基于信道狀態(tài)特征的手勢(shì)動(dòng)作識(shí)別技術(shù)研究*

吳哲夫邵承賢龔樹鳳*毛科技呂躍華

(1.浙江工業(yè)大學(xué)信息學(xué)院，浙江 杭州310023；2.浙江工業(yè)大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，浙江 杭州310023；3.浙江省科技信息研究院，浙江 杭州310006)

近年來，隨著物聯(lián)網(wǎng)的不斷發(fā)展，以人為中心的人機(jī)交互模式成為人們生活中不可或缺的一部分。人機(jī)交互模式中，手勢(shì)識(shí)別作為人與機(jī)器重要的交互手段，吸引了許多研究者的注意。 根據(jù)采集數(shù)據(jù)的方式，當(dāng)前手勢(shì)識(shí)別的方式可以分為三種:基于圖像分類處理的手勢(shì)識(shí)別、基于傳感器的手勢(shì)識(shí)別以及基于無線信號(hào)的手勢(shì)識(shí)別。

基于圖像分類處理的手勢(shì)識(shí)別主要利用攝像機(jī)對(duì)人體手勢(shì)進(jìn)行拍攝，并通過計(jì)算機(jī)圖像處理的方法將手勢(shì)和背景進(jìn)行分割，從而識(shí)別手勢(shì)。 如Guillaume 等人[1]用Kinect 攝像機(jī)拍攝人體手勢(shì)，并利用k-曲率算法以及動(dòng)態(tài)時(shí)間歸整對(duì)手勢(shì)進(jìn)行分類，準(zhǔn)確率達(dá)到了92.4%；宋一凡[2]等人利用姿態(tài)估計(jì)和神經(jīng)網(wǎng)絡(luò)結(jié)合的方式對(duì)拍攝手勢(shì)圖像進(jìn)行分類，識(shí)別準(zhǔn)確率達(dá)到了98%。 基于圖像分類處理的手勢(shì)識(shí)別雖然能夠無接觸的對(duì)人體手勢(shì)進(jìn)行識(shí)別，但在光照不充足的室內(nèi)準(zhǔn)確率會(huì)有所下降。

基于傳感器的手勢(shì)識(shí)別主要是通過人手持傳感器(例如加速度儀)或者將傳感器安裝在手上來獲取相關(guān)動(dòng)作信息。 如吳常鋮等人[3]利用裝有彎曲電阻片的數(shù)據(jù)手套獲取手部動(dòng)作信息并利用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，識(shí)別準(zhǔn)確率能夠達(dá)到99.2%；鮑磊等人[4]提出一種融合四路表面肌電和三軸加速度傳感信息的識(shí)別方法，對(duì)4 名受試者的6 種手語手勢(shì)最高識(shí)別率可以達(dá)到91.2%。 謝仁強(qiáng)等人[5]將復(fù)雜手勢(shì)看成簡(jiǎn)單手勢(shì)的組合，利用加速度傳感器實(shí)現(xiàn)了99.75%的識(shí)別準(zhǔn)確率。 傳感器能夠獲取到人體手部細(xì)微的動(dòng)作變化，具有很高的靈敏度，然而其需要專用的傳感器設(shè)備并且接觸人體手部才能獲得精確的動(dòng)作信息，這限制了基于傳感器手勢(shì)識(shí)別在日常生活中的應(yīng)用。

基于無線信號(hào)的手勢(shì)識(shí)別主要利用手部動(dòng)作引起的信號(hào)變化來識(shí)別手勢(shì)[6-7]。 由于室內(nèi)WiFi 信號(hào)的普及，利用WiFi 信號(hào)進(jìn)行手勢(shì)識(shí)別不受光照影響，能夠無接觸、配置簡(jiǎn)單和成本低，在日常生活中與其他方式相比具有很大的優(yōu)勢(shì)，已成為基于無線信號(hào)進(jìn)行手勢(shì)識(shí)別的一個(gè)熱門方向。 如Heba Abdelnasser 等人[8]提出的WiGest 通過識(shí)別信號(hào)強(qiáng)度RSSI 上升沿和下降沿來判斷動(dòng)作，并結(jié)合多AP 提高手勢(shì)識(shí)別的準(zhǔn)確率，在三個(gè)AP 情況下提高到96%。 隨著CSI-Tool 工具的開源[9]，研究人員可以利用商用筆記本獲取到更細(xì)粒度的WiFi 信號(hào)-信道狀態(tài)信息CSI，因此越來越多的研究人員利用CSI來進(jìn)行手勢(shì)識(shí)別。 潘旭[10]利用一維卷積神經(jīng)網(wǎng)絡(luò)從獲取到的CSI 數(shù)據(jù)中獲取手勢(shì)特征，準(zhǔn)確率達(dá)到了93.03%；劉佳慧等人[11]利用LSTM 算法對(duì)采集到的CSI 數(shù)據(jù)進(jìn)行分類，準(zhǔn)確率達(dá)到了82.75%；Sheng Tan 等人[12]設(shè)計(jì)了環(huán)境噪聲消除機(jī)制來減弱室內(nèi)環(huán)境噪聲對(duì)CSI 的影響，實(shí)現(xiàn)了93%的識(shí)別準(zhǔn)確率。

上述基于WiFi 的手勢(shì)識(shí)別方式，僅僅只是利用了CSI 信號(hào)中的幅度信息，沒有使用其中的相位信息。 由于相位信息對(duì)周圍環(huán)境的感知比幅度信息更敏感，因此引入相位信息應(yīng)該能夠有效提高手勢(shì)識(shí)別的準(zhǔn)確率。

為了充分利用CSI 信號(hào)特征，本文設(shè)計(jì)了一種基于CSI 幅值和相位結(jié)合的手勢(shì)識(shí)別系統(tǒng)。 首先采集了包含30 個(gè)子載波的CSI 數(shù)據(jù)，并采用主成分分析法PCA 進(jìn)行降維。 由于人體手勢(shì)在一個(gè)時(shí)間段從動(dòng)作起始時(shí)間到結(jié)束時(shí)間的信號(hào)曲線是需要進(jìn)行分析的數(shù)據(jù)部分，為了提取這段時(shí)間的動(dòng)作曲線，系統(tǒng)利用設(shè)計(jì)滑動(dòng)窗口計(jì)算曲線的方差，根據(jù)滑動(dòng)窗口內(nèi)方差的峰谷值確定動(dòng)作的起始時(shí)間和結(jié)束時(shí)間，從而獲取動(dòng)作曲線。 最后將CSI 幅值和相位結(jié)合作為動(dòng)作特征進(jìn)行了多種機(jī)器學(xué)習(xí)算法的訓(xùn)練，實(shí)現(xiàn)了六種手勢(shì)動(dòng)作的識(shí)別，并在不同距離下驗(yàn)證了所提算法的有效性。

1 系統(tǒng)原理及實(shí)現(xiàn)方法

人體的不同手勢(shì)動(dòng)作會(huì)對(duì)CSI 信號(hào)產(chǎn)生不同的影響，圖1(a)和圖1(b)分別表示人體做兩次相同手勢(shì)動(dòng)作和不同手勢(shì)動(dòng)作時(shí)對(duì)CSI 信號(hào)波形產(chǎn)生的影響。

圖1 手勢(shì)動(dòng)作對(duì)CSI 影響

從圖1 中可以看到兩次相同手勢(shì)動(dòng)作呈現(xiàn)的曲線具有明顯的相關(guān)性，而單手向前和單手向后兩個(gè)不同動(dòng)作呈現(xiàn)的曲線具有明顯差異。 因此可以根據(jù)信號(hào)曲線的波形來判斷不同的手勢(shì)動(dòng)作。

圖中還可以看出，在人體動(dòng)作開始前和結(jié)束后信號(hào)會(huì)保持平穩(wěn)，而這種平穩(wěn)的信號(hào)無法為識(shí)別手勢(shì)提供有用的信息，因此如何從一段信號(hào)中確定動(dòng)作的起始點(diǎn)和結(jié)束點(diǎn)成為本文要解決的難點(diǎn)之一。另一個(gè)重要的問題在于CSI 包含了30 個(gè)子載波，每個(gè)子載波都有各自的幅值和相位信息。 如果對(duì)所有的子載波進(jìn)行處理會(huì)導(dǎo)致數(shù)據(jù)的繁瑣和冗余，因此本文還需要對(duì)獲取的CSI 數(shù)據(jù)進(jìn)行降維處理，從而簡(jiǎn)化處理數(shù)據(jù)。

為了解決上述提到的問題，并結(jié)合CSI 幅值和相位進(jìn)行手勢(shì)識(shí)別，本文設(shè)計(jì)了一種基于CSI 的人體手勢(shì)識(shí)別系統(tǒng)，系統(tǒng)框圖如圖2 所示。 系統(tǒng)分為數(shù)據(jù)預(yù)處理階段、離線階段和在線階段。 數(shù)據(jù)預(yù)處理階段系統(tǒng)首先利用CSI 數(shù)據(jù)采集平臺(tái)提取CSI 信號(hào)的幅值和相位，并對(duì)幅值和相位進(jìn)行去噪和異常值處理。 并且，對(duì)處理后的CSI 數(shù)據(jù)進(jìn)行子載波降維，從降維后的CSI 數(shù)據(jù)中提取動(dòng)作曲線。 在離線階段，系統(tǒng)提取預(yù)處理后的幅值和相位特征，將這兩個(gè)特征合并為動(dòng)作曲線的特征并利用機(jī)器學(xué)習(xí)方法訓(xùn)練分類器。 系統(tǒng)的在線階段是利用訓(xùn)練完成的分類器對(duì)實(shí)時(shí)CSI 信號(hào)進(jìn)行動(dòng)作分類，最終完成手勢(shì)識(shí)別。

圖2 人體動(dòng)作識(shí)別系統(tǒng)框圖

1.1 異常值處理

系統(tǒng)先對(duì)采集到的信號(hào)進(jìn)行異常值處理，異常數(shù)據(jù)定義為其與全部數(shù)據(jù)均值差的絕對(duì)值大于其三倍的標(biāo)準(zhǔn)差。 檢測(cè)到異常數(shù)據(jù)后，系統(tǒng)用全部數(shù)據(jù)的均值替換異常數(shù)據(jù)。 如式(1):

式中:Vafter為異常值處理后的數(shù)據(jù)，Vbefore為異常值處理前的數(shù)據(jù)，u為異常值處理前全部數(shù)據(jù)的均值，std為異常值處理前Vbefore的標(biāo)準(zhǔn)差。

1.2 低通濾波

低通濾波目的是對(duì)信號(hào)進(jìn)行噪聲處理，移除高頻噪聲并保留低頻動(dòng)作的數(shù)據(jù)。 本系統(tǒng)采用頻率響應(yīng)曲線最平滑的二階巴特沃茲低通濾波器(Butterworth Low-pass Filter)對(duì)信號(hào)進(jìn)行低通濾波。 二階巴特沃茲濾波器的傳遞函數(shù) 由式(2)給出:

式中:K為常數(shù)，B，C為相應(yīng)的系數(shù)，wC為截止頻率，其中wC＝2πf/FS，F(xiàn)S表示采樣頻率，即CSI 數(shù)據(jù)包發(fā)送速率。 本文采用Octave 的buttord 函數(shù)實(shí)現(xiàn)巴特沃茲低通濾波器，函數(shù)如式(3)所示。

由于人體動(dòng)作頻率一般為0～5 Hz，所以本文設(shè)置通帶截止頻率wp為5 Hz，阻帶截止頻率ws為10 Hz，通帶最大衰減Rp為3 dB，阻帶最大衰減Rs為40 dB。

圖3 中為一個(gè)子載波濾波前后的波形曲線，虛線表示低通濾波前的CSI 幅度，實(shí)線表示經(jīng)過處理后的曲線。 由圖3 可以看到濾波后曲線消除了鋸齒，但保留了動(dòng)作變化數(shù)據(jù)。

圖3 低通濾波前后CSI 幅度波形對(duì)比圖

1.3 子載波降維

系統(tǒng)采集到的CSI 數(shù)據(jù)包含有30 個(gè)子載波，如果直接使用30 個(gè)子載波的幅值和相位進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練，會(huì)增加數(shù)據(jù)處理的復(fù)雜度和冗余度。 因此，我們首先觀察同一次手勢(shì)動(dòng)作下5 個(gè)不同子載波呈現(xiàn)的波形，如圖4。

圖4 同一動(dòng)作的不同子載波幅度波形

由圖4 可以看出這五個(gè)子載波在同一次手勢(shì)動(dòng)作下呈現(xiàn)相似的變化趨勢(shì)，具有極大的相關(guān)性。 因此，可以利用PCA 方法分析CSI 子載波的主要成分[12]，然后選擇最具有代表性的一個(gè)或者多個(gè)子載波分量。

處理結(jié)果如圖5 所示，可以看到第一個(gè)特征就貢獻(xiàn)了超過98%的數(shù)據(jù)信息，表明了30 個(gè)子載波之間確實(shí)存在極大的數(shù)據(jù)冗余。 在此選取PCA 第一個(gè)特征作為代表進(jìn)行后續(xù)的處理，如圖6 所示。

研究表明還有其他方法能夠降低CSI 數(shù)據(jù)的復(fù)雜度，但使用PCA 有兩個(gè)主要的優(yōu)點(diǎn):其一，使用PCA 能夠明顯看到每個(gè)特征分量對(duì)當(dāng)前數(shù)據(jù)的貢獻(xiàn)程度，判斷數(shù)據(jù)是否存在冗余，從而選擇對(duì)數(shù)據(jù)貢獻(xiàn)大的特征作為代表；其二，PCA 可以在降維的同時(shí)消除CSI 子載波不相關(guān)的噪聲分量。

圖5 主成分分析

圖6 經(jīng)過PCA 后的CSI 數(shù)據(jù)圖

1.4 動(dòng)作曲線提取

對(duì)數(shù)據(jù)進(jìn)行降維之后，需要從中提取動(dòng)作曲線并進(jìn)行離線訓(xùn)練，因而需要確定CSI 信號(hào)曲線中動(dòng)作的起始點(diǎn)和結(jié)束點(diǎn)。 本文設(shè)計(jì)了一個(gè)從CSI 信號(hào)曲線中確定動(dòng)作起點(diǎn)和終點(diǎn)的方法，主要步驟如下所示:

動(dòng)作曲線提取

E為指定時(shí)間段內(nèi)CSI 信號(hào)的總能量，如式(4)。

式中:μ可以由式(5)獲得。

由于CSI 曲線只有在人體發(fā)生手勢(shì)動(dòng)作情況下才會(huì)有明顯波動(dòng)，因此可以利用這一點(diǎn)確定手勢(shì)動(dòng)作的起始時(shí)間和結(jié)束時(shí)間。 本文采用滑動(dòng)窗口的方法計(jì)算窗口內(nèi)的CSI 數(shù)據(jù)方差，作為這個(gè)時(shí)間段CSI 數(shù)據(jù)的波動(dòng)程度，公式如下:

式中:A表示輸入的CSI 數(shù)據(jù)，μ表示滑動(dòng)窗口內(nèi)數(shù)據(jù)的均值；win 為滑動(dòng)窗口的長(zhǎng)度；step 為窗口滑動(dòng)步長(zhǎng)；j為滑動(dòng)窗口序號(hào)，Wj為第j個(gè)滑動(dòng)窗口的方差。 滑動(dòng)窗口過長(zhǎng)、步長(zhǎng)過大就無法體現(xiàn)曲線局部的方差信息，窗口過短、步長(zhǎng)太小又會(huì)增加數(shù)據(jù)復(fù)雜度。 經(jīng)過數(shù)據(jù)分析，本文在實(shí)驗(yàn)中設(shè)定win ＝10，step ＝1。 圖7 展示了CSI 數(shù)據(jù)經(jīng)過滑動(dòng)窗口計(jì)算方差后的數(shù)據(jù)。

從圖7 處理后的波形曲線可以看出，非動(dòng)作時(shí)間段的CSI 幅度波動(dòng)平緩，導(dǎo)致其滑動(dòng)窗口內(nèi)計(jì)算的方差值較小。 動(dòng)作時(shí)間段的CSI 幅度波動(dòng)較大，其滑動(dòng)窗口內(nèi)計(jì)算的方差值就較大。 通過計(jì)算滑動(dòng)區(qū)間的方差有效區(qū)分了非動(dòng)作時(shí)間段和動(dòng)作時(shí)間段的曲線。 接下來需要更進(jìn)一步確定動(dòng)作時(shí)間的起始位置和結(jié)束位置，從而提取出動(dòng)作曲線。

圖7 滑動(dòng)窗口計(jì)算CSI 幅度方差

首先獲取滑動(dòng)窗口處理后的CSI 方差曲線，利用差分法獲取曲線的峰值點(diǎn)與谷值點(diǎn)。 然后，根據(jù)方差大小設(shè)定閾值T，將大于T的峰值點(diǎn)篩選出來。最后將第一個(gè)峰值點(diǎn)左邊鄰近的谷值點(diǎn)作為動(dòng)作曲線的起始點(diǎn)，將最后一個(gè)峰值點(diǎn)右邊鄰近的谷值點(diǎn)作為動(dòng)作曲線的結(jié)束點(diǎn)。 這樣就截取到了一個(gè)動(dòng)作曲線。

圖8 顯示了利用上述方法檢測(cè)到的動(dòng)作曲線的起始點(diǎn)和結(jié)束點(diǎn)。 由于實(shí)驗(yàn)中CSI 數(shù)據(jù)接收的速率為100 個(gè)/s，所以圖8 中橫坐標(biāo)對(duì)應(yīng)的時(shí)間范圍為0～5 s。 圖8 所顯示的CSI 方差曲線對(duì)應(yīng)本實(shí)驗(yàn)中只進(jìn)行一次動(dòng)作的情況，但從圖8 的方差曲線中可以看到截取到了兩個(gè)動(dòng)作。 根據(jù)實(shí)際經(jīng)驗(yàn)可知，人體手勢(shì)動(dòng)作的時(shí)間范圍一般為0.5 s～2.0 s，而噪聲的持續(xù)時(shí)間很短并且能量E很小，因此將截取到的第一個(gè)動(dòng)作曲線視為實(shí)際的動(dòng)作，另一個(gè)動(dòng)作則為噪聲曲線。 為過濾掉噪聲曲線，文中設(shè)定時(shí)間閾值和能量閾值:Tmin＝0.5 s，Tmax＝2 s，Emin＝50。 如果起始點(diǎn)和結(jié)束點(diǎn)之間的時(shí)間差為0.5 s ～2.0 s 并且曲線的能量值大于50，就認(rèn)為是動(dòng)作曲線，否則就判斷為噪聲曲線。

圖8 檢測(cè)CSI 幅度動(dòng)作數(shù)據(jù)起點(diǎn)和終點(diǎn)圖

將上述幅度的處理方法同樣應(yīng)用于相位，可提取出幅度和相位的動(dòng)作曲線，如圖9 所示。

圖9 CSI 幅度和相位的動(dòng)作曲線圖

從上圖可以看出幅值和相位截取的動(dòng)作曲線起始點(diǎn)以及結(jié)束點(diǎn)有偏差。 為了解決這個(gè)問題，本文分別從多個(gè)天線對(duì)的CSI 幅度和相位曲線來提取動(dòng)作的起點(diǎn)和終點(diǎn)，其中動(dòng)作曲線起點(diǎn)為:

Stramp＿n表示第n對(duì)天線幅度曲線的動(dòng)作起點(diǎn)，Strph＿n表示第n 對(duì)天線相位曲線的動(dòng)作起點(diǎn)。 動(dòng)作曲線終點(diǎn)為:

Stpamp＿n表示第n對(duì)天線幅值曲線的動(dòng)作終點(diǎn)，Stpph＿n表示第n對(duì)天線相位曲線的動(dòng)作終點(diǎn)。 然后將提取的動(dòng)作曲線取交集，即最右的動(dòng)作起始點(diǎn)Strfinal＝max(Str) 和最左的動(dòng)作結(jié)束點(diǎn)Strfinal＝min(Stp)作為最后的動(dòng)作曲線的起始點(diǎn)和結(jié)束點(diǎn)。

1.5 特征提取

根據(jù)動(dòng)作曲線提取方法得到的動(dòng)作曲線由于不同動(dòng)作之間長(zhǎng)度不一致，無法直接用提取到的動(dòng)作曲線來進(jìn)行動(dòng)作識(shí)別。 因此本文通過提取曲線的特征值來解決這個(gè)問題。 本文分別計(jì)算了動(dòng)作曲線幅值和相位的均值(Mean)、標(biāo)準(zhǔn)差(STD，Standard Deviation)、中位數(shù)絕對(duì)偏差(MAD，Median Absolute Deviation)、最大值(Max)、極差(Range)、四分位距(IQR，Interquartile Range)、峰態(tài)系數(shù)(Kurtosis)和偏態(tài)系數(shù)(Skewness)，并將以上參數(shù)作為特征值進(jìn)行訓(xùn)練。

將分別得到的幅值和相位特征值進(jìn)行合并，作為一組天線獲取到的CSI 信號(hào)的特征值，如式(9):

多組天線獲取到的CSI 特征值為:

在實(shí)驗(yàn)中，本文采用z-score 標(biāo)準(zhǔn)化的方法對(duì)特征值進(jìn)行了歸一化，避免特征值單位不統(tǒng)一對(duì)實(shí)驗(yàn)結(jié)果造成的影響，如式(11):

式中:X為原始數(shù)據(jù)，u為均值，s為標(biāo)準(zhǔn)差。

2 實(shí)驗(yàn)設(shè)計(jì)

在實(shí)驗(yàn)部分本文設(shè)計(jì)了六個(gè)動(dòng)作，如圖10 所示。

圖10 實(shí)驗(yàn)動(dòng)作設(shè)計(jì)

六個(gè)動(dòng)作分別是單手向前、單手向后、單手向左、單手向右、單手向上和單手向下。 實(shí)驗(yàn)中對(duì)每個(gè)動(dòng)作分別采集了100 個(gè)測(cè)試樣本和100 個(gè)訓(xùn)練樣本。 樣本采集時(shí)數(shù)據(jù)包接收的速率為100 個(gè)/s。 實(shí)驗(yàn)的硬件設(shè)備是兩臺(tái)配置了Inter 5300 網(wǎng)卡的筆記本電腦，分別用于接收和發(fā)射，WiFi 信號(hào)的中心頻率為2.4 GHz。

實(shí)驗(yàn)場(chǎng)地為空曠的會(huì)議室，分別設(shè)計(jì)了近距離(2 m)和遠(yuǎn)距離(5 m)兩種場(chǎng)景下的手勢(shì)識(shí)別實(shí)驗(yàn)，如圖11 所示。

圖11 實(shí)驗(yàn)場(chǎng)景圖

3 實(shí)驗(yàn)結(jié)果分析

3.1 特征選擇的影響

在實(shí)驗(yàn)中，分別使用幅值特征、相位特征、幅值和相位特征結(jié)合三種方式來觀察特征值選取對(duì)手勢(shì)識(shí)別精確度造成的影響。 為了避免實(shí)驗(yàn)的偶然性，分別使用K 最鄰近算法(KNN)、樸素貝葉斯(GNB)、支持向量機(jī)(SVM)和隨機(jī)森林(RF)這四種機(jī)器學(xué)習(xí)算法對(duì)手勢(shì)識(shí)別的準(zhǔn)確率進(jìn)行了計(jì)算，如下圖12 所示。

圖12 不同特征組合的動(dòng)作識(shí)別精度

從上圖中可以發(fā)現(xiàn)相位特征識(shí)別的準(zhǔn)確率高于幅值特征的手勢(shì)識(shí)別。 這說明相位確實(shí)對(duì)周圍環(huán)境的變化更加敏感。 幅值和相位組合的特征值在不同的機(jī)器學(xué)習(xí)算法下準(zhǔn)確率都是最高的，由此證明了本文提出的幅值和相位結(jié)合的方式是可行的，能夠有效提升基于WiFi 信號(hào)手勢(shì)識(shí)別的準(zhǔn)確度。

3.2 距離的影響

實(shí)驗(yàn)中，我們分別在近距離(2 m)和遠(yuǎn)距離(5 m)條件下，采用上述的四種機(jī)器學(xué)習(xí)算法對(duì)手勢(shì)識(shí)別特征值進(jìn)行處理，其結(jié)果如圖13 所示。

圖13 不同距離場(chǎng)景的動(dòng)作識(shí)別精度

由圖13 可知，本文提出的算法在不同距離的情況下準(zhǔn)確率有所不同。 近距離時(shí)，由于信號(hào)傳播路徑短，引入的噪聲小，所以具有較高的準(zhǔn)確率，RF 算法更是能夠達(dá)到96%的準(zhǔn)確率，遠(yuǎn)高于文獻(xiàn)[6]提到的WiGest 在單AP 情況下87.5%的準(zhǔn)確率，并且與其三個(gè)AP 情況下的準(zhǔn)確率96%相當(dāng)。 遠(yuǎn)距離時(shí)，傳播距離遠(yuǎn)導(dǎo)致信號(hào)引入的噪聲變多，使得手勢(shì)識(shí)別準(zhǔn)確率下降，但最高的準(zhǔn)確率也有93%。 這表明本文所設(shè)計(jì)的系統(tǒng)能夠在不同距離下對(duì)手勢(shì)進(jìn)行識(shí)別，并且具有較大的識(shí)別范圍。

我們也給出了RF 算法在遠(yuǎn)距離下的動(dòng)作識(shí)別精度的混淆矩陣，如圖14 所示。

圖14 遠(yuǎn)距離場(chǎng)景RF 算法的動(dòng)作識(shí)別混淆矩陣

3.3 干擾的影響

為了進(jìn)一步驗(yàn)證算法的有效性，考慮算法在環(huán)境中有其他人員干擾的情況下，是否能夠?qū)κ謩?shì)識(shí)別進(jìn)行準(zhǔn)確的分類。 因此，我們?cè)黾恿藢?shí)驗(yàn)場(chǎng)景中存在其他人在室內(nèi)隨意走動(dòng)時(shí)的動(dòng)作分類效果，結(jié)果如圖15 所示。

圖15 有/無人員干擾動(dòng)情況下分類精度

可以看到在有人員活動(dòng)的情況下，算法分類的準(zhǔn)確度有明顯的下降，但最好的準(zhǔn)確率仍然有83%。 這表明本文提出的算法具有一定的抗干擾能力，但無法完全避免其他人員活動(dòng)對(duì)系統(tǒng)造成的影響。 如何解決周圍人員活動(dòng)對(duì)算法精確度造成的影響是未來研究的一個(gè)重要方向。

4 總結(jié)

本文詳細(xì)介紹了基于信道狀態(tài)信息CSI 幅值和相位結(jié)合的手勢(shì)識(shí)別。 首先，利用PCA 對(duì)采集到的CSI 數(shù)據(jù)降低數(shù)據(jù)的復(fù)雜度；然后設(shè)計(jì)了一種利用滑動(dòng)窗口計(jì)算CSI 方差的方法確定動(dòng)作的起始點(diǎn)和結(jié)束點(diǎn)，以獲取動(dòng)作曲線；最后提取CSI 幅值和相位特征進(jìn)行了多種機(jī)器學(xué)習(xí)算法的訓(xùn)練，實(shí)現(xiàn)了不同手勢(shì)動(dòng)作的識(shí)別，并在不同距離場(chǎng)景和有無人員干擾場(chǎng)景下分別驗(yàn)證了算法的有效性。 本文算法近距離情況下的準(zhǔn)確率能夠達(dá)到96%，遠(yuǎn)距離情況下能達(dá)到92%。

在未來的工作中，將著重研究如何在有其他人員干擾的情況下提高動(dòng)作識(shí)別的準(zhǔn)確度。 同時(shí)嘗試將深度學(xué)習(xí)的方法應(yīng)用到基于CSI 的手勢(shì)識(shí)別，以實(shí)現(xiàn)更多復(fù)雜的手勢(shì)分類。