本發(fā)明涉及移動通信，尤其涉及一種基于支持向量機(jī)的5g室內(nèi)環(huán)境中人員活動感知系統(tǒng)及方法。

背景技術(shù)：

1、近年來，人類活動識別和分類不僅為老年人護(hù)理帶來諸多好處，而且是提供更高級別信息，例如室內(nèi)環(huán)境中的位置、活動、占用和身份，這些信息可用于醫(yī)療保健、資源利用、安全、節(jié)能。對人類活動的非接觸式監(jiān)測采用超聲波、振動、智能手機(jī)、雷達(dá)和射頻(rf)傳感等技術(shù)。使用超聲波、振動和雷達(dá)傳感系統(tǒng)的主要缺點(diǎn)是附加設(shè)備的成本和設(shè)置。使用智能手機(jī)也可以進(jìn)行活動識別，但這種技術(shù)不能被視為完全非接觸式，因?yàn)橛脩舯仨毷冀K攜帶其設(shè)備。rf傳感器的使用解決了這些缺點(diǎn)，因?yàn)閞f信號可通過無線信道傳播，是完全非接觸式的。與基于攝像頭或可穿戴傳感器的傳統(tǒng)系統(tǒng)相比，基于rf傳感的方法由于其隱私友好的特性以及非接觸式的特點(diǎn)而獲得相當(dāng)大的普及。例如wifi技術(shù)已經(jīng)在活動識別、入侵檢測中得到了廣泛運(yùn)用，然而wifi信號仍然具有帶寬窄、延時高、覆蓋范圍小的缺點(diǎn)，使其不能準(zhǔn)確即時地識別人類活動，限制了人活動感知技術(shù)的實(shí)用性和普適性。而5g技術(shù)憑借其超低延遲、海量機(jī)器類型通信、智能管理和大數(shù)據(jù)處理等優(yōu)勢，在人類活動感知更有顯著優(yōu)勢。

技術(shù)實(shí)現(xiàn)思路

1、為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于支持向量機(jī)的5g室內(nèi)環(huán)境中人員活動感知系統(tǒng)及方法。本發(fā)明利用無線通信中5g信號的信道狀態(tài)信息csi幅度的變化反映人體在活動的過程中的對信號的瞬時遮擋，實(shí)現(xiàn)位置的活動識別，且無需傳感設(shè)備。

2、本發(fā)明感知方法所采用的技術(shù)方案是：

3、一種基于支持向量機(jī)的5g室內(nèi)環(huán)境中人員活動感知方法，包括以下幾個步驟：

4、步驟1：在實(shí)驗(yàn)環(huán)境下采集傳播過程中有人類活動(如起立、蹲下、跑步和揮手等)的5g信號；

5、步驟2：利用5g信號進(jìn)行信道估計獲得有人類活動的csi數(shù)據(jù)；

6、步驟3：用主成分分析法對獲取到的所有csi數(shù)據(jù)進(jìn)行預(yù)處理，選取出有效人類活動的csi數(shù)據(jù)；

7、步驟4：使用基于局部離群因素的異常檢測算法(lof)來分割出csi數(shù)據(jù)中與人類活動相關(guān)的部分。

8、步驟5：基于csi數(shù)據(jù)的幅度，使用離散小波變換算法提取不同人類活動的csi數(shù)據(jù)的幅度特征；

9、步驟6：構(gòu)建基于梯度提升樹改進(jìn)的支持向量機(jī)感知模型并將不同人類活動的csi數(shù)據(jù)輸入模型中進(jìn)行訓(xùn)練；

10、步驟7：確定基于梯度提升樹改進(jìn)的支持向量機(jī)感知模型的評價指標(biāo)并進(jìn)行評價，以準(zhǔn)確率作為評價指標(biāo)。

11、在步驟1中，在信號發(fā)送端和信號接收端中間的空地上有人類活動，如起立、蹲下、跑步和揮手等，同時發(fā)送端向接收端發(fā)送5g信號，在接收端采集5g信號。

12、在步驟2中，獲取有人類活動的csi數(shù)據(jù)，頻域中的正交頻分復(fù)用(orthogonalfrequency?division?multiplexing，ofdm)系統(tǒng)建模為：

13、y＝hx

14、其中，y和x分別是接收信號和發(fā)射信號。h是信道矩陣，一個反映接收信號和發(fā)射信號之間幅度、相位變化關(guān)系的矩陣，矩陣中的數(shù)據(jù)類型是復(fù)數(shù)，實(shí)數(shù)部分表示幅度，虛數(shù)部分表示相位。因此，所有子載波的csi可以根據(jù)上式估計為：

15、

16、此值是來自物理層(physical?layer，phy)層的細(xì)粒度值，描述從發(fā)送端到接收端的信道增益。csi信息需要利用ofdm時頻資源柵格中攜帶的參考信號對其進(jìn)行估計。因此首先將盲采樣或重采樣得到的ofdm時域信號序列轉(zhuǎn)化為由時域符號和頻域子載波構(gòu)成的二維資源柵格，從中提取接收得到的參考信號并依此估計csi。將已知發(fā)送的5g信號中攜帶的參考信號和采集到的5g信號中攜帶的參考信號按照上式估計出csi數(shù)據(jù)。

17、在步驟3中，因?yàn)橛幸恍┳虞d波的csi數(shù)據(jù)與人類活動不相關(guān)，所以需要提取出與人類活動相關(guān)的csi數(shù)據(jù)，采用主成分分析法進(jìn)行提取，該過程包括：

18、1)去平均值，即每個子載波的csi數(shù)據(jù)減去它們在不同時刻的平均值，例如：csii′是去平均值后的第i個子載波的csi數(shù)據(jù)，csii是第i個子載波的csi數(shù)據(jù)，是第i個子載波的csi數(shù)據(jù)在m時刻的值；

19、2)計算協(xié)方差矩陣，協(xié)方差矩陣的元素σij＝csii*csij；

20、3)用特征值分解方法求協(xié)方差矩陣的特征值與特征向量，ax＝λx，a是協(xié)方差矩陣，λ是特征值，x是特征向量，求解ax＝λx即求解(a-λe)x＝0；

21、4)對特征值從大到小排序，選擇其中最大的a個。然后將其對應(yīng)的a個特征向量x1，x2，...，xa分別作為行向量組成特征向量矩陣p＝(x1，x2，...，xa)t；

22、5)將數(shù)據(jù)轉(zhuǎn)換到a個特征向量構(gòu)建的新空間中，即y＝px，y是原始csi數(shù)據(jù)空間，x是降維后的csi數(shù)據(jù)空間，p＝(x1，x2，...，xa)t。

23、通過上述方法進(jìn)行數(shù)據(jù)的維度轉(zhuǎn)換，從而達(dá)到對數(shù)據(jù)降維的目的，也就是將多余的沒用的子載波的csi數(shù)據(jù)去除，只留下與人類活動相關(guān)的csi數(shù)據(jù)。

24、在步驟4中，具體過程如下：

25、盡管不同的人體活動會導(dǎo)致在接收處的信號功率不同，但它們在時域上具有相似的信號變化模式，并且隨著時間的推移保持穩(wěn)定。可以使用基于局部離群因素的異常檢測算法(lof)來挑選人類活動并隔離相應(yīng)的異常模式。對于在第3步中已經(jīng)使用主成分分析法降維的csi數(shù)據(jù)，使用lof算法可以將csi數(shù)據(jù)中有人類活動和沒有人類活動的數(shù)據(jù)區(qū)分開來，過程如下：

26、給定是流i的一系列csi，近似密度函數(shù)計算為：

27、

28、其中，n是csi的數(shù)量，δn(·)是核函數(shù)。局部密度是通過樣本點(diǎn)與其鄰居可以到達(dá)的特定距離來估計的。例如csi數(shù)據(jù)中某一個數(shù)據(jù)點(diǎn)p的局部密度為lrd(p)，定義為：

29、

30、其中，k(p)是p的k近鄰集合，o是k(p)中任意選定的點(diǎn)，k是選定的最近鄰的數(shù)量，reach-distk(p,o)稱為可達(dá)距離。令k-distance(p)為對象p到k個最近鄰點(diǎn)和，d(p,o)是從p到o的距離，reach-distk(p,o)可計算為：

31、reach-distk(p,o)＝max(k-distance(p),d(p,o))

32、局部離群因子定義為一個對象的鄰居的平均局部密度與該對象的局部密度的比率。點(diǎn)p的lof計算如下：

33、

34、我們將csi的每個流視為lof函數(shù)的一個輸入，并計算csi樣本的lof值。

35、lof表示某個點(diǎn)是否為異常值的概率。lof值約為1表示該點(diǎn)位于密度均勻的區(qū)域，并且不是異常值，則說明這個數(shù)據(jù)點(diǎn)沒有人類活動；lof值與1相差很遠(yuǎn)表示該點(diǎn)位于密度不均勻的區(qū)域，是異常值，則說明這個數(shù)據(jù)點(diǎn)有人類活動，以此為標(biāo)準(zhǔn)來將csi數(shù)據(jù)中有人類活動和沒有人類活動的數(shù)據(jù)區(qū)分開來。

36、在步驟5中，具體過程如下：

37、獲得能夠反映人體活動的有效csi數(shù)據(jù)后，為區(qū)分人體的不同活動，需提取代表不同活動的獨(dú)特特征。使用離散小波變換來壓縮提取的波形。dwt是一種基于小波分析的信號分解方法，它將信號分解成不同頻率的小波分量，提取信號的局部時頻信息。

38、離散小波變換方法的主要步驟包括：

39、1)定義小波基，選擇合適的小波基函數(shù)，小波基函數(shù)表達(dá)式為ψf,t(x)＝2f/2ψ(2fx-t)，(f，t∈z)，其中f決定了ψf,t的位置，t決定了寬度和高度；

40、2)對信號進(jìn)行多層分解，將信號分解成多個分量，也就是對原始信號進(jìn)行小波級數(shù)展開，定義原始信號g(x)的小波級數(shù)展開為：cf0和df分別是近似系數(shù)和細(xì)節(jié)系數(shù)，是近似分量，df(t)ψf,t(t)是細(xì)節(jié)分量；

41、與短時傅立葉變換(stft)相比，dwt在保留脈沖和峰值等高度變化的信號方面更有效。針對每個小波系數(shù)層提取特征，例如計算出近似系數(shù)的均值方差最大值、最小值和能量(表示τ0到τ1這段時間的近似系數(shù)的能量)作為特征。不同人類活動的csi數(shù)據(jù)特征不同，比如跑步的csi數(shù)據(jù)的能量比走路的csi數(shù)據(jù)的能量大。

42、在步驟6中，具體過程如下：

43、使用梯度上升決策樹-支持向量機(jī)(gradient?boosting?decision?tree-supportvector?machine，gbdt-svm)融合模型對已有人類活動的csi數(shù)據(jù)進(jìn)行預(yù)測。首先在訓(xùn)練數(shù)據(jù)集上使用梯度上升決策樹模型進(jìn)行學(xué)習(xí)，其步驟如下：

44、初始模型：假設(shè)模型的預(yù)測值為:f(x)＝fm-1(x)+γmhm(x)，其中，fm-1(x)是當(dāng)前模型的預(yù)測值，γm是m次迭代的步長，hm(x)是第m次迭代新增的樹。

45、殘差計算：在每一輪迭代中，計算上一個模型的預(yù)測誤差，即預(yù)測值和真實(shí)值的差值。

46、擬合殘差：通過多次將已知人類活動的csi數(shù)據(jù)輸入一個新的決策樹得到分類結(jié)果來進(jìn)行訓(xùn)練，來擬合這些殘差，即多次把數(shù)據(jù)輸入決策樹中然后觀察輸出結(jié)果與真實(shí)值之間的差值，直到這個差值不斷變小至不能再小，目的是減少之前模型在數(shù)據(jù)上的誤差。

47、更新模型：將新訓(xùn)練的決策樹加入到當(dāng)前模型中，通常通過一個學(xué)習(xí)率參數(shù)來調(diào)節(jié)新模型的貢獻(xiàn)，比如可以按照指數(shù)衰減來調(diào)節(jié)學(xué)習(xí)率的衰減，β＝β0*e-μσ，β0是初始學(xué)習(xí)率，μ是衰減率，σ是訓(xùn)練迭代次數(shù)。這一步就是提升的過程，即逐步優(yōu)化模型以減小誤差。

48、重復(fù)迭代：通過多個迭代，不斷引入新的決策樹，每次迭代都盡量減少當(dāng)前模型的損失，逐步逼近最優(yōu)解。

49、然后將所有的人類活動csi數(shù)據(jù)投入該梯度上升決策樹模型進(jìn)行分類，記錄各個樣本點(diǎn)在決策樹的輸出路徑:當(dāng)樣本點(diǎn)經(jīng)過某個決策樹，最終落入該決策樹的某個葉子節(jié)點(diǎn)，那么該葉子節(jié)點(diǎn)取值為1,該樹的其他節(jié)點(diǎn)取值為0。構(gòu)造的新特征向量中每個元素對應(yīng)于決策樹的葉子節(jié)點(diǎn)，取值為0或1，新特征的長度等于所有葉子節(jié)點(diǎn)的數(shù)量，然后將新特征作為svm模型的輸入數(shù)據(jù)，該過程示意圖如圖1所示。

50、多分類svm本質(zhì)是基于多個二分類，設(shè)訓(xùn)練集數(shù)據(jù)共m個類人類活動數(shù)據(jù)，一對一方法是在每兩個類之間都構(gòu)造一個二分類svm。

51、對于第r類和第q類人類活動數(shù)據(jù)，訓(xùn)練一個二分類svm即求解二次規(guī)劃問題：

52、

53、其中，上標(biāo)表示是r類和q類人類活動數(shù)據(jù)之間二分類svm的參數(shù)；下標(biāo)s表示r類和q類的并集中樣本的索引；φ表示輸入空間到特征空間的非線性映射。

54、索引r，q∈{1,2,...,m},r<q，一共需訓(xùn)練個二分類svm。平均每個類包含個樣本，所以平均每個對偶問題包含個變量。

55、第r類和第q類人類活動數(shù)據(jù)之間二分類svm的決策函數(shù)：

56、

57、上式用于判斷數(shù)據(jù)是屬于r類還是q類人類活動。

58、在步驟7中，將新的不同的人類活動的csi數(shù)據(jù)輸入梯度上升決策樹-支持向量機(jī)的預(yù)測模型，模型根據(jù)csi數(shù)據(jù)的不同特征來匹配對應(yīng)的活動，例如能量高的csi數(shù)據(jù)則匹配跑步的活動。將預(yù)測的活動和真實(shí)的活動的關(guān)系在一個表格中體現(xiàn)，這個表格叫做混淆矩陣。從而可以計算出預(yù)測準(zhǔn)確率＝正確預(yù)測的活動數(shù)據(jù)個數(shù)/所有真實(shí)的活動數(shù)據(jù)個數(shù)*100％，用準(zhǔn)確率這個百分比值來評價梯度上升決策樹-支持向量機(jī)的預(yù)測模型的性能。

59、本發(fā)明感知系統(tǒng)所采用的技術(shù)方案是：

60、一種基于支持向量機(jī)的5g室內(nèi)環(huán)境中人員活動感知系統(tǒng)由感知信號發(fā)送端、感知信號接收端和感知處理中心三個模塊組成。這三個模塊之間的關(guān)系是：感知信號發(fā)送端無線發(fā)送5g信號，感知信號接收端接收到5g信號，在感知信號發(fā)送端和感知信號接收端之間無實(shí)物連接。感知信號接收端連接感知處理中心，接收到的5g信號傳輸?shù)礁兄幚碇行挠嬎愠鯿si，然后利用csi進(jìn)行動作感知。

61、感知信號發(fā)送端包括一個雙通道軟件無線電平臺y390和一個平面陣列天線。y390集成寬帶無線通信所需的大帶寬射頻收發(fā)器和高性能zynq?soc?fpga并搭載雙核心armcortex-a9處理器，有實(shí)時性高和低延遲處理的特點(diǎn)，射頻前端采用adrv9009收發(fā)器，每個通道提供高達(dá)200mhz的瞬時帶寬，并涵蓋了從75mhz到6ghz的頻率范圍，產(chǎn)生的5g信號滿足進(jìn)行通信感知任務(wù)的需求。

62、感知信號接收端包括一個八通道軟件無線電平臺y780s和一個平面陣列天線。y780s是基于adi新一代寬帶收發(fā)器adrv9026和xilinx?zynq?ultrascale+系列中邏輯資源最大的zu19eg構(gòu)建，瞬時帶寬最高可達(dá)400mhz或者200mhz。

63、感知處理中心包括一臺上位機(jī)，搭載windows操作系統(tǒng)，和64位處理器。

64、本發(fā)明的有益效果為：本發(fā)明利用人體活動過程中對無線射頻信號的遮擋、反射和散射等，通過測量并提取5g信號的csi的變化，實(shí)現(xiàn)在室內(nèi)環(huán)境中對人體的活動感知。本發(fā)明基于先驗(yàn)知識對于人體活動進(jìn)行判別。本發(fā)明信號發(fā)送設(shè)備和信號接收設(shè)備之間無需時鐘同步，能夠使用大多數(shù)常見的商用設(shè)備進(jìn)行感知，適用范圍廣。本發(fā)明對設(shè)備的擺放角度和位置沒有特殊要求，可以識別相對設(shè)備不同角度所做的活動，還能夠?qū)崟r運(yùn)行，方便實(shí)用。