[发明专利]一种基于RFID无源感知的多模态人体动作识别系统及方法

权利要求书

1.一种基于RFID无源感知的多模态人体动作识别方法，其特征在于，具体包括如下步骤：

步骤一：将RFID标签绑定在人体运动节点处，同步采集所做动作下多标签信道接收天线的RSSI数据，将采集到的动作数据按照时间序列排列，并分别导入相应动作类别表格当中，制作用于人体动作识别的一维信号动作数据集；

步骤二：采用高斯滤波对采集到的一维信号动作数据集进行去噪处理，滤除误差较大的干扰值，使信号变得平滑；然后采用离差标准化进行数据归一化处理，从而提升分类模型的收敛速度和精度；

步骤三：对去噪、归一化后的一维信号动作数据集进行特征提取，采用滑动窗口提取信号的时域特征，包括平均值、方差和标准差；通过对信号进行小波分析，提取信号的近似分量和细节分量，最后构成特征向量；

步骤四：利用小波变换对去噪、归一化后的一维信号动作数据集进行时频分析，得到每类动作下的时频图，制作用于人体动作识别的二维时频图动作数据集，从而构成多模态人体动作识别数据；

步骤五：对于步骤三的特征向量，将特征向量作为随机森林分类模型的输入，进行分类识别，并引入网格搜索算法优化参数，寻找全局最优值；

对于步骤四的二维时频图动作数据集，通过搭建CNN-LSTM网络模型进行分类识别；

步骤六：采用最大概率准则对两种分类模型的识别结果进行决策融合，最大概率准则及最终判别结果公式如下：

P_j(n)＝max(P_ij(n)),其中，i＝1,2,j＝1,2,3,4,5,6,7,8；

P_j^’(n)＝P_j(n)/Σ_jP_j(n)；

其中，i和j为第i种分类模型和第j类动作类别，P_ij(n)为第i种分类模型判别该动作为第j种动作类别的概率值，P_j(n)为i种分类模型中对第j类动作判别概率的最大值,P_j^’(n)为决策融合后该动作是第j类动作类别的概率值。

2.如权利要求1所述的一种基于RFID无源感知的多模态人体动作识别方法，其特征在于，步骤一中所述的人体运动节点包括胳膊、腹部及腿部的运动节点；所做动作包括站、坐、躺、走、跑、跳、起立、摔倒八种动作类别。

3.如权利要求1所述的一种基于RFID无源感知的多模态人体动作识别方法，其特征在于，步骤二中归一化处理，即对原始数据进行线性变换，使其结果映射到0～1区间上，从而提升模型的收敛速度和精度；离差标准化公式如下：

其中，x为RSSI数据初始值，max为RSSI数据的最大值，min为RSSI数据的最小值，x*为归一化后的RSSI值。

4.如权利要求1所述的一种基于RFID无源感知的多模态人体动作识别方法，其特征在于，步骤四中采用的连续小波变换公式如下：

其中，a和τ分别为尺度因子和平移因子，f(t)为进行小波变换的信号，ψ_a,τ(t)为小波函数，W(a,τ)为信号进行小波变换后的小波序列。

5.如权利要求1所述的一种基于RFID无源感知的多模态人体动作识别方法，其特征在于，在步骤五中的CNN-LSTM网络模型中引入混合注意力机制，所述混合注意力机制包括空间注意力模块(SAM)和时间注意力模块(TAM)，将SAM模块放在卷积层后，通过让模型学习不同特征之间的关联性，为重要特征赋予更大的权重，在LSTM层后加入TAM模块，让模型从相邻动作数据中挖掘判别线索。