【论文学习笔记2】GaitSpeed: Monitoring and Recognizing Gait Speed Through the Walls

最新推荐文章于 2024-07-10 10:44:18 发布

再不学习就会变成xzy姐姐那样！

最新推荐文章于 2024-07-10 10:44:18 发布

阅读量347

点赞数

文章标签：概率论 ieee论文

本文链接：https://blog.csdn.net/weixin_44444340/article/details/120354164

版权

原文链接：https://ieeexplore.ieee.org/document/9003416

1. 其他的

在WiDetect中，作者利用了室内多径环境下电磁波的统计特性，发现：室内有物体运动和无物体运动时，其运动统计量呈现不同的分布特性，且该分布特性只是样本量T和载波数F的函数，不受测量噪声σ2(f)方差的影响（由电路热噪声产生）。通过设置判决门限η，进行有无运动的定性判决。

2. 速度函数J0(kvτ)的引入

在GaitWay中，作者利用方位角连续积分（二维，WiSpeed中为三维，包括Az和El），定量给出Hi(t, f)表达式：
在这里插入图片描述
其中，Fi(theta, f)表征theta方向来波的信道复增益，复指数项可以变形为exp(-jfdcos(theta)t)，变换到频域后，可表征运动物体带来的多普勒频移fdcos(theta)，其中fd=vf/c。
这里的Fi(theta, f)有如下特性：

在这里插入图片描述
【原因】

角度谱Fi(theta, f)是多径电磁波叠加的结果，因此根据中心极限定理，可以假设Fi趋于高斯分布；
对应于不同方向的分量具有非常不相同的多重散射路径，因此可以假设它们彼此不相关；
散射体放置的随机性。

这些特性对Hi(t, f)的统计特性分析具有很大的作用。然后经过一通推导可以得出：
在这里插入图片描述

其中J0(kvτ)为参数中含有速度的零阶贝塞尔函数，文中被称为“速度信号”，可以通过分析其特殊点对应的数值，间接计算出v的值。a(f)在文中被定义为各个子载波的增益。

3. MRC使SNR最大化

由于各个子载波是被人体动作调制的，其变化可能很细微，所以需要增大信噪比。本文采用的是MRC。MRC通过给”分集“的N路不同信号乘上不同的系数wi(i=1,2,…,N)进行信号的合并，系数的确定与N路分支的衰落系数/增益hi(i=1,2,…,N)有关，即wm/wn=hm/hn。

MRC在使用过程中，必须已知落系数/增益，而在本例中，增益a(f)刚好可以利用贝塞尔函数零点处的连续性导出。因此可以得出：
在这里插入图片描述

4. 速度的得出

利用贝塞尔函数的特征点（极点、零点）对应的x0，可以推出速度的表达式：
在这里插入图片描述

5. 步态提取与识别

确定是否稳定行走
人类行走是一种具有强周期性的特征运动，因此，当用户稳定行走时，从CSI的ACF中可以观察到明显的峰值。
估计步行周期
在正常的人类行走过程中，受试者的速度会经历一个先增加后降低的过程，导致每一步都有一个速度峰值。而步态周期可以从平均行走速度的变化趋势中得出。
步态特征提取
（a）速度偏差;：
测量表明，不同的用户不仅有不同的习惯行走速度，而且用户个人的步行速度也随时间而变化。因此，我们只使用平均步行速度作为特定个体步态速度评估的度量，但不使用其作为分类特征（？）。相反，利用那些更独立于平均步行速度的特征来进行识别。
（b）步态周期时间：
步态周期时间计算为每两个连续步的平均持续时间。
（c）步幅：
由于准确的速度估计，我们可以通过对每步持续时间内的速度进行积分来估计步长。
（d）加速度：
加速度为速度的导数。由于行走加速度也表现出类正弦特征，作者也识别了加速度序列的峰谷，并计算各自的方差。
（e）平滑度：
偶数谐波振幅和奇数谐波振幅之和的比率（？）（加速度的DFS）。
（f ）节奏性
第一个峰高度的平均值和方差，以及识别到的突出峰的数量；每列的峰位置差异的方差；以及矩阵中没有显著峰值的列的比值。
（g）对称性
我们分别计算左脚和右脚的步长和步长，并以其均值和标准差为特征数据。两脚之间每个特征的差异可作为步态对称性的测量标准。
（h）RQA
RQA在第4个步态周期时，达到稳定值。在实践中，将最小值设置为3个周期。小于3个周期的步行周期不考虑用于步态识别，而只用于监测。
（i ） ACF特征
由于ACF与步行速度关系紧密，但又独立于位置和环境，因此它可以作为步态分类的标志。具体来说，作者并没有在一个行走周期内使用所有的ACF值，而是考虑与速度峰值对应的ACF值。在行走轨迹中，峰值速度可能会有所不同，即ACF的第一个峰值的位置会随时间而变化。因此，作者将所有的ACF对齐到一个对应于平均峰值速度的尺度上。

6. 个人思考

此论文考虑了具体环境，即一个人类在室内行走，而人类的各个部位运动速度基本是相同的，因此可以将模型简化至二维（和WiSpeed对比），从而大大简化了参数提取和分析；
使用了MRC，使信噪比最大化。理论推导中，各条支路信号被调整为同相后，才能加权叠加。如果没有这个过程，就只能用功率相加。则合成信号的幅度可直接相加，直接平方即为信号功率（或者是某些二阶统计参量）。还有一个地方容易忘：不同支路上的噪声是不相关的（得是独立同分布的AWGN），所以合并噪声功率时，只能是功率叠加，而信号是幅度叠加。还有就是，各个支路的增益得是已知的（可以通过信道估计得出）；
提取了多个步态特征，以利用SVM来识别用户（证明速度估计的有效性和步态提取得出的物理特征的合理性）；
以前以为evaluation没什么好看的，现在发现我错了:-<