戴明威劉文鴻黃曉霞

1（中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院 深圳 518055）2（中國(guó)科學(xué)院大學(xué) 北京 100049）

基于無(wú)線信號(hào)的人類行為檢測(cè)和識(shí)別

戴明威1，2劉文鴻1黃曉霞1

1（中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院 深圳 518055）
2（中國(guó)科學(xué)院大學(xué) 北京 100049）

物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)了物與物、人與物的全面互聯(lián)，其中信息傳感設(shè)備與人的交互需要對(duì)人體行為活動(dòng)進(jìn)行感知。目前廣泛使用的有基于視覺(jué)和利用穿戴式傳感器的識(shí)別方法，但這些方法在很多場(chǎng)景下應(yīng)用有所限制。文章提出一種基于無(wú)線信號(hào)識(shí)別人類行為的方法，通過(guò)對(duì)通信中傳輸數(shù)據(jù)包狀態(tài)的統(tǒng)計(jì)和分析，能夠利用少量通信節(jié)點(diǎn)達(dá)到感知非攜帶設(shè)備的目標(biāo)在室內(nèi)檢測(cè)區(qū)域行為活動(dòng)的目的。對(duì)于不同的行為活動(dòng)特征，采用序列最小優(yōu)化算法、 K-最近鄰算法等不同算法進(jìn)行分類研究。相對(duì)于傳統(tǒng)基于無(wú)線信號(hào)接收信號(hào)強(qiáng)度指標(biāo)的免攜帶設(shè)備行為識(shí)別方法，文章提出的方法對(duì)不同運(yùn)動(dòng)速度等級(jí)的識(shí)別精度平均提高了 25.1%。

行為識(shí)別；無(wú)線射頻信號(hào)；免攜帶設(shè)備行為偵測(cè)；序列最小優(yōu)化；K-最近鄰

1 引 言

物聯(lián)網(wǎng)通過(guò)射頻識(shí)別、傳感器等設(shè)備對(duì)客觀物體進(jìn)行表示并利用網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)交換。其目的是對(duì)物體實(shí)現(xiàn)智能化控制，達(dá)到與物與物以及物與人交互的目的。對(duì)環(huán)境中實(shí)體的感知有助于給物聯(lián)網(wǎng)系統(tǒng)提供更多的環(huán)境狀況信息。對(duì)于目標(biāo)的行為識(shí)別是物聯(lián)網(wǎng)系統(tǒng)中不能忽視的技術(shù)之一。行為識(shí)別在智能家居，安防入侵檢測(cè)等領(lǐng)域都有潛在的應(yīng)用前景。

傳統(tǒng)的行為檢測(cè)的方法主要有基于視覺(jué)的檢測(cè)［1］，通常的方法是在監(jiān)測(cè)區(qū)域布置攝像頭等設(shè)備。其缺點(diǎn)是安裝和擴(kuò)展的成本很高，而且只能用于視距條件下；在煙霧和黑暗的環(huán)境下往往不能達(dá)到理想的效果。另外一類基于傳感器的應(yīng)用是很普遍的行為識(shí)別方法［2］，加速度傳感器被廣泛應(yīng)用于識(shí)別人體的運(yùn)動(dòng)，并且有一定的識(shí)別精度。其問(wèn)題是傳感器必須攜帶在人的身體上（穿戴設(shè)備或者移動(dòng)終端設(shè)備），檢測(cè)的精度和傳感器在人體的分布位置有很大關(guān)系［3］，并且傳感器設(shè)備也受到功耗的限制。在入侵檢測(cè)等條件下，被檢測(cè)者往往不會(huì)攜帶傳感器設(shè)備，這種需要結(jié)合目標(biāo)攜帶設(shè)備的方法就不再適用。

無(wú)線信號(hào)最普遍的作用是進(jìn)行信息的無(wú)線傳輸，常見(jiàn)的有 GSM、Wi-Fi 以及無(wú)線傳感網(wǎng)絡(luò)?？梢允褂锰囟ǖ墓?jié)點(diǎn)、頻段和傳輸?shù)臋C(jī)制，利用無(wú)線信號(hào)達(dá)到識(shí)別人類活動(dòng)的目的?，F(xiàn)存的技術(shù)有基于電磁波反射的雷達(dá)和超寬帶系統(tǒng)［4，5］。此類系統(tǒng)在實(shí)際安裝和檢測(cè)中需要額外的開(kāi)銷，并且超寬帶系統(tǒng)會(huì)受到環(huán)境的干擾，檢測(cè)精度受影響。

有研究表明， 通過(guò)提取信號(hào)的多普勒效應(yīng)特征并對(duì)特征進(jìn)行量化［6，7］，可以有效地對(duì)人體的不同活動(dòng)狀態(tài)進(jìn)行分類。Adib 等［8］的研究顯示，工作在 2.4 GHz 頻段的 Wi-Fi 信號(hào)，可以被用來(lái)偵測(cè)穿墻的手勢(shì)以及運(yùn)動(dòng)行為。而室內(nèi)環(huán)境中的各種電器發(fā)出的電磁干擾和噪聲可以采集并被用作監(jiān)測(cè)簡(jiǎn)單用電活動(dòng)［9］，即普通的電器也可以被作為行為識(shí)別的傳感器。

用于通信的無(wú)線信號(hào)資源在日常生活中覆蓋越來(lái)越廣泛。本文利用軟件定義無(wú)線電，在2.4 GHz 頻段上利用通用軟件無(wú)線電外設(shè)（Universal Software Radio Peripheral，USRP）建立通信，根據(jù)收到的傳輸包的狀態(tài)信息，對(duì)監(jiān)測(cè)區(qū)域的人類活動(dòng)進(jìn)行識(shí)別和分類，用很少量的節(jié)點(diǎn)達(dá)到檢測(cè)的效果。此方法還可以嵌入到現(xiàn)有的傳輸接入點(diǎn)上，通過(guò)較小的開(kāi)銷實(shí)現(xiàn)對(duì)行為的識(shí)別。

2 基于軟件定義無(wú)線電的無(wú)線信號(hào)人體行為識(shí)別

在利用無(wú)線信號(hào)對(duì)人體行為進(jìn)行檢測(cè)中，上述的工作大多需要人體攜帶相應(yīng)的傳感設(shè)備，這樣的方法導(dǎo)致適用場(chǎng)景的局限性。Youssef 等［10］定義了免攜帶設(shè)備室內(nèi)定位，利用室內(nèi)無(wú)線信號(hào)對(duì)實(shí)體的位置進(jìn)行判別，并且被測(cè)人員不需要攜帶任何傳感設(shè)備。之后的研究者將這種概念應(yīng)用于對(duì)人體不同行為的識(shí)別，即基于無(wú)線電的免攜帶設(shè)備行為識(shí)別［11］：通過(guò)分析無(wú)線信道中信號(hào)的波動(dòng)來(lái)推斷人類的活動(dòng)。目前該類方法主要集中在對(duì)物理層的接收信號(hào)強(qiáng)度（Received Signal Strength Indication，RSSI）變化的檢測(cè)。信號(hào)強(qiáng)度指標(biāo)可以反映信道的波動(dòng)情況，但當(dāng)前無(wú)線設(shè)備很少能直接訪問(wèn)射頻信道，而更容易獲得數(shù)據(jù)包級(jí)別信息。因此，本文的研究沒(méi)有再利用信號(hào)強(qiáng)度指標(biāo)，而是利用通用軟件定義無(wú)線電平臺(tái)，搭建分組傳輸?shù)耐ㄐ拍K，通過(guò)對(duì)接收節(jié)點(diǎn)網(wǎng)絡(luò)層數(shù)據(jù)包狀態(tài)進(jìn)行統(tǒng)計(jì)和分析，從而提取相應(yīng)特征進(jìn)行行為識(shí)別。

2.1 無(wú)線檢測(cè)環(huán)境

接收信號(hào)強(qiáng)度指標(biāo)普遍應(yīng)用于免攜帶設(shè)備行為識(shí)別［12，13］，來(lái)對(duì)人行為特征的分析和評(píng)估。通常使用設(shè)備收集相應(yīng)頻段上的信號(hào)強(qiáng)度，之后通過(guò)對(duì)信號(hào)強(qiáng)度值的波動(dòng)來(lái)描述行為特征。RSSI的變化易受多徑衰落和陰影效應(yīng)的影響，在之前免攜帶設(shè)備行為識(shí)別的研究當(dāng)中，無(wú)線節(jié)點(diǎn)往往被布置在視距環(huán)境下［11，12］。而本文在監(jiān)視環(huán)境更加嚴(yán)格的非視距條件下進(jìn)行，人體在電磁環(huán)境中可被視為導(dǎo)體，目標(biāo)的不同行為會(huì)反射、折射或者散射電磁波，產(chǎn)生信號(hào)的慢衰落導(dǎo)致到達(dá)接收節(jié)點(diǎn)的信號(hào)質(zhì)量變化，從而影響接收信號(hào)強(qiáng)度和信噪比等指標(biāo)。

本文通過(guò)在實(shí)際分組傳輸中容易獲得的網(wǎng)絡(luò)層信息來(lái)衡量人體的活動(dòng)給通信帶來(lái)的影響。數(shù)據(jù)包的不同狀態(tài)信息和信道的通信質(zhì)量有密切的關(guān)系，而目標(biāo)在檢測(cè)區(qū)域的活動(dòng)帶來(lái)的信道波動(dòng)，會(huì)在通信的接收節(jié)點(diǎn)產(chǎn)生特定的特征。利用圖1 所示的通信模塊，在室內(nèi)實(shí)驗(yàn)環(huán)境下進(jìn)行行為檢測(cè)。

圖1 用于行為識(shí)別的通信模塊Fig. 1 The communication module for activity recognition

2.2 特征選取

在系統(tǒng)中發(fā)射節(jié)點(diǎn)以恒定的速率向接收節(jié)點(diǎn)傳輸數(shù)據(jù)包，接收節(jié)點(diǎn)收集分組數(shù)據(jù)包的狀態(tài)信息時(shí)間序列，定義接收包的不同狀態(tài)：能夠正確解調(diào)的數(shù)據(jù)包、解調(diào)校驗(yàn)發(fā)生錯(cuò)誤的數(shù)據(jù)包以及丟失的數(shù)據(jù)包。通過(guò)定義：接收節(jié)點(diǎn)能正確解調(diào)的數(shù)據(jù)包定義為‘1’，解調(diào)之后校驗(yàn)數(shù)據(jù)包發(fā)生錯(cuò)誤或者丟失的數(shù)據(jù)包定義為‘0’。使用收包率P（w）來(lái)反映通信質(zhì)量的好壞，進(jìn)而分析行為。

其中，Ndecode是固定時(shí)間窗口長(zhǎng)度下接收端正確解調(diào)的數(shù)據(jù)包個(gè)數(shù)；Nout是對(duì)應(yīng)時(shí)間長(zhǎng)度下發(fā)射端總共發(fā)出的數(shù)據(jù)包個(gè)數(shù)。圖2 顯示了對(duì)數(shù)據(jù)包狀態(tài)序列取重疊窗，計(jì)算每個(gè)窗口的收包率，得到收包率序列，通過(guò)其波動(dòng)反映空間中的傳輸質(zhì)量變化，進(jìn)而能夠提取特征進(jìn)行行為識(shí)別。在實(shí)際行為識(shí)別場(chǎng)景中存在 3 種可能的通信條件：

（1）增強(qiáng)條件：無(wú)人的情況下，接收節(jié)點(diǎn)的收包狀況很差，數(shù)據(jù)包解調(diào)發(fā)生錯(cuò)誤，不能正確解調(diào)數(shù)據(jù)包，目標(biāo)在檢測(cè)區(qū)域的活動(dòng)使接收節(jié)點(diǎn)能夠正確解調(diào)部分?jǐn)?shù)據(jù)包；

（2）衰落條件：無(wú)人的情況下，接收節(jié)點(diǎn)能夠正常穩(wěn)定地解調(diào)數(shù)據(jù)包，目標(biāo)在檢測(cè)區(qū)域的活動(dòng)使信道通信質(zhì)量下降，出現(xiàn)部分時(shí)間段中解調(diào)數(shù)據(jù)包錯(cuò)誤或者丟包的情況；

（3）人的活動(dòng)對(duì)傳輸沒(méi)有影響，接收端的傳輸數(shù)據(jù)包狀態(tài)保持穩(wěn)定且對(duì)人的活動(dòng)不敏感。

以上三種通信條件，一旦發(fā)射天線和接收天線的位置、角度固定，發(fā)射節(jié)點(diǎn)和接收節(jié)點(diǎn)的傳輸狀態(tài)就能在信號(hào)傳輸區(qū)域無(wú)人活動(dòng)的情況下保持穩(wěn)定。（1）和（2）適用于對(duì)行為的檢測(cè)和識(shí)別：無(wú)人條件下收包率穩(wěn)定在一定范圍內(nèi)，目標(biāo)在檢測(cè)區(qū)域的活動(dòng)導(dǎo)致收包率的波動(dòng)，通過(guò)波動(dòng)來(lái)識(shí)別人的存在。在條件（3）下，檢測(cè)區(qū)域內(nèi)有人和無(wú)人情況收包率沒(méi)有區(qū)別，不能用來(lái)檢測(cè)人的活動(dòng)，但是接收端天線移動(dòng)一個(gè)波長(zhǎng)的距離，信道的頻率響應(yīng)就完全改變，收包率也會(huì)隨之變化，到達(dá)角度也會(huì)對(duì)信號(hào)質(zhì)量產(chǎn)生影響。通過(guò)旋轉(zhuǎn)或者移動(dòng)接收天線，能使檢測(cè)模塊從通信條件（3）變?yōu)椋?）或（2）。本研究對(duì)于目標(biāo)的檢測(cè)均在（1）或（2）通信條件下進(jìn)行，檢測(cè)當(dāng)中固定接收和發(fā)射天線的位置角度，系統(tǒng)在檢測(cè)當(dāng)中能夠保持增強(qiáng)或者衰落條件的狀態(tài)。

圖2 從數(shù)據(jù)包狀態(tài)序列得到收包率Fig. 2 Employ overlapped window on packet state series and calculate the packet receive rate

在增強(qiáng)條件的通信環(huán)境下，由于在無(wú)人情況下收包率為 0，目標(biāo)的活動(dòng)使收包率提升，很容易提取出有人活動(dòng)對(duì)應(yīng)的收包率序列。對(duì)于衰落條件的通信環(huán)境，收包率在無(wú)人活動(dòng)的時(shí)刻有一定的波動(dòng)，會(huì)影響有人活動(dòng)時(shí)對(duì)應(yīng)序列的提取，因此采用以下的方法來(lái)提取出有人活動(dòng)對(duì)應(yīng)的時(shí)刻。

首先通過(guò)預(yù)處理數(shù)據(jù)包狀態(tài)得到的收包率序列，然后通過(guò)取重疊窗得到子序列。若子序列中的最大值和最小值的差小于設(shè)定的閾值，說(shuō)明該段子序列收包率的波動(dòng)不大，則該段序列取子序列的平均值；若子序列最大值和最小值之間的差值大于閾值，則子序列保持不變。對(duì)于均值濾波后的序列，利用標(biāo)準(zhǔn)差來(lái)區(qū)分是否有人的活動(dòng)。使用標(biāo)準(zhǔn)差是因?yàn)闃?biāo)準(zhǔn)差能夠區(qū)分收包率的波動(dòng)程度，而且在增強(qiáng)條件和衰落條件下，有人活動(dòng)對(duì)應(yīng)的收包率的標(biāo)準(zhǔn)差均大于無(wú)人情況。若一段序列當(dāng)中標(biāo)準(zhǔn)差的值高于閾值，則該段序列為有人活動(dòng)的序列。

圖3 顯示了在衰落的通信條件下在有人和無(wú)人情況連續(xù)采集的一段收包率序列。原始序列中收包率不同程度的下降區(qū)間代表檢測(cè)區(qū)域中有目標(biāo)活動(dòng)；收包率在穩(wěn)定的區(qū)間則代表檢測(cè)區(qū)域中無(wú)目標(biāo)（人）活動(dòng)。通過(guò)用標(biāo)準(zhǔn)差衡量濾波后的收包率數(shù)據(jù)，可以提取出有人活動(dòng)時(shí)對(duì)應(yīng)的收包率序列。

圖3 對(duì)收包率序列進(jìn)行均值濾波Fig. 3 Filtering noise of packet receive rate sequence

2.3 傳輸數(shù)據(jù)包時(shí)間間隔信息

在提取出有人活動(dòng)的序列之后，利用收包率等作為特征衡量檢測(cè)區(qū)域內(nèi)目標(biāo)活動(dòng)的不同狀態(tài)。在免攜帶設(shè)備的入侵檢測(cè)中，對(duì)目標(biāo)物體運(yùn)動(dòng)速度的識(shí)別較使用加速度傳感器的要困難很多。本文采取基于傳輸數(shù)據(jù)包狀態(tài)信息的方法，雖然利用收包率特征能夠衡量出由于人的活動(dòng)導(dǎo)致的傳輸質(zhì)量的變化，但同時(shí)也會(huì)忽略傳輸數(shù)據(jù)包之間的細(xì)節(jié)信息，因此需要找出新的特征來(lái)描述目標(biāo)的運(yùn)動(dòng)速度。

傳輸中數(shù)據(jù)包的解調(diào)狀態(tài)會(huì)因通信質(zhì)量的變化而被動(dòng)地發(fā)生改變，而不同運(yùn)動(dòng)速度引起的通信質(zhì)量不同程度的衰落則會(huì)產(chǎn)生不同的數(shù)據(jù)包間隔，依此來(lái)衡量速度信息。在實(shí)驗(yàn)當(dāng)中對(duì)每個(gè)數(shù)據(jù)包以包序號(hào)表示，并且記錄下每個(gè)數(shù)據(jù)包到達(dá)接收節(jié)點(diǎn)的時(shí)間，利用每個(gè)傳輸數(shù)據(jù)包狀態(tài)以及到達(dá)時(shí)間序列對(duì)運(yùn)動(dòng)速度進(jìn)行分析，分別定義以下特征：

acf：自相關(guān)函數(shù)（Autocorrelation Function）。在網(wǎng)絡(luò)傳輸當(dāng)中，相鄰數(shù)據(jù)包之間的延時(shí)有一定的相關(guān)性，當(dāng)?shù)?i 個(gè)數(shù)據(jù)包出現(xiàn)高延時(shí)，第 i+1個(gè)數(shù)據(jù)包也在很大概率上有大的延時(shí)。因此可利用相鄰數(shù)據(jù)包之間的時(shí)間間隔的相關(guān)性來(lái)衡量不同的速度。

其中，公式（2）表示相鄰接收數(shù)據(jù)包時(shí)間間隔的相關(guān)函數(shù)；ti表示相鄰數(shù)據(jù)包之間的時(shí)間間隔；l 是所取的不同數(shù)據(jù)包間隔個(gè)數(shù)； 表示系統(tǒng)的平均數(shù)據(jù)包時(shí)間間隔。傳輸數(shù)據(jù)包到達(dá)接收節(jié)點(diǎn)的時(shí)間與目標(biāo)的運(yùn)動(dòng)情況緊密相關(guān)。多普勒效應(yīng)導(dǎo)致信號(hào)在接收節(jié)點(diǎn)發(fā)生頻偏，數(shù)據(jù)包會(huì)發(fā)生丟失，接收端數(shù)據(jù)包間隔比無(wú)人時(shí)刻明顯增大，而時(shí)間間隔的陡然上升則使相鄰數(shù)據(jù)包之間的傳輸間隔的相似度降低。被測(cè)者遮擋電磁波的時(shí)間越久，數(shù)據(jù)包的時(shí)間間隔越大；相反，如果被測(cè)者以很快的速度通過(guò)檢測(cè)區(qū)域，由于對(duì)信號(hào)的遮擋時(shí)間短，對(duì)應(yīng)的數(shù)據(jù)包間隔相對(duì)于慢速通過(guò)檢測(cè)區(qū)域就沒(méi)有很大的波動(dòng)。

Rn：解調(diào)數(shù)據(jù)包時(shí)間間隔和系統(tǒng)傳輸速率的加權(quán)。

其中，F(xiàn)out和 Fin分別為發(fā)射節(jié)點(diǎn)和接收節(jié)點(diǎn)的傳輸速率；為相鄰解調(diào)數(shù)據(jù)包到達(dá)時(shí)間間隔。如圖4 所示，相鄰解調(diào)數(shù)據(jù)包的時(shí)間間隔越大，同時(shí)傳輸?shù)乃俾试降?，則表示當(dāng)前時(shí)刻的通信質(zhì)量越差。

圖4 接收節(jié)點(diǎn)相鄰解調(diào)數(shù)據(jù)包示意圖Fig.4Diagram for the adjacent decoded packets

Loc：衡量傳輸當(dāng)中出現(xiàn)的非正常間隔。在數(shù)據(jù)包的傳輸中，每個(gè)數(shù)據(jù)包的正常間隔為 tn，而dn對(duì)應(yīng)相鄰數(shù)據(jù)包到達(dá)時(shí)間間隔大于 tn的相鄰數(shù)據(jù)包間隔，把這些非正常間隔的數(shù)據(jù)包提取出來(lái)，利用 pn衡量非正常間隔數(shù)據(jù)包的歸一化位置。相鄰非正常間隔的數(shù)據(jù)包之間的包序號(hào)越大，則表示在這一段間隔之類有更多數(shù)據(jù)包的丟失，而短時(shí)間內(nèi)大量的丟包則可以用來(lái)表示該段時(shí)間類信號(hào)質(zhì)量的衰減程度。

其中，bi是第 i 個(gè)非正常時(shí)間間隔數(shù)據(jù)包的包序號(hào)；ln是總的包序號(hào)。根據(jù)以上三個(gè)參量，定義如下等式：

其中， 、 和 分別是四個(gè)速度測(cè)試實(shí)驗(yàn)所對(duì)應(yīng)三個(gè)屬性的集合，記為：

三個(gè)參數(shù)分別描述的是每個(gè)實(shí)例和其同一速度等級(jí)的實(shí)例的相似程度，速度相似的實(shí)例有相近的三個(gè)參數(shù)的取值。α、β 和 γ 是三個(gè)參數(shù)的權(quán)重，通過(guò)對(duì)訓(xùn)練樣本當(dāng)中統(tǒng)計(jì)符合速度等級(jí)取值范圍的樣本所占的比例來(lái)確定各權(quán)重的值，比如 含有 20 個(gè)速度為 0.5 m/s 的樣本，其中有14 個(gè)樣本服從屬性的取值范圍，則對(duì)應(yīng)的 β 取值為 0.7。

通過(guò)計(jì)算傳輸數(shù)據(jù)包狀態(tài)序列中 acf、Rn和Loc，提取出每次運(yùn)動(dòng)對(duì)應(yīng)的 ui對(duì)不同速度等級(jí)進(jìn)行量化，能得出不同速度等級(jí)對(duì)應(yīng) ui的取值范圍。對(duì)于需要測(cè)試的樣例，通過(guò)計(jì)算 ui的值即可進(jìn)行匹配相應(yīng)的速度，實(shí)現(xiàn)非攜帶設(shè)備運(yùn)動(dòng)目標(biāo)的不同速度識(shí)別。

3 實(shí)驗(yàn)評(píng)估

為說(shuō)明研究所使用的方法能夠有效地識(shí)別實(shí)體在檢測(cè)區(qū)域的活動(dòng)，本節(jié)在實(shí)際場(chǎng)景下進(jìn)行不同的實(shí)驗(yàn)，并且采用分類的方法對(duì)得到的特征進(jìn)行線下處理。

3.1 識(shí)別目標(biāo)狀態(tài)

圖5 用于行為識(shí)別的檢測(cè)場(chǎng)景Fig. 5 The test bed of our experiment for activity recognition

實(shí)驗(yàn)采用圖1 的通信模塊建立檢測(cè)系統(tǒng)，測(cè)試環(huán)境如圖5 所示。檢測(cè)節(jié)點(diǎn)的接收和發(fā)射天線被放置在被墻壁隔斷的走道兩端，形成非視距的環(huán)境。為了減小監(jiān)測(cè)環(huán)境中的干擾，四個(gè)發(fā)射節(jié)點(diǎn)工作在不同的頻點(diǎn)，因此接收端在一次檢測(cè)中只接收來(lái)自一個(gè)發(fā)射端的信號(hào)。實(shí)際的檢測(cè)區(qū)域?yàn)殚L(zhǎng) 12 m、寬 1.5 m 的走廊空間。實(shí)驗(yàn)在 2.2 節(jié)定義的衰落條件（2）下進(jìn)行檢測(cè)，即無(wú)人時(shí)刻接收節(jié)點(diǎn)正常穩(wěn)定地解調(diào)出數(shù)據(jù)包，目標(biāo)的活動(dòng)導(dǎo)致接收率的下降，此種通信條件在實(shí)際的場(chǎng)景中最為常見(jiàn)。

對(duì)目標(biāo)的狀態(tài)，考慮區(qū)域無(wú)人、有人靜止站立、有人行走以及有人跑動(dòng)四種情況。兩位測(cè)試者分別在發(fā)射節(jié)點(diǎn)采用定向和全向天線的條件下，在檢測(cè)區(qū)域分別做出靜止站立、勻速走動(dòng)和勻速跑動(dòng)的行為，每種行為重復(fù)進(jìn)行 20 次。對(duì)接收端采集到的數(shù)據(jù)，以 25 個(gè)傳輸包作為窗口大小計(jì)算收包率序列，之后以序列均值、極值、方差、中值作為特征，分別使用序列最小優(yōu)化算法（Sequential Minimal Optimization，SMO）和 K-最鄰近結(jié)點(diǎn)算法（K-nearest Neighbor Algorithms，KNN）對(duì)數(shù)據(jù)特征利用 Weka 軟件進(jìn)行分類［14］，結(jié)果如表1 所示。

定向天線將電磁波的能量集中在檢測(cè)區(qū)域，傳輸質(zhì)量對(duì)人體的遮擋更加敏感，因此發(fā)射節(jié)點(diǎn)使用定向天線的識(shí)別效率高于全向天線。從表1中可以看出，區(qū)域內(nèi)無(wú)人的情況不會(huì)被誤判為其他狀態(tài)，而狀態(tài)的混淆主要出現(xiàn)在勻速走和勻速跑之間，四種狀態(tài)的平均識(shí)別精度為 92.8%。表明利用收包率可以正確區(qū)分監(jiān)測(cè)區(qū)域內(nèi)是否有人活動(dòng)以及目標(biāo)行為狀態(tài)，通過(guò)提取有人活動(dòng)時(shí)的收包狀態(tài)序列，可以進(jìn)行其他行為特征的分析。

3.2 對(duì)不同體型目標(biāo)的識(shí)別

由于身高的差異，對(duì)電磁波遮擋程度的不同會(huì)對(duì)傳輸質(zhì)量產(chǎn)生差別。為了驗(yàn)證實(shí)驗(yàn)系統(tǒng)對(duì)不同體型目標(biāo)的識(shí)別效果，7 位測(cè)試者（包括 5 名男性和 2 名女性，身高為 160～180 cm），分別以正常速度和步態(tài)以兩種方向單獨(dú)穿過(guò)走廊檢測(cè)區(qū)域，每位測(cè)試者重復(fù)實(shí)驗(yàn) 20 次，接收節(jié)點(diǎn)采集每組實(shí)驗(yàn)的數(shù)據(jù)包狀態(tài)序列并計(jì)算分段收包率。之后分別以五位測(cè)試者（A： 180 cm，B： 170 cm，C： 170 cm，D： 160 cm，E： 160 cm）的數(shù)據(jù)單獨(dú)作為訓(xùn)練樣本，其他人的數(shù)據(jù)作為測(cè)試集，利用分段收包率作為每組實(shí)例的特征，采用 SMO 分類算法對(duì)兩種行走方向進(jìn)行分類。

表1 檢測(cè)區(qū)域中實(shí)體的分類混淆矩陣Table 1 The confusion matrix of classifi cation activities conducted by the subjects

利用 F-值作為衡量分類精度的指標(biāo)。其中，F(xiàn)-值是表1 混淆矩陣中召回率和精度的加權(quán)調(diào)和平均。圖6 顯示，以單個(gè)測(cè)試目標(biāo)數(shù)據(jù)作為訓(xùn)練樣本，兩種運(yùn)動(dòng)方向的分類平均精度為 97%。測(cè)試樣本中主要身高分布在 170 cm，以 170 cm 身高為訓(xùn)練樣本測(cè)試其他目標(biāo)的運(yùn)動(dòng)方向平均準(zhǔn)確度為 98%，表明系統(tǒng)對(duì)不同目標(biāo)的識(shí)別有一定的魯棒性。由于目標(biāo)以相對(duì)固定的方式移動(dòng)，分段收包率在室內(nèi)隨目標(biāo)移動(dòng)位置的不同產(chǎn)生固定的衰落，不同體型目標(biāo)收包率的數(shù)據(jù)可以作為訓(xùn)練樣本數(shù)據(jù)用來(lái)測(cè)試其他目標(biāo)的運(yùn)動(dòng)特征。

3.3 運(yùn)動(dòng)速度區(qū)分

為了驗(yàn)證系統(tǒng)對(duì)目標(biāo)運(yùn)動(dòng)速度的識(shí)別效果，仍在走廊的環(huán)境中進(jìn)行實(shí)驗(yàn)。發(fā)射天線采用定向天線，使電磁波集中分布在檢測(cè)區(qū)域。在接收節(jié)點(diǎn)采集傳輸數(shù)據(jù)包狀態(tài)序列。在測(cè)試區(qū)域內(nèi)，測(cè)試者分別以四種速度（0.5 m/s、0.8 m/s、1.5 m/s和 3.0 m/s）運(yùn)動(dòng)，且同一位測(cè)試者每種測(cè)試速度均以相同的路徑運(yùn)動(dòng) 40 次，分別提取出有目標(biāo)活動(dòng)的序列作為測(cè)試的實(shí)例，計(jì)算每組運(yùn)動(dòng)實(shí)例的傳輸數(shù)據(jù)包狀態(tài)序列中 acf、Rn和 Loc參數(shù)。

圖6 不同目標(biāo)數(shù)據(jù)作訓(xùn)練樣本對(duì)行走方向識(shí)別精度Fig. 6 The classifi cation accuracy of moving directions based on the data collected from different subjects

圖7 為四種速度對(duì)應(yīng)不同數(shù)據(jù)包間隔（1～30）的 acf。從圖7 可看出，目標(biāo)在檢測(cè)區(qū)域?qū)π盘?hào)遮擋越久，則數(shù)據(jù)包之間的時(shí)間間隔波動(dòng)越大，導(dǎo)致更低的相關(guān)性。對(duì)于 Rn，隨機(jī)選取四個(gè)速度對(duì)應(yīng)的 20 組序列，每個(gè)速度等級(jí)分五組數(shù)據(jù)，從這五組數(shù)據(jù)當(dāng)中分別取最大的 20 個(gè)值，四種速度對(duì)應(yīng)的累積分布曲線如圖8 所示。可以看出 Rn的極值在不同速度對(duì)應(yīng)的實(shí)例中有明顯的差別。而圖9 為四種速度對(duì)應(yīng)的 Loc：慢速的運(yùn)動(dòng)導(dǎo)致更多非正常接收時(shí)間間隔的數(shù)據(jù)包，反映在 Loc上有更大的波動(dòng)。

利用以上三個(gè)參數(shù)，分別取每組測(cè)試實(shí)例的平均、方差和極值作為特征對(duì)不同運(yùn)動(dòng)速度進(jìn)行分類，表2 顯示了分別利用 SMO 和 KNN 方法對(duì)四種速度的分類結(jié)果。 結(jié)果顯示，利用 SMO方法的識(shí)別精度為87.5%，而 KNN 分類方法的為84.1%。數(shù)據(jù)包時(shí)間間隔提取的參數(shù)作為特征衡量速度，利用了每個(gè)數(shù)據(jù)包之間的傳輸狀態(tài)，其特征相對(duì)于利用分段收包率更加細(xì)致，對(duì)于不同的速度有更明顯的區(qū)分。

圖7 四種速度不同包序號(hào)間隔對(duì)應(yīng) acfFig. 7 acf of four speed

圖8 四種速度 Rn累計(jì)分布函數(shù)Fig.8 CDF of Rnof four speed

圖9 四種速度的 LocFig. 9 Locof four speed

得到每組測(cè)試實(shí)例的參數(shù)之后，利用公式

表2 檢測(cè)區(qū)域內(nèi)目標(biāo)運(yùn)動(dòng)速度的分類混淆矩陣Table 2 The confusion matrix of classifi cation movement velocity

（5）計(jì)算 ui量化四種不同的速度，圖10 為4個(gè)速度等級(jí)對(duì)應(yīng) ui的盒圖。其中，每種速度包含 40組數(shù)據(jù)的參量。根據(jù)其分布趨勢(shì)可看出，快速運(yùn)動(dòng)對(duì)應(yīng)的 ui更小且其值分布范圍也較小，相同的運(yùn)動(dòng)速度則有一致的 ui取值范圍。

圖10 ui的分布Fig. 10 Distribution of ui

3.4 系統(tǒng)傳輸速率對(duì)速度識(shí)別影響

對(duì)目標(biāo)運(yùn)動(dòng)速度的偵測(cè)中，本研究提出的數(shù)據(jù)包傳輸時(shí)間間隔特征和系統(tǒng)的傳輸速率有關(guān)，系統(tǒng)每個(gè)傳輸數(shù)據(jù)包的大小為 1 KB，即上節(jié)實(shí)驗(yàn)中傳輸速率為 65 KB/s。過(guò)大的傳輸速率影響實(shí)驗(yàn)硬件設(shè)備的性能，導(dǎo)致傳輸當(dāng)中解調(diào)錯(cuò)誤數(shù)據(jù)包增多，甚至影響檢測(cè)系統(tǒng)的穩(wěn)定性。而過(guò)小的傳輸速率則導(dǎo)致傳輸數(shù)據(jù)包的狀態(tài)不能完全描述區(qū)域內(nèi)目標(biāo)的運(yùn)動(dòng)，因此選擇合適的數(shù)據(jù)包傳輸速率對(duì)于本文提出的檢測(cè)系統(tǒng)也十分重要。

為了衡量不同傳輸速率帶來(lái)的影響，分別在衰落的通信條件下設(shè)置 USRP2 的發(fā)送速率為 30 KB/s、55 KB/s、110 KB/s 和 125 KB/s。在每種傳輸速率下，同一測(cè)試目標(biāo)分別以 3 種速度通過(guò)檢測(cè)區(qū)域，每種速度重復(fù)實(shí)驗(yàn) 30 次，接收節(jié)點(diǎn)采集每組實(shí)驗(yàn)的數(shù)據(jù)包狀態(tài)序列計(jì)算時(shí)間間隔參數(shù)acf、Rn和 Loc。利用 SMO 方法，通過(guò)參數(shù)的均值方差等特征對(duì) 3 種運(yùn)動(dòng)速度（0.5 m/s、0.8 m/s、1.5 m/s）分類，得到的準(zhǔn)確度如圖11 所示。當(dāng)數(shù)據(jù)包的傳輸速率在 55～100 KB/s 時(shí)，平均識(shí)別精度為87.4%；當(dāng)速率為 30 KB/s 時(shí)，由于數(shù)據(jù)包之間的時(shí)間間隔過(guò)大，不能很好地記錄目標(biāo)的運(yùn)動(dòng)情況，運(yùn)動(dòng)速度識(shí)別精度僅為 79.9%；當(dāng)傳輸速率為 125 KB/s 時(shí)，過(guò)小的數(shù)據(jù)包傳輸間隔對(duì)檢測(cè)目標(biāo)的活動(dòng)沒(méi)有更大的幫助，速度平均識(shí)別準(zhǔn)確度為84.4%。此外，傳輸速率過(guò)快還會(huì)導(dǎo)致設(shè)備性能下降，出現(xiàn)更多校驗(yàn)錯(cuò)誤的數(shù)據(jù)包。因此，對(duì)于使用 USRP2 建立的點(diǎn)對(duì)點(diǎn)半雙工通信系統(tǒng)來(lái)說(shuō)，適合利用數(shù)據(jù)包傳輸間隔作為特征進(jìn)行行為識(shí)別的數(shù)據(jù)包傳輸速率為 55～110 KB/s。

圖11 不同數(shù)據(jù)包傳輸速率目標(biāo)運(yùn)動(dòng)速度識(shí)別精度Fig. 11 The classifi cation accuracy of different moving speeds with different transmission speed

3.5 與其他方法的對(duì)比

本文依據(jù)提出的數(shù)據(jù)包時(shí)間間隔信息 acf、Rn和 Loc作為特征，分別與基于無(wú)線信號(hào)的非攜帶設(shè)備速度檢測(cè)方法以及攜帶設(shè)備方法對(duì)比。對(duì)于無(wú)線信號(hào)的非攜帶速度檢測(cè)，將本文提出的利用收包率作為特征的方法與傳統(tǒng)的基于接收信號(hào)強(qiáng)度值估計(jì)［13］方法進(jìn)行對(duì)比。常見(jiàn)的攜帶設(shè)備速度檢測(cè)方法是在運(yùn)動(dòng)物體上放置傳感器，根據(jù)加速度對(duì)速度進(jìn)行估計(jì)。在 3.3 節(jié)相同的接收、發(fā)射節(jié)點(diǎn)設(shè)置下，接收節(jié)點(diǎn)除了在每組實(shí)例中采集數(shù)據(jù)包狀態(tài)序列還同時(shí)固定間隔采集接收信號(hào)強(qiáng)度值序列。另外，測(cè)試者在測(cè)試中手持手機(jī)且與身體保持水平靜止，若把手機(jī)屏幕看成一個(gè)長(zhǎng)方形，y 軸是沿手機(jī)長(zhǎng)邊方向，同時(shí)指向頂端為正方向， x 軸垂直 y 軸且與屏幕平行，沿手機(jī)短邊從左至右為正方向，而 z 軸始終垂直于手機(jī)屏幕。利用手機(jī)的三軸加速度傳感器設(shè)備所采集的加速度數(shù)據(jù)，通過(guò)累積和估計(jì)不同實(shí)例的速度，作為攜帶設(shè)備方法的檢測(cè)對(duì)比。

3.5.1 與傳統(tǒng)接收信號(hào)強(qiáng)度方法對(duì)比

無(wú)線信號(hào)非攜帶設(shè)備速度檢測(cè)分為利用以下三種特征的方法：從網(wǎng)絡(luò)層提取的數(shù)據(jù)包傳輸狀態(tài)序列時(shí)間間隔參數(shù)、分段收包率 P（w）以及物理層固定采集的接收信號(hào)強(qiáng)度。

本文提出的基于數(shù)據(jù)包時(shí)間間隔的方法通過(guò)時(shí)間間隔衡量空間中無(wú)線信號(hào)的波動(dòng)從而反映目標(biāo)運(yùn)動(dòng)的速度，利用數(shù)據(jù)包狀態(tài)序列參數(shù) acf、Rn和 Loc的均值、方差、極值和中值作為特征對(duì)不同速度行為進(jìn)行分類。表1 顯示，利用 SMO 算法對(duì)四種速度等級(jí)的識(shí)別精度為87.5%。在接收信號(hào)強(qiáng)度方面，對(duì)同時(shí)采集到的接收信號(hào)強(qiáng)度序列，使用 Sigg 等［11］的方法，取接收信號(hào)強(qiáng)度序列變化的分段平均值和方差極值作為特征進(jìn)行運(yùn)動(dòng)速度分類，而使用 SMO 算法的平均識(shí)別精度（表3）僅為 62.4%，可見(jiàn)本研究基于數(shù)據(jù)包時(shí)間間隔的精度提高了 25.1%。而本文利用分段收包率作為特征則與固定采集接收信號(hào)強(qiáng)度類似，對(duì)于收包率 P（w）序列分段取平均值作為每組實(shí)例的特征，以 SMO 算法作分類，由于收包率忽略了相鄰數(shù)據(jù)包的狀態(tài)及時(shí)間信息，表3 顯示對(duì)速度識(shí)別準(zhǔn)確率僅為 58.4%。

3.5.2 與攜帶設(shè)備方法比較

圖12 顯示了利用無(wú)線信號(hào)進(jìn)行非攜帶設(shè)備速度檢測(cè)和攜帶設(shè)備的加速度估計(jì)速度精度對(duì)比。

攜帶設(shè)備的加速度估計(jì)利用了同時(shí)在測(cè)試者使用的手機(jī)上三軸加速度數(shù)據(jù)，通過(guò)步長(zhǎng)和實(shí)驗(yàn)記錄的 z 軸計(jì)算瞬時(shí)速度［15］，本實(shí)驗(yàn)中對(duì)四種速度的估計(jì)準(zhǔn)確度為88.9%，略高于利用數(shù)據(jù)包時(shí)間間隔進(jìn)行檢測(cè)的方法。然而，由于加速度受到累計(jì)誤差的影響，利用無(wú)線信號(hào)數(shù)據(jù)包時(shí)間間隔方法對(duì)快速的運(yùn)動(dòng)（大于 1.5 m/s）識(shí)別的準(zhǔn)確度更高，且其優(yōu)勢(shì)在于不需要被測(cè)目標(biāo)攜帶任何傳感器設(shè)備。

表3 不同運(yùn)動(dòng)速度下的 SMO 算法混淆矩陣Table 3 The SMO algorithm confusion matrix under different moving speeds

圖12 四種方法對(duì)于速度識(shí)別的精度對(duì)比Fig. 12 The precision of distinguish different speed by the methods mentioned above

4 結(jié)論和展望

本實(shí)驗(yàn)中基于軟件定義無(wú)線電建立通信模塊，通過(guò)對(duì)接收節(jié)點(diǎn)采集到的數(shù)據(jù)包傳輸狀態(tài)信息進(jìn)行統(tǒng)計(jì)和分析，能夠檢測(cè)和識(shí)別出無(wú)線信號(hào)覆蓋的檢測(cè)區(qū)域內(nèi)目標(biāo)物體的運(yùn)動(dòng)行為，包括靜止站立、勻速走、勻速跑等，并且能夠通過(guò)對(duì)數(shù)據(jù)的統(tǒng)計(jì)分辨出不同運(yùn)動(dòng)速度。將上述幾種行為進(jìn)行分類，達(dá)到了一定的識(shí)別精度。實(shí)現(xiàn)用少量的檢測(cè)節(jié)點(diǎn)，在非視距條件下進(jìn)行免攜帶設(shè)備的行為識(shí)別。

下一步的工作主要是將基于傳輸數(shù)據(jù)包狀態(tài)的無(wú)線信號(hào)行為識(shí)別方法植入到現(xiàn)有的無(wú)線設(shè)備中，僅通過(guò)軟件和后臺(tái)的分析，能夠在低開(kāi)銷的情況下實(shí)現(xiàn)室內(nèi)目標(biāo)行為識(shí)別系統(tǒng)，相信會(huì)有廣泛的商業(yè)價(jià)值和應(yīng)用前景。

［1］ Hongeng S，Nevatia R，Bremond F.Video based event recognition：activity representation and probabilistic recognition methods ［J］. Computer Vision and Image Understanding，2004，96（5）：129-162.

［2］ Cao H，Nguyen MN，Phua CCW，et al.An integrated framework for human activity classifi cation ［C］ // Proceedings of the 14th ACM International Conference on Ubiquitous Computing，2012.

［3］ He Y，Li Y.Physical activity recognition utilizing the built-in kinematic sensors of a smart-phone［J］. International Journal of Distributed Sensor Networks，2013：481580.

［4］ Howland P.Editorial：passive radar systems ［J］. IEE Proceedings of Radar，Sonar and Navigation，2005，152（3）：105-106.

［5］ Amin M.Through-the-Wall Radar Imaging ［M］. Boca Raton： CRC Press， 2010.

［6］ Pu Q，Gupta S，Gollakota S，et al. Whole-home gesture recognition using wireless signals ［C］ // Proceedings of the 19th Annual International Conference on Mobile Computing and Networking，2013： 27-38.

［7］ Kim Y，Ling H.Human activity classifi cation based on micro-Doppler signatures using a support vector machine ［J］. IEEE Transactions on Geoscience and Remote Sensing，2012， 57（5）：1328-1337.

［8］ Adib F，Katabi D. See through walls with WiFi［C］ // Proceedings of the 2013 ACM Special Interest Group on Data Communication， 2013.

［9］ Gupta S，Reynolds MS，Patel SN. Electrisense：singlepoint sensing using EMI for electrical event detection and classificaiton in the home ［C］ // Proceedings of the 13th International Conference on Ubiquitous Computing， 2010： 139-148.

［10］ Youssef M，Mah M，Agrawala A.Challenges：device-free passive localisation for wireless environments ［C］ // Proceedings of the 13thAnnual ACM International Conference on Mobile Computing and Networking，2007：222-229.

［11］ Sigg S，Scholz M，Shi S，et al. RF-sensing of activities fromnon-cooperative subjects in devicefree recognition systems using ambient and local signals ［J］. IEEE Transactions on Mobile Computing，2013，13（6）： 698-720.

［12］ Sigg S，Shi S，Büsching F，et al.Leveraging RF-channel fluctuation for activity recognition：active and passive systems， continuous and RSSI-based signal features ［C］ // Proceedings of the 11th International Conference on Advances in Mobile Computing & Multimedia， 2013， doi：10.1145/2536853.2536873.

［13］ Kosba AE，Saeed A，Youssef M.Rasid：a robust WLAN device-free passive motion detection system ［C］ // Proceedings of IEEE International Conference on Pervasive Computing and Communications，2012.

［14］ Hall M，F(xiàn)rank E，Holmes G，et al. The WEKA data mining software：an update ［J］.SIGKDD Explorations，2009，11（1）：10-18.

［15］ Alvarez D，Lopez A.Comparison of step length estimators from weareable accelerometer devices ［C］ // Proceedings of the IEEE 28th Annual International Conference on Engineering in Medicine and Biology Society， 2006： 5964-5967.

Detection and Recognition of Human Activity Based on Radio-Frequency Signals

DAI Mingwei1，2LIU Wenhong1HUANG Xiaoxia1

1（ Shenzhen Institutes of Advanced Technology， Chinese Academy of Sciences， Shenzhen 518055， China ）
2（ University of Chinese Academy of Sciences， Beijing 100049， China ）

The Internet of Things realizes the connection of human and objects. Activity recognition is necessary for the interaction between information sensing devices and human. Currently， vision-based and sensor based methods are widely used， but these methods are limited in many scenes. In this paper， a new radio-frequency-based activity recognition technique was proposed， in which a few communication nodes were deployed in the monitoring area for the device-free activity recognition by analyzing the transmission packet state information. The sequential minimal optimization and K-nearest neighbor algorithms were employed for classification. The classification accuracy of walking speed of the proposed method is improved by 25.1% on average compared to the traditional method based on received signal strength indication.

activity recognition； radio frequency signal； device-free motion detection； sequential minimal optimization； K-nearest neighbor

TN 99

A

2015-03-17

2015-10-06

戴明威，碩士研究生，研究方向?yàn)檎J(rèn)知無(wú)線電網(wǎng)絡(luò)；劉文鴻，碩士研究生，研究方向?yàn)榍度胧较到y(tǒng)；黃曉霞（通訊作者），研究員，研究方向?yàn)闊o(wú)線傳感網(wǎng)絡(luò)、認(rèn)知無(wú)線電網(wǎng)絡(luò)、線通信和移動(dòng)計(jì)算，E-mail：xx.huang@siat.ac.cn。