欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021111815218
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于信道状态信息呼吸感知的人员身份识别方法,其特征在于:所述方法包括如下步骤:步骤1:在室内环境中采集人员呼吸时对应的无线信号数据,从中提取到CSI原始数据;

步骤2:对步骤1中采集到的CSI原始数据,进行数据预处理,包括数据插值、数据去噪、数据提取;

步骤3:对步骤2中预处理的数据,建立CSI_Ratio模型,通过离散小波变换、子载波选择和呼吸速率估计进行组合,来实现呼吸数据段的波峰和波谷的提取,从而提取人员的呼吸特征,生成对应的人员呼吸标识;

步骤3具体步骤为:

步骤3‑1:对数据进行CSI‑Ratio操作;原始CSI数据表示为:

其中||Hk(f,t)||和∠Hk(f,t)分别表示CSI数据的振幅和相位;由于原始CSI数据会包含大量的相位偏移和直流成分的影响,因此通过对不同天线的CSI序列进行CSI_Ratio操作,得到CSI_Ratio:其中, 为两个天线振幅的比,Δθ为两个天线CSI的相位差,CSI_Ratio反应无线信号的变化;

步骤3‑2:对步骤3‑1的CSI_Ratio数据进行离散小波变换DWT,提取数据特征;正常人的呼吸速率为10‑37Bpm,对应的信号频率为0.1667Hz~0.6167Hz,因此通过离散小波变换完成对数据部分的提取;在使用离散小波变换时,数据被分解为高频成分和低通向量;由于步骤3中对数据降采样为20Hz,因此在进行离散小波变换时采用Daubechies(DB)小波,层数为

4,从而提取出[0Hz,0.625Hz]的信号成分;

步骤3‑3:子载波选择方法;首先,对提取到的每个子载波进行归一化,同时计算30个子T载波A=(A1,A2,…,A30)的相关系数矩阵,来判断任意两个子载波之间的相关性:其次,将每个相关矩阵中的负值设为0,从而降低不相关子载波的影响;最后,对每个相关矩阵进行求和,选取30个子载波中值最大的5个,作为最后候选子载波;

步骤3‑4:呼吸速率的估计;对于得到的呼吸子载波进行寻峰,找出对应的波峰和波谷值,通过使用Find Peaks算法寻找到数据段的波峰和波谷点;对存在的假峰数据进行消除;

通过消除假峰提取出正确的波峰和波谷数据,即可完成呼吸速率的估计和呼吸深度的计算:其中BPM为呼吸速率,Breath_Depth为呼吸深度,Loc1是波峰的位置,Loc2是与波峰相对应的波谷的位置,Value1是波峰对应的值,Value2是波谷对应的值,resample_rate是数据采样率;

由于存在多组收发天线,结合其存在的多输入多输出的MIMO系统,进一步得到最终的呼吸速率和呼吸深度数据,其计算为:其中s为进行子载波选择后的子载波个数,a与b分别是收发天线的个数;

步骤3‑5:呼吸标识的生成;在步骤3‑4中提取到人员呼吸的真实波峰和波谷值,通过将波峰和波谷的数据段取出;将不同波峰和波谷之间间距的平均值作为基础长度,不同的分段按照其基本长度进行采样或插值;然后计算所有呼吸数据波峰和波谷段的均值作为呼吸标识单元;为了增强不同数据之间的差异度,最终将相同的单元交替反向形成一个10周期的呼吸数据段,作为呼吸标识;

步骤4:对步骤3中生成的呼吸标识,结合WiFi多天线MIMO技术,通过加权多维度动态时间规整方法WMD‑DTW将生成的人员标识与数据库内原有标识进行对比,从而实现人员身份的识别。

2.根据权利要求1所述的一种基于信道状态信息呼吸感知的人员身份识别方法,其特征在于:步骤1具体为:采用的采集设备为装有无线网卡的主机和另一辅助主机构成,每个主机都装有外接天线,对于每个感知的对象,需要人员站在两主机之间进行自然的呼吸行为;为了保证无线传输数据的完整性,两主机之间采用Monitor模式进行无线通信,装有无线网卡的主机作为接收端采集到WiFi信号原始的CSI数据,根据外接天线的个数确定无线网卡中的每个天线采集到的子载波个数,得到对应的三维数据的CSI数据流为3*3*30。

3.根据权利要求1所述的一种基于信道状态信息呼吸感知的人员身份识别方法,其特征在于:步骤2具体步骤为:步骤2‑1:数据插值,由于采用Monitor模式下的数据采集存在0.1%‑0.05%的丢包率,通过线性插值使长度保持为sampling*time;

步骤2‑2:数据去噪,为了去除数据中的异常值,对步骤2‑1中的插值数据进行Savitzky‑Golay去噪,使采集到的数据更加平滑;

步骤2‑3:数据提取,由于人体呼吸速率通常小于1Hz,因此对去噪后的数据进行下采样,新的采样率为20Hz。

4.根据权利要求1所述的一种基于信道状态信息呼吸感知的人员身份识别方法,其特征在于:步骤3‑4中,对存在的假峰数据进行消除的具体步骤为:对于呼吸数据段,删除非局部极值点;对波峰或波谷点进行判断,当其在对应区间内为极大值或极小值则保留,否则删除;删除重复峰值点;当存在多个连续波峰或波谷点时,则仅保留其中最大值或最小值,其余点删除;删除异常间隔点;对所有点进行遍历,当两个点的间隔小于预定义的间隔长度,则将这两个点全部删除;选取起始点和终止点;为了更好地对数据段进行分割,选取起始点为第一个波峰点,终止点为最后一个波谷点,最终完成异常波峰和波谷的删除。

5.根据权利要求1所述的一种基于信道状态信息呼吸感知的人员身份识别方法,其特征在于:步骤4具体步骤为:步骤4‑1:建立一个可区分性估计器,其主要在训练阶段对每个天线的数据完成人员呼吸标识的训练;其通过计算每个天线对应人员呼吸标识的类内距离和类外距离,进而来校正每个天线对之间的权重值,来减少对人体呼吸感知微弱天线的影响;每个天线权值通过如下方式来计算:其中 表示第i个天线对上用户k的第m个BreathID, 表示第i

个天线对上用户l的第n个BreathID,l和k代表第几个用户,m和n代表不同的样本;

步骤4‑2:建立一个失真性估计器,其主要在识别过程中来减少识别数据的失真;在识别过程中,识别用户的呼吸标识被记为New_BreathID,通过计算不同天线对类内和类外不同的DTW平均值,进而来调整识别过程中每个天线对之间的失真性估计器权重值;每个天线对失真性权重值计算如下:其中Dei为计算βi的中间参数,βi为第i个天线对之间的失真性估计器权重值,N为天线对个数;

步骤4‑3:结合可区分性估计器和失真性估计器,来进行用户身份识别;通过结合αi和βi,计算出其相关WMD‑DTW值:通过计算当前用户的呼吸标识New_BreathID与数据库内已有用户的BreathID之间的D值,选取其对应D值最大的用户身份,作为识别用户的身份,从而完成用户的身份识别。