田 勇，郭 瑩，崔家棟，李思柔，陳 晨，丁學(xué)君

(1.遼寧師范大學(xué) 物理與電子技術(shù)學(xué)院，遼寧 大連 116029； 2.東北財(cái)經(jīng)大學(xué) 管理科學(xué)與工程學(xué)院，遼寧 大連 116025)

0 引 言

近年來(lái)，由于無(wú)線網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，商用WiFi設(shè)備幾乎無(wú)處不在。由于出現(xiàn)了能夠記錄Intel 5300無(wú)線網(wǎng)卡信道狀態(tài)信息(channel state information，CSI)的記錄工具，所以通過(guò)商用WiFi設(shè)備獲得CSI數(shù)據(jù)變得十分方便。因此，基于WiFi信號(hào)的無(wú)線被動(dòng)感知技術(shù)應(yīng)運(yùn)而生，該項(xiàng)技術(shù)可廣泛應(yīng)用于安全監(jiān)控、緊急救援、智能家居、醫(yī)療監(jiān)護(hù)等社會(huì)生產(chǎn)、生活的各個(gè)領(lǐng)域。與接收信號(hào)強(qiáng)度(received signal strength，RSS)相比，CSI包含更多關(guān)于無(wú)線信道的細(xì)粒度信息，具有更強(qiáng)的時(shí)間穩(wěn)定性，能夠有效地降低環(huán)境多徑衰落效應(yīng)的影響，從而可以提高目標(biāo)行為識(shí)別的精度和穩(wěn)定性。文獻(xiàn)[1]展示了WiFi商用設(shè)備之間傳輸?shù)男盘?hào)也可以用來(lái)識(shí)別駕駛員的活動(dòng)。文獻(xiàn)[2]提出了一種Wi-Dog攻擊監(jiān)控系統(tǒng)，有效監(jiān)控了暴力行為的發(fā)生。文獻(xiàn)[3]提出的Wima系統(tǒng)可以識(shí)別在空中手寫的字母，且對(duì)于26個(gè)大寫英文字母有較高的平均識(shí)別準(zhǔn)確率。

雖然上述研究在各自應(yīng)用中取得了一定效果，但是研究側(cè)重點(diǎn)均為如何識(shí)別人體動(dòng)作，而忽略了最優(yōu)子載波選擇和動(dòng)作區(qū)間精確截取的深入研究。本文針對(duì)上述問(wèn)題，提出了一種基于近似熵子載波選擇的人體手勢(shì)識(shí)別方法，稱為AEGR(approximate entropy based gesture recognition)。通過(guò)大量的實(shí)驗(yàn)，分析了本文提出的最小近似熵法和極差法的有效性，驗(yàn)證了提出的AEGR方法的良好性能。

1 相關(guān)理論

1.1 信道狀態(tài)信息

在信道中傳播時(shí)，WiFi信號(hào)會(huì)受到障礙物的反射、散射或繞射作用，所以一般情況下信號(hào)發(fā)射端與接收端之間的距離越遠(yuǎn)，接收端采集的信號(hào)強(qiáng)度越弱。接收端采集的CSI主要用于描述無(wú)線信道的屬性，是細(xì)粒度的物理信息，具有更強(qiáng)的時(shí)間穩(wěn)定性，能夠有效地降低環(huán)境多徑衰落效應(yīng)的影響。為了表征CSI，可以將CSI建模為

Y(f,t)=H(f,t)X(f,t)+N(t)

(1)

其中，H(f,t) 表示CSI矩陣，Y(f,t) 和X(f,t) 分別表示接收信號(hào)和發(fā)射信號(hào)，N(t) 表示加性高斯白噪聲。

利用無(wú)線網(wǎng)卡的CSI數(shù)據(jù)獲取工具，可以獲得WiFi信號(hào)的CSI所有子載波數(shù)據(jù)[4]，表示如下

H(f,t)=[H(f1,t),…,H(fi,t),…,H(fn,t)]T

(2)

其中，n表示子載波數(shù)(本文實(shí)驗(yàn)過(guò)程中，n為30)；fi表示子載波i的載波頻率；T表示矩陣的轉(zhuǎn)置。

某個(gè)子載波的CSI可以表示為

H(fi,tj)=|H(fi,tj)|e-jφ(fi,tj)

(3)

其中， |H(fi,tj)| 和φ(fi,tj) 分別表示第i個(gè)子載波的tj時(shí)刻的CSI的幅值和相位[5]。

1.2 近似熵

近似熵是衡量時(shí)間序列復(fù)雜性的指標(biāo)，較小的近似熵值代表時(shí)間序列的復(fù)雜性也較小[6]。近似熵不僅適用于隨機(jī)信號(hào)，而且還適用于確定性信號(hào)和數(shù)據(jù)點(diǎn)較少的信號(hào)，并且具有良好的抗噪聲干擾能力。

20世紀(jì)90年代初，Pincus提出了近似熵的概念，即一種用于動(dòng)力系統(tǒng)的復(fù)雜性度量[7]。近似熵的計(jì)算過(guò)程如下：

步驟1 設(shè)采集的信號(hào)是一個(gè)等時(shí)間間隔的M維時(shí)間序列，可以將該時(shí)間序列分割成M-m+1個(gè)m維的向量U(i)， 具體表示如下

U(i)=[u(i),u(i+1),…,u(i+m-1)]

(4)

其中，i=1,…,M-m+1。

步驟2 針對(duì)每一個(gè)U(i)， 計(jì)算U(i) 和U(j) 之間的距離如下

(5)

其中，j=1,…,M-m+1。

步驟3 為每一個(gè)U(i) 統(tǒng)計(jì)d[U(i),U(j)]

(6)

其中，r是給定的一個(gè)閾值，是一個(gè)實(shí)數(shù)； NUM(d[U(i),U(j)]

(7)

步驟5 將維數(shù)m變?yōu)閙+1，重復(fù)步驟1～步驟4，計(jì)算出Cm+1(r)， 然后可計(jì)算近似熵如下

ApEn(m,r)=Cm(r)-Cm+1(r)

(8)

上述經(jīng)典的近似熵計(jì)算步驟中，存在重復(fù)的計(jì)算，使得計(jì)算效率較低。文獻(xiàn)[8]給出的快速近似熵算法可將計(jì)算速度提高到經(jīng)典計(jì)算方法的5倍左右，具體介紹如下：

步驟1 根據(jù)等時(shí)間間隔的M維時(shí)間序列，構(gòu)建一個(gè)M×M維的距離矩陣D，D的第i行第j列元素dij可計(jì)算如下

(9)

其中，i=1,…,M，j=1,…,M。

(10)

步驟3 按照式(7)計(jì)算Cm(r) 和Cm+1(r)， 然后按照式(8)計(jì)算近似熵。

近似熵的值與m和r的取值有關(guān)，一般情況下，取m為2或3，取r為0.1×std(u(h)) 到0.25×std(u(h))， 其中h=1,…,M； std(u(h)) 表示序列u(h) 的標(biāo)準(zhǔn)差。本文計(jì)算近似熵采用m=2，r=0.2×std(u(h))。

2 AEGR方法

本文提出的AEGR方法架構(gòu)如圖1所示，主要由采集數(shù)據(jù)、最小近似熵法選子載波、濾波、截取動(dòng)作區(qū)間、提取特征和分類6部分組成。首先采集手勢(shì)動(dòng)作的CSI數(shù)據(jù)；其次采用所提出的最小近似熵法從第二對(duì)天線的30個(gè)子載波中選出最優(yōu)子載波；然后使用小波去噪和中值濾波法對(duì)CSI幅值數(shù)據(jù)進(jìn)行去噪并平滑；接著運(yùn)用極差法截取動(dòng)作區(qū)間，并提取用于分類的8個(gè)特征量；最后利用 RF算法進(jìn)行人體手勢(shì)識(shí)別。

圖1 AEGR方法架構(gòu)

2.1 數(shù)據(jù)采集

本文在進(jìn)行數(shù)據(jù)采集時(shí)，發(fā)射機(jī)端采用一根天線發(fā)送的TP-Link無(wú)線路由器，接收機(jī)端采用一臺(tái)插有Intel 5300無(wú)線網(wǎng)卡(帶有3根接收天線)的臺(tái)式電腦，該電腦安裝了Ubuntu10.04操作系統(tǒng)。WiFi信號(hào)傳輸頻率為2.4 GHz，每根天線接收30個(gè)子載波的CSI數(shù)據(jù)。收發(fā)設(shè)備之間的距離是3 m，且處于同一水平高度。在實(shí)驗(yàn)時(shí)，被測(cè)試人員處于收發(fā)設(shè)備中間位置。

本文將CSI數(shù)據(jù)的幅值信息作為手勢(shì)識(shí)別的依據(jù)，為此我們對(duì)比了同一動(dòng)作3根天線接收的CSI數(shù)據(jù)的幅值，如圖2所示，其中圖2(a)、圖2(b)、圖2(c)分別表示第一根、第二根、第三根天線接收的CSI幅值的不同子載波的變化情況。由圖2可以看出，對(duì)于同一個(gè)動(dòng)作，3根天線接收的CSI幅值相差較大，所以在進(jìn)行手勢(shì)識(shí)別時(shí)，需要根據(jù)不同天線接收的CSI幅值對(duì)動(dòng)作的敏感程度選擇采用哪根天線的CSI數(shù)據(jù)。經(jīng)過(guò)實(shí)驗(yàn)比較，發(fā)現(xiàn)圖2(b)中每條子載波的幅值跨度均較大，說(shuō)明第二根天線接收的CSI幅值的敏感程度較大，所以在后續(xù)實(shí)驗(yàn)中，本文選擇第二根天線接收的CSI數(shù)據(jù)。

圖2 3根天線接收CSI的30個(gè)子載波的幅值對(duì)比

2.2 基于近似熵的子載波選擇

本文將近似熵應(yīng)用于選擇具有較理想CSI數(shù)據(jù)的子載波，所以需要計(jì)算所有30個(gè)子載波CSI幅值的近似熵。每個(gè)子載波受到環(huán)境噪聲的干擾都不同，受環(huán)境噪聲干擾較大的子載波，其CSI幅值序列變化較大、平穩(wěn)性較差。因此，在進(jìn)行子載波選擇時(shí)，我們希望選擇受動(dòng)作影響最大、受噪聲影響最小的子載波，所以需要選擇波形變化規(guī)律性較強(qiáng)、波動(dòng)較平穩(wěn)的子載波，即需要選擇近似熵最小的子載波?；谏鲜龇治?，我們選擇每30個(gè)子載波中近似熵最小的子載波作為后續(xù)待處理的CSI幅值數(shù)據(jù)。圖3(a)顯示了同一天線30個(gè)子載波的近似熵計(jì)算結(jié)果，可見(jiàn)不同子載波的近似熵差別較大，在對(duì)比了每個(gè)子載波的波形變化和其近似熵值后，我們得出如下結(jié)論：近似熵越小，波形越穩(wěn)定，時(shí)間序列的規(guī)律性越強(qiáng)。圖3(b)顯示了同一動(dòng)作中近似熵最大值所對(duì)應(yīng)的動(dòng)作波形，圖3(c)顯示了近似熵最小值所對(duì)應(yīng)的動(dòng)作波形，兩圖對(duì)比可看出圖3(c)中動(dòng)作波形的規(guī)律性更強(qiáng)、平穩(wěn)性更好。本文將其稱為“最小近似熵法”。

2.3 CSI幅值濾波

從圖3可以看出，通過(guò)最小近似熵法獲得的CSI幅值數(shù)據(jù)仍然存在較大噪聲。為了降低噪聲的影響，本文采用了小波去噪結(jié)合中值濾波的方法對(duì)CSI幅值進(jìn)行濾波。

(1)小波去噪

在將CSI幅值數(shù)據(jù)通過(guò)小波變換轉(zhuǎn)換為頻域后，受人體動(dòng)作影響的CSI幅值變化將轉(zhuǎn)換為頻譜中的低頻部分，CSI幅值中的環(huán)境噪聲將轉(zhuǎn)換為頻譜中的高頻部分，因此采用小波去噪的方法可以有效去除CSI幅值中高頻噪聲的干擾，保持CSI幅值中受人體活動(dòng)影響的部分完好無(wú)損[4]。將圖3(c)所示的通過(guò)最小近似熵法獲得的CSI幅值數(shù)據(jù)進(jìn)行小波去噪，去噪后的波形如圖4(a)所示。

圖3 最小近似熵法效果比較

圖4 CSI幅值濾波及動(dòng)作區(qū)間截取圖

(2)中值濾波

中值濾波是將時(shí)間序列中某一點(diǎn)的值設(shè)置為該點(diǎn)的某鄰域窗口內(nèi)所有點(diǎn)的中值，從而過(guò)濾掉序列中的孤立噪聲點(diǎn)[5]的方法。本文在利用小波去噪去除了高頻噪聲后，再利用中值濾波方法消除CSI幅值中的孤立噪聲點(diǎn)和低頻干擾。圖4(b)顯示了圖4(a)曲線經(jīng)過(guò)中值濾波平滑后的CSI幅值。

2.4 動(dòng)作區(qū)間截取

通過(guò)觀察受人體動(dòng)作影響的CSI幅值，我們發(fā)現(xiàn)由于人體動(dòng)作較慢，每個(gè)人體動(dòng)作之間均有較明顯的平穩(wěn)期，即每個(gè)人體動(dòng)作都對(duì)應(yīng)一個(gè)明顯的CSI幅值動(dòng)作區(qū)間，但是每個(gè)動(dòng)作的持續(xù)時(shí)間不同，導(dǎo)致每個(gè)動(dòng)作對(duì)應(yīng)的CSI幅值動(dòng)作區(qū)間的起點(diǎn)和終點(diǎn)也不同，因此需要對(duì)CSI幅值動(dòng)作區(qū)間進(jìn)行截取。設(shè)時(shí)間滑動(dòng)窗長(zhǎng)度為a，令該滑動(dòng)窗在CSI幅值的時(shí)間序列上，以步長(zhǎng)a進(jìn)行滑動(dòng)，分別計(jì)算每個(gè)滑動(dòng)窗的極差，然后選出極差最大的A個(gè)連續(xù)時(shí)間序列作為動(dòng)作區(qū)間。其中滑動(dòng)窗長(zhǎng)度a與CSI幅值的采樣頻率有關(guān)，選取的最大連續(xù)時(shí)間序列的個(gè)數(shù)A與CSI幅值的采樣頻率和動(dòng)作時(shí)長(zhǎng)有關(guān)，在實(shí)際應(yīng)用過(guò)程中，上述兩個(gè)參數(shù)需要通過(guò)實(shí)驗(yàn)進(jìn)行確定。利用本文的動(dòng)作區(qū)間截取方法對(duì)圖4(b)曲線進(jìn)行截取，參數(shù)a和A分別取50和10，得到的結(jié)果如圖4(c)所示。

2.5 特征提取

為了對(duì)人體手勢(shì)動(dòng)作進(jìn)行精確分類，我們從CSI幅值中提取8個(gè)能夠反映CSI幅值變化的統(tǒng)計(jì)量作為分類特征。本文提取的特征包括標(biāo)準(zhǔn)差(STD)、平均絕對(duì)偏差(MAD)、平均值(MEAN)、最大值(MAX)、最小值(MIN)、中位數(shù)(MEDIAN)、極差(RANGE)和均方根(RMS)，共8個(gè)統(tǒng)計(jì)量構(gòu)成人體手勢(shì)識(shí)別的特征向量，見(jiàn)表1。

2.6 分類算法

隨機(jī)森林是一種集成學(xué)習(xí)算法，可用于分類和回歸，它的所有基分類器都由決策樹構(gòu)成。其基本流程如下：使用Bootstrapping抽樣方法獲得多個(gè)訓(xùn)練子集，從所有樣本特征維度中隨機(jī)選取一小部分特征，并基于每一個(gè)訓(xùn)練子集構(gòu)造出一棵決策樹，將所有的決策樹的輸出進(jìn)行投票，最后得到整個(gè)組合分類器的分類決策結(jié)果。隨機(jī)森林引入很多隨機(jī)性來(lái)抑制過(guò)擬合現(xiàn)象，提高了系統(tǒng)的泛化能力，所以它是一種非常優(yōu)秀的組合分類器算法[9]。

表1 動(dòng)作識(shí)別的特征

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)環(huán)境及設(shè)置

我們?cè)诿娣e為10 m×3 m的實(shí)驗(yàn)室內(nèi)進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)室內(nèi)包含桌子、椅子和柜子等物品，實(shí)驗(yàn)場(chǎng)景平面如圖5所示，實(shí)驗(yàn)采用的發(fā)射機(jī)和接收機(jī)設(shè)置如2.1節(jié)所述。一名志愿者在發(fā)射機(jī)和接收機(jī)中間分別做胸前交叉、右手劃圈、雙手下劃和右手劃對(duì)號(hào)4個(gè)手勢(shì)動(dòng)作，每個(gè)動(dòng)作采集40個(gè)樣本，采樣頻率為1000 Hz。在實(shí)驗(yàn)過(guò)程中，我們選擇1/2的樣本進(jìn)行訓(xùn)練，選擇剩余1/2的樣本進(jìn)行測(cè)試。為了驗(yàn)證本文AEGR方法的有效性，我們選擇了RF分類算法、SVM(support vector machines)[10]分類算法和DTW-KNN(dynamic time warping，k nearest neighbors)分類算法[11]，對(duì)手勢(shì)動(dòng)作進(jìn)行識(shí)別對(duì)比。

圖5 實(shí)驗(yàn)場(chǎng)景平面

3.2 子載波選擇方法分析

為了驗(yàn)證本文提出的最小近似熵法對(duì)子載波選擇的效果，我們?cè)贏EGR方法中分別采用4種子載波選擇方法進(jìn)行實(shí)驗(yàn)，然后再將AEGR方法中的分類方法替換為SVM分類算法，重復(fù)上述實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖6所示。其中4種子載波選擇方法分別為：選擇第一個(gè)子載波；基于方差選擇子載波；30條子載波均值法[12]；選擇最小近似熵的子載波。上述4種子載波選擇方法在圖6中分別用A、B、C、D表示。從圖6可以看出，方差選子載波法和最小近似熵法對(duì)應(yīng)的實(shí)驗(yàn)結(jié)果，具有較高的識(shí)別準(zhǔn)確率，此兩種子載波選擇方法與RF分類算法的組合方法的識(shí)別準(zhǔn)確率分別為97.5%和98.75%，與SVM分類算法的組合方法的識(shí)別準(zhǔn)確率分別為96.25%和97.5%。因此，通過(guò)比較可知，采用最小近似熵法進(jìn)行子載波選擇的手勢(shì)識(shí)別方法具有最好的識(shí)別效果。

圖6 4種子載波選擇方法的對(duì)比

3.3 近似熵與方差選子載波方法的穩(wěn)定性分析

上述4種子載波選擇方法中，最小近似熵法與方差選子載波法的準(zhǔn)確率相近，且國(guó)內(nèi)外學(xué)者們最常用的選子載波法就是方差法，所以我們對(duì)這兩種方法進(jìn)行了比較。文獻(xiàn)[6]對(duì)比分析了近似熵與方差的性能優(yōu)劣，得出了近似熵比方差抗瞬態(tài)大干擾能力強(qiáng)的特點(diǎn)。在我們采集的CSI數(shù)據(jù)中，不確定的尖端噪聲會(huì)經(jīng)常出現(xiàn)，所以對(duì)比分析原始子載波與增加尖端噪聲子載波的近似熵和方差的變化是非常必要的。設(shè)加入的隨機(jī)尖端噪聲的個(gè)數(shù)分別為3、7、10、14、17、21、24和28，噪聲幅度為10，由于加入的尖端噪聲是隨機(jī)的，所以我們?nèi)?次實(shí)驗(yàn)的平均值作為最終結(jié)果。近似熵和方差的變化趨勢(shì)如圖7所示?？梢?jiàn)當(dāng)加入不同的隨機(jī)尖端噪聲時(shí)，近似熵的變化趨于穩(wěn)定，方差則呈上升的變化趨勢(shì)。也就是說(shuō)，近似熵抗隨機(jī)尖端噪聲的能力較強(qiáng)，方差則較弱。

圖7 近似熵與方差的穩(wěn)定性對(duì)比

3.4 動(dòng)作區(qū)間截取參數(shù)分析

本文實(shí)驗(yàn)中，CSI數(shù)據(jù)的采樣頻率為1000 Hz，由于人體動(dòng)作速度較慢，所以我們選擇時(shí)間滑動(dòng)窗長(zhǎng)度a為50，即50個(gè)采樣點(diǎn)。由于本文識(shí)別的人體手勢(shì)動(dòng)作的時(shí)長(zhǎng)大概為0.5 s～1 s，所以我們?cè)O(shè)置連續(xù)時(shí)間序列個(gè)數(shù)A分別為8、9、10、11和12[13]，對(duì)比RF、SVM和DTW-KNN分類算法的識(shí)別準(zhǔn)確率，實(shí)驗(yàn)結(jié)果如圖8所示。從圖8可以看出，RF和SVM分類算法在A為10時(shí)，DTW-KNN分類算法在A為9時(shí)，能夠獲得最高的識(shí)別準(zhǔn)確率；3種分類算法相比，RF分類算法具有最好的性能。

圖8 連續(xù)時(shí)間序列個(gè)數(shù)A的分析

3.5 特征數(shù)量對(duì)比分析

本文采用反映CSI幅值變化的8個(gè)統(tǒng)計(jì)量作為分類特征，為了驗(yàn)證其合理性，我們對(duì)比了不同數(shù)量特征對(duì)手勢(shì)識(shí)別方法準(zhǔn)確率的影響[14]。我們分別取表1的前5、6、7、8個(gè)特征，并分別結(jié)合RF和SVM分類算法，對(duì)比動(dòng)作識(shí)別準(zhǔn)確率，實(shí)驗(yàn)結(jié)果如圖9所示。從圖9可以看出，隨著特征數(shù)量的增多，RF分類算法的準(zhǔn)確率不變，一直為98.75%，而SVM分類算法的準(zhǔn)確率呈上升趨勢(shì)。當(dāng)特征數(shù)量為8個(gè)時(shí)，RF和SVM分類算法的準(zhǔn)確率均為最高，分別可達(dá)98.75%和97.5%，所以本文的AEGR方法選擇了表1中的8個(gè)特征。

圖9 特征數(shù)量的對(duì)比分析

3.6 分類算法對(duì)比分析

為了選出較優(yōu)的分類算法，我們將本文采用的RF分類算法與SVM和DTW-KNN兩種分類算法進(jìn)行了對(duì)比分析，實(shí)驗(yàn)結(jié)果如圖10所示。從圖10可以看出，RF分類算法對(duì)4個(gè)動(dòng)作的識(shí)別準(zhǔn)確率均最高，且對(duì)每個(gè)動(dòng)作的分類準(zhǔn)確率均保持在95%以上。因此，通過(guò)對(duì)比可以看出，RF分類算法的性能優(yōu)于SVM和DTW-KNN這兩種分類算法。

圖10 3種分類算法對(duì)比分析

3.7 AEGR方法性能分析

應(yīng)用上述分析的最優(yōu)方法和參數(shù)，我們對(duì)AEGR方法的性能進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果見(jiàn)表2。在表2中，對(duì)角線上的數(shù)據(jù)為每一種手勢(shì)動(dòng)作的識(shí)別準(zhǔn)確率，除了對(duì)角線上數(shù)據(jù)的每一行數(shù)據(jù)為該行手勢(shì)動(dòng)作的錯(cuò)誤識(shí)別率。如3.1節(jié)所述，實(shí)驗(yàn)樣本共160個(gè)，測(cè)試樣本共80個(gè)，采用AEGR方法正確識(shí)別了79個(gè)樣本，識(shí)別準(zhǔn)確率達(dá)到98.75%，其中‘胸前交叉、右手劃圈和右手劃對(duì)號(hào)’手勢(shì)動(dòng)作的識(shí)別準(zhǔn)確率最高，均為100%，剩余一個(gè)動(dòng)作的識(shí)別準(zhǔn)確率為95%。由表2可見(jiàn)，本文提出的AEGR方法獲得了較好的手勢(shì)動(dòng)作識(shí)別性能。

表2 AEGR方法的實(shí)驗(yàn)結(jié)果/%

4 結(jié)束語(yǔ)

現(xiàn)有基于CSI的人體手勢(shì)識(shí)別方法往往忽略了對(duì)子載波選擇和動(dòng)作區(qū)間截取的深入研究，使得動(dòng)作識(shí)別精度仍有較大的提高空間。針對(duì)上述問(wèn)題，本文提出了一種新穎的人體手勢(shì)動(dòng)作識(shí)別(AEGR)方法，該方法采用提出的最小近似熵法對(duì)子載波進(jìn)行選擇，采用提出的滑動(dòng)窗極差法對(duì)動(dòng)作區(qū)間進(jìn)行截取。大量的實(shí)驗(yàn)和分析結(jié)果表明，當(dāng)使用最小近似熵法，并采用本文的8個(gè)特征量時(shí)，AEGR方法的識(shí)別準(zhǔn)確率可達(dá)98.75%。在未來(lái)的工作中，我們將增加數(shù)據(jù)樣本量，進(jìn)一步驗(yàn)證AEGR方法的性能；還將測(cè)試更多更復(fù)雜的手勢(shì)動(dòng)作，不斷擴(kuò)大AEGR方法的適用范圍。