[发明专利]一种基于CSI的与位置无关的人体活动识别方法

权利要求书

1.一种基于CSI的与位置无关的人体活动识别方法，其特征是按如下步骤进行：

步骤1、选取室内空间的一块矩形区域；在所述矩形区域的外侧使用路由器作为WIFI信号的发送设备，记为AP，并使用网卡作为接收设备，记为RP；

步骤2、将矩形区域均匀划分为m块，并在每一块的中心点的位置设定为一个标定点，从而共得到m个标定点；在非标定点的位置上随机选取n个点作为测试点；

步骤3、在第r个标定点上人体执行b种动作，并使用所述接收设备RP以采样速率v连续u次采集所述发送设备AP发送的不同信道上的WIFI信号，从而构成第r个标定点的CSI数据，进而得到在m个标定点在执行b种动作下的CSI数据，r∈[1,m]；

步骤4、将第r个标定点的CSI数据中每个动作每次所采集的若干个信道的WIFI信号的幅度值求和后取平均值，得到单信道的CSI数据，再利用小波变换对单信道的CSI数据进行去噪处理，得到去噪后的CSI数据，将去噪后的CSI数据的幅度值作为模型的数据样本；

步骤5、在m个标定点中选取z个标定点进行b种动作的分类作为z个分类任务，其中，任意第i个训练任务的数据集D_i由数据样本以及所对应的动作类别标签组成，即其中，表示第i个训练任务的数据集D_i中第j个数据样本，表示第j个数据样本的动作类别标签，n_i表示第i个训练任务的数据样本的数量，i∈[1,z]；

步骤6、利用式(1)得到第i个标定点的第j个数据样本的隐藏表示从而构建z个标定点的数据样本的隐藏表示：

式(1)中，σ_s(·)是激活函数，是所有训练任务之间的两个共享参数；

步骤7、利用层次图神经网络对所述隐藏表示构建数据样本的结构信息、类结构信息以及位置结构信息，用于隐藏表示的数据增广；

步骤7.1、利用式(2)构建第i个训练任务内的图神经网络H_i，从而构建出z个训练任务内的图神经网络：

式(2)中，σ_h(·)是激活函数，X_i表示第i个训练任务的数据样本集合，且表示第i个训练任务的隐藏表示集合，且表示第i个标定点的第j个数据样本的隐藏表示，I表示参数向量，和是第i个训练任务内的图神经网络H_i的两个参数，A_i是第i个训练任务的邻接矩阵，并利用式(3)得到所述邻接矩阵A_i中第j行第l列的数据项

式(3)中，表示第i个标定点的第l个数据样本的隐藏表示；表示第l个数据样本的动作类别标签；

步骤7.2、基于任务内图神经网络，利用式(4)得到第i个训练任务内的任务嵌入从而构建出z个训练任务的z个任务嵌入：

式(4)中，表示第i个训练任务内的图神经网络H_i中的第l个数据；

步骤7.3、利用式(5)计算第i个训练任务内的任务嵌入和第j个训练任务内的任务嵌入间的任务注意系数

式(5)中，a(·,·)是余弦函数，W是权重变换矩阵；

步骤7.4、使用softmax函数对任务注意系数进行归一化，得到归一化后的任务注意系数

步骤7.5、利用式(6)更新第i个训练任务内的任务嵌入得到更新后的任务嵌入从而得到更新后的z个训练任务内的任务嵌入：

式(6)中，σ为激活函数；

步骤7.6、利用式(2)得到第i个训练任务内另一个相同的图神经网络，记为

步骤7.7、基于另一个相同的图神经网络利用式(7)得到第i个训练任务内第j类的类嵌入从而构建出z个训练任务的z×b个类嵌入：

式(7)中，表示第i个训练任务任务内图神经网络的第j类数据中的第l个数据；

步骤7.8、利用式(8)计算第j个类嵌入和第l个类嵌入间的类注意系数

步骤7.9、使用softmax函数对类注意系数进行归一化，得到归一化后的类注意系数

步骤7.10、利用式(9)更新第i个训练任务内的类嵌入得到更新后的类嵌入从而得到z个训练任务更新后的z×b个类嵌入：

步骤7.11、利用式(10)对第i个标定点的第l个数据样本的隐藏表示进行数据扩充，从而得到扩充后的隐藏表示

式(10)中，(·，·，·)表示串联操作；

步骤8、将t×b×u个经过扩充后的隐藏表示送入多任务学习模型训练学习，其中每种动作下u个CSI数据中的部分CSI数据所对应的扩充后的隐藏表示作为训练集T_train，令一部分CSI数据所对应的扩充后的隐藏表示作为测试集T_test；

步骤8.2、按照步骤7.1～步骤7.10的过程对所述训练集T_train进行处理，得到更新后的训练任务嵌入和训练类嵌入；

步骤8.3、使用测试集T_test，在每个任务中，利用更新后的训练任务嵌入和训练类嵌入对测试集T_test进行softmax函数处理，得到测试集T_test中每个隐藏表示分别属于每种动作类别的概率，从而将最大概率所对应的动作类别作为相应隐藏表示的预测动作；根据测试集T_test中每个隐藏表示的预测动作与实际动作，构建每个隐藏表示的交叉熵损失函数；从而将所有隐藏表示的交叉熵损失函数之和作为总损失函数；

步骤8.5、基于测试集T_test，使用AD函数和反向传播算法对所述层次图神经网络进行训练，并计算所述总损失函数；若总损失函数值大于阈值时，则调整学习率，并返回步骤8.2顺序执行；否则停止训练，并得到最优层次图神经网络；

步骤9、利用最优层次图神经网络对z个标定点以外的m-z个标定点和n个测试点上所获取的b种动作下的CSI数据进行分类预测，从而得到动作识别结果。