[发明专利]基于持续学习的WiFi手势增量识别系统的构建方法

说明书

本发明公开了一种基于持续学习的WiFi手势增量识别系统的构建方法，该方法从不断增加的数据流中学习信息，逐渐扩展已学习的信息并将其应用于未来的学习，使得到的识别系统具有稳定性和可塑性。包括在基于无线网卡的环境中，部署收发器，收集信道状态信息CSI；在样本采集环境中完成手势，得到手势动作样本集；从手势样本数据提取幅值信息并进行预处理；对处理后的数据进行子载波选择和降维，得到数据集；使用神经网络对数据集进行特征提取与分类，得到初始模型；以初始模型为基模型，采用持续学习中的梯度情景记忆方法对初始模型分别进行类别增量和领域增量学习，得到动态的基于持续学习的WiFi手势增量识别系统。

技术领域

本发明属于手势识别技术领域，具体涉及一种基于持续学习的WiFi手势增量识别系统的构建方法。

背景技术

随着交互式通信的兴起，手势识别逐渐成为人机交互的重要组成部分。手势识别被广泛应用于医疗保健、安全管理和智能家居中。最初的手势识别系统都是采用接触式的传感设备，研究人员穿戴传感器、加速度计等设备，这些设备与计算机连接，计算机再将从传感器获得的信息(手指位置或伸展方向等)进一步分析。而随着无线传感技术的发展，非接触式的手势识别方法也逐渐成为主要的研究方向。研究人员使用部署光学传感器、雷达及WiFi等设备采集手势信息。基于WiFi设备的手势识别由于其部署广泛、成本低廉等优势吸引了很多的关注。当研究人员在无线环境中移动时，信道状态信息(CSI)会发生波动。这种波动对于不同的手势是唯一的。通过对收集到的CSI提取分析手势特征，即而得到数据与手势相关的信息。常用的特征提取方法包括SVM、K-近邻算法、决策树以及神经网络等。神经网络由于其细粒度的手势识别性能被广泛应用。

然而，基于神经网络的手势识别系统仍存在限制。首先，网络的参数依据训练阶段中的数据集更新，在部署或调用阶段冻结参数用于测试网络性能，即一旦训练阶段结束，网络可识别的手势类别固定。如果需要增加新类别手势时，网络通常必须在整个数据集上重新训练网络，以避免过度拟合和遗忘。然而，这种方法是低效的并且当先前的数据由于存储限制或隐私限制不可用时，这种方法就不可行。

其次，网络的训练通常在静态的测量环境和受试者数量下进行。然而在实际场景中，测试不仅会发生在与收集训练数据环境不同的场景中，同时还需检测新的受试者。无线信号特征不仅与用户手势有关，还与用户的身体特征或行为习惯有关，因此固定受试者训练的网络在新受试者的相同手势数据下表现出较差的性能。如果仅使用新受试者的手势信息更新网络，则网络参数会被新受试者的特征更新，而已学习的受试者的部分信息将会被覆盖，使其识别效果极速下降，这种现象称为灾难性遗忘。这些设置使基于神经网络的手势识别系统面临重要的实际挑战。

综上所述，现有的以神经网络为特征提取器的手势识别系统在动态更新手势类别及多目标手势识别上存在不足，因此需要研究新的支持跨类别和领域的基于持续学习的手势增量识别系统。

发明内容

针对上述现有技术存在的缺陷或不足，本发明的目的在于，提供一种基于持续学习的WiFi手势增量识别系统的构建方法，该方法在从不断增加的数据流中学习信息，逐渐扩展已学习的信息并将其应用于未来的学习，使得到的识别系统具有稳定性和可塑性。

为了实现上述任务，本发明采取如下的技术技术解决方案：

一种基于持续学习的WiFi手势增量识别系统的构建方法，其特征在于，按以下步骤进行：

步骤一：在基于无线网卡的环境中，部署收发器，收集信道状态信息CSI；

步骤二：在样本采集环境中完成手势，得到手势动作样本集；

步骤三：从手势样本数据提取幅值信息并进行预处理；

步骤四：对处理后的数据进行子载波选择和降维，得到数据集；

步骤五：使用神经网络对数据集进行特征提取与分类，得到初始模型；