陶志勇，郭 京，劉 影

遼寧工程技術(shù)大學(xué) 電子與信息工程學(xué)院，遼寧 葫蘆島125105

+通信作者E-mail:732132450@qq.com

近幾十年來，由于計(jì)算和傳感技術(shù)的進(jìn)步，以及人們對諸如安全和監(jiān)視、人機(jī)交互和體感游戲等行為或手勢識別應(yīng)用方面的興趣，人體運(yùn)動(dòng)和行為的分析識別成為普適計(jì)算中一個(gè)新興的研究領(lǐng)域。傳統(tǒng)的識別方法主要分為三類：基于計(jì)算機(jī)視覺的識別方法、基于低成本雷達(dá)的識別方法和基于可穿戴傳感器的識別方法。然而，利用這些傳統(tǒng)技術(shù)感知人類活動(dòng)存在一些限制?；谟?jì)算機(jī)視覺的方法會(huì)受到光照條件、障礙物等因素的影響，同時(shí)也極易侵犯隱私。低成本雷達(dá)系統(tǒng)的運(yùn)行距離有限，通常在10 cm 左右[1]?；诳纱┐鱾鞲衅鞯慕鉀Q方案雖然實(shí)現(xiàn)了細(xì)粒度的行為感知，但其高昂的成本和需隨身攜帶傳感器限制了它的實(shí)用性。為了克服上述問題，滿足人們對人體行為感知技術(shù)低成本、高精度、方便使用等方面的需求，基于WiFi 的行為識別技術(shù)應(yīng)運(yùn)而生。

2013 年華盛頓大學(xué)的Pu 等人提出了WiSee[2]，利用軟件無線電外設(shè)捕獲正交頻分多路復(fù)用（orthogonal frequency division multiplexing，OFDM）信號，提取出肢體或身體運(yùn)動(dòng)所反映的信號的多普勒頻移，從而識別出9 種手勢動(dòng)作，準(zhǔn)確率為95%，但該方法使用的不是商用現(xiàn)貨設(shè)備，價(jià)格昂貴。Sigg 等[3]利用WiFi的接收信號強(qiáng)度（received signal strength，RSS）識別爬行、躺下、站起和行走四種活動(dòng)，各項(xiàng)活動(dòng)的識別率均超過80%。WiGest[4]通過分析不同動(dòng)作RSS 信號變化的上升沿、下降沿進(jìn)行手勢識別，對于單接入點(diǎn)和三接入點(diǎn)，識別精度分別達(dá)到87.5%和96.0%。然而，由于射頻干擾和無線信號多徑衰落，使得收發(fā)鏈路的RSS 變得不可靠，導(dǎo)致系統(tǒng)的性能下降。通過修改Intel 5300 網(wǎng)卡的Linux 驅(qū)動(dòng)程序，普通的商用WiFi 設(shè)備可以得到信道狀態(tài)信息（channel state information，CSI）。與RSS 相比，CSI 是物理層的細(xì)粒度值，為每個(gè)傳輸鏈路的每個(gè)子載波提供信道估計(jì)，可以反映小尺度衰落和微運(yùn)動(dòng)引起的多徑效應(yīng)[5]。文獻(xiàn)[6]中CARM（CSI based human activity recognition and monitoring system）系統(tǒng)提出的CSI-Speed 模型量化了CSI 的幅值變化與人體運(yùn)動(dòng)速度之間的關(guān)系，為之后的研究提供了模型基礎(chǔ)，但其行為提取算法不夠完整且識別方法時(shí)間復(fù)雜度很高。WiHear[7]使用特殊的方向性天線獲取由嘴唇動(dòng)作引起的CSI 變化，通過利用局部多徑效應(yīng)和小波包變換引入嘴部運(yùn)動(dòng)輪廓，解決了微運(yùn)動(dòng)檢測問題，實(shí)現(xiàn)在預(yù)定義詞匯范圍內(nèi)，單人說話不超過6 個(gè)單詞的平均檢測準(zhǔn)確率為91%，但是它在信號去噪方面不理想，因此只能利用方向性較強(qiáng)的天線減少噪聲，從而提高識別精度。同樣地，文獻(xiàn)[8]提出的Wi-Alarm 系統(tǒng)忽略數(shù)據(jù)預(yù)處理過程，直接從原始CSI 幅度中提取均值和方差作為特征，使用支持向量機(jī)（support vector machine，SVM）進(jìn)行人體感知，雖然顯著節(jié)省了計(jì)算開銷，但是由于原始CSI 數(shù)據(jù)易受到外界環(huán)境的干擾，使得提取的特征不夠準(zhǔn)確，并且僅使用有限的時(shí)域統(tǒng)計(jì)特征，未能充分利用CSI 的數(shù)據(jù)信息，最終會(huì)導(dǎo)致系統(tǒng)的識別精度受限。文獻(xiàn)[9]提出了一個(gè)基于CSI 的鍛煉活動(dòng)識別系統(tǒng)，利用主成分分析（principal component analysis，PCA）獲取活動(dòng)特征，使用KNN（knearest neighbor）分類器在預(yù)先構(gòu)建的標(biāo)準(zhǔn)活動(dòng)特征庫中找到未知樣本的最近鄰樣本，并將其作為最終的活動(dòng)類型，分別在LOS（line of sight）和NLOS（non line of sight）環(huán)境下完成舉啞鈴、深蹲、踢腿和拳擊四種運(yùn)動(dòng)行為的識別，但該方法僅使用單根天線的CSI振幅信息，未能充分利用MIMO（multiple input and multiple output）系統(tǒng)。

針對上述文獻(xiàn)存在的去噪過程粗略、未充分利用多天線系統(tǒng)導(dǎo)致的識別精度不高和使用KNN 算法存在計(jì)算開銷大等問題，本文提出一種基于多天線聯(lián)合判決的高效行為識別系統(tǒng)MADR（multi-antenna joint decision efficient behavior recognition system），針對提取到的CSI 易受環(huán)境的干擾問題，注重?cái)?shù)據(jù)的預(yù)處理過程，依次使用Hampel 濾波、低通濾波器、PCA 去除環(huán)境和設(shè)備中突發(fā)噪聲引起的異常值、高頻噪聲和帶內(nèi)噪聲，使提取到的特征信號更加準(zhǔn)確和穩(wěn)定。其次，由于人體行為識別算法大多直接提取單根天線的信號特征，但該特征往往存在一定的隨機(jī)性，導(dǎo)致行為識別的準(zhǔn)確率不高，因此MADR 搭建1 發(fā)3 收系統(tǒng)，充分利用各接收天線的數(shù)據(jù)信息，在近鄰樣本的級別上對動(dòng)作類別實(shí)施聯(lián)合判決，提高動(dòng)作識別的準(zhǔn)確性。最后，針對傳統(tǒng)KNN 計(jì)算量大、分類速度慢、無法有效計(jì)算兩個(gè)相似但不對齊動(dòng)作的距離問題，提出了FKNN（fastKnearest neighbor）與動(dòng)態(tài)時(shí)間規(guī)整（dynamic time warping，DTW）結(jié)合的分類算法，將動(dòng)態(tài)時(shí)間規(guī)整作為樣本間特征向量的度量標(biāo)準(zhǔn)，通過預(yù)先構(gòu)建有序隊(duì)列和索引表的方式，減少近鄰樣本的搜索范圍，而不需要將未知樣本與全體訓(xùn)練樣本一一計(jì)算距離，大大降低了系統(tǒng)的計(jì)算開銷，提高了分類速度。

1 相關(guān)理論

1.1 信道狀態(tài)信息

信道狀態(tài)信息（CSI）是估計(jì)通信鏈路信道屬性的信息，與只采集多徑疊加信號的RSS 不同，CSI 能較好地反映信號在收發(fā)天線對之間傳輸時(shí)，各子載波上多條路徑的時(shí)延、幅值衰減、相移等細(xì)微信息[10]。目前，利用CSI-Tool 可以將基于OFDM 的信道狀態(tài)信息從Intel 5300 網(wǎng)卡中提取出來，存儲在接收端的數(shù)據(jù)包中。每個(gè)數(shù)據(jù)包都包含了一組信道狀態(tài)信息，這些信道狀態(tài)信息是以子載波頻差為采樣間隔對Wi-Fi 帶寬內(nèi)信道頻率響應(yīng)[11]（channel frequency response，CFR）的30 個(gè)離散采樣值：

其中，H(fk)(k=1,2,…,30)表示中心頻率為fk的子載波的CSI：

|H(fk)|和∠H(fk)分別為H(fk)的振幅和相位。

1.2 室內(nèi)信號傳播模型

典型的室內(nèi)環(huán)境中，由于墻壁、家具等物體的反射、散射和衍射，以及室內(nèi)人員的存在和移動(dòng)，WiFi信號從發(fā)射端傳播到接收端往往經(jīng)過多條路徑[12]。圖1 為一個(gè)典型的室內(nèi)環(huán)境下WiFi 信號的傳播模型，可以看出模型中包括一條LOS 路徑和若干條反射路徑，接收端收到來自不同路徑的N條傳播信號。

Fig.1 Indoor WiFi signal propagation model圖1 室內(nèi)WiFi信號傳播模型

當(dāng)人體在室內(nèi)運(yùn)動(dòng)時(shí)，會(huì)使得無線信號傳播受到影響，造成傳輸信道產(chǎn)生變化，CFR 可表示為[6]：

其中，ai(f,t)是第i條路徑的衰減和初始相位偏移的復(fù)數(shù)表示，e-j2πfτi(t)表示第i條路徑的傳播時(shí)延τi(t)造成的相移，e-j2πΔft是接收端和發(fā)送端的載頻差Δf引起的相移。總的CFR 可分解為靜態(tài)CFR 和動(dòng)態(tài)CFR，靜態(tài)CFR 用Hs(f) 表示，是一系列靜態(tài)路徑CFRs 的和，因此為一個(gè)常量，動(dòng)態(tài)CFR 用Hd(f) 表示，是一系列由人體運(yùn)動(dòng)導(dǎo)致信號傳播長度變化的動(dòng)態(tài)路徑的CFRs 之和。當(dāng)人體在時(shí)刻0 和t之間移動(dòng)一小段距離，第k條路徑在時(shí)間Δt內(nèi)，路徑變?yōu)閐k(t)，那么第k條路徑時(shí)間延遲τk(t)=dk(t)/c，此 時(shí)CFR 可表示為式（4）：

其中，Pd為所有動(dòng)態(tài)路徑的集合，dk(t)表示t時(shí)刻第k條路徑的長度，c表示光速。由于可進(jìn)一步表示為：

從式（5）可看出Hd(f,t)的幅度和相位是時(shí)變的，并且每當(dāng)路徑長度改變一個(gè)波長λ時(shí)會(huì)產(chǎn)生2π 的相位偏移。由此可知，行為識別在于將不同運(yùn)動(dòng)行為導(dǎo)致的CSI 獨(dú)特變化，映射為不同的人體行為。由于相位信息易受時(shí)鐘同步誤差等影響，接收到的原始相位分布雜亂無章，無法直接使用，因此本文將較穩(wěn)定且易于提取的振幅信號作為基信號，進(jìn)行人體行為識別。

2 MADR 系統(tǒng)設(shè)計(jì)

本文使用WiFi 信號的信道狀態(tài)信息識別出不同的人體運(yùn)動(dòng)行為，方案架構(gòu)如圖2 所示，主要包括三部分：數(shù)據(jù)處理、動(dòng)作數(shù)據(jù)提取和動(dòng)作行為分類。首先，數(shù)據(jù)處理過程是在相對空曠的會(huì)議室和多徑復(fù)雜的實(shí)驗(yàn)室內(nèi)采集“彎腰”“坐下”“蹲下”“站起”和“行走”五種不同動(dòng)作的CSI 幅度信息，使用Hampel和低通濾波器去除異常值和高頻噪聲，經(jīng)過主成分分析進(jìn)一步去除帶內(nèi)噪聲；在此基礎(chǔ)上進(jìn)行動(dòng)作數(shù)據(jù)提取，使用基于滑動(dòng)方差的方式將第一主成分中的無效信號進(jìn)行剔除，并將剔除無效信號后的反映動(dòng)作時(shí)頻信息的第一主成分作為特征向量；動(dòng)作行為分類時(shí)將特征向量隨機(jī)分成訓(xùn)練樣本和測試樣本，測試樣本中的任意一個(gè)待分類樣本，通過三根天線特征向量分別構(gòu)建的基于DTW 距離的FKNN 分類器后，分別輸出K個(gè)近鄰樣本，最后將得到的標(biāo)簽向量經(jīng)過聯(lián)合判決識別出人體行為。

Fig.2 MADR scheme architecture圖2 MADR 方案架構(gòu)圖

2.1 數(shù)據(jù)處理

2.1.1 異常值處理

由于環(huán)境偶然性突變或設(shè)備內(nèi)部狀態(tài)的變化，接收到的數(shù)據(jù)信息存在一定的突發(fā)噪聲，從而造成CSI 振幅信號出現(xiàn)隨機(jī)異常值?？紤]到這些異常值會(huì)對人體行為識別的準(zhǔn)確率產(chǎn)生較大的影響，本文使用Hampel 濾波器[13]消除這些異常值，將不在幅度區(qū)間[μ-γ×σ,μ+γ×σ]內(nèi)的點(diǎn)作為異常值，并用中位數(shù)替換這些異常值。其中μ、σ分別表示CSI 幅度序列的中位數(shù)和中值絕對偏差，γ為常數(shù)，在不同情況下的取值不同，本文設(shè)置γ為經(jīng)驗(yàn)值3。

蹲下動(dòng)作的單個(gè)子載波Hampel濾波前后波形對比如圖3 所示，圖中藍(lán)色曲線代表原始CSI 幅值信號，紅色曲線為濾波后信號的波形，方框內(nèi)的點(diǎn)即為異常點(diǎn)。從圖中可以看出，使用Hampel 濾波算法能夠合理去除原始波形上的異常尖刺，也就是CSI 振幅信號中的異常值，使得信號變化更加穩(wěn)定，但是此時(shí)波形中仍舊存在較多的微小波動(dòng)，需要進(jìn)一步處理。

Fig.3 Comparison of single subcarrier before and after outliers removal圖3 單個(gè)子載波異常值去除前后對比

2.1.2 低通濾波去噪

經(jīng)過異常值處理后，CSI 振幅信號由于室內(nèi)環(huán)境干擾、電磁噪聲等分布不穩(wěn)定，仍不能直接用于活動(dòng)識別。由于人體運(yùn)動(dòng)的頻率僅處于低頻段，且巴特沃斯低通濾波器在通帶內(nèi)具有最大的平坦特性[14]，不會(huì)對運(yùn)動(dòng)造成的信號波動(dòng)產(chǎn)生太大的扭曲，因此本文使用巴特沃斯低通濾波器進(jìn)行濾波。

圖4（a）、（b）分別為一個(gè)人在蹲下時(shí)的原始信號和經(jīng)過異常點(diǎn)去除、低通濾波后的信號，由于系統(tǒng)使用的Intel 5300 設(shè)備驅(qū)動(dòng)程序提供了30 組子載波，因此每個(gè)圖中有30 條曲線，不同顏色的曲線表示不同子載波的幅值。從圖4（a）中可以看出原始信號中每條曲線都存在一定波動(dòng)。通過巴特沃斯低通濾波器進(jìn)行處理后得到圖4（b）。從圖4（b）中可看到信號變得更加平滑且信號的整體波動(dòng)趨勢和原始信號保持一致，說明巴特沃斯低通濾波器能夠有效去除高頻干擾信息在CSI 振幅信號上產(chǎn)生的隨機(jī)波動(dòng)，并能保留原始信號的波動(dòng)特征。

Fig.4 Amplitude comparison of original signal and filtered signal圖4 原始信號和濾波后信號幅值對比圖

2.1.3 主成分分析PCA

從圖4 可以看出，人體進(jìn)行運(yùn)動(dòng)行為時(shí)，所有子載波CSI 的振幅變化都是相關(guān)的，考慮到每個(gè)天線對接收的是30 個(gè)子載波的CSI 信息，其高維度會(huì)導(dǎo)致計(jì)算時(shí)間復(fù)雜性的提升。PCA 是把給定的一組相關(guān)變量通過線性變換轉(zhuǎn)為另一組各維度線性無關(guān)的變量的技術(shù)[15]，能在基本保留原始數(shù)據(jù)重要信息的基礎(chǔ)上降低數(shù)據(jù)維數(shù)，進(jìn)而提取數(shù)據(jù)的主特征分量。因此本文應(yīng)用PCA 保留與運(yùn)動(dòng)相關(guān)的信息，同時(shí)有效降低子載波的維數(shù)。由于環(huán)境噪聲的不相關(guān)性，使用PCA 還能去除部分帶內(nèi)隨機(jī)噪聲。

PCA 處理包括以下4 個(gè)步驟：

步驟1預(yù)處理：將收集到的M×30 的CSI 矩陣沿子載波方向進(jìn)行歸一化處理得到H。其中M為接收的數(shù)據(jù)包個(gè)數(shù)，30 為子載波數(shù)。

步驟2相關(guān)性估計(jì)：計(jì)算矩陣H的協(xié)方差矩陣Mc=HTH。

步驟3特征分解：對相關(guān)矩陣進(jìn)行特征分解，得到k個(gè)依次遞減的特征值和對應(yīng)的特征向量q1,q2,…,qk。

步驟4信號重構(gòu)：將矩陣投影至選定的特征向量，得到相應(yīng)的主成分hi=Hqi。

Fig.5 Signal amplitude diagram of main components after PCA圖5 PCA 后主要成分信號幅值圖

經(jīng)過PCA 處理后的各主成分按照方差遞減的順序依次排列，前4 個(gè)主成分的幅值如圖5 所示，從圖中可以看出第一主成分具有最大的方差，在運(yùn)動(dòng)特征描述上優(yōu)于其他成分，文獻(xiàn)[6]因第一主成分將系統(tǒng)內(nèi)部狀態(tài)轉(zhuǎn)換造成的高度相關(guān)的噪聲隨人體運(yùn)動(dòng)信號捕獲而放棄使用，但本文在進(jìn)行主成分分析之前使用Hampel 濾波器去除了此類噪聲，并且由于各主成分是不相關(guān)的，因此可以單獨(dú)保留第一主成分而不丟失任何信息。

綜上，原始CSI 幅度信息雖可更細(xì)粒度地描述信號特征，但是它易受自身設(shè)備內(nèi)部狀態(tài)轉(zhuǎn)換和周圍環(huán)境的干擾，具有隨機(jī)、分布不穩(wěn)定的缺陷，而且其高維度會(huì)大大增加計(jì)算開銷，經(jīng)過以上方法的處理，可以得到平滑、穩(wěn)定、有效表征信號特征的低維度的第一主成分。

2.2 動(dòng)作數(shù)據(jù)提取

由于采集到的CSI 信號是連續(xù)存儲的，通過2.1節(jié)所述方法進(jìn)行數(shù)據(jù)處理后得到的信號既包含有效動(dòng)作信號，又包括一些無效信號。由1.2 節(jié)分析可知，當(dāng)人體靜止時(shí)，CSI 數(shù)據(jù)基本保持不變，而人體行為動(dòng)作發(fā)生時(shí)會(huì)導(dǎo)致提取到的CSI 振幅產(chǎn)生相應(yīng)的變化，如果直接將經(jīng)過數(shù)據(jù)處理后得到的第一主成分信號作為特征進(jìn)行識別，將會(huì)由于存在大量的靜止數(shù)據(jù)信息導(dǎo)致識別的準(zhǔn)確率受到影響并且大大增加了計(jì)算開銷，因此需要把人體運(yùn)動(dòng)行為對應(yīng)的信號提取出來。統(tǒng)計(jì)學(xué)中常用方差衡量數(shù)據(jù)的離散程度，本文使用滑動(dòng)方差的方法得到幅度的波動(dòng)情況，假設(shè)接收端收到n個(gè)CSI數(shù)據(jù)包，那么就需要n-L+1個(gè)長度為L的滑動(dòng)窗口，方差的計(jì)算如式（6）和式（7）所示。

其中，μt表示幅度平均值，t為滑動(dòng)窗口編號，i表示滑動(dòng)窗口內(nèi)數(shù)據(jù)包的編號。

對蹲下動(dòng)作進(jìn)行分析，得到其第一主成分幅值的滑動(dòng)方差如圖6 所示，其中L值設(shè)為15。從圖中可以看出當(dāng)存在人體行為動(dòng)作時(shí)，滑動(dòng)方差變化明顯，人體實(shí)際運(yùn)動(dòng)對應(yīng)的特征數(shù)據(jù)可被提取出來。

2.3 動(dòng)作行為分類

2.3.1 基于DTW 的FKNN 分類器的構(gòu)建

Fig.6 Amplitude slip variogram圖6 幅值滑動(dòng)方差圖

傳統(tǒng)KNN 算法[9,14,16]雖然具有簡單、有效、無需參數(shù)估計(jì)和訓(xùn)練等優(yōu)點(diǎn)，但是當(dāng)其對樣本分類時(shí)，每一個(gè)待分類樣本都要與全體訓(xùn)練樣本計(jì)算距離，才能得到K個(gè)近鄰點(diǎn)，計(jì)算量非常大，分類速度較慢。對于其改進(jìn)算法FKNN[17]，核心思想是將訓(xùn)練樣本進(jìn)行有效排序，等間距抽樣構(gòu)建索引表，給定待分類樣本時(shí)，與索引表對比分析，計(jì)算后可得到K個(gè)距離最近的樣本。該算法可降低分類過程中待分類樣本K近鄰的搜索范圍，大大減少系統(tǒng)計(jì)算的復(fù)雜度，其中在計(jì)算兩個(gè)樣本特征距離時(shí)，由于人體動(dòng)作具有較大的隨機(jī)性，即使同一個(gè)人做相同動(dòng)作時(shí)執(zhí)行時(shí)間和速度大小也不會(huì)完全相同，因此得到的特征向量形狀非常相似但并不完全對齊。動(dòng)態(tài)時(shí)間規(guī)整算法則通過將兩個(gè)序列中的一個(gè)或者兩個(gè)進(jìn)行扭曲[18]，調(diào)整數(shù)據(jù)在時(shí)間上的差異性，有效度量兩個(gè)動(dòng)作特征之間的相似性。因此本文將FKNN 算法與動(dòng)態(tài)時(shí)間規(guī)整算法（DTW）結(jié)合起來，充分利用兩種算法的優(yōu)勢，具體執(zhí)行步驟如下：

步驟1隨機(jī)選擇一個(gè)訓(xùn)練樣本作為基準(zhǔn)點(diǎn)，假設(shè)點(diǎn)P(p1,p2,…,pn)，其中p1,p2,…,pn分別為提取的特征值。

步驟2計(jì)算每個(gè)訓(xùn)練樣本到點(diǎn)P的DTW 距離d，并采用從小到大的排序方法，形成一個(gè)有序的隊(duì)列，隊(duì)列中包含所有樣本到P的距離d、標(biāo)簽和特征向量。

步驟3為了搜索和查找的快速、便捷，將有序隊(duì)列的樣本信息以l為抽樣間隔，順序登記在一個(gè)索引表中，其中l(wèi)的大小根據(jù)實(shí)際需要取值。

步驟4給定測試樣本中任意一個(gè)待分類樣本x，計(jì)算x到P的DTW 距離dxP，在索引表中查找與P最接近的樣本Q，以Q為中心，確定索引表中的前一個(gè)樣本Q1和后一個(gè)樣本Q2，然后以這兩個(gè)樣本為邊界，在步驟2 建立的有序隊(duì)列中截取屬于這兩個(gè)樣本之間的所有樣本，并計(jì)算這些樣本與待測樣本x的DTW 距離，選取出與x距離最近的K個(gè)樣本。

2.3.2 多天線聯(lián)合判決

其中，n表示預(yù)定義的動(dòng)作數(shù)，M值對應(yīng)的j即為最終的動(dòng)作標(biāo)簽。

3 實(shí)施與評價(jià)

3.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)階段，使用商用TP-Link 無線路由器作為發(fā)射端，該路由器在2.4 GHz 的IEEE 802.11n AP 的模式下工作，發(fā)包率為50 pkt/s，將配備有Intel 5300 網(wǎng)卡的臺式機(jī)作為接收端，利用Linux CSI-Tool 解析出CSI 值，并使用Matlab 軟件進(jìn)一步處理數(shù)據(jù)。本文選擇兩種真實(shí)的實(shí)驗(yàn)環(huán)境進(jìn)行性能分析，包括空曠的會(huì)議室和環(huán)境相對復(fù)雜的實(shí)驗(yàn)室，如圖7 所示。在這兩個(gè)場景中部署發(fā)射端和接收端，天線距離地面高度均為1 m，收發(fā)端天線間相距2 m。邀請志愿者在實(shí)驗(yàn)場景中反復(fù)進(jìn)行實(shí)驗(yàn)，4 名志愿者均提供彎腰、坐下、蹲下、站起、行走5 種行為活動(dòng)，對于不同環(huán)境中的每個(gè)活動(dòng)，每個(gè)人員進(jìn)行25 次，最終在每個(gè)實(shí)驗(yàn)場景中均完成5 種動(dòng)作共500 組數(shù)據(jù)的采集。選取所采集數(shù)據(jù)集中70%的數(shù)據(jù)（隨機(jī)選取每個(gè)動(dòng)作的70 組數(shù)據(jù)）作為訓(xùn)練樣本，將數(shù)據(jù)集中每個(gè)動(dòng)作剩余的30 組數(shù)據(jù)作為測試樣本。

3.2 實(shí)驗(yàn)結(jié)果分析

3.2.1 活動(dòng)識別準(zhǔn)確性

表1 和表2 分別是會(huì)議室和實(shí)驗(yàn)室環(huán)境下對5 種動(dòng)作進(jìn)行識別的混淆矩陣，表示每組動(dòng)作數(shù)據(jù)分別被識別成文中5 種標(biāo)準(zhǔn)行為動(dòng)作的概率。

從表1中可看出，會(huì)議室環(huán)境下“彎腰”“坐下”“蹲下”“站起”和“行走”的識別準(zhǔn)確率分別為96.67%、93.33%、90.00%、96.67%、100.00%，這5 種動(dòng)作的平均識別率為95.33%，其中最高誤判率主要來自蹲下動(dòng)作，系統(tǒng)會(huì)把這個(gè)動(dòng)作分類為彎腰和坐下，因?yàn)檫@個(gè)動(dòng)作同彎腰和坐下一樣存在自上而下的過程，三者的運(yùn)動(dòng)方向存在相似性，并且由于行為習(xí)慣，蹲下和坐下動(dòng)作中往往包含有彎腰動(dòng)作，因此影響了分類效果。從表2 中可看出，實(shí)驗(yàn)室環(huán)境下識別準(zhǔn)確率則分別為86.67%、96.67%、96.67%、83.33%和100.00%，平均識別率為92.67%，站起動(dòng)作由于與蹲下動(dòng)作的幅度和持續(xù)時(shí)間非常相似，因此在多徑復(fù)雜實(shí)驗(yàn)室環(huán)境下的識別效果不太理想。對于行走這個(gè)動(dòng)作，由于與其余4 個(gè)動(dòng)作的差別較大，因此無論在復(fù)雜的實(shí)驗(yàn)室環(huán)境還是空曠的會(huì)議室環(huán)境下識別率均能達(dá)到100.00%。

Fig.7 Experimental environment for behavior activities of indoor experimenter圖7 室內(nèi)人員進(jìn)行行為活動(dòng)實(shí)驗(yàn)環(huán)境

Table 1 Confusion matrix of classification in meeting room表1 會(huì)議室環(huán)境下分類的混淆矩陣 %

Table 2 Confusion matrix of classification in laboratory表2 實(shí)驗(yàn)室環(huán)境下分類的混淆矩陣 %

3.2.2 不同數(shù)量訓(xùn)練樣本的影響

訓(xùn)練樣本的數(shù)據(jù)不僅包含著動(dòng)作信息，還包含豐富的周圍環(huán)境信息，因此訓(xùn)練樣本的數(shù)量大小會(huì)對分類的精度造成一定的影響。選取7 個(gè)不同大小的訓(xùn)練集，訓(xùn)練集中樣本的大小分別是250、275、300、325、350、375、400，即分別選取每個(gè)動(dòng)作的50、55、60、65、70、75、80 個(gè)樣本進(jìn)行訓(xùn)練并觀察測試結(jié)果。

圖8 是不同數(shù)量訓(xùn)練樣本對平均識別精度的影響結(jié)果，顯然隨著訓(xùn)練樣本數(shù)量的增加，分類精度有一定程度的提高，這是因?yàn)橛?xùn)練樣本數(shù)越多，包含的信息越豐富，F(xiàn)KNN 訓(xùn)練越精確。但訓(xùn)練樣本數(shù)目越多，訓(xùn)練時(shí)間越長，必然會(huì)導(dǎo)致系統(tǒng)復(fù)雜度的增加。因此本文實(shí)驗(yàn)過程將用于訓(xùn)練的樣本數(shù)量設(shè)置為350 個(gè)，使得訓(xùn)練時(shí)間和準(zhǔn)確率之間達(dá)到平衡。

3.2.3 FKNN 與KNN 對比

對于大型體育賽事而言，觀眾是其最為重要的因素之一，研究觀眾的消費(fèi)特點(diǎn)是運(yùn)作管理大型體育賽事的前提所在。通過對三省省會(huì)城市觀賞型體育消費(fèi)者的調(diào)查，到實(shí)地觀看體育賽事的男性比例為78.2%，女性為21.8%.表明較女性而言，男性更容易接受競爭與對抗的體育賽事。在影響觀眾的負(fù)面消費(fèi)因素中，競賽水平欠佳、門票價(jià)格無法接受、運(yùn)動(dòng)員水平有限分別位于前三(如表2所示)。

Fig.8 Influence of different number of training samples圖8 不同數(shù)量訓(xùn)練樣本的影響

KNN 和FKNN 兩種分類算法在會(huì)議室和實(shí)驗(yàn)室兩種環(huán)境下的錯(cuò)誤率和運(yùn)行時(shí)間對比如表3 所示。從表中數(shù)據(jù)可知，兩種環(huán)境下FKNN的錯(cuò)誤率為4.67%和7.33%，均略高于KNN 分類算法，但是基于FKNN算法的系統(tǒng)運(yùn)行時(shí)間分別為5.879 3 s 和5.709 9 s，均遠(yuǎn)遠(yuǎn)低于相同環(huán)境下KNN 分類算法的運(yùn)行時(shí)間，極大地減少了系統(tǒng)計(jì)算量，因此采用FKNN 算法能夠在犧牲一定正確率的基礎(chǔ)上有效提高系統(tǒng)運(yùn)行效率。

Table 3 Comparison of error rate and running time of two classification algorithms表3 兩種分類算法錯(cuò)誤率和運(yùn)行時(shí)間比較

3.2.4 不同參數(shù)的影響

（1）FKNN 算法中不同間隔l的影響

FKNN 算法的步驟3 中構(gòu)建索引表時(shí)，將有序隊(duì)列中的樣本信息以l為抽樣間隔，順序登記在索引表中，其中l(wèi)的大小決定著篩選出來的與未知樣本計(jì)算距離的樣本數(shù)量，最終會(huì)對分類精度和運(yùn)行時(shí)間產(chǎn)生一定的影響。

選取一定范圍內(nèi)不同的l值分別進(jìn)行實(shí)驗(yàn)，得到不同l取值下的動(dòng)作平均識別精度和運(yùn)行時(shí)間，結(jié)果如圖9 所示。圖9 中設(shè)置了兩個(gè)縱坐標(biāo)，左坐標(biāo)軸代表平均識別精度，右坐標(biāo)軸表示運(yùn)行時(shí)間，圖中藍(lán)色曲線為平均識別精度隨著l值變化而改變的曲線，紅色曲線則代表不同l下對應(yīng)的運(yùn)行時(shí)間。從圖9 中可以看到，隨著l的增大，樣本的平均識別精度逐漸增大，系統(tǒng)運(yùn)行時(shí)間也逐漸增大，這是因?yàn)閘變大時(shí)，F(xiàn)KNN 算法步驟4 中以樣本Q1和樣本Q2為邊界，在有序隊(duì)列中截取出的屬于這兩個(gè)樣本之間的樣本數(shù)量就會(huì)增加，未知樣本一一與這些篩選出的樣本計(jì)算距離，得到的K近鄰樣本會(huì)更加準(zhǔn)確，但是隨著距離計(jì)算次數(shù)的增加，運(yùn)行時(shí)間也會(huì)隨之增加。當(dāng)l為22 時(shí)，平均識別精度達(dá)到了95.33%，運(yùn)行時(shí)間為5.879 3 s，之后當(dāng)l繼續(xù)變大時(shí)，平均識別精度保持不變，但系統(tǒng)運(yùn)行時(shí)間仍在不斷增加?？紤]到運(yùn)行時(shí)間和識別精度的平衡，本文選取l=22。

Fig.9 Influence of different l values on average recognition accuracy and running time圖9 不同l值對平均識別精度和運(yùn)行時(shí)間的影響

（2）不同近鄰樣本數(shù)K的影響

近鄰樣本數(shù)K是一個(gè)重要的參數(shù)，當(dāng)K值不同時(shí)會(huì)對結(jié)果產(chǎn)生直接的影響。K值設(shè)置過小，容易發(fā)生過擬合現(xiàn)象，導(dǎo)致分類精度降低；若設(shè)置過大，訓(xùn)練樣本中距離較遠(yuǎn)的、相關(guān)性不強(qiáng)的點(diǎn)也會(huì)產(chǎn)生影響。為了有效地體現(xiàn)出其對模型分類性能的影響，本次實(shí)驗(yàn)選取了15 個(gè)不同的K值，其對模型的分類性能測試結(jié)果均值對比如圖10 所示。

圖10 結(jié)果表明，當(dāng)K值為2 或3 時(shí)分類性能最好，隨著K值的增大，分類精度逐漸降低。考慮到近鄰樣本數(shù)K一般采用奇數(shù)，從而避免聯(lián)合判決時(shí)因兩種票數(shù)相等而難以決策的問題，本文在實(shí)驗(yàn)中取K=3。

3.2.5 多天線聯(lián)合與單一天線

為了測試系統(tǒng)的識別性能，進(jìn)一步探討多天線聯(lián)合判決與使用單一天線進(jìn)行分類的結(jié)果，單一天線選擇的是所有天線中使系統(tǒng)性能最好的天線。不同K值下多天線聯(lián)合判決和使用單一天線的平均識別精度如圖11 所示。

Fig.10 Influence of different K values on average recognition accuracy圖10 不同K 值對平均識別精度的影響

Fig.11 Comparison of average recognition accuracy under different K values圖11 不同K 值下平均識別精度對比

從圖11 中可以看出，當(dāng)K為2 或3 時(shí)，無論聯(lián)合判決還是單一天線，分類性能都是最好的，并且隨著K值的增大，分類性能都逐漸降低，但單一天線的下降幅度遠(yuǎn)遠(yuǎn)大于多天線，說明多天線聯(lián)合判決系統(tǒng)受參數(shù)影響較小，穩(wěn)定性較好。

當(dāng)K為最優(yōu)值3 時(shí)，各個(gè)動(dòng)作分別在多天線聯(lián)合判決和單一天線下的識別率如圖12 所示。從圖中可看出，本文采用的多天線聯(lián)合判決除了蹲下動(dòng)作識別率與單一天線相同，其他動(dòng)作的識別率均高于單一識別方法，針對彎腰動(dòng)作的識別優(yōu)勢更為突出，這是因?yàn)槎嗵炀€聯(lián)合判決能夠充分利用多根天線豐富的細(xì)節(jié)信息，從而有效識別動(dòng)作?？傮w來看，本文采用的多天線聯(lián)合判決的方法優(yōu)于單一天線方法，減少了識別誤差，有利于活動(dòng)的識別。

Fig.12 Comparison of classification effects of each action under the optimal K value圖12 最優(yōu)K 值下各個(gè)動(dòng)作分類效果對比

3.2.6 方法對比

為了驗(yàn)證本文提出的MADR 方法的整體性能，與WIG（WiFi-based gesture recognition system）系統(tǒng)及傳統(tǒng)RSSI（received signal strength indicator）模型系統(tǒng)的方法進(jìn)行了多組對比實(shí)驗(yàn)，三種方法的識別準(zhǔn)確率如圖13 所示。WIG 方法的平均識別精度為89.33%，其中誤識率最高的是蹲下和站起動(dòng)作，原因是這兩個(gè)動(dòng)作為互逆過程，使用WIG 方法提取到的有限個(gè)時(shí)域統(tǒng)計(jì)特征非常相似?；趥鹘y(tǒng)RSSI 模型的方法由于使用的是粗粒度的接收信號強(qiáng)度，受環(huán)境干擾波動(dòng)程度較大，因此平均識別率較低，為84.67%。

Fig.13 Comparison of classification effect of three methods圖13 三種方法分類效果對比

從圖13 中可以看出，無論單個(gè)動(dòng)作還是總體的識別精度，本文采用的MADR 方法都優(yōu)于其他兩種方法，此優(yōu)勢對于易與其他行為混淆的蹲下動(dòng)作的識別尤為明顯，證明了本文方法的有效性和魯棒性。

4 結(jié)束語

本文提出了一種基于多天線聯(lián)合判決的CSI 高效的人體行為識別方法。該方法使用Hampel、低通濾波和主成分分析一系列數(shù)據(jù)去噪處理后，將剔除無效信號的包含時(shí)頻細(xì)節(jié)信息的第一主成分作為特征向量，使用接收端各個(gè)天線的特征向量分別構(gòu)建基于DTW 的FKNN 分類器并進(jìn)行聯(lián)合判決，實(shí)現(xiàn)了對人體“坐下”“蹲下”“站起”“彎腰”“行走”五個(gè)動(dòng)作的識別。在兩種典型的室內(nèi)環(huán)境下進(jìn)行算法驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，空曠的會(huì)議室環(huán)境下平均識別率達(dá)到95.33%，多徑嚴(yán)重的實(shí)驗(yàn)室環(huán)境為92.67%，證明該方法在不同的環(huán)境中均具有較好的識別率，而且與使用傳統(tǒng)RSSI 的方法相比，基于CSI 的人體行為識別更具魯棒性。需要指出的是，本文針對單人單個(gè)動(dòng)作進(jìn)行識別，在未來工作中將研究連續(xù)動(dòng)作或多人同時(shí)動(dòng)作的檢測與識別，以實(shí)現(xiàn)更復(fù)雜場景下的人體行為識別。