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

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

1. 其他的

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】

  1. 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;
  2. 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;
  3. 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
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

  1. 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。
    在这里插入图片描述
  2. 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。
    在这里插入图片描述
  3. 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

  1. 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;
  2. 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);
  3. 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);
  4. 以前以为evaluation没什么好看的,现在发现我错了:-<
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 4
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值