本技术公开了一种面向Wi‑Fi复杂干扰环境下的非接触式人体呼吸实时监测方法;对CSI干扰强度及CSI活跃比率进行分析,构建Wi‑Fi干扰特征映射矩阵,利用该矩阵计算各信道干扰指数实现干扰判别。接着通过基于干扰指数的动态子载波选择算法CSI‑DSSA,选取干扰数据中互相关性最弱的子载波组合进行干扰处理,分析多链路数据融合方法聚合未受干扰数据中多数据流的时域特征信息。最后,提取时域特征值并构建Wi‑Fi干扰环境下的SVM多活动分类模型,获得跌倒活动识别结果。本发明能够有效提高Wi‑Fi干扰环境下的人体呼吸活动识别准确率。
背景技术
随着无线网络的日益普及,以无线感知技术为代表的非接触式识别技术已成为普适计算领域的一个热点研究课题。基于Wi-Fi行为识别技术通常包括两种类型的接收信号——信道状态信息(Channel State Information,CSI)和接收信号强度(Radio SignalStrength Index,RSSI)。RSSI易受窄带和多径干扰,识别精度低,性能有限。相比之下,CSI可以呈现不同频率下多径传播的幅值和相位,从而提供更丰富和稳定的信道参数。因此,CSI比RSSI更适合于人体行为识别。
现有的人体检测方法主要依赖于视频分析和可穿戴传感器,前者面临着存在隐私安全入侵且易受光线影响的问题,存在用户隐私泄露的风险,而后者容易被用户遗忘携带,并且其存在的一定硬件成本限制了其普及应用。Wi-Fi信号对光照不敏感、成本低、易于安装并保护隐私,因此比上述方法更实用。
然而,目前的CSI检测模型大多仅针对单一项目(如坐姿呼吸或仰躺呼吸)进行检测,尚未发展出可以区分坐姿呼吸、仰卧呼吸、俯卧呼吸,和侧卧呼吸的综合检测模型。此外,现有模型通常只能做到分类,而不能在获取分类结果后,结合室内环境数据,推测用户的下一步行为习惯,从而为智能家居提供“自动化任务建议等在线服务功能”,进一步提升用户的体验与生活质量。
实现思路