论文部分内容阅读
人体动作识别技术是物联网技术的一大研究热点,该技术具有很强的理论研究与实际应用方面的价值。特别是运用在室内场景之下,由于受多径等因素的影响,识别的效率与设备成本备受关注。与传统的基于设备的方案不同,无线技术的不断进步推动了无设备感测的发展,它可以利用普通的WiFi信号来感知人类状态。不需要用户穿戴设备,即可以实现包括室内测距、手势识别、方位识别、运动跟踪以及人数感测等。由于无设备技术不要求用户佩戴任何设备,甚至参与传感过程,因此它为用户提供了一种新的智能感知方式。描述物理层载波等级的信道状态信息(Channel State Information)可以由商用WI-FI设备测量后,越来越多的研究者开始借此进行更可靠更便捷的人体检测。首先,本文研究了室内环境模型,用最优的菲涅尔区来进行实验环境的设置,并找到信号最有效区域,并根据使用环境的不同,引入了PEM(Percentage of nonzero Elements)指数来进行室内环境进行评估,有效降低环境扰动所造成的不良信号干扰。其次,对采集到的原始数据进行了大量的实验处理,找到了一种代替CSI数据流平均的子载波选择方法,利用PCA流进行载波选取,在降低了计算复杂度的同时,提高了子载波利用率,并且在不同实际环境下,通过调整不同载波主成分占比来适应环境,在去掉部分高频噪音的同时会保留信号的最大兴趣信息。再次,设计了一种基于CSI的行为识别轻量级算法FallBR,并设计了完整的实验算法流程,对数据的清洗,特征的提取均进行了相关的研究,设计了一种最优的带通滤波器。最后,对清洗过后的实验数据进行时频分析,通过小波分析与时频分析提取出相应的频率特征,用来区分人体所处的不同事件。实验结果表明,本文所提出的无源的轻量级人体行为识别方法,由于加入了环境指数PEM的评估,降低了实验误差,提高了数据收集阶段的稳定性并且在两种不同的实验场景下进行实验,发现在室内环境多径效果低的环境中实验效果更好,并且采样频率对实验的影响程度较大,实验对人体走动的行为识别准确度达到了90%以上,平均准确度相比于CARM与Han的方法略有提高,并且实验所需成本低,不要大量数据进行训练,降低了计算复杂度,并且对于跌倒行为与其相似特征的弯腰,蹲下行为,本文方法从频率角度出发,采用基于雷达信号的PBC特征,识别跌倒所产生的误差更低。