[发明专利]一种基于深度时空模型的wifi感知方法

说明书

一种基于深度时空模型的wifi感知方法，包括如下步骤：在室内场景中采集不同动作的wifi信号并提取通道信号状态信息CSI；滤除CSI的噪声，并从滤波后的信号中分离出动作样本，利用滑窗将动作样本划分成多个时间片段；将这些片段输入到多层卷积神经网络CNN，提取空间特征；将每个样本多个时间片段的空间特征输入到双向长短时记忆神经网络Bi‑LSTM中，进一步挖掘样本的时序特征；利用训练样本训练深度时空模型，包括CNN模型和Bi‑LSTM模型，将测试样本输入到训练好的模型中，识别样本的类别。本发明以深度学习为基础，利用CNN和Bi‑LSTM构建深度时空模型，提取CSI样本的时空特征信息，提高特征表达的辨识力，保障识别精度。此外，本发明还为基于wifi的感知问题，提供了新的研究思路。

技术领域

本发明涉及wifi的行为感知技术领域，具体涉及一种基于深度时空模型的wifi感知方法。

背景技术

行为识别在智能家居、公共安全、人机交互等领域应用广泛，传统基于图像或视频的行为感知存在隐私侵犯、光照影响等问题。随着wifi设备的广泛部署，基于wifi的被动感知成为研究热点。如何从wifi信号中的CSI数据学习出能够充分表示行为的特征是提高识别精度的关键。

目前，大多数研究主要集中于频域或时域的统计特征、频谱特征等手工特征的提取，这些特征虽然已经获得一定成功，但是依赖于先验知识，而且不能充分挖掘信号的时空特征信息。很少有文献从深度学习的角度出发，设计合理的深度时空模型，学习wifi信号的时空特征，进而提高识别的可靠性。

发明内容

本发明提供一种基于深度时空模型的wifi感知方法，考虑从深度学习的角度，构建CNN和Bi-LSTM模型用于学习时序信号的时空特征，旨在解决现有技术中wifi感知特征辨识力差、依赖于先验知识等问题。

一种基于深度时空模型的wifi感知方法，包括如下步骤：

步骤1，在室内场景中采集不同动作的wifi信号并提取通道信号状态信息CSI；

步骤2，滤除CSI的噪声，并从滤波后的信号中分离出动作样本，利用滑窗将动作样本划分成多个时间片段；

步骤3，将这些片段输入到多层卷积神经网络CNN，提取空间特征；

步骤4，将每个样本多个时间片段的空间特征输入到双向长短时记忆神经网络Bi-LSTM中，进一步挖掘样本的时序特征；

步骤5，利用训练样本训练深度时空模型，包括CNN模型和Bi-LSTM模型，将测试样本输入到训练好的模型中，识别样本的类别。

进一步地，步骤1具体为，在室内放置wifi发射器和接收器，采用路由器作为发射器，接收器连接配有Intel 5300的PC机，开启设备，志愿者在发射器和接收器中间做不同动作，使用采集软件接收wifi信号，并提取CSI数据。

进一步地，步骤2具体为，通过巴特沃斯低通滤波器对CSI数据去噪，滤除掉人体动作之外的其他噪声引起的频率变化；再采用差分的方法将滤波数据的非动作部分分离，切割出动作区域；最后采用滑窗的方法将每个动作样本划分成多个尺寸相同的时间片段。

进一步地，步骤3中，将训练样本的时间片段数据和对应的标签都输入到CNN网络中，训练CNN模型。

进一步地，步骤4中，具体为将每个训练样本的时间片段输入到已经训练好的CNN模型中，分别提取最后一个全连接层的特征，并将这些特征和标签进一步输入到双向长短时记忆神经网络Bi-LSTM中，训练时序模型，挖掘时序特征。

进一步地，步骤5中，将测试样本的多个时间片段输入到训练好的CNN模型中，提取最后一个全连接层特征作为其空间特征；将每个测试样本的空间特征进一步输入到训练好的Bi-LSTM模型中，学习时间序列之间的时序特征，并得到测试样本的分类结果。