笔记-基于信道状态信息的井下人员行为识别方法研究

工作

提出了一种基于CSI的井下人员行为识别方法

内容

首先引入SOM聚类和多种滤波算法增强信号特征，去除井下环境噪声；其次，利用窗函数和卷积神经网络（CNN）将数据分割问题转换为状态分类问题，提高行为分割精度；最后，利用CNN输出行为识别结果。

过程

（1）数据采 集阶段：采集人员执行行为时的CSI数据；（2）数据预处理阶段：增强信号特征、去除噪声数据；（3）数据分割阶段：预处理之后的CSI中包含有行为执行区 域和初始区域，行为发生时CSI幅值变化大于1/4, 根据这一特点本方法在数据分割模块引入状态判断 模型识别行为执行时的CSI片段，并将其切割出来； （4）行为识别阶段：将切割后CSI行为数据片段输入 CNN进行处理，输出识别出的行为类型。

（2）数据预处理阶段

选用PCA算法降低环境因素导致的多径干扰。（选 用PCA算法将采集到的CSI数据进行数据重组并 提取数据的主要特征分量，在保证不丢失大量行为 数据的前提下降低环境因素导致的多径扰。）

斯低通滤波器去除电力系统噪声。

为尽可能保留由人员行为引起的 CSI变化的同时滤除环境噪声，采用了小波去噪方法。

（3）数据分割阶段

将数据分割问题转变为了状态分类问题，引入了一 种基于窗口函数和CNN的状态判断模型算法。

具体：
该算法思想是将CSI数据划分为成大小相等的窗口，
窗口状态状态判断模型网络架构为CNN模型，其网络框架结构。状态判断模型训练过程：将数据 输入5层堆叠CNN提取数据特征，数据处理完成后将结果输入LSTM模块，再将经过LSTM模块处理的数据输入全连接层对提取特征数据进行学习，最后将数据输入SoftMax层将数 据映射到4种窗口状态。
 

（4）行为识别模块
采用CNN进行行为识别。将行为数据片 段作为输入，判断得到的行为概率分布作为输出。

在输入层将 数据以的规格输入卷积层进行训练，卷积层由5层 Mlpconv组成，选用LeakyReLu作为激活函数，VALID 为padding参数。卷积完成后将特征数据输入到 SoftMax层将其映射到10种行为，输出识别到的行 为类别及概率分布。

实验验证

结果

与采用的Wi-ACR方法和HDFi方法做对比，并统计各行为识别准确率。针对井下环境中的10种不安全行为，由于更精准的行为分割数据和 CNN自身的优越性，识别准确率优于其他2种，且平均识别精度达86%以上，最高可达93%。

选用CSI幅值信息描述行为特点， 基于状态判断模型进行数据分割，引入CNN建立行为的分类器。
预处理阶段利用SOM聚类和多种滤波方法 有效降低了井下环境特殊干扰，提高了行为识别准确率。