[发明专利]基于CSI的增量学习人体动作识别方法

说明书

本发明公开了一种基于CSI的增量学习人体动作识别方法，其步骤包括：1、通过部署WIFI设备收集M+1个场景中的CSI动作样本；2、将时间信息添加到CSI动作样本上；3、利用数据增强方法为每类动作生成伪样本；4、利用增量学习模型完成跨场景的人体动作识别；5、更新的模型和内存集用于下一个新场景动作的学习。本发明能持续的学习不同场景下的人体动作，在保证较高识别精度的前提下降低对动作样本数量的需求。

技术领域

本发明属于无线通信技术领域，具体的说是一基于CSI的增量学习人体动作识别方法。

背景技术

人体动作识别在智能家居、手势识别、日常行为检测等领域获得了广阔的应用。与计算机视觉感知技术、红外感知技术以及专用传感器感知技术等相比，基于WiFi信号的人体动作识别技术具有不侵犯隐私、不受光线影响、成本低等优势，已成为人体动作识别领域热门方法之一。相比于RSSI，CSI具有更细的粒度和敏感度，能够感知到信道更微小的变化，因此它对呼吸、手势等幅度较小的动作具有更好的识别准确率。

跨环境的人体活动识别还存在以下问题需要解决：由于多径效应的影响，同一动作在不同场景中的CSI信号特征存在差别，当室内场景发生变化时，现有模型的识别精度明显下降甚至不能识别，需要重新采集CSI动作数据来训练模型。

目前，最接近的技术：针对上述问题，一些研究者使用迁移学习和小样本学习方法在一定程度上实现了模型的复用。专家学者们使用基于特征的、基于实例的或者基于共享参数的迁移学习方法，通过新场景的CSI人体动作数据调整旧场景的模型，使得模型适用新场景。

另外，小样本学习是解决这一问题的一种途径。典型的机器学习应用需要大量带有标签的样本，然而实际应用中很难获得足够数量的动作样本。小样本学习是机器学习的一种特殊情况，它的目标是在提供少量样本情况下获得良好的学习性能。先使用一部分人体动作样本预训练模型，然后将新场景的动作样本构成多个任务输入网络来更新模型参数。

综上所述，采用迁移学习方法或小样本学习方法的HAR模型虽然在新场景中依旧保持较高的准确率，但是迁移学习需要大量新场景下的动作样本微调模型，小样本学习方法在新动作的种类数量增多导致识别率明显降低。同时小样本学习和迁移学习方法在学习识别新动作后，新模型对原先的动作识别精度大幅下降，它只在当前场景下有效，无法实现持续的学习。这两类方法遗忘旧任务的原因在于：在新任务的训练中，网络中各个神经元之间的连接权重要针对新任务进行调整，这将改变适应旧任务的原有结构，导致在旧任务上的性能快速下降。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于CSI的增量学习人体动作识别方法，以期能在学习当前场景下动作后保持对已学场景下动作的识别精度，同时尽可能降低对当前场景下动作样本数量的需求，从而提升采集效率，增强模型的鲁棒性。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于CSI的增量学习人体动作识别方法的特点是按如下步骤进行：

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；