng)作識(shí)別

以非接觸方式進(jìn)行人體的動(dòng)作識(shí)別主要分為計(jì)算機(jī)視覺(jué)技術(shù)與無(wú)線感知技術(shù).在先前的研究工作中，基于計(jì)算機(jī)視覺(jué)技術(shù)的動(dòng)作識(shí)別方法通常以高分辨率的攝像機(jī)來(lái)捕捉人體運(yùn)動(dòng)的視頻時(shí)間序列，通過(guò)圖像處理和模式識(shí)別技術(shù)識(shí)別相關(guān)人體動(dòng)作.文獻(xiàn)[9]提出了一種新型的動(dòng)作識(shí)別框架，稱為長(zhǎng)期視頻動(dòng)作識(shí)別，其利用遞歸的思想，允許訪問(wèn)長(zhǎng)期的信息，具有較好的識(shí)別效果.文獻(xiàn)[10]則利用基于注意力機(jī)制的LSTM(long short term memory)網(wǎng)絡(luò)進(jìn)行視頻中的動(dòng)作識(shí)別.首先提取視頻幀的關(guān)鍵信息作為特征，利用注意力機(jī)制標(biāo)記重點(diǎn)特征，最后將特征輸入LSTM網(wǎng)絡(luò)進(jìn)行識(shí)別并取得了較高的識(shí)別結(jié)果.

計(jì)算機(jī)視覺(jué)方法無(wú)法在弱光及黑暗環(huán)境下正常工作，使用無(wú)線射頻信號(hào)的感知方法克服了計(jì)算機(jī)視覺(jué)的局限性.根據(jù)采集無(wú)線信號(hào)的設(shè)備，其動(dòng)作識(shí)別的研究熱點(diǎn)主要分布于RFID(radio frequency identification)，UWB(ultra wide band)雷達(dá)以及WiFi等.文獻(xiàn)[11]提出了FEMO系統(tǒng)，通過(guò)粘在啞鈴上的無(wú)源RFID標(biāo)簽以及從標(biāo)簽反射的RF信號(hào)中提取的多普勒曲線進(jìn)行運(yùn)動(dòng)動(dòng)作的識(shí)別.文獻(xiàn)[12]使用UWB雷達(dá)提取多普勒?qǐng)D像，利用PCA算法提取特征后采用門(mén)控循環(huán)單元進(jìn)行動(dòng)作的分類識(shí)別.但是，RFID和UWB需要專用的設(shè)備來(lái)采集數(shù)據(jù)且部署復(fù)雜度較高.

WiFi得益于其普適性，在動(dòng)作識(shí)別方面存在易部署、成本低的優(yōu)勢(shì).其中基于RSS的檢測(cè)原理主要通過(guò)人體動(dòng)作造成的信號(hào)強(qiáng)度變化值實(shí)現(xiàn)，Abdelnasser等人提出了WiGest系統(tǒng)，該系統(tǒng)由基元提取、手勢(shì)識(shí)別、動(dòng)作映射3部分組成.在文獻(xiàn)[14]提出了一種基于RSS的室內(nèi)活動(dòng)識(shí)別框架，利用融合算法對(duì)日常的室內(nèi)活動(dòng)進(jìn)行分類識(shí)別.雖然基于RSS的動(dòng)作識(shí)別技術(shù)克服了傳統(tǒng)傳感器的缺陷，但是由于多徑效應(yīng)和信道的衰落導(dǎo)致RSS的測(cè)量十分不穩(wěn)定，其攜帶的大量環(huán)境噪聲也極難處理，所以基于RSS的動(dòng)作識(shí)別同樣存在局限性.同RSS相比較，CSI反映信號(hào)傳輸過(guò)程中的物理層的信息，通過(guò)記錄發(fā)送端和接收端之間傳輸?shù)淖虞d波信息，可以更好地反應(yīng)無(wú)線信號(hào)的變化情況，具有較細(xì)的識(shí)別粒度.

1.3 基于CSI的動(dòng)作識(shí)別

得益于較高的信號(hào)分辨率，CSI已成為室內(nèi)情境感知研究的新浪潮.從人體動(dòng)作到基本的生理特征以及復(fù)雜的人體行為,CSI被廣泛地應(yīng)用于各種場(chǎng)景中.Zhang等人針對(duì)老年人跌倒問(wèn)題，提出了一種人體跌倒檢測(cè)模型RT-Fall，利用CSI振幅和相位信息實(shí)現(xiàn)了實(shí)時(shí)的非入侵式人體摔倒檢測(cè).Zhang等人提出的BreathTrack利用多徑效應(yīng)中的優(yōu)勢(shì)路徑和復(fù)雜衰減系數(shù)的相位變化提取了呼吸狀態(tài)來(lái)跟蹤人類呼吸.Wang等人提出的E-eyes利用CSI可以檢測(cè)室內(nèi)人體的9種日?；顒?dòng)，如洗衣服、洗澡、做家務(wù)、做飯、睡覺(jué)等.文獻(xiàn)[18]提出的Wi-Finger通過(guò)分析人體手勢(shì)動(dòng)作與CSI的關(guān)系，實(shí)現(xiàn)了對(duì)數(shù)字1～9手勢(shì)的高精度識(shí)別.Wang等人提出CARM模型，將CSI與人體運(yùn)動(dòng)速度建立聯(lián)系，能夠?qū)ψ呗贰⑴懿降?種行為進(jìn)行有效識(shí)別.

2 Wi-Do模型概述

在本節(jié)中主要介紹WiFi人體運(yùn)動(dòng)感知的基本原理和信號(hào)轉(zhuǎn)換流程，并闡述了Wi-Do模型進(jìn)行動(dòng)作識(shí)別的工作機(jī)制.

2.1 WiFi人體運(yùn)動(dòng)感知原理

當(dāng)WiFi信號(hào)在室內(nèi)傳播時(shí)，受到如墻壁、桌子、天花板等多種障礙物的影響，導(dǎo)致信號(hào)出現(xiàn)不同程度的折射、反射、衍射等現(xiàn)象.相較于直射路徑，反射路徑的信號(hào)到達(dá)時(shí)間有所不同，所以接收端會(huì)先后收到多個(gè)路徑的信號(hào)，這種現(xiàn)象被稱為多徑效應(yīng).根據(jù)Friis自由空間傳播方程可知：

(1)

其中，

P

(

d

)為接收功率，

P

為發(fā)射功率，

G

是接收機(jī)天線的收益，

G

是發(fā)射機(jī)天線的收益，

λ

為信號(hào)的波長(zhǎng)，

d

為發(fā)射機(jī)與接收機(jī)之間的距離

.

由于室內(nèi)存在地面及墻體等障礙物，會(huì)出現(xiàn)多條反射路徑，其傳播方程可表示為

(2)

其中，

h

為地面及墻體上的反射點(diǎn)到直射路徑的距離

.

當(dāng)人體在信號(hào)的傳播范圍內(nèi)發(fā)出動(dòng)作響應(yīng)時(shí)，人體自身也會(huì)對(duì)信號(hào)的傳播產(chǎn)生反射和散射

.

在加入人體影響后，式(2)變?yōu)?p>

(3)

Δ

為由人體引起路徑長(zhǎng)度的近似變化

.

根據(jù)式(3)可知人體運(yùn)動(dòng)時(shí)會(huì)對(duì)信號(hào)產(chǎn)生干擾，得到了新的傳播路徑進(jìn)而使得接收信號(hào)的功率隨之變化

.

運(yùn)動(dòng)感知原理模型如圖1所示：

Fig. 1 Multipath effect caused by human movement圖1 人體運(yùn)動(dòng)引起的多徑效應(yīng)

本文利用WiFi信號(hào)中提取的信道狀態(tài)信息對(duì)人體動(dòng)作進(jìn)行識(shí)別.在IEEE 802.11n協(xié)議下，利用正交頻分復(fù)用技術(shù)(orthogonal frequency division multiplexing, OFDM)可以從WiFi信號(hào)中提取到CSI.在無(wú)線信號(hào)的傳播中，傳播信道通常用信道頻率響應(yīng)(channel frequency response, CFR)在頻率

f

和時(shí)間

t

處可表示為

(4)

其中，

R

為路徑個(gè)數(shù)，

α

(

f

,

t

)為第

k

條鏈路的衰減和初始相位，e-j2π()為第

k

條路徑的相位偏移，

τ

(

t

)為傳播延遲，

f

為載波頻率，e-j2πΔ為接收端與發(fā)射端之間載頻差所造成的相位偏移

.

為了獲得功率延遲分布，可以通過(guò)逆快速傅里葉變換(inverse fast Fourier transform, IFFT)將CFR轉(zhuǎn)換為信道脈沖響應(yīng)(channel impulse response, CIR)：

(5)

其中，

a

為第

i

條路徑的幅度衰減，

θ

為第

i

條路徑的相位偏移，而

τ

為第

i

條路徑的時(shí)延

.N

為多徑總數(shù)，

δ

為脈沖函數(shù)

.

在某一子載波上，CSI可表示為

H

=|

H

|ej sin ，

(6)

其中，

H

為第

k

個(gè)子載波的CSI函數(shù)，|

H

|為第

k

個(gè)子載波的振幅，ej sin 為相位信息

.

人員執(zhí)行相應(yīng)的動(dòng)作時(shí)，CSI所反映的振幅及相位都會(huì)發(fā)生相應(yīng)的變化，探索其變化的規(guī)律即能達(dá)到有效的人體動(dòng)作識(shí)別.

經(jīng)短時(shí)傅里葉變換后得到多普勒頻移可以更直觀地體現(xiàn)CSI的動(dòng)作信息，WiFi信號(hào)的具體轉(zhuǎn)換機(jī)制如圖2所示：

Fig. 2 WiFi signal conversion mechanism圖2 WiFi信號(hào)轉(zhuǎn)換機(jī)制

2.2 Wi-Do模型工作機(jī)制

本節(jié)描述了Wi-Do人體動(dòng)作識(shí)別的工作機(jī)制.核心思想是采用更豐富的動(dòng)作信息，通過(guò)基于注意力機(jī)制的雙向GRU網(wǎng)絡(luò)體系結(jié)構(gòu)識(shí)別WiFi環(huán)境下的人員動(dòng)作.

Wi-Do系統(tǒng)的工作流程具體分為數(shù)據(jù)采集、數(shù)據(jù)處理、特征提取以及動(dòng)作識(shí)別4個(gè)步驟.在實(shí)際場(chǎng)景中部署裝有Intel 5300網(wǎng)卡的2臺(tái)實(shí)驗(yàn)設(shè)備來(lái)采集人體動(dòng)作數(shù)據(jù)，這里我們使用Intel 5300 monitor模式完成了對(duì)CSI動(dòng)作數(shù)據(jù)的獲取.模型工作流程如圖3所示.

Fig. 3 Overall flow chart of Wi-Do model圖3 Wi-Do模型工作流程圖

CSI刻畫(huà)了人體運(yùn)動(dòng)在頻域上造成的信道狀態(tài)影響，只需將其與人體運(yùn)動(dòng)建立有效的映射，即可識(shí)別出具體的動(dòng)作.數(shù)據(jù)的預(yù)處理階段十分關(guān)鍵，決定著一個(gè)識(shí)別模型的泛化能力.然而，由于室內(nèi)中存在嚴(yán)重的多徑效應(yīng)和其他環(huán)境成分干擾，使獲取到的數(shù)據(jù)中包含了大量噪聲，從而影響到后續(xù)特征提取的有效性和動(dòng)作識(shí)別的準(zhǔn)確性.我們通常根據(jù)動(dòng)作特征的類別和人體在頻域上的能量變化范圍選擇有效的數(shù)據(jù)處理方式.本文首先通過(guò)計(jì)算1對(duì)天線CSI的共軛矩陣，消除了由于環(huán)境干擾引起的隨機(jī)相位偏移，引入DWT對(duì)多徑和窄帶影響造成的高頻噪聲進(jìn)行濾除.接著使用PCA算法完成在通信鏈路上的關(guān)鍵特征子載波選取，具體方法將在3.1節(jié)中詳細(xì)描述.該方法有效地去除了多徑噪聲，最大程度上保留了數(shù)據(jù)原有的特征信息.

動(dòng)作特征的提取是動(dòng)作識(shí)別的核心部分.在已有的基于WiFi人體動(dòng)作識(shí)別的工作中，大多使用單一的振幅或相位信息或者以振幅和相位差結(jié)合等方式取得了較好的效果.然而，本文提出了一種針對(duì)運(yùn)動(dòng)方向無(wú)關(guān)的人體動(dòng)作識(shí)別解決方案，傳統(tǒng)的振幅和相位特征中包含著大量的運(yùn)動(dòng)方向信息，無(wú)法對(duì)方向信息進(jìn)行有效的削弱或剔除.因此，本文將采集到的CSI數(shù)據(jù)經(jīng)短時(shí)傅里葉變換得到穩(wěn)定的頻域特征，即多普勒頻移.由于多普勒頻移的特性，可以反映人體運(yùn)動(dòng)在頻域上的速度變化，通過(guò)保持相應(yīng)的多普勒位移即可削弱方向?qū)μ卣餍畔⒌挠绊?另外，為了判斷人體運(yùn)動(dòng)的開(kāi)始和停止，增強(qiáng)系統(tǒng)可用性，我們構(gòu)建了頻域能量指示器，將人體運(yùn)動(dòng)在頻域上的多普勒頻移與快速傅里葉變換(fast Fourier transform, FFT)值作為共同的動(dòng)作識(shí)別特征.本文在3.3節(jié)中詳細(xì)說(shuō)明了特征提取的方式和過(guò)程，該特征可以有效降低運(yùn)動(dòng)方向信息的影響，判斷運(yùn)動(dòng)的起始，具有良好的環(huán)境遷移性和識(shí)別能力.

動(dòng)作分類識(shí)別一般通過(guò)訓(xùn)練學(xué)習(xí)模型的方法實(shí)現(xiàn).針對(duì)選取的特征屬性以及計(jì)算復(fù)雜度，本文使用了引入注意力機(jī)制的雙向GRU網(wǎng)絡(luò)來(lái)對(duì)運(yùn)動(dòng)特征數(shù)據(jù)進(jìn)行分類識(shí)別.在3.4節(jié)中將詳細(xì)說(shuō)明雙向GRU網(wǎng)絡(luò)的運(yùn)行機(jī)制以及訓(xùn)練過(guò)程，該模型將空間特征集成到時(shí)間模型雙向GRU中，提升了無(wú)線信號(hào)對(duì)人體動(dòng)作識(shí)別的魯棒性與準(zhǔn)確率.

3 Wi-Do的設(shè)計(jì)與實(shí)現(xiàn)

本節(jié)將介紹Wi-Do模型的工作原理與設(shè)計(jì)實(shí)現(xiàn).2.2節(jié)中，針對(duì)動(dòng)作分析提出了幾種具體的感知分析方法.因此，下面的工作將提供本W(wǎng)i-Do模型的分類基本原理與方法.

3.1 感知數(shù)據(jù)的獲取與處理

由于多徑效應(yīng)，信號(hào)由發(fā)射機(jī)到接收機(jī)所傳播的信號(hào)存在多條傳播路徑.在通信過(guò)程中，信道沖激響應(yīng)被用來(lái)評(píng)價(jià)每一條傳播路徑的優(yōu)劣，見(jiàn)式(5).信道響應(yīng)可以用各路徑上的多普勒頻移表示為

(7)

其中,

h

(

τ

)為靜態(tài)路徑上的響應(yīng)，

D

為動(dòng)態(tài)路徑的集合

.

傳統(tǒng)基于CSI的動(dòng)作識(shí)別中，往往使用單天線單鏈路的信道特征作為感知數(shù)據(jù)的獲取源，其方法的選擇會(huì)丟失較多的動(dòng)作特征數(shù)據(jù).為了提升CSI對(duì)人員動(dòng)作的敏感度，需要更好地平衡靜態(tài)響應(yīng)與動(dòng)態(tài)響應(yīng).振幅較高的CSI通常具備較大的靜態(tài)響應(yīng)，這是因?yàn)槭覂?nèi)環(huán)境中存在強(qiáng)LOS信號(hào).而方差有助于反饋動(dòng)作變化對(duì)CSI的影響，能更好地反映動(dòng)態(tài)響應(yīng).因此本文選擇了CSI振幅最大方差最小和振幅最小方差最大的2根天線.圖4說(shuō)明了對(duì)天線的選擇準(zhǔn)則：

Fig. 4 Amplitude of different antennas圖4 不同天線的振幅

圖4中顯示了不同天線和不同子載波的CSI隨時(shí)間的分布，天線2具有最大的方差且振幅相對(duì)較小，天線3具有最大的振幅且方差相對(duì)較小.所以本文提取天線2,3作為動(dòng)作信息的數(shù)據(jù)來(lái)源，計(jì)算2根天線的共軛矩陣，減少來(lái)自不同方向上的影響以便更好地提取多普勒特征，這將在之后的3.2節(jié)詳細(xì)說(shuō)明.

原始的數(shù)據(jù)中，包含著與動(dòng)作無(wú)關(guān)的低頻干擾與突發(fā)噪聲.為了準(zhǔn)確地保留來(lái)源于人體運(yùn)動(dòng)的CSI信號(hào)，本文使用DWT將人體動(dòng)作信號(hào)進(jìn)行多次分解和重構(gòu)，通過(guò)設(shè)置細(xì)節(jié)系數(shù)中的閾值模式和尺度噪聲過(guò)濾掉高于人體動(dòng)作頻率的環(huán)境干擾.采用db3為波基函數(shù)并進(jìn)行8次分解重構(gòu)，細(xì)節(jié)系數(shù)選取minimaxi閾值模式.經(jīng)小波變換處理前后的CSI數(shù)據(jù)如圖5所示：

Fig. 5 CSI wavelet transform diagram圖5 CSI小波變換圖

根據(jù)圖5中數(shù)據(jù)處理前后的對(duì)比，可以看出經(jīng)過(guò)DWT處理后能夠較好地保留原有信號(hào)中反映人體動(dòng)作狀態(tài)的峰值和突變部分，又將多徑環(huán)境和窄帶影響造成的高頻毛刺進(jìn)行了有效的去除，為進(jìn)一步使用短時(shí)傅里葉變換提取穩(wěn)定的多普勒頻移特征奠定了基礎(chǔ).

3.2 人體動(dòng)作特征提取

為了進(jìn)一步去噪與對(duì)CSI數(shù)據(jù)進(jìn)行降維以提取動(dòng)作信息做時(shí)頻分析，本文對(duì)CSI數(shù)據(jù)進(jìn)行主成分分析.由于第一主成分包含由運(yùn)動(dòng)引起的主要功率變化，選擇該成分作為短時(shí)傅里葉變換(short-time Fourier transform, STFT)的輸入以提取多普勒頻移特征.當(dāng)人體向發(fā)射機(jī)和接收機(jī)移動(dòng)時(shí)，反射的電磁波信號(hào)其波峰波谷以較快的速度到達(dá)接收機(jī)，而遠(yuǎn)離時(shí)，其波峰波谷到達(dá)接收機(jī)的速度變慢.一般而言，多普勒頻移可以表示為

(8)

λ

為信號(hào)的波長(zhǎng)，

d

(

t

)為反射路徑的長(zhǎng)度

.

由式(6)，對(duì)于CSI通過(guò)時(shí)頻分析對(duì)譜圖可以得到多普勒頻移：

(9)

B

(

f

(

t

))為截取CSI動(dòng)作信號(hào)段的窗口函數(shù).由于WiFi網(wǎng)卡之間缺乏同步，從而導(dǎo)致了原始CSI中未知的相位偏移

(10)

2π(

Δ

f

+

Δ

t

)是引起的相位偏移載波頻率和時(shí)間偏移量

.

因此從實(shí)際的CSI中直接提取多普勒分量是不可行的.為了消除未知的相位偏移，同時(shí)仍然保留完整的多普勒頻移，Wi-Do使用了WiFi網(wǎng)卡上的不同天線來(lái)解決這一問(wèn)題.

來(lái)自于同一網(wǎng)卡上的天線都有相同的相位偏移，Wi-Do采集了不同天線的CSI原始數(shù)據(jù)，用不同天線的相位解決了相位偏移的問(wèn)題，以計(jì)算1對(duì)天線的CSI共軛乘法的方式消除了相位偏移.將消除相位偏移的CSI數(shù)據(jù)去噪后經(jīng)PCA選擇第一主成分后，經(jīng)STFT變換得到的多普勒頻移示意圖如圖6所示.

Fig. 6 Doppler spectrogram of CSI圖6 CSI多普勒頻譜圖

圖6為商用WiFi網(wǎng)卡提供的CSI在頭部、手部、腿部運(yùn)動(dòng)時(shí)所引起的多普勒頻移的頻譜圖.其中,圖6(a)描述了2 s內(nèi)的點(diǎn)頭行為，前1 s為低頭動(dòng)作，后1 s為抬頭動(dòng)作；圖6(b)為手臂的向左揮動(dòng)的多普勒頻移圖；圖6(c)為腿部的向前邁出與收回，圖中明顯可以觀察到1 s前的邁腿與1 s后的收腿所引起的多普勒頻移變換.

各多普勒頻移的能量雖然存在波動(dòng)，但是圖6中依然能夠清晰地反映出由于方向以及動(dòng)作的變換所帶來(lái)的多普勒效應(yīng).這為模型的分類提供了可靠的數(shù)據(jù)來(lái)源.

3.3 運(yùn)動(dòng)能量指示器

為了提升系統(tǒng)的效率與性能，應(yīng)在人員運(yùn)動(dòng)開(kāi)始時(shí)對(duì)動(dòng)作進(jìn)行有效的識(shí)別.因此，需要設(shè)置一個(gè)閾值來(lái)判斷監(jiān)測(cè)區(qū)域內(nèi)的能量變換，從而識(shí)別人員動(dòng)作的起始位置.文獻(xiàn)[25]中證明了人員的不同行為活動(dòng)會(huì)使能量強(qiáng)度和頻率產(chǎn)生差別.不同行為所引起的能量波動(dòng)不同，以構(gòu)建運(yùn)動(dòng)能量指示器的方式可以有效地分割不同活動(dòng)行為.當(dāng)WiFi區(qū)域內(nèi)無(wú)動(dòng)作發(fā)生時(shí)，其FFT曲線如圖7(a)所示，圖7(b)為實(shí)驗(yàn)人員腿部發(fā)生動(dòng)作行為時(shí)的快速傅里葉變換曲線.與腿部運(yùn)動(dòng)時(shí)所引起的能量變化相比，無(wú)動(dòng)作發(fā)生的能量更低.

Fig. 7 FFT transformation curve圖7 FFT變換曲線

因此本文設(shè)置了一個(gè)能量指示器來(lái)檢測(cè)人體動(dòng)作的發(fā)生.能量指示器根據(jù)降噪后的動(dòng)作CSI序列以檢測(cè)CSI的FFT變換值：

(11)

其中,

E

為計(jì)算得到的能量，

n

為時(shí)間窗的長(zhǎng)度，

m

為每秒時(shí)間窗內(nèi)計(jì)算得到的歸一化FFT系數(shù).Wi-Do監(jiān)測(cè)2個(gè)連續(xù)窗口中短期運(yùn)動(dòng)能量的差異.當(dāng)差異大于設(shè)置的正閾值時(shí)，Wi-Do將認(rèn)為有動(dòng)作發(fā)生.當(dāng)動(dòng)作完成時(shí)，窗口中的運(yùn)動(dòng)能量將急劇下降即差值小于負(fù)閾值.

此外，由于不同動(dòng)作類別所引起的能量變換值各不相同，所以能量變換值也是體現(xiàn)人員動(dòng)作的一部分.因此，F(xiàn)FT變換值也將作為人動(dòng)作特征的一部分輸入至訓(xùn)練模型中.既豐富了人員的動(dòng)作特征，又避免了模型出現(xiàn)過(guò)擬合現(xiàn)象.

3.4 分類與識(shí)別

Wi-Do將識(shí)別模型應(yīng)用于多普勒頻移來(lái)識(shí)別相應(yīng)的動(dòng)作.多普勒頻移在一段時(shí)間內(nèi)都有變化，而由于人體運(yùn)動(dòng)的加速和減速，簡(jiǎn)單地估計(jì)每個(gè)時(shí)間樣本對(duì)應(yīng)的人體動(dòng)作會(huì)產(chǎn)生較大的噪聲.為了提升動(dòng)作識(shí)別的效率與魯棒性，Wi-Do選用了循環(huán)神經(jīng)網(wǎng)絡(luò)中的GRU方法，與原始的RNN相比，LSTM和GRU更有學(xué)習(xí)長(zhǎng)期依賴關(guān)系的能力，而GRU在序列建模方面的性能與LSTM相當(dāng)，但涉及的參數(shù)更少，數(shù)據(jù)更少，更容易訓(xùn)練.

Wi-Do將注意力機(jī)制引入模型中并采用雙向結(jié)構(gòu)以幫助GRU建立時(shí)序關(guān)系.將計(jì)算得出的CSI時(shí)序特征以時(shí)序序列

H

={,,…,}輸入到GRU中.由于不同運(yùn)動(dòng)所引起的CSI能量變換的不一致性，我們將能量指示器所獲取的快速傅里葉變換值

E

={

e

,

e

,…,

e

}也作為模型的輸入層.此外，在正則化過(guò)程中加入dropout層，并使用具有交叉熵?fù)p失的softmax分類器進(jìn)行類別預(yù)測(cè).GRU的網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示:

Fig. 8 Representation of GRU structure diagram圖8 GRU結(jié)構(gòu)圖

GRU簡(jiǎn)化了LSTM的輸入門(mén)、輸出門(mén)、遺忘門(mén)和單元狀態(tài)4個(gè)門(mén)結(jié)構(gòu)，將其劃分為2個(gè)門(mén)，分別稱為重置門(mén)和更新門(mén).在任意時(shí)間步長(zhǎng)

t

,GRU包括3個(gè)參數(shù):復(fù)位門(mén)、更新門(mén)和隱藏狀態(tài)

.

參數(shù)按下式進(jìn)行更新：=

σ

(·+·-1)，

(12)

=

σ

(·+·-1)，

(13)

(14)

(15)

其中，代表時(shí)刻

t

的輸入時(shí)序信息，-1表示時(shí)刻

t

-1的隱藏狀態(tài)，，，表示權(quán)重矩陣，

σ

為sigmoid函數(shù)

.

雙向GRU可以提取出多普勒頻移以及傅里葉變換值中所攜帶的更多信息，并將其轉(zhuǎn)換為隱藏狀態(tài).然而，2部分對(duì)于目標(biāo)動(dòng)作的重要性有所不同.本文通過(guò)增加模型對(duì)動(dòng)作的關(guān)注程度來(lái)提高分類的準(zhǔn)確性.權(quán)重得分可以用來(lái)表示模型的關(guān)注程度.分?jǐn)?shù)越高，該部分與動(dòng)作的相關(guān)性越強(qiáng).因此，我們建立了一個(gè)注意機(jī)制來(lái)計(jì)算不同部分和動(dòng)作之間的權(quán)重值.

Wi-Do以相反的方向計(jì)算注意力權(quán)重得分情況.一種是從多普勒頻移到FFT能量，另一種是從FFT能量到多普勒頻移.2部分特征分別通過(guò)GRU網(wǎng)絡(luò)后進(jìn)入隱藏層，后經(jīng)過(guò)池化注意力機(jī)制層由softmax輸出分類，圖9具體描述了GRU模型中使用注意機(jī)制的整體過(guò)程.

Fig. 9 Classification algorithm flow chart圖9 分類算法流程圖

注意力權(quán)重可由式(16)表示：

(16)

其中，

(17)

(18)

(19)

(20)

式(21)建立了非線性變換層和softmax分類器以計(jì)算分類動(dòng)作概率值：

=tanh(

d

·+),

(21)

使用softmax函數(shù)分析動(dòng)作類別

p

的概率:

(22)

為了提高模型在分類任務(wù)中的性能，該方法對(duì)訓(xùn)練過(guò)程進(jìn)行了優(yōu)化，包括輸入層、雙向GRU神經(jīng)網(wǎng)絡(luò)層、注意層和非線性層.采用L2正則化的CrossEntropy作為損失函數(shù)，其定義如下:

(23)

(24)

ξ

表示學(xué)習(xí)速率

.

在訓(xùn)練過(guò)程中，該方法設(shè)計(jì)了dropout策略，隨機(jī)去除隱層的一些特征，以避免過(guò)擬合.通過(guò)上述方案，Wi-Do可以準(zhǔn)確的識(shí)別出來(lái)自不同方向的人體運(yùn)動(dòng)動(dòng)作.

4 實(shí)驗(yàn)驗(yàn)證與結(jié)果

在本節(jié)中將驗(yàn)證不同因素對(duì)Wi-Do的影響，并且分析了Wi-Do的性能與上限.

4.1 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)所用硬件設(shè)備分為接收端與發(fā)射端.接收端、發(fā)射端均為包含Intel 5300網(wǎng)卡的電腦2臺(tái)，無(wú)線網(wǎng)卡連接3根外部全向天線，使用CSI tool工具提取網(wǎng)卡中的CSI信息.實(shí)驗(yàn)設(shè)置了3根發(fā)射天線1根接收天線共3條傳輸鏈路.信道的中心頻率設(shè)置在5.7 GHz，調(diào)整采樣率至1 024 Hz.發(fā)射端、接收端設(shè)備之間相距2 m，高度1.5 m.

所有實(shí)驗(yàn)都在教學(xué)樓內(nèi)進(jìn)行，分別為教室、會(huì)議室與大廳.教室區(qū)域周圍有課桌椅和其他設(shè)備，屬于復(fù)雜環(huán)境；會(huì)議室內(nèi)擺放著會(huì)議圓桌與椅子，相對(duì)于教室而言為半空曠環(huán)境；大廳為完全空曠區(qū)域.

實(shí)驗(yàn)運(yùn)動(dòng)動(dòng)作分別設(shè)置為3類：頭部、手部、腿部.頭部包含點(diǎn)頭、搖頭等動(dòng)作；手部包括上下左右4個(gè)方向上的揮手；腿部為前后左右以及各個(gè)方向之間的45°夾角8個(gè)方向上的伸腿.實(shí)驗(yàn)選擇在3種不同環(huán)境下采集上述動(dòng)作數(shù)據(jù)，其場(chǎng)景示意圖如圖10所示：

Fig. 10 Experimental scene diagram圖10 實(shí)驗(yàn)場(chǎng)景

在初始訓(xùn)練樣本時(shí)，不同的實(shí)驗(yàn)環(huán)境、實(shí)驗(yàn)人員、人員規(guī)模以及人員的不同狀態(tài)都會(huì)對(duì)人員的動(dòng)作識(shí)別產(chǎn)生影響.為了測(cè)試算法的魯棒性，本文設(shè)置了多組對(duì)比實(shí)驗(yàn).實(shí)驗(yàn)邀請(qǐng)了6名志愿者(3女3男)來(lái)采集CSI動(dòng)作信息，如表1所示.為了控制除信號(hào)本身以外的其他變量，實(shí)驗(yàn)設(shè)置了一個(gè)計(jì)時(shí)器，當(dāng)測(cè)試人員按下計(jì)時(shí)器時(shí)，志愿者開(kāi)始做實(shí)驗(yàn)設(shè)置的運(yùn)動(dòng)動(dòng)作，每個(gè)動(dòng)作記錄10組數(shù)據(jù).

Table 1 Experimenter Settings表1 實(shí)驗(yàn)人員設(shè)置

4.2 實(shí)驗(yàn)因素分析

4.2.1 實(shí)驗(yàn)場(chǎng)景多樣性

在本節(jié)中，我們將使用普通WiFi設(shè)備實(shí)現(xiàn)Wi-Do，并在3種典型的室內(nèi)場(chǎng)景(大廳、會(huì)議室和教室)中評(píng)估其性能.結(jié)果如圖11所示:

Fig. 11 Identification accuracy in three scenarios圖11 3種室內(nèi)場(chǎng)景的識(shí)別準(zhǔn)確率

可以看出，Wi-Do在不同場(chǎng)景下都表現(xiàn)出了優(yōu)異的性能，動(dòng)作發(fā)生在頭部、手部、腿部時(shí)，其平均識(shí)別準(zhǔn)確率分別為87.65%,91.83%,94.45%.從實(shí)驗(yàn)結(jié)果可以看出Wi-Do在空曠大廳中表現(xiàn)最好，在教室表現(xiàn)最差.這是由于教室障礙物較多，多徑效應(yīng)嚴(yán)重，干擾了動(dòng)作信號(hào)的傳播，導(dǎo)致動(dòng)作識(shí)別準(zhǔn)確率下降.而空曠大廳幾乎沒(méi)有障礙物阻擋，所以動(dòng)作信號(hào)相對(duì)完整，動(dòng)作的識(shí)別準(zhǔn)確率也相應(yīng)提高.從整體識(shí)別準(zhǔn)確率來(lái)看，Wi-Do系統(tǒng)對(duì)環(huán)境具有較高的魯棒性.

4.2.2 人員多樣性

實(shí)驗(yàn)比較了不同人員在相同環(huán)境下的動(dòng)作識(shí)別準(zhǔn)確率.本文分配表1中6名志愿者在空曠大廳中重復(fù)實(shí)驗(yàn)設(shè)計(jì)的3組(頭、手、腿)動(dòng)作，記錄Wi-Do對(duì)于3種動(dòng)作的平均識(shí)別效果，結(jié)果如圖12所示:

Fig. 12 Graph of average motion recognition accuracy of different people圖12 不同人員的動(dòng)作平均識(shí)別準(zhǔn)確率

來(lái)源于不同人的動(dòng)作數(shù)據(jù)可能會(huì)由于他們不同的行為模式存在差異.圖12(a)(b)描述了模型對(duì)人員頭部、手部運(yùn)動(dòng)的識(shí)別效果，雖然不同人之間識(shí)別準(zhǔn)確率存在差異，但是平均識(shí)別準(zhǔn)確率均都能保持在90%左右.由圖12(c)可以發(fā)現(xiàn)，Wi-Do對(duì)于腿部運(yùn)動(dòng)的識(shí)別有著更加穩(wěn)定的效果與性能，可以為人體步態(tài)識(shí)別工作提供良好的實(shí)驗(yàn)應(yīng)用.Wi-Do對(duì)于6個(gè)實(shí)驗(yàn)人員的動(dòng)作平均識(shí)別準(zhǔn)確率保持在90%以上，這充分驗(yàn)證了該模型在人員多樣性方面的優(yōu)勢(shì)與魯棒性.

4.2.3 動(dòng)作方向多樣性

為了驗(yàn)證Wi-Do在不同方向上的識(shí)別準(zhǔn)確率.實(shí)驗(yàn)設(shè)置了8個(gè)不同方向的相同動(dòng)作，正常情況下人體的動(dòng)作可劃分為前后左右、右上、右后、左上、左后8個(gè)方向.為確保方向上的動(dòng)作一致性，志愿者在8個(gè)方向上做伸腿的動(dòng)作.其結(jié)果如圖13所示:

Fig. 13 Accuracy distributions for orientation evaluation圖13 不同方向的準(zhǔn)確率分布評(píng)估

如圖13，各個(gè)方向的識(shí)別準(zhǔn)確率的平均值為93%左右.當(dāng)人員向右后邁步時(shí)，其識(shí)別準(zhǔn)確率最低，且較為穩(wěn)定，通過(guò)實(shí)驗(yàn)分析發(fā)現(xiàn)，右后方的多普勒頻移與后方的多普勒頻移較為相似，但其識(shí)別準(zhǔn)確率依然可以能夠保持在87%左右.對(duì)于在不同方向上做的相同動(dòng)作，Wi-Do都能有平均為90%以上的識(shí)別準(zhǔn)確率.盡管在不同的方向之間存在差異，但對(duì)于人員動(dòng)作的識(shí)別效果依然顯著.這充分驗(yàn)證了Wi-Do模型能夠適應(yīng)來(lái)自不同方向上的人員動(dòng)作.

4.2.4 設(shè)備部署多樣性

一般情況下，由于不同室內(nèi)環(huán)境中物品的擺放方式不同，WiFi的部署形式也會(huì)存在多樣性的特征.實(shí)驗(yàn)設(shè)置了7種不同的設(shè)備部署方式以驗(yàn)證模型的魯棒性，其部署位置示意圖如圖14所示:

Fig. 14 Different deployment locations for devices圖14 設(shè)備不同的部署位置

志愿者分別在7種不同的設(shè)備部署位置上做實(shí)驗(yàn)設(shè)置的相關(guān)動(dòng)作，實(shí)驗(yàn)結(jié)果如圖15所示.

Fig. 15 Identification accuracy at different deployment locations圖15 不同部署位置下的識(shí)別準(zhǔn)確率

從圖15中可以以看出，設(shè)備與人在一條直線上，即在部署位置4處時(shí)，識(shí)別準(zhǔn)確率達(dá)到最高，而位置在1,7處的識(shí)別精度最低.這是因?yàn)樵O(shè)備之間的間距較近且與人的距離較遠(yuǎn)，從而導(dǎo)致難以分辨人員的動(dòng)作發(fā)生與動(dòng)作行為，導(dǎo)致多普勒頻移與傅里葉變換值不穩(wěn)定，致使識(shí)別準(zhǔn)確率下降.

4.2.5 設(shè)置參數(shù)多樣性

發(fā)射端與接收端的間距也會(huì)對(duì)Wi-Do系統(tǒng)的識(shí)別準(zhǔn)確率產(chǎn)生影響.為了得到最佳檢測(cè)距離，我們?cè)诳諘绱髲d內(nèi)分別讓發(fā)射端與接收端間隔不同距離，并在每個(gè)距離下測(cè)試設(shè)計(jì)動(dòng)作，結(jié)果如圖16所示:

Fig. 16 CDF of error rate圖16 錯(cuò)誤率的累計(jì)分布函數(shù)

圖16給出了不同情景下的錯(cuò)誤率累積分布函數(shù)(cumulative distribution functions, CDF).

x

軸表示識(shí)別錯(cuò)誤率，

y

軸表示CDF百分比.在設(shè)備間距1 m時(shí)實(shí)現(xiàn)了最高的準(zhǔn)確性，其中大約81%的測(cè)試數(shù)據(jù)的錯(cuò)誤率小于10%.間距4 m時(shí)識(shí)別的性能最差，其中大約52%的測(cè)試數(shù)據(jù)的錯(cuò)誤率小于20%.一般情況下，隨著設(shè)備間距的增加，Wi-Do的性能會(huì)越來(lái)越差.而間距1 m與間距2 m有著相似的識(shí)別率卻提供了更大的人員運(yùn)動(dòng)區(qū)域，所以實(shí)驗(yàn)選擇2 m作為驗(yàn)證運(yùn)動(dòng)的區(qū)域.這說(shuō)明在一般室內(nèi)環(huán)境中，Wi-Do對(duì)人員動(dòng)作的識(shí)別能夠保持較高的準(zhǔn)確率.

4.3 綜合性能評(píng)估

本節(jié)將對(duì)不同識(shí)別算法、不同識(shí)別模型以及模型的邊界進(jìn)行探討，詳細(xì)地闡述了Wi-Do的識(shí)別準(zhǔn)確率與魯棒性.

4.3.1 不同分類算法比較

為了評(píng)估Wi-Do模型中分類方法的性能，在本文的實(shí)驗(yàn)環(huán)境中，采集6個(gè)人的30 000包動(dòng)作(包含頭部、手部、腿部動(dòng)作)數(shù)據(jù)作為訓(xùn)練樣本，將我們?cè)O(shè)計(jì)好的引入注意力機(jī)制的雙向GRU網(wǎng)絡(luò)與先前工作中的LSTM、HMM、決策樹(shù)等分類算法進(jìn)行對(duì)比.將訓(xùn)練樣本數(shù)據(jù)經(jīng)過(guò)降噪處理后，提取相應(yīng)的多普勒頻移和快速傅里葉變換值作為特征，分別帶入4個(gè)分類方法中進(jìn)行動(dòng)作識(shí)別，各個(gè)分類方法的動(dòng)作識(shí)別效果如圖17所示:

Fig. 17 Accuracy comparison of different classifier algorithms圖17 不同分類器算法的準(zhǔn)確率對(duì)比

從圖17中可以清晰的看出從頭、手、腿等動(dòng)作，由于動(dòng)作幅度變大，不同分類方法的動(dòng)作識(shí)別精度均有所上升，Wi-Do的分類模型與LSTM,HMM以及決策樹(shù)方法的準(zhǔn)確率分別為94.68%，92.36%，85.47%，78.51%，說(shuō)明了改良注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法比傳統(tǒng)方法在提取特征后識(shí)別分類能取得更好的效果，因此在實(shí)際實(shí)驗(yàn)中我們采用了引入注意力機(jī)制的雙向GRU網(wǎng)絡(luò)作為模型中的分類器.

4.3.2 不同模型比較

WiAct利用身體運(yùn)動(dòng)和信道狀態(tài)信息中的振幅信息之間的相關(guān)性來(lái)分類不同的活動(dòng),使用極限學(xué)習(xí)機(jī)用于活動(dòng)數(shù)據(jù)分類.Wi-Motion從CSI序列中提取的振幅和相位信息，用振幅和相位分別構(gòu)造分類器，通過(guò)基于后驗(yàn)概率的組合策略對(duì)分類器的輸出進(jìn)行組合.Wi-Multi組合策略對(duì)分使用動(dòng)態(tài)時(shí)間規(guī)整與支持向量機(jī)提取樣本，結(jié)合神經(jīng)網(wǎng)絡(luò)識(shí)別目標(biāo)動(dòng)作.本文將平均識(shí)別準(zhǔn)確率作為評(píng)價(jià)4種模型的指標(biāo)，具體結(jié)果如表2所示:

Table 2 Comparison of Recognition Accuracy

觀察表2可得，4種識(shí)別模型中，Wi-Do的識(shí)別準(zhǔn)確率整體高于其他3種模型.WiAct，Wi-Motion對(duì)于頭部、手部動(dòng)作的識(shí)別準(zhǔn)確率都在90%以下，相對(duì)而言，Wi-Do具有出色的表現(xiàn).綜上Wi-Do適用于大多數(shù)室內(nèi)環(huán)境中的人員動(dòng)作識(shí)別，并能提供較為精確的識(shí)別率與優(yōu)秀的魯棒性.

4.3.3 模型邊界探究

Fig. 18 Diagram of the influence of different people on the model圖18 不同人員對(duì)模型的影響

在真實(shí)環(huán)境中，往往存在除被檢測(cè)人員外的其他人員.由于其干擾，動(dòng)作的識(shí)別結(jié)果可能會(huì)有所下降.為了探究多人對(duì)識(shí)別效果的影響，在空曠大廳中本文設(shè)計(jì)了2個(gè)實(shí)驗(yàn)：1)實(shí)驗(yàn)人員1在WiFi測(cè)試區(qū)域做動(dòng)作，其余1～5位測(cè)試人員在區(qū)域內(nèi)保持靜止.2)實(shí)驗(yàn)人員1在WiFi測(cè)試區(qū)域做動(dòng)作，其余1～5個(gè)人員在區(qū)域內(nèi)做干擾動(dòng)作，例如改變身體朝向或在測(cè)試區(qū)域中走動(dòng)等.實(shí)驗(yàn)結(jié)果如圖18所示.

從圖18(a)中可以看出，當(dāng)其余測(cè)試人員保持靜止時(shí)，其準(zhǔn)確率雖然有所下降，但是趨勢(shì)較為緩慢，總體識(shí)別準(zhǔn)確率能夠保持在85%以上.然而隨著人員的增加，見(jiàn)圖18(b)，識(shí)別準(zhǔn)確率下降速度較快，但是依然能夠在6人時(shí)保持在80%左右.這是因?yàn)楦蓴_動(dòng)作同人數(shù)線性增長(zhǎng)，導(dǎo)致模型無(wú)法準(zhǔn)確識(shí)別人員動(dòng)作.

隨著人數(shù)的繼續(xù)上升，識(shí)別準(zhǔn)確率將會(huì)大幅度降低.但其應(yīng)用場(chǎng)景已能滿足小型家庭及會(huì)議室的要求.我們將會(huì)把多人動(dòng)作的識(shí)別工作置于今后的研究工作中.

5 總 結(jié)

本文提出了一種基于注意力機(jī)制的雙向GRU網(wǎng)絡(luò)來(lái)識(shí)別WiFi區(qū)域內(nèi)的人員動(dòng)作.利用天線分集消除相位偏移后引入離散小波變換以濾除人體動(dòng)作無(wú)關(guān)的信號(hào)，分別提取出信號(hào)中的多普勒頻移和動(dòng)作能量變換值作為Wi-Do模型的輸入.實(shí)驗(yàn)結(jié)果表明，本文提出的CSI人員動(dòng)作檢測(cè)模型在準(zhǔn)確率和效率方面優(yōu)于許多已有的檢測(cè)方法.

后續(xù)工作將在以下2個(gè)方面進(jìn)行下一步的開(kāi)展：1)提升Wi-Do模型的泛化能力，使其能在多人環(huán)境中對(duì)人員的動(dòng)作進(jìn)行識(shí)別.2)開(kāi)展人員動(dòng)作速度的特征提取，豐富人員動(dòng)作的特征，進(jìn)一步提高算法的魯棒性.

作者貢獻(xiàn)聲明

：郝占軍提出了研究思路，負(fù)責(zé)論文的起草；喬志強(qiáng)負(fù)責(zé)設(shè)計(jì)實(shí)驗(yàn)方案，數(shù)據(jù)分析以及論文修改；黨小超給予了基礎(chǔ)理論支持和實(shí)驗(yàn)建議，負(fù)責(zé)了實(shí)驗(yàn)監(jiān)督；張岱陽(yáng)參與了數(shù)據(jù)可視化、實(shí)驗(yàn)探究；段渝參與了實(shí)驗(yàn)驗(yàn)證與數(shù)據(jù)整理.