唐智靈 楊愛文

(桂林電子科技大學(xué)信息與通信學(xué)院 廣西 桂林 541004)

0 引 言

針對人員的身份識別問題，如何以更便攜的方式獲取更準(zhǔn)確的識別精度成為當(dāng)前研究的熱點?，F(xiàn)有的研究利用可穿戴傳感器[1]、攝像頭[2]、人體鞏膜特征[3]等實現(xiàn)身份識別，這些方法存在設(shè)備昂貴、不易攜帶、靈活性差等問題。隨著無線產(chǎn)業(yè)的發(fā)展，利用無線信號以無設(shè)備的方式實現(xiàn)身份感知正發(fā)展為一種新興技術(shù)。當(dāng)一個人在無線網(wǎng)絡(luò)附近時，將會對周圍的無線信號產(chǎn)生影響，對信號產(chǎn)生的影響進(jìn)行深入分析可以獲取有用的信息，例如人的活動信息[4]、跌倒檢測[5]，甚至生理特征。已有研究利用Wi-Fi信道狀態(tài)信息以無設(shè)備的方式實現(xiàn)用戶身份識別。文獻(xiàn)[6]利用帶低濾波器和峰谷檢測算法獲取CSI中人員每一步的波形特性，通過決策樹分類器實現(xiàn)身份分類識別。文獻(xiàn)[7]利用主成分分析法PCA(Principal Components Analysis)和離散小波變換DWT(Discrete Wavelet Transform)壓縮CSI波形特征，通過K近鄰算法實現(xiàn)身份分類識別。文獻(xiàn)[8]利用PCA和隱形馬爾可夫模型對CSI特征進(jìn)行初步分類，通過支持向量機(jī)實現(xiàn)身份分類識別。文獻(xiàn)[9]利用PCA和低通濾波器獲取CSI特征，通過支持向量機(jī)實現(xiàn)身份分類識別。但上述使用機(jī)器學(xué)習(xí)分類器的身份識別方法在數(shù)據(jù)預(yù)處理階段需要手動提取CSI的波形特征，操作復(fù)雜并且無法細(xì)膩地提取射頻信號中隱含的生物特征代表性模式，這些方法只能在2～10人中實現(xiàn)最高93%的身份識別率。隨著深度神經(jīng)網(wǎng)絡(luò)的快速發(fā)展，深度神經(jīng)網(wǎng)絡(luò)不但可以處理更加龐大的樣本數(shù)量，其強大的特征提取能力在模式識別方面也表現(xiàn)良好。先進(jìn)的研究利用PCA算法獲取CSI波形前354個特征向量作為人員身份特征，通過23層卷積神經(jīng)網(wǎng)絡(luò)CNN(Convolutional Neural Network)實現(xiàn)人員身份特征提取和識別[10]，可在大樣本24個人中實現(xiàn)89.9%的身份識別精度。該方法使用卷積神經(jīng)網(wǎng)絡(luò)雖然可以自動提取樣本的空間特征，但卷積神經(jīng)網(wǎng)絡(luò)具有平移不變性，會將CSI時間序列中不同位置的相同特征視為同種步態(tài)特征，其并未考慮不同步態(tài)特征發(fā)生的先后順序。CSI數(shù)據(jù)記錄的是某段時間內(nèi)人體活動對無線信號的擾動，其樣本特征與時間有關(guān)，所以單單使用卷積神經(jīng)網(wǎng)絡(luò)無法充分提取CSI中隱藏的生物表示特征。

為了有效解決現(xiàn)有研究存在的特征提取操作復(fù)雜和特征提取不足的問題，本文提出一種基于并行空時深度網(wǎng)絡(luò)的身份識別方法。首先使用鄰式均值插補對采集到CSI樣本進(jìn)行校準(zhǔn)，然后使用小波變換提取CSI樣本中由于人員步態(tài)誘發(fā)的射頻特征，最后設(shè)計了一個稱為WiD的并行深度學(xué)習(xí)模型。該模型將卷積神經(jīng)網(wǎng)絡(luò)與雙向長短期記憶網(wǎng)絡(luò)相結(jié)合，自動從預(yù)處理后的CSI樣本中提取人員步態(tài)特征大小及發(fā)生的先后順序，融合兩種步態(tài)特征細(xì)膩地表示人員身份特征。實驗結(jié)果表明，在未明顯增加時間代價和空間代價的前提下，該方法可以在30個人中達(dá)到最高98.7%的身份識別精度。

1 信道狀態(tài)信息

信道狀態(tài)信息(CSI)是在正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing，OFDM)技術(shù)中作為對信道狀態(tài)的估計。隨著Wi-Fi采用OFDM技術(shù)，幾乎在所有的Wi-Fi設(shè)備上都有獲取到CSI信息的潛力。對于每一條天線鏈路的每一個子載波具有相應(yīng)的CSI值對應(yīng)。假設(shè)發(fā)送端天線數(shù)目為Nt，接收端天線數(shù)目為Nr，子載波個數(shù)為m，那么每一次接收都能獲得一個大小為Nr×Nt×m的CSI矩陣。該CSI矩陣描述了無線信號如何從發(fā)送設(shè)備到達(dá)接收設(shè)備，CSI中的子載波包含了不同天線對在傳輸時的幅值和相位信息，其記錄了無線信號在空間傳輸?shù)纳⑸?、衰落、功率衰減與距離、陰影等信息，可由如下模型表示：

y=Hx+n

(1)

式中：y為接收端信號；x為發(fā)送端信號；H為信道矩陣；n為噪聲向量。噪聲可以表示為n∈N(0,S)，所以可以估計出：

(2)

信道狀態(tài)信息就是對H的估計，對于第K個子載波，CSI可以表示為：

(3)

2 基于并行特征提取的WiD模型

WiD模型包括空間特征提取分支和時間特征提取分支，它的結(jié)構(gòu)如圖1所示。WiD模型的空間特征提取分支先使用像素轉(zhuǎn)置卷積網(wǎng)絡(luò)Pconv1D(pixel transposed convolutional network)[11]對CSI時間序列樣本進(jìn)行像素級特征學(xué)習(xí)，同時建立輸出映射與相鄰元素的依賴關(guān)系，最后使用卷積神經(jīng)網(wǎng)絡(luò)對像素轉(zhuǎn)置卷積的輸出進(jìn)行空間特征提取。WiD模型的時間特征提取分支使用BiLSTM來對CSI時間序列進(jìn)行雙向特征學(xué)習(xí)，這將充分挖掘CSI數(shù)據(jù)中人員動作的前后信息來描述身份特征。通過提取CSI數(shù)據(jù)中包含的空間特征表示和時間特征表示，將其結(jié)合到一起可以更細(xì)膩地描述人員的生物特征表示。

圖1 WiD模型構(gòu)架

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理包括鄰式均值插補、小波去噪、數(shù)據(jù)標(biāo)準(zhǔn)化三部分。通過數(shù)據(jù)預(yù)處理對測量的CSI數(shù)據(jù)進(jìn)行缺失值插補并去除環(huán)境噪聲，最后將CSI數(shù)據(jù)規(guī)范成深度學(xué)習(xí)網(wǎng)絡(luò)方便處理的類型。

2.1.1鄰式均值插補

2.1.2小波去噪

在復(fù)雜的室內(nèi)環(huán)境中，原始CSI數(shù)據(jù)中存在許多噪聲。其他射頻設(shè)備的干擾、多徑效應(yīng)和傳輸功率的變化等會在CSI數(shù)據(jù)中引入高頻噪聲和突發(fā)噪聲?？紤]到身體各部分運動速度不一樣，傳統(tǒng)的低通濾波器提取則會損失很多細(xì)節(jié)[12]。由于CSI信號是非平穩(wěn)信號，它是時間上的離散采樣信號，所以本文使用DWT來分解CSI中不同尺度的信號，提取人員活動的低頻信息。小波變換將數(shù)據(jù)信息集中在較大的小波系數(shù)中，將噪聲信息集中在較小的小波系數(shù)中。本文采用離散小波變換對在Donoho等[13]的通用閾值和級別為3的水平相關(guān)閾值下對每個CSI樣本進(jìn)行去噪。沒有人員入侵時的CSI波形如圖2所示，有人員入侵時的CSI幅值和頻譜圖如圖3所示，小波變換后的CSI幅值和頻譜圖如圖4所示。

圖2 沒有人員入侵時的CSI子載波幅值

(a) 小波變換前的波形圖

(a) 小波變換后的波形圖

由圖3和圖4可知小波去噪前的波形頻率最高達(dá)到3 000～4 000 Hz，存在大量的環(huán)境噪聲，小波變換后的波形頻率在500 Hz以內(nèi)，表示人員行走的正常頻率[12]。

2.1.3數(shù)據(jù)標(biāo)準(zhǔn)化

因為同一個特征在不同樣本中的取值可能相差大，所以一些異常小或異常大的數(shù)據(jù)會誤導(dǎo)模型的正確訓(xùn)練，如果數(shù)據(jù)的分布很分散也會影響訓(xùn)練結(jié)果。這都會造成較大的方差，本文使用機(jī)器學(xué)習(xí)的StandardScaler函數(shù)對樣本進(jìn)行基于特征值的均值和標(biāo)準(zhǔn)差的數(shù)據(jù)標(biāo)準(zhǔn)化，即轉(zhuǎn)換為均值為0、標(biāo)準(zhǔn)差為1的正態(tài)分布。它的計算公式為：

(4)

式中：XST表示標(biāo)準(zhǔn)化后的數(shù)據(jù)；Xi表示第i個樣本數(shù)據(jù)；μ表示樣本的均值；σ表示樣本的標(biāo)準(zhǔn)差。將數(shù)據(jù)轉(zhuǎn)換為正態(tài)分布不僅可以消除CSI環(huán)境中的靜態(tài)信息，還可以減少培訓(xùn)時間、提高模型性能。

2.2 空間特征提取分支

空間特征提取分支包含像素轉(zhuǎn)置卷積網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)。像素轉(zhuǎn)置卷積層可以對數(shù)據(jù)進(jìn)行像素級別的特征表示同時建立與相鄰元素的依賴關(guān)系[11]，這將充分挖掘預(yù)處理后CSI數(shù)據(jù)間存在的隱藏時間關(guān)系。像素轉(zhuǎn)置卷積層順序生成中間特征圖，即后續(xù)生成的中間特征映射需要依賴于先前生成的映射，這使它能夠加強中間特征圖之間的依賴關(guān)系，從而在最終輸出特征圖中添加相鄰像素之間的依賴關(guān)系。最終輸出特征圖時中間特征圖的組合形式，其公式表達(dá)為：

F1=Fin*k1

F2=[Fin,F1]*k2

Fi=[Fin,F1,F2，…,Fi-1]*ki

Fn=[Fin,F1,F2，…,Fi,…,Fn-1]*kn

Fout=F1⊕F2…⊕Fi…⊕Fn

(5)

式中：Fin代表輸入數(shù)據(jù)；Fout代表輸出特征映射，*表示卷積運算；[·,·]表示像素的并置；ki(i=1,2,…,n)表示一組卷積內(nèi)核；⊕表示對每個像素的特征映射進(jìn)行周期性的打亂和組合運算；Fi(i=1,2,…,n)是由對應(yīng)的卷積核ki生成的中間特征圖。

通過CNN對像素轉(zhuǎn)置卷積輸出的特征映射進(jìn)行學(xué)習(xí)，每層CNN中間都使用最大池化層(Maxpool)和損失層(Dropout)，并在ReLU非線性激活函數(shù)前使用批量正則化層BN(Batch Normalization)對樣本進(jìn)行批量正則化操作，最后通過全局平均池化(Global_Average_Pooling)輸出一維數(shù)據(jù)。BN層讓深度學(xué)習(xí)模型在訓(xùn)練過程中使得每一層神經(jīng)網(wǎng)絡(luò)的輸出保持相同分布，這樣可以避免梯度消失并且加快訓(xùn)練速度。樣本經(jīng)過該分支學(xué)習(xí)后得到的CSI特征表示如下：

F=[F1,F2，…,Fi,…,F128]

(6)

式中：F代表卷積網(wǎng)絡(luò)層的輸出；Fi代表空間特征。

2.3 時間特征提取分支

由于LSTM模型只能正向處理CSI數(shù)據(jù)，而CSI數(shù)據(jù)中未來的信息對于確定步態(tài)的先后順序也至關(guān)重要。例如左腿和右腿邁出的步伐都會被識別為特征，但兩種特征的最終位置是不同的，因此本方法利用雙向長短期記憶網(wǎng)絡(luò)BiLSTM(Bidirectional Long-Short-Term Memory Network)從CSI中學(xué)習(xí)有效步態(tài)特征。BiLSTM由兩層LSTM組成，它包含前向傳播層和后向傳播層如圖5所示。

圖5 雙向LSTM網(wǎng)絡(luò)結(jié)構(gòu)

(7)

BiLSTM網(wǎng)絡(luò)可以在前向和后向上處理CSI序列，從而產(chǎn)生更豐富的動作特征，這將給更重要的特征和時間步長分配更大的權(quán)重，并為人類活動識別提供更優(yōu)異的性能。利用BiLSTM網(wǎng)絡(luò)，CSI序列的過去和未來依賴的信息都被認(rèn)為是用于識別人類活動序列的信息。樣本經(jīng)過該分支學(xué)習(xí)后得到的CSI特征表示如下：

B=[B1,B2,…,Bi,…,B256]

(8)

式中：B代表BiLSTM網(wǎng)絡(luò)的輸出；Bi代表時間特征信息。

2.4 模型輸出

空間特征提取分支對CSI數(shù)據(jù)提取的特征表示為F=[F1,F2,…,F128],時間特征提取分支對CSI數(shù)據(jù)學(xué)習(xí)后得到的特征表示為B=[B1,B2,…,B256]。Concat層將特征表示F和特征表示B聯(lián)合起來表示為:

E=[F1,F2,…,F128,B1,B2,…,B256]

(9)

具體網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 模型輸出網(wǎng)絡(luò)

(10)

式中：Z表示輸入向量的元素；D表示輸入向量元素的總數(shù)。

具有最大概率值的dmax就是第i個CSI樣本的預(yù)測類，其表示為：

(11)

上述分類器稱為Softmax分類器。WiD模型訓(xùn)練數(shù)據(jù)后通過最小化交叉熵?fù)p失函數(shù)(categorical_crossentropy)來最大化其分類精度，表示為：

(12)

式中：當(dāng)且僅當(dāng)?shù)趇個樣本屬于d類時tid為1；N為每批次訓(xùn)練的樣本個數(shù)。

3 實 驗

3.1 實驗環(huán)境

本文采用Intel 5300無線網(wǎng)卡作為工控板的數(shù)據(jù)接收器，TP-Link路由器作為數(shù)據(jù)發(fā)送器，其中發(fā)射天線(Nt)和接收天線(Nr)的個數(shù)都為1。實驗所用的Intel 5300無線網(wǎng)卡有三個通道寬度，我們獲得30個子載波信息，所以實驗獲得CSI矩陣大小為1×1×30。實驗環(huán)境為典型的室內(nèi)實驗環(huán)境，Nt和Nr在視距條件下相距2 m，采樣頻率為1 000 Hz，采樣時間為3 s，每次獲得的子載波序列長度為3 000。實驗人員從A走到B，記錄下CSI數(shù)據(jù)后開始下一次實驗，實驗場景如圖7所示。

(a) CSI數(shù)據(jù)采集環(huán)境 (b) 數(shù)據(jù)采集環(huán)境細(xì)節(jié)圖7 實驗場景

3.2 數(shù)據(jù)收集和訓(xùn)練細(xì)節(jié)

數(shù)據(jù)集包括30個人，每個人采集45個實驗樣本，每個實驗樣本的CSI矩陣大小為(3 000，30)。本實驗將CSI矩陣的每列子載波作為一個樣本，所以每人45個樣本擴(kuò)展成為1 350個樣本，30個人一共獲得40 500組樣本實例，每個樣本大小為(3 000，1)。

樣本數(shù)據(jù)中70%劃分為訓(xùn)練數(shù)據(jù)集，30%為驗證數(shù)據(jù)集。由于數(shù)據(jù)樣本較多，Dropout層參數(shù)設(shè)置為0.6，即每個Dropout層要丟棄60%的神經(jīng)元。實驗在模型編譯時使用amsgrad優(yōu)化算法[14]，因為amsgrad可以優(yōu)化Adam后期不收斂問題，而且可以快速接近SGD的收斂值。模型每個訓(xùn)練批次樣本數(shù)為128，訓(xùn)練了100個批次，采用5折交叉驗證。

3.3 仿真結(jié)果與討論

為了展示本文方法在處理CSI樣本上的優(yōu)異性，實驗對比了文獻(xiàn)[10]中使用的CNN特征提取方法與本文方法在處理相同數(shù)據(jù)上的識別精度與模型復(fù)雜度。

3.3.1識別精度

訓(xùn)練準(zhǔn)確度和測試準(zhǔn)確度是衡量模型優(yōu)異性的兩個基本評估指標(biāo)，訓(xùn)練準(zhǔn)確度是訓(xùn)練集中樣本的正確預(yù)測百分比。測試準(zhǔn)確度來自樣本測試集的正確識別率，但測試集不能用于更新模型的權(quán)重，這使測試準(zhǔn)確度能夠衡量模型在處理未知數(shù)據(jù)的性能。

(13)

(14)

由圖8可知，兩種模型在測試集上都達(dá)到了100%的識別精度，但CNN模型在訓(xùn)練集上只達(dá)到了93.2%的識別精度，WiD模型在訓(xùn)練集上達(dá)到了98.7%的識別精度。因為CNN模型只能提取CSI樣本中人員步態(tài)的空間特征信息，不同位置相同大小的步態(tài)特征會被CNN認(rèn)為是同種特征。WiD模型可利用CNN分支提取人員的步態(tài)大小，利用BiLSTM分支提取不同大小的步態(tài)發(fā)生的先后順序，從而獲取更細(xì)膩的步態(tài)特征表示。

圖8 模型識別精度對比

3.3.2損失函數(shù)

損失函數(shù)是用來估量模型的預(yù)測值與真實值的不一致程度，是衡量模型魯棒性的指標(biāo)，損失函數(shù)越小表明模型的魯棒性越好。

由圖9可知，CNN模型在訓(xùn)練40批次左右時基本收斂，WiD模型在訓(xùn)練30批次左右時基本收斂，說明WiD模型有更好的魯棒性。

圖9 模型損失函數(shù)對比

3.3.3時間和空間代價

實驗在Linux 18.04系統(tǒng)上使用Python框架下的memory_profiler方法對比了兩種方法在處理相同數(shù)據(jù)集上的時間代價和空間代價，其中系統(tǒng)顯卡配置為1060-6 GB，4 GB運行內(nèi)存，具體對比如圖10所示。

(a) CNN方法空間時間代價(b) WiD方法空間時間代價圖10 空間時間代價對比

可以看出，基于CNN的特征提取方法的最大時間復(fù)雜度約為1 426 s，最大空間復(fù)雜度約為2 061 MB；基于WiD的特征提取方法的最大時間復(fù)雜度約為1 646 s，最大空間復(fù)雜度約為2 210 MB。本文方法相比于CNN特征提取方法，空間復(fù)雜度增加7.2%，時間復(fù)雜度增加15.4%。因為WiD模型使用并行網(wǎng)絡(luò)進(jìn)行特征提取，樣本需要同時在兩個分支進(jìn)行訓(xùn)練，再融合不同分支的特征表示人員步態(tài)特征，而CNN模型使用串行網(wǎng)絡(luò)訓(xùn)練樣本，時間與空間代價相對較低。

3.3.4混淆矩陣

混淆矩陣用于更好地了解模型在對特定類別的數(shù)據(jù)進(jìn)行分類時的優(yōu)異程度?；煜仃嚢膫€度量真陽性(TP)、真陰性(TN)、假陽性(FP)和假陰性(FN)。其中，TP是預(yù)測為正例的正樣本數(shù)量；TN是預(yù)測為反例的負(fù)樣本數(shù)量；FP是預(yù)測為正例的負(fù)樣本數(shù)量；FN是預(yù)測為反例的正樣本數(shù)量。混淆矩陣的對角線表示正確識別率，上三角區(qū)域和下三角區(qū)域表示錯誤識別率。

圖11展示了WiD模型生成的混淆矩陣，右側(cè)條狀柱從下到上顏色逐漸加深，顏色越深表示預(yù)測標(biāo)簽的準(zhǔn)確度越大。在混淆矩陣中，30個人的步態(tài)樣本表示為Pi，其中i∈1,2,…,30。主對角線大部分趨向于1，上三角區(qū)域和下三角區(qū)域只出現(xiàn)少數(shù)識別誤差，表明模型具有良好的識別精度。

圖11 混淆矩陣

4 結(jié) 語

本文改進(jìn)現(xiàn)有身份識別方法存在的不足，提出基于并行空時深度網(wǎng)絡(luò)的無設(shè)備身份識別方法。該方法采用一系列數(shù)據(jù)預(yù)處理方案，對嘈雜和錯誤的CSI數(shù)據(jù)樣本進(jìn)行校準(zhǔn)和去噪，提取人員步態(tài)誘發(fā)的射頻特征。然后利用空時深度神經(jīng)網(wǎng)絡(luò)WiD充分感知人員動作出現(xiàn)的時間和大小，并將兩者結(jié)合作為人員身份的細(xì)膩特征表示。與現(xiàn)有的身份識別方法相比，在未明顯提升模型時間和空間代價的條件下，本文方法獲取了更高的識別精度和模型魯棒性。但本實驗只考慮了單個實驗環(huán)境的身份識別，在后續(xù)的工作中將探究不同環(huán)境下的不同生物特征(如身高、體脂率、含骨率等)對Wi-Fi身份識別的影響，進(jìn)一步提高該模型的魯棒性及實用性。