本發(fā)明屬于WiFi感知與室內(nèi)定位技術(shù)領(lǐng)域，具體地涉及一種基于WiFi動作識別技術(shù)，結(jié)合信道狀態(tài)信息(CSI)的頻域特征實現(xiàn)非接觸式計步的方法。

背景技術(shù)：

目前主流的計步方法大多是基于傳感器和視覺的。其中基于傳感器的計步方法通過實時讀取人體所攜帶智能設(shè)備中加速度計的加速度信息和陀螺儀的角度變化信息，識別人在行走時的節(jié)奏特征，并根據(jù)預(yù)先設(shè)定的閾值實現(xiàn)計步功能。由于人在行走過程中，不同身體部位(如，腰部和腿部)的運動速度和運動幅度往往差別較大，而將計步設(shè)備放置在身體不同部位會產(chǎn)生不同的加速度和角度變化信息。特別地，當(dāng)將計步設(shè)備放置在手中不停搖晃時，此類設(shè)備會將搖晃動作識別成走路動作，將搖晃次數(shù)計為腳步數(shù)，進(jìn)而造成“過計數(shù)”。因此，計步的準(zhǔn)確性受設(shè)備放置在人體具體位置的影響較大。另外，當(dāng)行走速度較為緩慢，身體運動幅度較小時，此類計步設(shè)備很難準(zhǔn)確計步。

另一種基于視覺的方法主要通過識別人在行走中其腳在攝像頭拍攝范圍內(nèi)出現(xiàn)和消失的過程來記錄步數(shù)。該類方法雖然克服了基于傳感器計步的準(zhǔn)確性受人體不同部位運動幅度影響的缺點，但其受光照條件的影響較大，很難在黑暗環(huán)境下運作。同時攝像頭的使用存在個人隱私泄漏的風(fēng)險。此外，基于傳感器和視覺的計步方法在計步過程中均要求人隨時攜帶相應(yīng)的硬件設(shè)備，從而一定程度上限制了這些計步方法的應(yīng)用范圍。

隨著WiFi感知技術(shù)的發(fā)展，利用WiFi信號進(jìn)行被動式人員檢測、非接觸式人體動作識別、呼吸檢測和語音竊聽等應(yīng)用系統(tǒng)層出不窮。根據(jù)無線信號的多普勒效應(yīng)和多徑效應(yīng)，在無線網(wǎng)絡(luò)環(huán)境中，運動的人體會改變無線信號的傳播路徑，使得接收信號的振幅和相位發(fā)生變化。通過感知這種變化可以實現(xiàn)對人體各類運動的識別和檢測。另外，利用WiFi信號的信道狀態(tài)信息進(jìn)行室內(nèi)定位也是近幾年研究的熱點，步數(shù)在室內(nèi)定位中是一個重要的參數(shù)，研究如何方便準(zhǔn)確地測量步數(shù)具有很高的實用價值。

技術(shù)實現(xiàn)要素：

針對主流計步方法中存在的技術(shù)問題，本發(fā)明目的是：提供了一種基于WiFi動作識別系統(tǒng)的非接觸式計步方法，無需用戶攜帶任何硬件設(shè)備，對行走動作的信道狀態(tài)信息CSI幅值片段進(jìn)行小波分解，獲得腳部運動所對應(yīng)的細(xì)節(jié)系數(shù)的重構(gòu)信號，計算其短時能量并結(jié)合多載波計算結(jié)果獲得穩(wěn)定的步數(shù)值。

本發(fā)明的技術(shù)方案是：

一種基于WiFi動作識別系統(tǒng)的非接觸式計步方法，其特征在于，包括以下步驟：

S01：通過WiFi動作識別系統(tǒng)得到行走動作的時序CSI幅值片段，處理得到N_v個子載波；

S02：對得到的N_v個子載波的動作片段進(jìn)行小波分解，得到不同頻率范圍的細(xì)節(jié)系數(shù)；

S03：篩選出代表腳部運動引起的CSI振幅變化所在頻率范圍的細(xì)節(jié)系數(shù)，重構(gòu)每個子載波對應(yīng)的細(xì)節(jié)信號，并計算重構(gòu)信號的短時能量；

S04：篩選并統(tǒng)計有效波峰數(shù)，并融合N_v個子載波的統(tǒng)計結(jié)果計算得到穩(wěn)定的步數(shù)值。

優(yōu)選的，所述步驟S01中的行走動作的時序CSI幅值片段為N_s×T維的矩陣，其中N_s為子載波個數(shù)，其數(shù)值與通信帶寬和所選用的采集工具有關(guān)，T為樣本點數(shù)。

優(yōu)選的，所述步驟S01中的處理得到N_v個子載波包括除去該CSI幅值片段的直流成分，濾除高頻噪聲，選擇各子載波的方差較大的N_v個子載波。

優(yōu)選的，所述步驟S04包括將峰寬介于500～1000個采樣點之間，峰高不低于2dB，相鄰兩個波峰之間的間隔不小于0.5秒的波峰作為有效波峰，將有效波峰作為步數(shù)，將N_v個子載波所得步數(shù)的平均值作為步數(shù)值。

本發(fā)明又公開了一種基于WiFi動作識別系統(tǒng)的非接觸式計步系統(tǒng)，其特征在于，包括：

數(shù)據(jù)處理模塊，對WiFi動作識別系統(tǒng)得到的行走動作的時序CSI幅值片段進(jìn)行處理，得到N_v個子載波；

小波分解模塊，對得到的N_v個子載波的動作片段進(jìn)行小波分解，得到不同頻率范圍的細(xì)節(jié)系數(shù)；

短時能量計算模塊，篩選出代表腳部運動引起的CSI振幅變化所在頻率范圍的細(xì)節(jié)系數(shù)，重構(gòu)每個子載波對應(yīng)的細(xì)節(jié)信號，并計算重構(gòu)信號的短時能量；

步數(shù)統(tǒng)計模塊，篩選并統(tǒng)計有效波峰數(shù)，并融合N_v個子載波的統(tǒng)計結(jié)果計算得到穩(wěn)定的步數(shù)值。

優(yōu)選的，所述行走動作的時序CSI幅值片段為N_s×T維的矩陣，其中N_s為子載波個數(shù)，其數(shù)值與通信帶寬和所選用的采集工具有關(guān)，T為樣本點數(shù)。

優(yōu)選的，所述數(shù)據(jù)處理模塊除去該CSI幅值片段的直流成分，濾除其中所包含的高頻噪聲，選擇各子載波的方差較大的N_v個子載波。

優(yōu)選的，所述短時能量計算模塊對重構(gòu)的細(xì)節(jié)信號進(jìn)行加窗處理并分幀，計算每一幀的短時能量。

優(yōu)選的，所述步數(shù)統(tǒng)計模塊將峰寬介于500～1000個采樣點之間，峰高不低于2dB，相鄰兩個波峰之間的間隔不小于0.5秒的波峰作為有效波峰，將有效波峰作為步數(shù)，將N_v個子載波所得步數(shù)的平均值作為步數(shù)值。

與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點是：

(1)不需要用戶攜帶任何計步設(shè)備，根據(jù)WiFi信號的多徑傳播模型，感知人體行走時腳部運動對WiFi信號CSI振幅造成的影響，進(jìn)而以非接觸的方式計算人體行走步數(shù)。

(2)計步結(jié)果主要反映了腳部的運動情況，不易受到身體其他部位的影響，計步結(jié)果比傳統(tǒng)計步方法穩(wěn)定，不易產(chǎn)生“過計數(shù)”現(xiàn)象。

附圖說明

下面結(jié)合附圖及實施例對本發(fā)明作進(jìn)一步描述：

圖1為本發(fā)明基于WiFi動作識別系統(tǒng)的非接觸式計步方法的流程圖；

圖2為本發(fā)明中統(tǒng)計有效波峰數(shù)的算法流程圖；

圖3為本發(fā)明實施例中從WiFi動作識別系統(tǒng)得到的行走動作原始波形；

圖4為本發(fā)明實施例中利用低通濾波器濾波后的行走動作波形；

圖5為本發(fā)明實施例中經(jīng)小波分解后各層小波系數(shù)；

圖6為本發(fā)明實施例中利用第四層細(xì)節(jié)系數(shù)重構(gòu)后的信號；

圖7為本發(fā)明實施例中重構(gòu)信號的短時能量計算結(jié)果。

具體實施方式

以下結(jié)合具體實施例對上述方案做進(jìn)一步說明。應(yīng)理解，這些實施例是用于說明本發(fā)明而不限于限制本發(fā)明的范圍。實施例中采用的實施條件可以根據(jù)具體廠家的條件做進(jìn)一步調(diào)整，未注明的實施條件通常為常規(guī)實驗中的條件。

實施例：

本發(fā)明基于WiFi動作識別系統(tǒng)的非接觸式計步系統(tǒng)主要包括數(shù)據(jù)處理模塊、小波分解模塊、短時能量計算模塊和步數(shù)統(tǒng)計模塊，各模塊處理流程如圖1所示，包括以下步驟：

S01：數(shù)據(jù)處理模塊通過WiFi動作識別系統(tǒng)得到行走動作的時序CSI幅值片段，處理，除去該片段的直流成分，濾除其中所包含的高頻噪聲，并挑選N_v個子載波的數(shù)據(jù)用于校正最終結(jié)果；行走動作的時序CSI幅值片段是一個N_s×T維的矩陣，其中N_s為子載波個數(shù)，其數(shù)值與通信帶寬和所選用的采集工具有關(guān)；T為樣本點數(shù)。行走動作片段是從現(xiàn)有WiFi動作識別系統(tǒng)中獲得，本發(fā)明要求動作識別系統(tǒng)的采樣率不低于500Hz。

數(shù)據(jù)處理模塊中所選用的濾波器為Butterworth低通濾波器，其能極大程度保留原始信號中的細(xì)節(jié)信息，主要用于濾除系統(tǒng)或環(huán)境中產(chǎn)生的高頻噪聲，保留因人體行走所引起的頻率成分。另外，本發(fā)明中以方差作為子載波的選擇標(biāo)準(zhǔn)，選擇方差較大的N_v(1≤N_v≤N_s)個子載波進(jìn)行后續(xù)處理。

S02：小波分解模塊對得到的N_v個子載波的動作片段進(jìn)行小波分解，得到不同頻率范圍的細(xì)節(jié)系數(shù)；

使用Daubechies db4小波基對各選定的子載波進(jìn)行小波分解，具體分解層數(shù)根據(jù)采樣率來確定。小波分解目的即為分離出因腳部運動引起的CSI幅值變化的頻率范圍，從而感知腳在行走時的運動情況。

S03：短時能量計算模塊篩選出代表腳部運動引起的CSI振幅變化所在頻率范圍的細(xì)節(jié)系數(shù)，重構(gòu)每個子載波對應(yīng)的細(xì)節(jié)信號，并計算重構(gòu)信號的短時能量；

短時能量計算模塊主要借鑒了短時能量在語音分析中的作用，在重構(gòu)信號的短時能量中，每一個波峰可暫且認(rèn)為是腳在一次邁步過程中速度最快的時刻。

S04：步數(shù)統(tǒng)計模塊篩選并統(tǒng)計有效波峰數(shù)，并融合N_v個子載波的統(tǒng)計結(jié)果計算得到穩(wěn)定的步數(shù)值。

考慮到外界干擾的存在，并非所有的波峰均由腳部運動引起，因此需要統(tǒng)計有效波峰。有效波峰的統(tǒng)計主要依賴于峰高，峰寬以及相鄰兩峰之間的間隔等篩選標(biāo)準(zhǔn)。當(dāng)有效波峰選定后，對應(yīng)的波峰數(shù)即為步數(shù)。最終將N_v個子載波所得步數(shù)的平均值作為本發(fā)明針對某一行走片段計算出的步數(shù)值。

其中步數(shù)統(tǒng)計模塊涉及到的有效波峰篩選算法的流程圖如圖2所示。

在數(shù)據(jù)處理模塊中，要求WiFi動作識別系統(tǒng)的采樣率設(shè)置為1000Hz，通過動作識別系統(tǒng)得到的行走動作原始波形如圖3所示，從原始波形可以看出其中包含了很多高頻噪聲?？紤]到人行走時腳部運動引起的頻率變化范圍一般在50～70Hz之間，這里設(shè)置Butterworth低通濾波器的截至頻率為80Hz，從而保留了腳部運動引起的頻率成分。濾波之后的波形如圖4所示，其中絕大部分高頻噪聲已被濾除。從濾波后的波形中很難看出與腳部運動有關(guān)的節(jié)奏信息，因此無法直接利用時域的CSI振幅波形計算步數(shù)，必須結(jié)合頻域特征進(jìn)行深入分析。所得動作片段包含30個子載波，本發(fā)明中選擇方差最大的前10個子載波的數(shù)據(jù)用于校正最終的計算結(jié)果。

考慮到本實施例中的采樣率為1000Hz，所以在小波處理模塊中對每一個選定的子載波執(zhí)行4層的小波分解操作，其中第4層細(xì)節(jié)系數(shù)對應(yīng)的頻率范圍即為腳部運動所引起的頻率變化范圍。其中一個子載波的小波分解結(jié)果如圖5所示。

在短時能量計算模塊中，首先利用小波分解的第4層細(xì)節(jié)系數(shù)構(gòu)造對應(yīng)的細(xì)節(jié)信號，重構(gòu)的細(xì)節(jié)信號如圖6所示。對重構(gòu)的細(xì)節(jié)信號進(jìn)行加窗處理并分幀，計算每一幀的短時能量。本實施例中所使用的窗函數(shù)是漢明窗，窗長度為500。計算得到的短時能量如圖7所示。

在步數(shù)統(tǒng)計模塊中，以短時能量的計算結(jié)果作為輸入，采用圖2所示算法流程篩選出滿足預(yù)設(shè)條件的有效波峰。其中要求峰寬介于500～1000個采樣點之間，峰高不低于2dB，相鄰兩個波峰之間的間隔不小于0.5秒，即為500個采樣點。篩選得到的有效波峰數(shù)即為根據(jù)當(dāng)前子載波計算得到的步數(shù)，最終取10個子載波計算結(jié)果的平均值作為本發(fā)明實施例計算所得步數(shù)值。

上述實例只為說明本發(fā)明的技術(shù)構(gòu)思及特點，其目的在于讓熟悉此項技術(shù)的人是能夠了解本發(fā)明的內(nèi)容并據(jù)以實施，并不能以此限制本發(fā)明的保護(hù)范圍。凡根據(jù)本發(fā)明精神實質(zhì)所做的等效變換或修飾，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。