本发明涉及特征提取方法领域，具体涉及一种基于wi-fi信道状态信息csi的人体行为识别方法。
背景技术：
随着计算机科学迅速发展，计算机技术正在从原本的以机器为中心逐渐转变为以人类为中心，让人成为计算环节的一部分，促进现实世界和信息世界的融合，实现高水平人机交互是未来的发展方向。近年来，人们一直在不断创造新的技术来实现更有效的人体行为感知和分析，例如通过计算机视觉技术识别图像中的人体动作，使用加速度计和陀螺仪等精密传感器检测人体运动变化趋势等。现如今手势识别、步态识别，动作分析等众多行为识别分析技术已逐步应用到日常生活中，例如在养老院，使用人体行为识别技术检测到老人摔倒后，可以利用报警装置发出警报防止出现意外事故；在体感游戏领域，利用红外或计算机视觉技术识别人不同的动作，从而让人通过动作远程操控电脑进行游戏；在健康医疗领域，通过佩戴手环或其他辅助设备检测人每天走了多少步，根据步数估计每天运动量，使人们更加有效的管理自己的身体健康。
随着无线通信技术的快速发展，使得基于wi-fi无线信号的人体行为识别成为可能，与基于计算机视觉和特殊传感器的传统方法不同，基于wi-fi无线信号的人体行为识别不受光线影响，不需人额外携带设备，且部署成本低，因此受到研究人员的青睐。在wi-fi行为感知领域中，由于csi是属于通信链路物理层信息，相比于数据链路层的接收信号强度(rss)具有更高的细粒度，抗干扰性更强，因此目前基于csi的人体行为识别技术成为了国内外研究人员的研究热门。
线性预测系数(lpc)原本是语音处理中的概念，可以通过lpc系数计算出线性预测倒谱系数(lpcc)，对数面积比系数(lar)，反射系数(refl)和线谱频率(lsf)等语音识别方面许多重要的特征。对于语音信号来说，相邻点之间有很大的相关性，当前的信号在很大程度上可以通过过去的采样点预测得到，即每个采样点可以通过几个过去时间的采样点的线性组合来逼近。
技术实现要素：
本发明的目的是提供一种基于wi-fi信道状态信息csi的人体行为识别方法，以解决上述现有技术存在的问题，通过寻找一种新型的特征替代传统统计特征，提高基于wi-fi的人体行为识别精度。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于wi-fi信道状态信息csi的人体行为识别方法，包括如下步骤：
步骤一，采集单位时间内第k个子信道上的csi为csik＝b ci(1≤k≤56)，其中b为实部，c为虚部，计算csik的幅值
步骤二，采集时间t内第k个子信道上的csi为
步骤三，设采集动作样本集合为s＝{s1,s2,…,sn}，其中n表示动作类型数量，si为动作类型，对所述动作类型si利用lpc计算公式求出其对应的系数ai＝{a1,a2,…,am}，其中m为动作类型si的采样样本个数，a＝{a(1),a(2),…,a(p)}是提取出的lpc系数，p为求取lpc系数时的阶数；
步骤四，对动作样本集合s＝{s1,s2,…,sn}，通过特征提取得到其lpc特征集合a＝{a1,a2,…,an}；设si类型的动作样本采样数为m，则ai＝{a1,a2,…,am}，a1表示动作类型为ai的第一个样本计算出的lpc特征，依次将动作类型为si的样本提取出的特征集合ai中的lpc特征{a1,a2,…,am}打上与动作类型si对应的标签fi，然后将标记好的样本利用svm分类器训练分类模型；
步骤五，采集新的csi样本，并计算所述新的csi样本的lpc特征，利用步骤四中训练好的分类模型进行分类，如果返回的结果为fi，则判定该样本的动作类型为si。
本发明公开了以下技术效果：本发明公开的一种不需要统计特征的基于wi-fi信道状态信息csi的人体识别方法，根据不同行为动作下csi信号变化的特性，将lpc特征用于表达不同动作下csi幅值曲线的变化趋势，比统计特征具有更强的代表性，相对于统计特征的识别方法，具有良好的人体行为识别效果，提高了基于wi-fi的人体行为识别精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为基于wi-fi信道状态信息csi的人体行为识别方法流程图；
图2为跌倒、站立、行走、转身四种动作类型对应的csi幅值；
图3为基于lpc特征的识别方法与基于统计特征的识别方法对比。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明根据不同动作下csi信号波动变化不同，且csi信号与语音信号类似，都为短时时不变信号，同时信号之间具有相关性，从csi序列中提取出能代表信号变化的lpc特征，在客厅的室内环境下对跌倒、站立、转身、行走四种动作进行识别，实验证明基于lpc特征的wi-fi行为感知具有良好的识别效果。
本发明具体步骤如下：
1)在室内环境下通过无线信号采集不同动作的csi数据，wi-fi通信链路可以通过多个子信道传递信息，频域下采集到的csi信息以复数形式体现，单位时间内采集到的第k个子信道上的csi表示如下:
csik＝b ci(1≤k≤56)
其中b为实部，c为虚部，则单位时间内第k个子信道上采集到的csi幅值可通过公式
2)单位时间内采集到的csi幅值可表示为csi＝{|csi1|,|csi2|,…,|csi56|}，设采样时间t内每个子信道采集到的csi为
3)设动作样本集合为s＝{s1,s2,…,sn}，其中n表示动作类型数量，si为动作类型，对所述动作类型si利用lpc计算公式求出其对应的系数ai＝{a1,a2,…,am}，其中m为动作类型si的采样样本个数，a＝{a(1),a(2),…,a(p)}是提取出的lpc系数，p为求取lpc系数时的阶数；
4)将跌倒行为所对应的csi样本提取出的lpc特征标记为1，站立行为所对应的csi样本提取出的lpc特征标记为2，行走行为所对应的csi样本提取出的lpc特征标记为3，转身行为所对应的csi样本提取出的lpc特征标记为4，将标记好的csi样本利用svm分类器训练分类模型。
5)在同一室内环境下，采集未知动作的csi数据，通过步骤1)计算其幅值，通过步骤2)生成对应的csi序列，通过步骤3)计算序列的lpc系数，然后利用步骤4)训练出的分类模型去分类，如果返回的结果为1，则判定采集到的csi数据对应的动作为跌倒，如果返回的结果为2，则判定采集到的csi数据对应的动作为站立，依此类推。
参照图3所示，为了验证本发明人体识别方法的有效性，将本申请的基于lpc特征的识别方法与基于统计特征的识别方法识别效果进行对比，本发明的人体行为识别率均高于基于统计特征的识别方法。
以上所述的实施例仅是对发明的优选方式进行描述，并非对发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
1.一种基于wi-fi信道状态信息csi的人体行为识别方法，其特征在于，包括：
步骤一，在室内环境下采集单位时间内第k个子信道上的csi为csik＝b ci(1≤k≤56)，其中b为实部，c为虚部，计算csik的幅值
步骤二，采集时间t内第k个子信道上的csi为
步骤三，设采集动作样本集合为s＝{s1,s2,…,sn}，其中n表示动作类型数量，si为动作类型，对所述动作类型si利用lpc计算公式求出其对应的系数ai＝{a1,a2,…,am}，其中m为动作类型si的采样样本个数，a＝{a(1),a(2),…,a(p)}是提取出的lpc系数，p为求取lpc系数时的阶数；
步骤四，对动作样本集合s＝{s1,s2,…,sn}，通过特征提取得到其lpc特征集合a＝{a1,a2,…,an}；设si类型的动作样本采样数为m，则ai＝{a1,a2,…,am}，a1表示动作类型为ai的第一个样本计算出的lpc特征，依次将动作类型为si的样本提取出的特征集合ai中的lpc特征{a1,a2,…,am}打上与动作类型si对应的标签fi，然后将标记好的样本利用svm分类器训练分类模型；
步骤五，采集新的csi样本，并计算所述新的csi样本的lpc特征，利用步骤四中训练好的分类模型进行分类，如果返回的结果为fi，则判定该样本的动作类型为si。
技术总结