周 祥，常 俊，武 浩

(云南大學(xué) 信息學(xué)院，云南 昆明 650091)

0 引 言

傳統(tǒng)的基于傳感器[1-5]的行為識(shí)別方法，需使用者佩戴各種傳感器設(shè)備，使得使用者感到不便，而基于如視頻圖像[6]、雷達(dá)[7]等無(wú)設(shè)備的方式，前者由于不利于保護(hù)隱私同時(shí)對(duì)環(huán)境光照的要求較高，后者成本較高不利于廣泛使用。而現(xiàn)如今基于WiFi信號(hào)的行為識(shí)別方法則有著成本低、識(shí)別精度高等特點(diǎn)。其中基于WiFi信號(hào)的接收信號(hào)強(qiáng)度(RSSI)[8]的行為感知，因其不能表征細(xì)粒度的信息，所以對(duì)人體行為的識(shí)別效果并不理想。而CSI信號(hào)[9]相比RSSI信號(hào)，其是細(xì)粒度的信號(hào)特征信息，每個(gè)CSI值代表正交頻分復(fù)用(OFDM)系統(tǒng)[10]中子載波的幅度和相位，所以其含有更高的數(shù)據(jù)分辨率。如Thomas等[11]對(duì)CSI信號(hào)提取基于語(yǔ)音信號(hào)的梅爾頻率倒譜系數(shù)(MFCC)特征[12]，再結(jié)合采用CNN[13]用于CSI時(shí)間序列分類(lèi)，實(shí)現(xiàn)了95%的平均識(shí)別率，Akhtar等[14]從經(jīng)過(guò)處理后的CSI信號(hào)無(wú)線電圖像的判別分量中提取特征用于識(shí)別駕駛員行為，實(shí)現(xiàn)了94.1%的平均識(shí)別精度。還有Yao等[15]采用小波變換[16]提取CSI信號(hào)時(shí)頻域特征用于行為識(shí)別，得到了93.1%的平均識(shí)別精度,可見(jiàn)對(duì)于CSI用作行為識(shí)別具有很好的應(yīng)用價(jià)值。

現(xiàn)如今基于信道狀態(tài)信息的行為識(shí)別工作中，由于硬件限制，所以很少關(guān)注CSI信號(hào)測(cè)量中普遍存在的線性相位誤差，從而忽略了信息有用的非線性特性，以及對(duì)信號(hào)進(jìn)行預(yù)處理難免會(huì)濾除一些有用信息，從而影響識(shí)別的精度。針對(duì)這一問(wèn)題，提出一種基于WiFi信道狀態(tài)信息的行為識(shí)別方法，通過(guò)從原始CSI信號(hào)中提取代表信號(hào)非線性特性的三階累積量[17]作為特征，并采用一種基于互信息的特征選擇技術(shù)(MIFS)[18]對(duì)原始特征進(jìn)行篩選提取考慮到非高斯信號(hào)分布的高魯棒性特征子集，最后將提取到的特征子集輸入到經(jīng)過(guò)了粒子群優(yōu)化算法(PSO)[19]優(yōu)化過(guò)參數(shù)的SVM分類(lèi)模型[20]中。該方法有著較低的系統(tǒng)復(fù)雜度，能實(shí)現(xiàn)較高的識(shí)別精度和魯棒性。

1 系統(tǒng)原理

1.1 CSI模型原理

無(wú)線信號(hào)在傳輸過(guò)程中由于其信道狀況并不穩(wěn)定，會(huì)根據(jù)環(huán)境因素而發(fā)生衍射、反射、散射等變化，這些變化會(huì)反映到接收端接收的子載波的波動(dòng)中，無(wú)線信號(hào)在空氣中的傳播如圖1所示。而現(xiàn)如今引入正交頻分復(fù)用(OFDM)的無(wú)線技術(shù)的最新發(fā)展實(shí)現(xiàn)了具有最小誤碼率(BER)的更高數(shù)據(jù)包傳輸速率。符合IEEE 802.11n OFDM標(biāo)準(zhǔn)的商用Wi-Fi設(shè)備還實(shí)現(xiàn)了多輸入多輸出(MIMO)概念。在Linux 802.11n CSI工具中，符合OFDM的設(shè)備可以將信道頻率響應(yīng)(CFR)讀取為CSI信號(hào)，其主要反映了子載波的信號(hào)幅度和相位的變化。Wi-Fi的信道模型可以表示為

(1)

H=(hijk)NT×NR×30

(2)

其中，i∈[1,NT]，j∈[1,NR]，k∈[1,30]。 而hijk表示第i根發(fā)射天線到第j根接收天線之間的數(shù)據(jù)流中的第k個(gè)子載波的值。其具體還可以表示如下

hijk=|hijk|ej∠hijk

(3)

其中， |hijk| 表示幅度響應(yīng)， ∠hijk表示相位響應(yīng)。

圖1 無(wú)線信號(hào)傳播

1.2 三階累計(jì)量

首先高階累積量對(duì)高斯噪聲不敏感，所以在處理帶有高斯有色加性噪聲的非高斯信號(hào)時(shí)，可對(duì)其求高階累計(jì)量，使得輸出噪聲部分的高階累積量為零，只留下非高斯信號(hào)部分，從側(cè)面增強(qiáng)了有用信號(hào)的信噪比，可見(jiàn)采用高階累積量的特征可以免除信號(hào)預(yù)處理階段，降低系統(tǒng)復(fù)雜度。而優(yōu)選使用三階累積量來(lái)從原始CSI信號(hào)中提取特征，是因?yàn)槠湎啾纫弧⒍A累積量其能揭示更豐富信號(hào)特征信息，四階的累積量及其以上，因其建立了高度復(fù)雜的矩陣，需要大量的計(jì)算成本，所以在當(dāng)前工作中不考慮它。而三階累積量的具體推算過(guò)程如下：對(duì)于一個(gè)變量X存在一個(gè)距生成函數(shù)mkx(t)， 且當(dāng)統(tǒng)計(jì)期望E{etX} 存在，t∈R。 此時(shí)可以得到函數(shù)高階距表達(dá)式

mkx(τ1,…,τk-1)=E{X(t)X(t+τ1)…X(t+τk-1)}

(4)

其中，τ1…τk-1為時(shí)滯參數(shù)，由式(4)可推出三階距的表示為

m3x(τ1,τ2)=E{X(t)X(t+τ1)X(t+τ2)}

(5)

而相對(duì)應(yīng)的非零累積量Ckx， 可以計(jì)算為相應(yīng)矩的非線性組合

Ckx(τ1,…,τk-1)=mkx(τ1,…,τk-1)-mkxG(τ1,…,τk-1)

(6)

其中，mkx(τ1,…,τk-1) 為k階距，mkxG(τ1,…,τk-1) 為相應(yīng)高斯過(guò)程的k階矩，而特別的，若X(t) 具有零均值，三階累積量可以表示為

C3x(τ1,τ2)=m3x(τ1,τ2)

(7)

1.3 MIFS算法原理

MIFS是一種基于互信息的特征選擇算法，其使用互信息度量候選特征與類(lèi)別之間的相關(guān)性，以及與已選特征集合的冗余性，再以貪心策略選擇與類(lèi)別相關(guān)性強(qiáng)且已選特征冗余度低的特征集合。從而可以減少計(jì)算時(shí)間，提高計(jì)算精度。而互信息定義如下

(8)

式(8)表示變量X和Y之間的互信息，其中p(x)、p(y)、p(x,y) 分別表示X的概率分布，Y的概率分布以及X和Y的聯(lián)合概率分布。兩變量之間互信息越大，之間相關(guān)性越強(qiáng)。依據(jù)互信息的定義，MIFS算法對(duì)應(yīng)的算法流程如圖2所示，具體步驟如下：

(1)初始化：將原始輸入特征空間FR賦值給F，S置空；

(2)對(duì)F中每個(gè)輸入特征fi， 根據(jù)式(8)計(jì)算互信息I(Fi;C)；

(3)選擇使I(Fi;C)； 最大的那個(gè)fi， 將fi加入到S中，記為{fi}→S， 同時(shí)從F去掉fi記為F(〗fi}；

(4)重復(fù)以下過(guò)程，直到選夠K個(gè)特征：

(5)輸出包含選定特征的特征子集S。

圖2 MIFS算法流程

1.4 粒子群優(yōu)化算法原理

當(dāng)分類(lèi)模型的參數(shù)屬于最優(yōu)時(shí)，相應(yīng)的模型的分類(lèi)精度最高，而粒子群優(yōu)化算法(PSO)屬于基于群體的智能優(yōu)化搜索算法，可以用其優(yōu)化支持向量機(jī)的分類(lèi)模型(SVM)參數(shù)使其獲得最高的識(shí)別準(zhǔn)確率。首先生成初始化例子群，計(jì)算其適應(yīng)值，并尋找個(gè)體極值pid和全局最優(yōu)解pgd， 最終來(lái)更新粒子的速度和位置。而每個(gè)粒子根據(jù)下面的式(9)、式(10)來(lái)進(jìn)行更新其速度和位置

(9)

(10)

其中，vid和xid分別代表速度和位置，r1和r2是0到1之間的隨機(jī)數(shù)，c1為學(xué)習(xí)因子，c2為社會(huì)因子，而當(dāng)社會(huì)因子大于學(xué)習(xí)因子時(shí)，有助于粒子向著全局最搜索，因此，取c1=1.6，c2=2。 而ω是權(quán)重，其取值范圍為 [ωmin,ωmax]， 其中最大迭代次數(shù)為itermax， 由上可得到以下公式

(11)

由于本文選擇的核函數(shù)是高斯核函數(shù)，所以將粒子群算法應(yīng)用于支持向量機(jī)分類(lèi)模型的參數(shù)尋優(yōu)時(shí)，粒子就是懲罰因子C和核參數(shù)γ， 采用PSO調(diào)參就是尋找使SVM分類(lèi)精度最大的參數(shù)，具體通過(guò)粒子群優(yōu)化算法優(yōu)化SVM分類(lèi)模型的參數(shù)的流程如圖3所示。

圖3 PSO優(yōu)化SVM參數(shù)流程

2 整體系統(tǒng)設(shè)計(jì)

系統(tǒng)整體設(shè)計(jì)包含4個(gè)模塊：由數(shù)據(jù)采集模塊、特征提取模塊、特征選擇模塊、分類(lèi)模型4部分組成，具體系統(tǒng)結(jié)構(gòu)如圖4所示，實(shí)驗(yàn)最初采集到不同環(huán)境下的不同動(dòng)作的CSI原始數(shù)據(jù)，然后對(duì)數(shù)據(jù)提取其三階累計(jì)量特征，再采用MIFS算法對(duì)原始特征進(jìn)行篩選魯棒性強(qiáng)的特征子集，將其輸入到已經(jīng)別粒子群優(yōu)化算法優(yōu)化過(guò)參數(shù)的支持向量機(jī)分類(lèi)模型中采用10倍交叉驗(yàn)證，得出識(shí)別準(zhǔn)確率。

圖4 系統(tǒng)結(jié)構(gòu)

2.1 原始數(shù)據(jù)采集

本次數(shù)據(jù)采集分別在長(zhǎng)4 m，寬5 m的實(shí)驗(yàn)室和長(zhǎng)4 m，寬6 m的會(huì)議室兩種不同環(huán)境下采集，具體實(shí)驗(yàn)場(chǎng)景如圖5所示，可見(jiàn)辦公室場(chǎng)景環(huán)境相對(duì)復(fù)雜，而實(shí)驗(yàn)室場(chǎng)景的環(huán)境較為空曠。實(shí)驗(yàn)通過(guò)兩臺(tái)外置了Intell 5300網(wǎng)卡的臺(tái)式機(jī)作為CSI信號(hào)的收發(fā)端，其中Tx表示信號(hào)發(fā)射端，Rx表示信號(hào)接收端，而發(fā)送端采用1根發(fā)送天線用以發(fā)送信號(hào)，而接收端采用3根接收天線用以接收信號(hào)，且設(shè)置了工作頻率為2.4 GHz，帶寬設(shè)置為20 MHz。而收發(fā)端距離地面高度為75 cm同時(shí)之間相距2 m。

圖5 實(shí)驗(yàn)場(chǎng)景

2.2 特征提取

本文采用了Matlab自帶的高階光譜分析工具箱(HOS)從信道中每個(gè)子載波中提取9個(gè)三階累積量特征。為了降低計(jì)算工作量，只采用一根接收天線所接收到的數(shù)據(jù)，由于信道有30個(gè)子載波。因此提取出270個(gè)累積特征的特征向量。而圖6中的等高線顯示了不同動(dòng)作的第一延遲量和第二延遲量之間估計(jì)的三階累積量的二維等高線圖。通過(guò)“坐下”、“刷牙”的圖可發(fā)現(xiàn)其具有基本對(duì)稱(chēng)性。

圖6 三階累積量的2D等高線

2.3 特征篩選

本文中采用了基于互信息的特征篩選方法(MIFS)對(duì)原始特征進(jìn)行篩選，并且設(shè)置β=0.75， 通過(guò)實(shí)驗(yàn)選擇不同實(shí)驗(yàn)環(huán)境下篩選后的特征指數(shù)K(10、20、25、30、40維累積量特征)用于分類(lèi)模型測(cè)試系統(tǒng)效果。

2.4 分 類(lèi)

最終將得到的篩選后的特征子集輸入到采用高斯核的經(jīng)過(guò)粒子群算法優(yōu)化過(guò)參數(shù)的支持向量機(jī)分類(lèi)模型中進(jìn)行分類(lèi)，并且為了保證實(shí)驗(yàn)結(jié)果的精準(zhǔn)性，采用10倍交叉驗(yàn)證來(lái)得出實(shí)驗(yàn)結(jié)果。

3 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)所選的實(shí)驗(yàn)對(duì)象總共有10人。該10人含4名女6名男的本科生與研究生，年齡在19歲到25歲之間，身高在155 cm到183 cm之間，最終采集到實(shí)驗(yàn)室環(huán)境下2000個(gè)數(shù)據(jù)，會(huì)議室環(huán)境下3000個(gè)數(shù)據(jù)。并將其用于驗(yàn)證本方法的識(shí)別精度，最終得出表1與表2分別表示在不同場(chǎng)景下關(guān)于不同動(dòng)作識(shí)別率的混淆矩陣，由表1看出實(shí)驗(yàn)室由于較為空曠受到的多徑影響較小所以平均識(shí)別率達(dá)到97.4%，而會(huì)議室環(huán)境復(fù)雜，信號(hào)受到的多徑影響較大但其平均識(shí)別率也達(dá)到了94.8%，而以上兩種環(huán)境下本方法的平均識(shí)別率達(dá)到了96.1%。

表1 實(shí)驗(yàn)室場(chǎng)景識(shí)別率/%

表2 會(huì)議室場(chǎng)景識(shí)別率/%

3.1 發(fā)包速率對(duì)識(shí)別率影響

為驗(yàn)證不同發(fā)包率對(duì)動(dòng)作識(shí)別精度的影響，嘗試了在不同的發(fā)包速率(50,100,200,500,1000) Hz下采集了不同人體日常行為的CSI原始數(shù)據(jù)，并采用10倍交叉驗(yàn)證，得出在不同速率下兩種場(chǎng)景中的平均識(shí)別精度，由圖7發(fā)包速率對(duì)識(shí)別率的影響圖可以發(fā)現(xiàn)發(fā)包速率與實(shí)驗(yàn)的平均識(shí)別率成正比關(guān)系，但是當(dāng)發(fā)包率到達(dá)500 Hz時(shí)，實(shí)驗(yàn)已經(jīng)能取得較好的結(jié)果，而當(dāng)發(fā)包率超過(guò)500 Hz時(shí)，準(zhǔn)確率的提升并不明顯，且越高的發(fā)包速率也帶來(lái)了更高的丟包風(fēng)險(xiǎn)和計(jì)算時(shí)間。

圖7 發(fā)包速率影響

3.2 不同維度特征子集對(duì)識(shí)別率影響

為了驗(yàn)證不同維度的特征子集對(duì)識(shí)別率的影響，通過(guò)將提取到的原始特征向量，并通過(guò)MIFS降維算法將其降維成10、20、25、30、40維的特征子集，然后輸入到優(yōu)化好參數(shù)的SVM分類(lèi)模型中，通過(guò)圖8子集維度對(duì)識(shí)別率影響圖可以發(fā)現(xiàn)，當(dāng)K=30時(shí)，能獲得較好的平均識(shí)別率，驗(yàn)證了當(dāng)K=30時(shí)的特征子集已經(jīng)能表達(dá)原信號(hào)絕大部分的信息，而當(dāng)K超過(guò)30時(shí)對(duì)識(shí)別率的提升并不明顯，而且更高的子集維度還會(huì)帶來(lái)更大的冗余量和更高的過(guò)擬合風(fēng)險(xiǎn)。

圖8 子集維度影響

3.3 不同方法平均識(shí)別率對(duì)比

本文之前提及了3種現(xiàn)有的人體行為識(shí)別的方法，與其它方法相比，本方法省略了復(fù)雜的信號(hào)預(yù)處理階段，但從表3可以看出本方法雖然降低了系統(tǒng)復(fù)雜度，但各動(dòng)作的平均識(shí)別精度依然高于別的方法，可見(jiàn)本方法所提取的CSI信號(hào)的三階累計(jì)量特征，保存了大部分原始信號(hào)的有用信息。對(duì)魯棒性和識(shí)別精度的提升非常明顯。

表3 各方法平均識(shí)別率對(duì)比

4 結(jié)束語(yǔ)

本文提出了一種基于信道狀態(tài)信息的無(wú)設(shè)備的日常行為識(shí)別方法，首先通過(guò)兩臺(tái)連接上Intel 5300網(wǎng)卡的臺(tái)式機(jī)做信號(hào)收發(fā)端采集原始CSI信號(hào)，隨后在未進(jìn)行去噪預(yù)處理的情況下提取信號(hào)的三階累積量特征，再用基于互信息的特征選擇方法構(gòu)造出具有高魯棒性的特征子集，最后將特征子集輸入到經(jīng)過(guò)了粒子群優(yōu)化算法優(yōu)化過(guò)參數(shù)的SVM分類(lèi)器中進(jìn)行分類(lèi)。最終實(shí)現(xiàn)了不同場(chǎng)景下不同動(dòng)作96.1%的平均識(shí)別率，驗(yàn)證該方法提取的三階累積量作為特征在擁有較強(qiáng)魯棒性的同時(shí)對(duì)提高識(shí)別精度有著顯著作用。不過(guò)該方法目前僅實(shí)現(xiàn)了對(duì)單人單個(gè)動(dòng)作的識(shí)別，且更換場(chǎng)景后還需要進(jìn)行大量的訓(xùn)練，但鑒于現(xiàn)實(shí)生活需要，以后單人連續(xù)動(dòng)作、多人多動(dòng)作的識(shí)別以及跨場(chǎng)景動(dòng)作識(shí)別將會(huì)是未來(lái)重要的研究方向。