[发明专利]基于CSI的增量学习人体动作识别方法

权利要求书

1.一种基于CSI的增量学习人体动作识别方法，其特征是按如下步骤进行：

步骤1、选定布局不同的M+1个室内场景分别记为(C₀，C₁，...，C_M)，其中，C₀为旧场景，(C₁，...，C_i，...，C_M)为新场景；C_i表示第i个新场景；M表示场景数；

在M+1个室内场景中分别部署一对WIFI收发设备，其中，使用路由器作为WIFI信号的发送设备，记为AP，使用无线网卡作为接收设备，记为RP，且路由器AP和无线网卡RP的间隔距离为l；

步骤2、在时间周期T内，分别在任一室内场景的采集点上做第s类动作，并使用所述接收设备RP以采样速率v连续采集所述发送设备AP发送的c个信道上的w个子载波信号，从而构成维度为c×w×T的三维CSI矩阵并分别作为相应室内场景中的一个动作样本，将所述三维CSI矩阵的每个元素与其对应的采集时刻相加，从而得到第s类动作的一个输入样本，以同一室内场景中第s类动作的n个输入样本构成对应室内场景中第s类动作的样本集X_s；

步骤3、按照步骤2的过程得到第i个新场景中的t_i类动作样本集，并将M个新场景中所有动作的样本集按顺序排列为样本序列，其中，第i个新场景中的动作样本集在所述样本序列中对应的动作类别为t_i-1+1～t_i类动作；

按照步骤2的过程得到旧场景中的动作样本集；

步骤3、数据增强；

步骤3.1、基于所述样本序列中第s类动作样本集X_s的输入样本x_s，a和x_s，b，利用式(1)得到伪输入样本x_s，c，并加入第s类动作样本集X_s中，从而得到第s类动作的新样本集X′_s；

x_s，c＝ωx_s，a+(1-ω)x_s，b+n (1)

式(1)中，ω表示随机权重，且ω∈(0，1)，n表示高斯噪声；

步骤4、构建增量学习网络模型，包括：特征提取器模块和最近邻分类器模块；

步骤4.1、所述特征提取器模块使用e个卷积单元和一个平均池化层；所述卷积单元由卷积层、批归一化层、relu激活函数层依次构成；

所述最近邻分类器模块使用激活函数为sigmoid的全连接层；

步骤4.2、第s类动作的新样本集X′_s输入所述特征提取器模块中，并依次经过e个卷积单元和一个平均池化层的处理后，输出特征矩阵F_s＝{f_s，1，...，f_s，j，...，f_s，n}，其中，f_s，j表示第s类动作的新样本集X′_s中第j个样本的特征向量；

第s类动作的新样本集X′_s中第j个样本的特征向量f_s，j经过最近邻分类器模块的处理后，输出向量其中，表示将第s类动作的新样本集X′_s中第j个样本识别为第y类动作的概率值；

步骤4.3、初始化i＝1，基于旧场景C₀中的动作样本集，初始化所述增量学习网络模型的网络参数θ，并得到预训练模型Model_i-1；

将第i个新场景中的动作样本集的动作种类序号记为(t_i-1+1，...，u...t_i)，则前i-1个新场景中的动作种类序号记为(1，...，v...，t_i-1)，当i＝1时，令t_i-1＝0；

将第i个新场景中的动作样本集输入增量学习网络模型，并按照步骤4.2的过程进行处理，同时利用式(1)损失函数l_i(θ)更新网络参数θ，得到前i个新场景(C₁，...，C_i)中动作类别的训练模型Model_i；

式(1)中，为第u类动作的第j个输入样本属于第y类动作的真实概率，为训练模型Model_i将第u类动作的第j个输入样本识别为第y类动作的概率；

步骤4.4、创建训练模型Model_i对应的内存集P_i；

步骤4.4.1、利用式(2)得到第u类动作的类平均向量μ_u：

式(2)中，x_u，j为第u类动作的第j个输入样本，为特征提取器模块训练的特征提取函数；

步骤4.4.2、利用式(3)计算第u类动作的新样本集X′_u中第k个最接近类平均向量μ_u的样本p_u，k：

式(3)中，p_u，j表示第u类动作的新样本集X′_u中第j个最接近类平均向量μ_u的样本；

步骤4.4.3、按照步骤4.4.2的过程选取前m_i＝K/t_i个最接近类平均向量μ_u的样本依次加入到内存集P_i中，K表示P_i能存储的样本总数量；

步骤4.5、将i+1赋值给i后，执行步骤4.6；

步骤4.6、将第i个新场景中的动作样本集和内存集P_i-1输入训练模型Model_i-1中，基于内存集P_i-1中每个动作样本按照步骤4.2的过程对训练模型Model_i-1进行训练，并输出特征向量{Q_1，1，...，Q_1，n...，Q_v，j...，Q_t，n}；其中，Q_v，j表示内存集P_i-1中第v类动作的第j个输入样本的特征向量，且其中，表示将第v类动作的第j个输入样本识别为第y类动作的概率值；

基于第i个新场景中的动作样本集和内存集P_i-1按照步骤4.2的过程对训练模型Model_i-1进行训练，同时利用式(3)所示的损失函数l_i(θ)更新网络参数θ，得到前i个新场景(C₁，...，C_i)中动作类别的训练模型Model_i；

式(3)中，为训练模型Model_i将第u类动作的第j个输入样本识别为第y类动作的概率；为第v类动作的第j个输入样本属于第y类动作的真实概率；

步骤4.7、判断i＞M是否成立，若成立，则表示得到用于识别M个新场景动作类别的训练模型并作为最终的人体动作识别模型，否则，返回步骤4.5。