郝占軍，張岱陽，黨小超，段 渝

（1.西北師范大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，蘭州 730070；2.甘肅省物聯(lián)網(wǎng)工程研究中心，蘭州 730070）

0 概述

動作識別是當(dāng)前的熱門研究方向之一，具有廣闊的應(yīng)用前景［1］。傳統(tǒng)的動作識別技術(shù)基于傳感器以及攝像頭等設(shè)備，如文獻(xiàn)［2］利用視頻中提取的信息來識別人體行為動作。雖然利用攝像頭識別動作的精度較高，但是攝像頭在無光或弱光環(huán)境下無法有效工作，且存在拍攝盲區(qū)等問題?；趥鞲衅鞯膭幼髯R別技術(shù)應(yīng)用范圍廣泛，技術(shù)較成熟，如文獻(xiàn)［3］利用傳感器進(jìn)行醫(yī)療動作識別，但多數(shù)傳感器需要進(jìn)行穿戴，且傳感器的部署和維護(hù)成本較高。利用Wi-Fi 信號進(jìn)行動作識別能夠有效克服上述兩種方法的缺陷。首先隨著Wi-Fi設(shè)備的大量部署，Wi-Fi 的普適性大幅增強(qiáng)，其次利用Wi-Fi 信號進(jìn)行的動作識別屬于非侵入式檢測，較好地保護(hù)了用戶的隱私。到目前為止，很多相關(guān)研究都是以Wi-Fi 信號為基礎(chǔ)的，如文獻(xiàn)［4-5］利用Wi-Fi 信號進(jìn)行室內(nèi)人員的定位，文獻(xiàn)［6］利用Wi-Fi 信號檢測人員的日常行為。

在基于Wi-Fi 信號的相關(guān)研究中，主要是利用從Wi-Fi 設(shè)備通信協(xié)議中媒介控制層提取的接收信號強(qiáng)度（Received Signal Strength，RSS）來進(jìn)行研究，如文獻(xiàn)［7］使用RSS 信息進(jìn)行室內(nèi)人員活動識別，但是由于RSS 受多徑效應(yīng)和窄帶干擾的影響較大，導(dǎo)致其不穩(wěn)定，對人體的動作不敏感，最終造成測量精準(zhǔn)度不高。相較于RSS，信道狀態(tài)信息（Channel State Information，CSI）具有更大的優(yōu)勢，CSI 是細(xì)粒度的物理信息，并且CSI 受多徑效應(yīng)的影響較小，具有較高的穩(wěn)定性。很多動作識別方法的設(shè)計(jì)是基于CSI的，如文獻(xiàn)［8］利用CSI 進(jìn)行穿墻人體動作的檢測，文獻(xiàn)［9］檢測人的駕駛動作，文獻(xiàn)［10］使用CSI 進(jìn)行細(xì)粒度的手勢識別。

本文提出一種基于CSI 的非接觸式人員動作感知方法Wi-Opera。離線階段采集大量京劇動作數(shù)據(jù)形成樣本集，利用巴特沃斯低通濾波器過濾高頻的環(huán)境噪聲，并運(yùn)用多貝西小波（Daubechies Wavelets）及符號小波（Symlet Wavelets）對低頻部分進(jìn)行去噪和平滑。通過PCA 算法提取每個動作的特征并為每個京劇動作建立各自的決策樹，將所有決策樹集成為隨機(jī)森林模型，并對其進(jìn)行訓(xùn)練。在線階段采集動作的原始CSI 信號，經(jīng)過相同處理后輸入隨機(jī)森林進(jìn)行分類識別，匹配每一棵決策樹，最終以多投票機(jī)制輸出識別結(jié)果。

1 相關(guān)理論

1.1 信道狀態(tài)信息

信道狀態(tài)信息（CSI）描述無線通信鏈路的信道特性。多路徑場景下的信道頻響R(f)表示為：

其中，K為多路徑的總數(shù)，αl為第l條鏈路的振幅信息，θl表示第l條鏈路的相位信息，δ(?)表示一個脈沖函數(shù)。根據(jù)正交頻分復(fù)用（Orthogonal Frequency Division Multiplexing，OFDM）技術(shù)，路由器采用相互正交的多載波傳遞信息［11］，可以從Wi-Fi 信道中提取到CSI 信息，在信道帶寬為40 MHz 時每組CSI 都含有114 個子載波的相位和振幅信息，其第k個子載波函數(shù)表示為：

其中，|fk|為第k個子載波的振幅值，j sinθk為相位值，相較于相位信息，振幅更加穩(wěn)定。因此，本文采用振幅信息作為特征值進(jìn)行研究。

1.2 巴特沃斯低通濾波器

巴特沃斯低通濾波器是電子濾波器的一種［12］，目的是過濾由環(huán)境引起的高頻噪聲并保留由人體動作引起的低頻段CSI 信號，其幅度平方函數(shù)為：

其中，n為濾波器的階數(shù)，φc為截止頻率。過濾后的CSI 動作數(shù)據(jù)去除了高頻的環(huán)境噪聲，使低頻部分的動作信息得到保留。

1.3 小波變換

由于小波變換具有多分辨率以及時頻局部化方面的良好表現(xiàn)［13］，本文利用多貝西小波與符號小波對數(shù)據(jù)進(jìn)行處理。多貝西小波也稱為db 小波［14］，其主要特性是能突出信號在某一方面的特征。小波函數(shù)的計(jì)算公式如下：

其中，a為小波函數(shù)的尺度，τ為平移量。Symlet小波是對db 小波的一種改進(jìn)［15］，簡稱sym 小波。Symlet 小波具有更好的對稱性，因此能減少小波變換對CSI 信息進(jìn)行拆分處理和重新構(gòu)組時的失真率。利用多貝西小波可以處理CSI 信息低頻部分，使其特征更加突出。然后使用Symlet小波處理，可以使CSI數(shù)據(jù)更加平滑。通過實(shí)驗(yàn)得出利用多貝西3 號小波（下文稱db3 小波）進(jìn)行5層分解后再利用Symlet8號小波（下文稱sym8小波）分解8 層，處理后的數(shù)據(jù)效果最好。

1.4 PCA 降維

PCA 算法是利用數(shù)學(xué)降維的方法找出一個或幾個綜合變量代替原來眾多的變量，使這些綜合變量盡可能多地反映原來變量的信息量［16］。在高維的空間中尋找一個低維的正交坐標(biāo)系，通過推導(dǎo)和投影，將高維的數(shù)據(jù)轉(zhuǎn)化為低維數(shù)據(jù)。PCA 算法的步驟為首先進(jìn)行去中心化，求出每個特征的均值，再用每個特征的數(shù)據(jù)減去均值，然后計(jì)算協(xié)方差矩陣，其計(jì)算公式為：

其中，m為元素個數(shù)，piqi為矩陣中的元素位置。計(jì)算協(xié)方差矩陣的特征值以及特征向量，再將特征值從大到小進(jìn)行排列，最后選取最大的特征。

2 Wi-Opera 方法

2.1 Wi-Opera 方法介紹

本文以京劇動作為對象進(jìn)行研究。首先離線階段采集每個京劇動作的CSI 信息，并且把振幅作為每個動作的描述，將采集的CSI 原始信號進(jìn)行預(yù)處理并用PCA 算法提取每個動作的特征值，利用提取的特征值為每個京劇動作建立各自的決策樹，將所有動作的決策樹集成為隨機(jī)森林模型并用樣本集進(jìn)行訓(xùn)練。在線階段，采集實(shí)驗(yàn)人員在不同的實(shí)驗(yàn)環(huán)境中做出的動作數(shù)據(jù)并對所有數(shù)據(jù)進(jìn)行預(yù)處理，最后將數(shù)據(jù)輸入隨機(jī)森林模型中識別出具體的京劇動作。圖1 所示為Wi-Opera 的流程。

圖1 Wi-Opera 方法流程Fig.1 Procedure of Wi-Opera method

2.2 數(shù)據(jù)獲取

本文共選取了6 個京劇動作，分別為生角、刀馬旦、青衣、老旦、凈角、丑角。通過支持IEEE 820.11N協(xié)議且搭載了Atheros AR9580 無線網(wǎng)卡的商用路由器采集CSI 京劇動作信號。實(shí)驗(yàn)設(shè)置了2 根發(fā)射天線、3 根接收天線和6 條數(shù)據(jù)鏈路。

由于身體不同部位對信號的折射、反射和散射，導(dǎo)致每個動作對6 條鏈路的影響是不同的。但是由于每個動作都是站立動作，因此不同動作的區(qū)分主要是手臂以及腿部的位置。軀干部位的振幅對不同動作的區(qū)別度并不是很大，如果將6 條鏈路的數(shù)據(jù)全部進(jìn)行訓(xùn)練會導(dǎo)致數(shù)據(jù)過于復(fù)雜，過于冗余的數(shù)據(jù)會使計(jì)算量上升從而使性能下降。

如何將一個動作中產(chǎn)生影響最顯著的鏈路提取出來是一個需要解決的問題。在上文的研究中發(fā)現(xiàn)手臂以及腿部對鏈路的振幅影響最大，所以選擇了能反映這3 個部位的鏈路作為該動作的特征。

本文對文獻(xiàn)［17］提出的鏈路選取方法進(jìn)行改進(jìn)，構(gòu)建一個適用于本文方法的模型。通過PCA 方法計(jì)算每條鏈路的主要影響因素，然后構(gòu)造拉格朗日函數(shù)［18］并對其求偏導(dǎo)從而為動作的每條鏈路賦予一個權(quán)重，選取權(quán)重前三的鏈路作為該動作的主要特征。

具體操作的偽代碼如下：

通過上述的鏈路選取操作，6 個動作的振幅特征如圖2 所示。

圖2 對應(yīng)于不同動作的CSI 振幅特征Fig.2 CSI amplitude characteristics corresponding to different actions

2.3 數(shù)據(jù)處理

2.3.1 動作數(shù)據(jù)降噪

由于環(huán)境噪聲的影響，CSI 振幅數(shù)據(jù)出現(xiàn)很多毛刺，掩蓋了人體動作引起的CSI 信號。為了去除環(huán)境噪聲，本文采用了Matlab 自帶的巴特沃斯低通濾波器。經(jīng)過實(shí)驗(yàn)得出，設(shè)置通帶頻率為50 Hz，阻帶頻率設(shè)置為100 Hz，通頻帶波動設(shè)置為2 dB，阻帶衰減設(shè)置為3 dB 時濾波器過濾出的數(shù)據(jù)效果最好。然后將動作CSI 數(shù)據(jù)輸入設(shè)計(jì)好的濾波器中，最后得出濾波后的數(shù)據(jù)波形。根據(jù)巴特沃斯低通濾波器在通帶內(nèi)頻率響應(yīng)曲線具有最大限度的特性，保證了在濾掉噪聲的同時，保留了由動作引起的CSI 振幅真實(shí)變化。數(shù)據(jù)過濾前后的對比如圖3 所示，其中，圖3（a）方框中為噪聲數(shù)據(jù)波形。從圖3 可以看出，過濾后的CSI 信號變得平滑，證明利用該方法可以有效去除高頻環(huán)境噪聲。對于濾除高頻噪聲的信號，本文利用db3 小波及sym8 小波進(jìn)行進(jìn)一步處理。首先將數(shù)據(jù)輸入第一個小波函數(shù)中，第一個小波函數(shù)的波基函數(shù)設(shè)置為db3，細(xì)節(jié)系數(shù)為sure，分解層數(shù)為8。將經(jīng)過db3 小波處理后的數(shù)據(jù)輸入第二個小波函數(shù)中，第二個小波函數(shù)的波基函數(shù)設(shè)置為sym8，分解層數(shù)為5。通過小波函數(shù)的處理，進(jìn)一步去除了噪聲，也使動作數(shù)據(jù)的特征更加明顯。

圖3 CSI 動作數(shù)據(jù)的降噪Fig.3 Noise reduction of CSI action data

圖4（a）為未經(jīng)過處理的數(shù)據(jù)，圖4（b）為經(jīng)過db3 小波以及sym8 小波處理后的數(shù)據(jù)。從圖4 結(jié)果可以看出，處理后的數(shù)據(jù)進(jìn)一步去除了噪聲并且變得更加平滑，有利于下一步的特征提取。

圖4 小波變換處理前后數(shù)據(jù)的對比Fig.4 Comparison of data before and after processing using wavelet transform

2.3.2 特征提取

圖5所示為利用PCA算法提取的特征，其中，圖5（a）為一個丑角動作所有包的CSI信息，圖5（b）為利用PCA算法提取到其中的主成分信息。

圖5 PCA 算法提取的特征Fig.5 Features extracted by PCA algorithm

利用PCA 算法對去噪后的CSI 動作信息降維之后進(jìn)行主成分的提取。首先將利用小波變換處理后的動作數(shù)據(jù)輸入到主成分分析函數(shù)［coeff，score，latent］中。其中，coeff 為各個主成分的系數(shù)，score 為各個主成分的得分，latent 為輸入動作數(shù)據(jù)的特征值。計(jì)算輸入動作數(shù)據(jù)的特征值貢獻(xiàn)率，若累計(jì)貢獻(xiàn)率到達(dá)85%以上，則可以使用此動作數(shù)據(jù)的特征信息表示該動作大部分信息。將該主成分提取出來作為輸入動作數(shù)據(jù)的主要特征。由于輸出的數(shù)據(jù)只有114 個特征，從而達(dá)到了降維的效果。

2.4 離線階段

2.4.1 決策樹

分類和回歸樹（Classification and Regression Tree，CART）算法是以實(shí)例為基礎(chǔ)的歸納學(xué)習(xí)算法，具有易于實(shí)現(xiàn)和高效性等優(yōu)點(diǎn)［19］。本文利用CART算法進(jìn)行CSI 京劇動作振幅特征的劃分，所以只生成分類樹。分類樹的生成以基尼指數(shù)為基礎(chǔ)，計(jì)算公式為：

其中，N為樣本的個數(shù)，pn為樣本屬于第n類的概率。基尼指數(shù)的意義是用來表示不確定性，所以對于一個給定的樣本集M，其基尼指數(shù)為：

其中，Cn為第n個樣本值。此時對于該樣本集M，根據(jù)其特征A是否取某個值a可以將M分為M1和M2兩個部分。在A的條件下，M的基尼指數(shù)表達(dá)式為：

其中，Gini(M,A)表示特征A在取a值分割樣本集M后的不確定性，相當(dāng)于根據(jù)A劃分的兩個集合分別求基尼指數(shù)，然后根據(jù)經(jīng)驗(yàn)概率期望得到特征A下的M的基尼指數(shù)。Gini(M,A)越大，不確定性越高。

決策樹生成的具體步驟如下：

步驟1采集大量京劇動作數(shù)據(jù)，進(jìn)行去噪后利用PCA 算法提取其每個動作振幅的特征值。每個動作數(shù)據(jù)的特征值構(gòu)成一個樣本集，最后生成6 個樣本集。

步驟2對每個京劇動作的樣本隨機(jī)有放回地抽取其中的2/3 作為每個動作的訓(xùn)練集。

步驟3對于一個動作的樣本值，選取其所有的振幅特征值，然后根據(jù)式（6）～式（8）計(jì)算其基尼指數(shù)。

步驟4選擇基尼指數(shù)最小的特征及其對應(yīng)可能的劃分點(diǎn)作為最優(yōu)特征與最優(yōu)劃分點(diǎn)，從結(jié)點(diǎn)分裂兩個子結(jié)點(diǎn)，將樣本集中的數(shù)據(jù)分配到兩個子結(jié)點(diǎn)中。

步驟5遞歸調(diào)用步驟3、步驟4，直到樣本集的基尼指數(shù)小于設(shè)定的閾值、結(jié)點(diǎn)中的樣本數(shù)小于設(shè)定的閾值或特征值全部用完時停止建樹。

步驟6生成完整的決策樹。

2.4.2 隨機(jī)森林

隨機(jī)森林是以多棵決策樹為基本分類器，通過集成學(xué)習(xí)后得到的一個組合分類器，也是一種非參數(shù)集成方法［20］。將6 個京劇動作的決策樹集成為隨機(jī)森林模型，如圖6 所示，其中，●為動作特征。

圖6 隨機(jī)森林模型Fig.6 Random forest model

由于決策樹建立的隨機(jī)性，因此不需要進(jìn)行剪枝處理，每棵決策樹完全生長，最后利用多投票機(jī)制得出分類識別結(jié)果。樣本抽取和決策樹建立的隨機(jī)性，使得隨機(jī)森林算法針對樣本不均衡的問題得到了很好的解決，并且也解決了決策樹過擬合的問題。同時，隨機(jī)森林的學(xué)習(xí)過程較快，易于實(shí)現(xiàn)并行化，節(jié)約了運(yùn)行時間。

2.5 在線階段

在線階段利用設(shè)備采集到京劇動作原始的CSI振幅信息，經(jīng)過去噪和特征提取后取得動作的振幅特征值。將振幅特征值輸入隨機(jī)森林模型中進(jìn)行識別，最后模型輸出識別結(jié)果，具體步驟如下：

步驟1實(shí)時采集實(shí)驗(yàn)人員的京劇動作CSI 振幅數(shù)據(jù)。

步驟2將實(shí)時采集到的動作振幅數(shù)據(jù)進(jìn)行去噪及平滑處理。

步驟3利用PCA 算法提取該動作數(shù)據(jù)的主要振幅特征。

步驟4將該動作的振幅特征值輸入到隨機(jī)森林模型中，并行遍歷其中所有的決策樹，每個決策樹都輸出一個分類結(jié)果。

步驟5將每棵決策樹的結(jié)果進(jìn)行匯總，在所得到的結(jié)果中，利用投票機(jī)制得到該動作的分類結(jié)果。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)配置

本文實(shí)驗(yàn)采用兩臺裝載Atheros AR9580 網(wǎng)卡芯片的TP-Link WDR4310 路由器以及兩臺Dell Alienware m15 筆記本電腦。

兩臺路由器通過使用OpenWrt 修改其內(nèi)核，可以利用CSI Tool［21］將Wi-Fi 信號中的CSI 信息提取出來。兩臺筆記本電腦都裝有Xshell6 以及Winscp，并分別與兩臺路由器相連，一臺連接發(fā)射端（Rx），另一臺連接接收端（Tx），其作用為路由器內(nèi)核OS 的操作入口。通過發(fā)射端電腦建立熱點(diǎn)構(gòu)建局域網(wǎng)，接收端電腦接入局域網(wǎng)的方式使兩臺設(shè)備建立連接。通過Xshell6 可以讓電腦連接到路由器并控制發(fā)射端和接收端路由器分別進(jìn)行發(fā)包和收包的操作。之后接收端電腦通過Winscp 將動作數(shù)據(jù)從路由器中提取出來，以進(jìn)行下一步數(shù)據(jù)預(yù)處理操作。

為研究不同實(shí)驗(yàn)環(huán)境對Wi-Opera 方法的影響，實(shí)驗(yàn)環(huán)境選擇了空曠的實(shí)驗(yàn)室、辦公室以及走廊。圖7 為3 個實(shí)驗(yàn)環(huán)境圖，圖8 為實(shí)驗(yàn)環(huán)境平面結(jié)構(gòu)。

圖7 3 種實(shí)驗(yàn)環(huán)境圖Fig.7 Three experimental environment diagrams

圖8 實(shí)驗(yàn)環(huán)境平面結(jié)構(gòu)Fig.8 Plan structure of experiment environment

3.2 實(shí)驗(yàn)設(shè)計(jì)

本文共進(jìn)行4 組對比實(shí)驗(yàn)，分別是：發(fā)射端與接收端間距對動作識別結(jié)果的影響；不同實(shí)驗(yàn)環(huán)境對識別結(jié)果的影響；不同頻段對識別結(jié)果的影響，用戶多樣性對識別結(jié)果的影響。為了獲得較大的信噪比以提高CSI 信號對人體動作的靈敏度，本文實(shí)驗(yàn)將發(fā)包速率設(shè)置為10 包/s。實(shí)驗(yàn)選取4 名實(shí)驗(yàn)人員在發(fā)射端與接收端之間做不同或相同的京劇動作。

1）離線階段。分別采集6 個京劇動作的數(shù)據(jù)，每個動作數(shù)據(jù)采集1 000 個樣本構(gòu)成樣本集，經(jīng)過Wi-Opera 方法的處理，構(gòu)建隨機(jī)森林模型并對其進(jìn)行訓(xùn)練。表1 為4 名實(shí)驗(yàn)人員的具體數(shù)據(jù)。

表1 實(shí)驗(yàn)人員參數(shù)Table 1 Experimenter parameters

2）在線階段。在3 個實(shí)驗(yàn)環(huán)境中，實(shí)驗(yàn)人員在發(fā)射端和接收端中間做出京劇動作，接收端電腦實(shí)時采集該動作的CSI 數(shù)據(jù)并保存。使用Wi-Opera 方法對實(shí)時采集的動作數(shù)據(jù)進(jìn)行處理，再將處理過的數(shù)據(jù)輸入隨機(jī)森林模型，最終輸出識別結(jié)果。

3.3 實(shí)驗(yàn)驗(yàn)證

3.3.1 發(fā)射端與接收端間距對識別結(jié)果的影響

發(fā)射端與接收端不同的間距也會對識別結(jié)果產(chǎn)生影響。為找到識別效果最好的距離，本文在3 種環(huán)境中各做了9 組實(shí)驗(yàn)。在其他變量不變的情況下，改變發(fā)射端與接收端的間距進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)間距分別為1.1 m、1.2 m，1.3 m、1.4 m、1.5 m、1.6 m、1.7 m、1.8 m、1.9 m。將這9 組實(shí)驗(yàn)采集到的數(shù)據(jù)經(jīng)過Wi-Opera 方法處理后，輸入隨機(jī)森林模型進(jìn)行識別。3 種環(huán)境的識別結(jié)果如圖9 所示。

圖9 3 種環(huán)境下不同間距的識別結(jié)果Fig.9 Recognition results of different spacing under three environments

從圖9 可以看出，在3 種環(huán)境下發(fā)射端與接收端的間距在1.1 m～1.5 m 時識別結(jié)果逐步上升，間距在1.5 m～1.9 m 時識別結(jié)果逐步下降，在1.5 m 時識別結(jié)果達(dá)到最佳。因此得出發(fā)射端與接收端的間距在1.5 m 時為最佳實(shí)驗(yàn)距離。

3.3.2 不同實(shí)驗(yàn)環(huán)境對識別結(jié)果的影響

為驗(yàn)證多徑效應(yīng)對實(shí)驗(yàn)結(jié)果的影響，本文分別在3 個不同的實(shí)驗(yàn)環(huán)境下采集數(shù)據(jù)，并且考慮到在同一環(huán)境中，圖10 所示的LOS（Line Of Sight）場景與NLOS（Non Line Of Sight）場景也會對實(shí)驗(yàn)結(jié)果造成影響，因此也測試了在3 個不同環(huán)境下LOS 與NLOS 的影響。

圖10 LOS 場景與NLOS 場景Fig.10 LOS and NLOS scenarios

3 個實(shí)驗(yàn)環(huán)境的多徑效應(yīng)從高到低排列依次為辦公室、走廊和空曠實(shí)驗(yàn)室。將發(fā)射端與接收端的間距設(shè)為1.5 m，3 個環(huán)境的動作識別結(jié)果如圖11 所示。

圖11 3 種環(huán)境下LOS 與NLOS 的識別結(jié)果Fig.11 Recognition results of LOS and NLOS under three environments

從實(shí)驗(yàn)結(jié)果可以看出，空曠實(shí)驗(yàn)室環(huán)境的識別結(jié)果最高，辦公室環(huán)境的識別結(jié)果最低，表明在受多徑效應(yīng)影響小的環(huán)境中實(shí)驗(yàn)效果好。此外，在LOS環(huán)境下的實(shí)驗(yàn)結(jié)果比NLOS 環(huán)境下要更好。

3.3.3 用戶多樣性的影響

本文選取了兩男兩女共4 名實(shí)驗(yàn)人員。在空曠教室環(huán)境下，讓4 名實(shí)驗(yàn)人員做同一京劇動作，以此來驗(yàn)證用戶多樣性對Wi-Opera 方法的影響。將發(fā)射端與接收端距離設(shè)置為1.5 m，4 名實(shí)驗(yàn)人員分別在發(fā)射端與接收端中間做丑角動作，4 名實(shí)驗(yàn)人員的丑角動作CSI 振幅數(shù)據(jù)如圖12所示。

圖12 4 名實(shí)驗(yàn)者丑角動作的振幅特征圖Fig.12 Amplitude characteristic diagram of four experimenters Harlequin action

從圖12 可以看出，由于每個人的體型和動作幅度有所差異，4 名實(shí)驗(yàn)者的動作CSI 振幅也存在較少差異，但總體動作變化趨勢基本一致。以上結(jié)果表明Wi-Opera 方法具有較強(qiáng)的魯棒性。

3.3.4 不同頻段對識別結(jié)果的影響

本文選擇在40 MHz 帶寬和5 GHz 的頻段下進(jìn)行實(shí)驗(yàn)，其原因?yàn)橄噍^于20 MHz 帶寬和2.4 GHz 頻段，5 GHz 頻段具有更強(qiáng)的抗干擾性，能提供更加穩(wěn)定的信號。為驗(yàn)證5 GHz 頻段的識別結(jié)果高于2.4 GHz 頻段，分別在5 GHz 頻段與2.4 GHz 頻段下采集相同人員的6 個動作數(shù)據(jù)。由于2.4 GHz 頻段下共有56 條子載波，而在5 GHz 頻段下有114 條子載波，因此用前文中同樣的方法訓(xùn)練了一個適用于2.4 GHz 頻段下的隨機(jī)森林模型。在3 種環(huán)境下，分別在5 GHz 頻段和2.4 GHz 頻段下采集同一實(shí)驗(yàn)人員的全部動作數(shù)據(jù)，將實(shí)驗(yàn)數(shù)據(jù)分別輸入兩個隨機(jī)森林模型進(jìn)行識別，其綜合識別結(jié)果如圖13 所示。

圖13 不同頻段識別結(jié)果對比Fig.13 Comparison of different frequency bands identification results

從圖13 可以看出，在3 種環(huán)境下，2.4 GHz 頻段下的平均識別結(jié)果為89.9%，5 GHz 頻段下的平均識別結(jié)果為94.6%。實(shí)驗(yàn)結(jié)果表明，本文方法中5 GHz頻段下的識別結(jié)果高于2.4 GHz 頻段下的識別結(jié)果。

3.3.5 動作規(guī)范性對實(shí)驗(yàn)結(jié)果的影響

動作的規(guī)范與否也會對實(shí)驗(yàn)結(jié)果造成影響，所以本文研究了動作規(guī)范性對實(shí)驗(yàn)結(jié)果的影響。不規(guī)范動作的定義是身體大體的趨勢跟規(guī)范動作相似，只是動作的幅度和手臂及腿部的位置跟規(guī)范動作有很大的區(qū)別。因此，采集所有的動作振幅數(shù)據(jù)并用Wi-Opera 方法進(jìn)行處理和識別。規(guī)范動作與不規(guī)范動作的綜合識別結(jié)果如圖14 所示。

圖14 不同規(guī)范等級識別結(jié)果對比Fig.14 Comparison of recognition results of different specification levels

從圖14可以看出，動作的規(guī)范程度會對識別精度造成影響。當(dāng)動作不規(guī)范時，識別的結(jié)果也會相應(yīng)下降。當(dāng)動作規(guī)范時綜合識別結(jié)果為94.6%，但是當(dāng)動作的規(guī)范等級為不規(guī)范時，綜合識別結(jié)果仍有82.3%。實(shí)驗(yàn)結(jié)果表明，Wi-Opera方法具有較強(qiáng)的魯棒性。

4 實(shí)驗(yàn)結(jié)果與分析

本文選取了4 名實(shí)驗(yàn)者分別做6 個動作進(jìn)行測試，其綜合實(shí)驗(yàn)結(jié)果如圖15 的混淆矩陣所示。

圖15 綜合混淆矩陣Fig.15 Comprehensive confusion matrix

從混淆矩陣的結(jié)果可以得出，Wi-Opera 方法的綜合識別結(jié)果為94.6%。每個動作的綜合識別結(jié)果均在90%以上，證明Wi-Opera 方法能很好地區(qū)別6 個京劇動作并具有較強(qiáng)的魯棒性。

此外，為驗(yàn)證Wi-Opera 方法具有較好的整體性能，本文還與文獻(xiàn)［22-24］中的動作識別方法進(jìn)行了對比。對比結(jié)果如表2 所示。

表2 不同方法識別結(jié)果比較Table 2 Comparison of recognition results of different methods %

文獻(xiàn)［22］運(yùn)用RSS 信號進(jìn)行動作的識別，識別結(jié)果約為72%。文獻(xiàn)［23］提出了一種輕量級的CSI動作識別方法，代表了以一種動作識別方法的體系，識別結(jié)果達(dá)到了93.1%。文獻(xiàn)［24］利用多普勒頻移作為特征并使用極限學(xué)習(xí)機(jī)進(jìn)行動作分類，識別結(jié)果達(dá)到了94.2%。從表2 結(jié)果可以看出，本文利用的CSI 動作識別方法明顯優(yōu)于基于RSS 動作識別的方法。并且對比兩種基于CSI 的動作識別方法，本文的識別效果也具有較高的識別結(jié)果，證明Wi-Opera方法具有較高的識別精度。

5 結(jié)束語

本文提出一種基于信道狀態(tài)信息的非接觸式人員動作感知方法Wi-Opera。離線階段采集京劇動作數(shù)據(jù)經(jīng)過巴特沃斯低通濾波器，通過小波變換對動作信號進(jìn)行去噪和平滑后再利用PCA 算法降維并提取特征，最終構(gòu)建每個京劇動作的決策樹形成隨機(jī)森林模型。在線階段將實(shí)時采集的動作振幅數(shù)據(jù)經(jīng)過相同方法處理后，輸入隨機(jī)森林模型進(jìn)行識別，從而輸出識別結(jié)果。實(shí)驗(yàn)結(jié)果表明，Wi-Opera 方法具有較好的識別精度和較高的魯棒性。