本發(fā)明公開(kāi)了基于WiFi信道狀態(tài)信息多人室內(nèi)環(huán)境狀態(tài)監(jiān)控系統(tǒng)，主要用于解決在WiFi環(huán)境下多人室內(nèi)環(huán)境狀態(tài)監(jiān)控問(wèn)題，本發(fā)明主要包括兩個(gè)部分狀態(tài)監(jiān)控：多人出入監(jiān)控和人數(shù)判定，涉及到信號(hào)去噪、特征波形提取、為多人出入監(jiān)控和人數(shù)判定建立模型、模型自動(dòng)糾正等技術(shù)。

背景技術(shù)：

基于WiFi技術(shù)的無(wú)線局域網(wǎng)已在室內(nèi)得到廣泛應(yīng)用，其所能提供的服務(wù)已不限于信息通信。迅速涌現(xiàn)的諸類(lèi)新興應(yīng)用，如人體檢測(cè)，室內(nèi)定位，穿墻斷層掃描活動(dòng)識(shí)別等，在不斷革新無(wú)線局域網(wǎng)的應(yīng)用領(lǐng)域。在室內(nèi)環(huán)境中，發(fā)射的無(wú)線信號(hào)通常不會(huì)沿直接路徑到達(dá)接收器。事實(shí)上，接收到的信號(hào)通常是信號(hào)經(jīng)由家具、人體及其他障礙物的反射、衍射和散射形成的多路信號(hào)的疊加，這種現(xiàn)象被稱(chēng)為多徑效應(yīng)。物理空間限制了無(wú)線信號(hào)的傳播，相對(duì)應(yīng)，無(wú)線信號(hào)也可以反過(guò)來(lái)被用于感知其所經(jīng)過(guò)的物理環(huán)境。無(wú)論是環(huán)境物體(如墻壁、家具)還是人體(如位置、移動(dòng))都可以對(duì)無(wú)線信號(hào)進(jìn)行“調(diào)制”，從而形成周期性或時(shí)變的信號(hào)，通過(guò)對(duì)這種信號(hào)進(jìn)行分析，可對(duì)環(huán)境進(jìn)行推斷感知。

目前利用WiFi信號(hào)進(jìn)行環(huán)境感知的主要手段是獲取CSI數(shù)據(jù)或者RSSI數(shù)據(jù)進(jìn)行分析，CSI是無(wú)線網(wǎng)卡對(duì)無(wú)線信道頻率的響應(yīng)估計(jì)，根據(jù)IEEE 802.11n標(biāo)準(zhǔn)，無(wú)線信號(hào)可以使用正交頻分復(fù)用將信號(hào)調(diào)制成56個(gè)或者114個(gè)子載波，CSI可以看做是無(wú)線網(wǎng)卡對(duì)每個(gè)子載波信道增益的估計(jì)，CSI包含振幅和相位的信息，相比于RSSI(信號(hào)強(qiáng)度信息)，CSI是細(xì)粒度的RSSI值，能夠精確刻畫(huà)出每個(gè)信道狀態(tài)的改變，準(zhǔn)確度較高。

近年來(lái)，國(guó)外研究人員修改了無(wú)線網(wǎng)卡驅(qū)動(dòng)程序，使得用戶層應(yīng)用程序可以訪問(wèn)CSI數(shù)據(jù)，一系列基于CSI研究課題被不斷提出并逐漸成為無(wú)線網(wǎng)絡(luò)領(lǐng)域的前沿問(wèn)題和熱點(diǎn)問(wèn)題。華盛頓大學(xué)的D.Halperin開(kāi)發(fā)一套獲取CSI數(shù)據(jù)的工具：Linux 802.11n CSI Tool，使得基于CSI的環(huán)境感知技術(shù)得到了迅速發(fā)展。許多學(xué)者利用CSI信息做了很多研究包括無(wú)線定位、動(dòng)作識(shí)別、人數(shù)判定、身份驗(yàn)證等，并取得了顯著的成績(jī)。在計(jì)算機(jī)網(wǎng)絡(luò)、移動(dòng)計(jì)算、智能家居等很多著名的國(guó)際學(xué)術(shù)會(huì)議和期刊上發(fā)表了許多的文章。相關(guān)研究中，西安交通大學(xué)的WeiXi提出的Electronic-Frog Eye系統(tǒng)，是第一個(gè)也是唯一一個(gè)嘗試使用CSI來(lái)進(jìn)行室內(nèi)人數(shù)測(cè)量。他根據(jù)多人運(yùn)動(dòng)的情況下，CSI變化幅度更加劇烈，方差更大的特點(diǎn)提出了一個(gè)算法Dilatation-based crowed profiling，根據(jù)這個(gè)算法判斷CSI變化的強(qiáng)度大小，在此基礎(chǔ)上利用灰色理論的相關(guān)辦法，測(cè)量房間中人的數(shù)量。2015年Manikanta Kotaru團(tuán)隊(duì)提出利用CSI的相位信息使用music算法，充分利用了CSI包含的子載波數(shù)量較大，CSI對(duì)環(huán)境狀態(tài)變化敏感等特點(diǎn)，實(shí)現(xiàn)室內(nèi)人數(shù)的精確定位，定位精確度可以達(dá)到厘米級(jí)。2016年來(lái)自北京大學(xué)的Xiang Li改良Manikanta的工作，提出了dynamic-music算法，充分利用信號(hào)之間的高度相關(guān)性，降低多徑的數(shù)目，使得測(cè)量信號(hào)到達(dá)角(AOA)的準(zhǔn)確率進(jìn)一步提高，定位精度得到進(jìn)一步提升。南京大學(xué)的Wei Wang團(tuán)隊(duì)提出Carm，提出室內(nèi)環(huán)境下的人體運(yùn)動(dòng)的速度模型和動(dòng)作模型，深入分析了CSI的振幅信息和相位信息，各種去噪方法(中值濾波，butterworth)對(duì)于CSI的適用性，提出根據(jù)子載波信息的相關(guān)性，使用PCA的去噪方法有效的去除多余噪聲數(shù)據(jù)，使用小波變換的方法降低數(shù)據(jù)維度，在不同頻域上提取細(xì)節(jié)小波信息，使用隱馬爾科夫鏈的方法建立馬爾科夫動(dòng)作模型(hmm)，使用十折交叉驗(yàn)證的方法確定模型所需參數(shù)，為室內(nèi)中每種動(dòng)作行為建立模型，從而實(shí)時(shí)的識(shí)別每種動(dòng)作。每種動(dòng)作識(shí)別的準(zhǔn)確率可以到達(dá)96％以上。本系統(tǒng)是CSI在多人環(huán)境下的首次應(yīng)用，通過(guò)接收端CSI數(shù)據(jù)，人體運(yùn)動(dòng)所產(chǎn)生的CSI值的變化，進(jìn)出門(mén)動(dòng)作所產(chǎn)生的CSI波形的特殊性以及每個(gè)人步態(tài)的特殊性，去除噪聲，切割波形，提取開(kāi)關(guān)門(mén)動(dòng)作所產(chǎn)生的特征值，步態(tài)信息，匹配CSI波形等各個(gè)方面，判斷房間中人數(shù)，感知室內(nèi)狀態(tài)是否發(fā)生改變，是否發(fā)生入侵行為。

技術(shù)實(shí)現(xiàn)要素：

[發(fā)明目的]：本發(fā)明主要解決在WiFi環(huán)境下，多人室內(nèi)狀態(tài)監(jiān)控的問(wèn)題。

[技術(shù)方案]：本發(fā)明方案主要包括以下內(nèi)容：

1)室內(nèi)進(jìn)出監(jiān)測(cè)模型的建立

室內(nèi)進(jìn)出監(jiān)測(cè)模型建立涉及到數(shù)據(jù)的噪聲處理，波形切分，提取特征值，建立模型等方面。

噪聲處理：因?yàn)橛行У娜コ肼晹?shù)據(jù)才能提高系統(tǒng)檢測(cè)的準(zhǔn)確率。所以噪聲處理至關(guān)重要。傳統(tǒng)的去噪方法包括Butterworth去噪法、中值去噪法。但是由于CSI數(shù)據(jù)不僅包含高頻噪聲也存在低頻噪聲，而B(niǎo)utterworth濾波器只能去除高頻噪聲，對(duì)于開(kāi)關(guān)門(mén)動(dòng)作之間所引起的一些低頻噪聲，不能達(dá)到有效的去噪目的。但是由于各子載波之間存在相關(guān)性，本發(fā)明所采用的方法是采用Butterworth和主成分分析(PCA)來(lái)共同去除噪聲，能夠最大程度上降低噪聲。同時(shí)采用PCA的方法能夠有效的降低數(shù)據(jù)維度，降低運(yùn)算復(fù)雜度。

波形切分：波形切分需要切分出開(kāi)關(guān)門(mén)動(dòng)作發(fā)生的時(shí)間間隔，找到每個(gè)動(dòng)作所發(fā)生的時(shí)間閾，從而在每個(gè)時(shí)間閾提取需要的信息。本發(fā)明所采用的技術(shù)路線是根據(jù)進(jìn)出門(mén)動(dòng)作的動(dòng)作序列不同，所導(dǎo)致的開(kāi)關(guān)門(mén)和行走所產(chǎn)生的動(dòng)作序列波形方差不同，根據(jù)方差判斷每個(gè)時(shí)間閾所對(duì)應(yīng)的不同動(dòng)作，從而準(zhǔn)確的進(jìn)行波形切分。

提取特征值：數(shù)據(jù)特征主要包括均值、方差、最小最大值等。不同動(dòng)作產(chǎn)生的CSI時(shí)間序列數(shù)據(jù)，可能有不同的數(shù)據(jù)特征。如何提取顯著的特征數(shù)據(jù)是設(shè)計(jì)系統(tǒng)的一大難點(diǎn)，對(duì)于本系統(tǒng)是針對(duì)每一個(gè)時(shí)間窗口提取窗口信號(hào)的能量值和能量方差，最大程度上刻畫(huà)出CSI波形和動(dòng)作之間的關(guān)系。

模型建立：使用CSI進(jìn)行建模主要有SVM模型，隱馬爾科夫模型，決策樹(shù)模型等。每種模型各有優(yōu)缺點(diǎn)，但是隱馬爾科夫模型較其他模型來(lái)說(shuō)有一個(gè)最大的優(yōu)勢(shì)，就是模型狀態(tài)的轉(zhuǎn)化，開(kāi)關(guān)門(mén)動(dòng)作可以分為明顯的若干階段，這個(gè)階段的概念剛好和隱馬爾科夫模型中狀態(tài)的概念相對(duì)應(yīng)，使得模型的物理意義較為直觀。

2)人數(shù)識(shí)別模型建立

室內(nèi)房間人數(shù)模型的建立一直是一個(gè)很大的難題，有使用灰色理論的方法建立一個(gè)模型，但是目前對(duì)于灰色理論在計(jì)算機(jī)方面的研究還不算深入，灰色理論的發(fā)展不算成熟，還有一些學(xué)者嘗試使用空間譜的一些經(jīng)典算法，比如music算法，但是這些方法對(duì)于室內(nèi)環(huán)境不算一個(gè)很好的嘗試，因?yàn)閙usic算法測(cè)量多人的環(huán)境需要多天線陣列，這對(duì)于無(wú)線室內(nèi)環(huán)境來(lái)說(shuō)，不是一個(gè)很好的選擇。本系統(tǒng)采取的方法是用深度學(xué)習(xí)的方法建立模型，由于在多人的復(fù)雜環(huán)境下，對(duì)于CSI波形提取所需要的和人數(shù)相關(guān)的特征難度很大，所以采用深度學(xué)習(xí)的方法，避免這個(gè)問(wèn)題。同時(shí)利用進(jìn)出門(mén)模型判定高準(zhǔn)確率的現(xiàn)實(shí)，確定房間中是否有人數(shù)的變化，從而導(dǎo)致房間人數(shù)狀態(tài)的改變，不斷學(xué)習(xí)人數(shù)模型，調(diào)整參數(shù)，從而進(jìn)一步提高人數(shù)判定的準(zhǔn)確率。

[有益效果]：本發(fā)明利用無(wú)線信號(hào)的多徑效應(yīng)在WiFi環(huán)境下進(jìn)行室內(nèi)環(huán)境狀態(tài)監(jiān)控，克服了傳統(tǒng)監(jiān)控方法的不足。另外，本發(fā)明利用現(xiàn)有的商用WiFi設(shè)備以及目前WiFi普遍的狀況，為本發(fā)明的推廣創(chuàng)造了條件。然后本發(fā)明作為WiFi環(huán)境感知在多人室內(nèi)環(huán)境的首次應(yīng)用，拓展了無(wú)線感知的應(yīng)用領(lǐng)域。最后，本發(fā)明的設(shè)計(jì)保證了整個(gè)機(jī)制的真實(shí)性。

附圖說(shuō)明

圖1為本發(fā)明提出的實(shí)驗(yàn)環(huán)境圖；

圖2系統(tǒng)流程圖；

圖3隱馬爾科夫模型

圖4深度學(xué)習(xí)示意圖。

具體實(shí)施方式

以下結(jié)合附圖和具體實(shí)例對(duì)本發(fā)明做具體的介紹。

本系統(tǒng)有兩部分組成：信號(hào)發(fā)射器與信號(hào)接收器。以現(xiàn)有商業(yè)WiFi設(shè)備作為信號(hào)發(fā)射器，用裝有Intel5300的設(shè)備(筆記本或者臺(tái)式機(jī))作為信號(hào)接收器。部署兩個(gè)路由器，一個(gè)路由器用于監(jiān)控是否有人出入的行為，另外一個(gè)路由器用于監(jiān)控房間中人數(shù)的狀態(tài)。如附圖1實(shí)驗(yàn)環(huán)境圖所示，采集完數(shù)據(jù)之后，將對(duì)CSI數(shù)據(jù)進(jìn)行處理，分別建立出入檢測(cè)模型和人數(shù)識(shí)別模型，如附圖2所示，具體實(shí)施過(guò)程如下：

步驟1：對(duì)CSI數(shù)據(jù)進(jìn)行去噪處理

步驟1.1：利用巴特沃斯濾波器去噪。巴特沃斯濾波器的特點(diǎn)是通頻帶內(nèi)的頻率響應(yīng)曲線最大限度平坦，沒(méi)有起伏，而在阻頻帶則逐漸下降為零。利用此特點(diǎn)，巴特沃斯濾波器可以對(duì)采集的CSI數(shù)據(jù)進(jìn)去噪處理，去除大部分的噪聲。巴特沃斯濾波可用如下公式表示：

其中，w代表角頻率，w_c代表截止頻率，n代表濾波器的順序，G₀代表直流分量。

步驟1.2：利用PCA(主成份分析)去噪。根據(jù)噪聲數(shù)據(jù)在不同信道是不相關(guān)的而由開(kāi)關(guān)門(mén)動(dòng)作所產(chǎn)生的數(shù)據(jù)在不同信道具有相關(guān)性，PCA可以進(jìn)一步去除了細(xì)微的噪聲，并且降低了CSI的數(shù)據(jù)維度，提高了系統(tǒng)的識(shí)別效率。其具體過(guò)程如下：

1)將不同信道的CSI數(shù)據(jù)減去其平均值，形成標(biāo)準(zhǔn)CSI矩陣

2)求特征協(xié)方差矩陣

3)求協(xié)方差的特征值和特征向量

4)將特征值按照從大到小的順序排序，選擇其中最大的k個(gè)，然后將其對(duì)應(yīng)的k個(gè)特征向量分別作為列向量組成特征向量矩陣

5)將樣本點(diǎn)投影到選取的特征向量上

出入檢測(cè)模型建立

步驟1：波形劃分

步驟1.1：設(shè)置滑動(dòng)窗口W，計(jì)算出每一組信道數(shù)據(jù)在第j個(gè)窗口的絕對(duì)均值偏差：

步驟1.2：計(jì)算所有信道的絕對(duì)均值偏差和：

步驟1.3：設(shè)定閾值

超出一定閾值的即可認(rèn)為是另外一個(gè)動(dòng)作的開(kāi)始

步驟2：提取特征值

本系統(tǒng)提取人運(yùn)動(dòng)每個(gè)窗口的能量值和能量方差。計(jì)算每組信道數(shù)據(jù)在第i個(gè)窗口的能量總和Energy和能量方差D，其中n代表的是在第i個(gè)窗口的采樣點(diǎn)數(shù)量

D＝∑_i(||A||²-(∑_i||A||²)/n)/n

步驟3：訓(xùn)練隱馬爾科夫模型

隱馬爾科夫模型示意圖如附圖3所示，使用隨機(jī)變量Zt描述t時(shí)刻系統(tǒng)狀態(tài)的概率分布具有轉(zhuǎn)移概率，在第t時(shí)刻系統(tǒng)狀態(tài)的實(shí)際狀態(tài)Zt未知，相反在t時(shí)刻對(duì)系統(tǒng)有一個(gè)觀測(cè)Xt，而狀態(tài)和觀測(cè)不是一一對(duì)應(yīng)的，一個(gè)狀態(tài)可能以不同概率產(chǎn)生若干種預(yù)測(cè)。開(kāi)關(guān)門(mén)動(dòng)作可以分為明顯的若干階段，這個(gè)階段的概念剛好和隱馬爾科夫模型中狀態(tài)的概念相對(duì)應(yīng)，所以使用隱馬爾科夫模型進(jìn)行建模能夠理想的效果。

步驟4：分類(lèi)

使用10折交叉驗(yàn)證的方法確定模型參數(shù)包括HMM模型的狀態(tài)數(shù)S及mixtures，從而選取最優(yōu)參數(shù)建立模型，對(duì)于不同動(dòng)作分類(lèi)不同模型，從而實(shí)現(xiàn)開(kāi)關(guān)門(mén)動(dòng)作的準(zhǔn)確識(shí)別。

人數(shù)識(shí)別模型：

步驟1：深度學(xué)習(xí)建模

如附圖4所示，學(xué)習(xí)過(guò)程包括三個(gè)階段：預(yù)訓(xùn)練，展開(kāi)參數(shù)，調(diào)整參數(shù)階段

步驟1.1在預(yù)訓(xùn)練階段使用三層CNN神經(jīng)網(wǎng)絡(luò)，其中圖中的k_i表示層數(shù)，用h_i表示每一層所含有的節(jié)點(diǎn)數(shù)，使用w₁，w₂，w₃分別表示數(shù)據(jù)輸入層input1和第一層神經(jīng)網(wǎng)絡(luò)，第一層神經(jīng)網(wǎng)絡(luò)和第二次神經(jīng)網(wǎng)絡(luò)，第二次神經(jīng)網(wǎng)絡(luò)和第三層神經(jīng)網(wǎng)絡(luò)的權(quán)值，為了得到最優(yōu)權(quán)值，我們需要對(duì)輸入數(shù)據(jù)最大化邊緣分布可以用公式表示為

我們使用RBMs去降低深度學(xué)習(xí)的復(fù)雜度，對(duì)于每一層RBM模型，聯(lián)合分布Pr表示如下

E(h^i-1，hⁱ)＝-b^i-1h^i-1-bⁱhⁱ-h^i-1w_ihⁱ

其中b表示第i層到i-1層的偏差

步驟1.2當(dāng)預(yù)訓(xùn)練階段訓(xùn)練完成后，我們得到神經(jīng)網(wǎng)絡(luò)的權(quán)值，在展開(kāi)參數(shù)階段，使用前向算法得到新的輸入數(shù)據(jù)input2

步驟1.3最后在調(diào)整參數(shù)階段我們使用后向算法，通過(guò)計(jì)算輸入數(shù)據(jù)input1和新的input2數(shù)據(jù)的偏差去修正權(quán)重，得到最優(yōu)權(quán)值。

步驟2：動(dòng)態(tài)調(diào)整人數(shù)模型

由于室內(nèi)環(huán)境的復(fù)雜性，人運(yùn)動(dòng)的不可知性，使用深度學(xué)習(xí)的方法利用深度學(xué)習(xí)不需要手動(dòng)提取特征值的特點(diǎn)，有效的解決了提取特征值困難的問(wèn)題，為了進(jìn)一步提高人數(shù)識(shí)別的準(zhǔn)確率，根據(jù)出入模型判定房間中是否有人數(shù)改變，從而導(dǎo)致房間狀態(tài)發(fā)生變化，反饋到人數(shù)模型，不斷修正模型，使模型能夠更加準(zhǔn)確的判定房間中人數(shù)，提高識(shí)別人數(shù)的準(zhǔn)確率。