無(wú)線信道狀態(tài)信息在跌倒檢測(cè)應(yīng)用的研究

王學(xué)勇，熊 烽，蔣振華

（中國(guó)電子科技集團(tuán)公司 第三十四研究所，廣西 桂林 541004）

1 采集CSI數(shù)據(jù)以及CSI數(shù)據(jù)預(yù)處理

在無(wú)線通信領(lǐng)域，CSI就是通信鏈路的信道屬性。它描述了信號(hào)在每條傳輸路徑上的衰弱因子，即信道增益矩陣H（有時(shí)也稱(chēng)為信道矩陣或信道衰落矩陣）中每個(gè)元素的值，如信號(hào)散射、環(huán)境衰弱以及距離衰減等信息[1-6]。

1.1 CSI數(shù)據(jù)采集

本文CSI采集與識(shí)別的WiFi模塊采用BCM43455C0芯片。CSI采集與識(shí)別模塊作為接收器，路由器作為發(fā)送器，CSI提取器在發(fā)送器和接收器之間的通道上進(jìn)行數(shù)據(jù)采集。通過(guò)Wireshark查看采集的CSI數(shù)據(jù)包的格式為UDP格式，十六進(jìn)制，并且是1 024個(gè)字節(jié)長(zhǎng)。在CSI采集與識(shí)別模塊上實(shí)時(shí)顯示CSI數(shù)據(jù)截圖如圖1所示。

圖1 CSI數(shù)據(jù)截圖

1.2 CSI數(shù)據(jù)預(yù)處理

信號(hào)的預(yù)處理主要針對(duì)CSI中的異常點(diǎn)和數(shù)據(jù)包丟失導(dǎo)致的CSI缺失、毛刺以及噪聲抖動(dòng)等問(wèn)題，綜合采用相位校正、異常點(diǎn)的去除、插值、卡爾曼平滑濾波、噪聲濾波、最佳載波選擇及直流分量去除等處理算法，最終獲得每個(gè)子載波信道頻率響應(yīng)的準(zhǔn)確估計(jì)[7,8]。

由于最初采集的原始CSI數(shù)據(jù)不僅包含動(dòng)作信息和一些測(cè)量誤差等，還包括由于多徑等影響產(chǎn)生的干擾噪聲，這些CSI中的異常值并非由所需要的動(dòng)作引起，因此會(huì)妨礙動(dòng)作特征的提取。為此，在訓(xùn)練CSI數(shù)據(jù)之前嘗試采用Hample算法對(duì)原始CSI數(shù)據(jù)中的異常點(diǎn)進(jìn)行處理。接收的WiFi信號(hào)中除了用于表示動(dòng)作信號(hào)的低頻部分，還包含因?yàn)閭鬏斶^(guò)程中受到多徑效應(yīng)的影響而產(chǎn)生的高頻成分，需要選擇低通濾波器對(duì)CSI數(shù)據(jù)進(jìn)行初步濾波，去除較大的高頻噪聲。低通濾波后為了進(jìn)一步減少經(jīng)過(guò)低通濾波器初次濾波后CSI數(shù)據(jù)中的噪聲，獲得更加純正的CSI信號(hào)，并更加清晰地展現(xiàn)用戶(hù)動(dòng)作對(duì)應(yīng)的子載波變化的局部特征，可嘗試采用離散小波變換對(duì)CSI信號(hào)進(jìn)行二次處理。

CSI數(shù)據(jù)的單個(gè)子載波其局部異常點(diǎn)去除的可視化結(jié)果如圖2所示。濾波前波形和經(jīng)過(guò)低通濾波后波形如圖3和圖4所示。經(jīng)過(guò)用離散小波變換去噪前后動(dòng)作信號(hào)如圖5所示，由于處理后的子載波太長(zhǎng)，為18 000×1的向量形式，因此截取了某一段CSI數(shù)據(jù)包中包含用戶(hù)動(dòng)作的子載波。從圖中可以看出，離散小波變換有效的去除了高頻噪聲，保留了有用信號(hào)的尖峰，將較高頻部分的信號(hào)與噪聲區(qū)別開(kāi)來(lái)，不至于過(guò)度濾波。信號(hào)的預(yù)處理后，最終能獲得每個(gè)子載波信道頻率響應(yīng)的準(zhǔn)確估計(jì)。

圖2 局部異常點(diǎn)去除可視化效果

圖3 CSI數(shù)據(jù)濾波前波形圖

圖4 CSI數(shù)據(jù)經(jīng)過(guò)低通濾波后波形

圖5 小波去噪前后CSI波形

2 居家老人危險(xiǎn)狀況的智能識(shí)別功能

使用WiFi信號(hào)信道狀態(tài)信息進(jìn)行動(dòng)作識(shí)別的系統(tǒng)的整理框架如圖6所示。

圖6 使用WiFi信號(hào)進(jìn)行動(dòng)作識(shí)別的系統(tǒng)框架

由于CSI相位信息不夠穩(wěn)定而且校正比較復(fù)雜，為了提高效率，利用接收天線的30個(gè)子載波幅度信息足以進(jìn)行用戶(hù)動(dòng)作識(shí)別的研究。對(duì)用戶(hù)動(dòng)作數(shù)據(jù)預(yù)處理后搭建并行CNN-LSTM網(wǎng)絡(luò)，利用該網(wǎng)絡(luò)對(duì)動(dòng)作的CSI數(shù)據(jù)進(jìn)行訓(xùn)練測(cè)試，通過(guò)對(duì)WiFi CSI數(shù)據(jù)的學(xué)習(xí)訓(xùn)練最終獲得對(duì)動(dòng)作分類(lèi)的能力。

評(píng)估并行CNN-LSTM方法構(gòu)建的學(xué)習(xí)模型性能的指標(biāo)主要是識(shí)別精度和損失函數(shù)。從學(xué)習(xí)曲線圖7可以看出，隨著樣本訓(xùn)練批次的增加，動(dòng)作識(shí)別精度呈上升趨勢(shì)，樣本訓(xùn)練到6個(gè)批次左右時(shí)模型開(kāi)始收斂，并且波動(dòng)小比較穩(wěn)定，當(dāng)訓(xùn)練集識(shí)別準(zhǔn)確率為100%時(shí)，在測(cè)試集上的平均識(shí)別精度為98.6%，相比于CNN網(wǎng)絡(luò)識(shí)別準(zhǔn)確率提升了8%，說(shuō)明并行的CNN-LSTM網(wǎng)絡(luò)比單一的CNN網(wǎng)絡(luò)和LSTM網(wǎng)絡(luò)提取了更充分的動(dòng)作特征，能更好地識(shí)別多個(gè)用戶(hù)的多種動(dòng)作，從而檢測(cè)跌倒[9]。損失曲線如圖8所示，訓(xùn)練集與測(cè)試集損失隨著訓(xùn)練批次的增加而逐漸下降，訓(xùn)練集起始損失3.2左右，當(dāng)訓(xùn)練批次為10時(shí)，訓(xùn)練集的損失逐漸穩(wěn)定至0，而測(cè)試集起始損失3.6左右，在訓(xùn)練達(dá)到20個(gè)輪次時(shí)開(kāi)始趨于平緩，損失最終為0.2左右。

圖7 并行CNN-LSTM的訓(xùn)練集與測(cè)試集學(xué)習(xí)曲線

圖8 并行CNN-LSTM的訓(xùn)練集與測(cè)試集損失曲線

3 結(jié) 論

本文選擇適合的深度神經(jīng)網(wǎng)絡(luò)類(lèi)型及其拓?fù)浣Y(jié)構(gòu)，針對(duì)使用WiFi信號(hào)的信號(hào)狀態(tài)信息進(jìn)行用戶(hù)動(dòng)作識(shí)別，在對(duì)原始的CSI信息進(jìn)行數(shù)據(jù)處理后，搭建CNN-LSTM網(wǎng)絡(luò)對(duì)CSI數(shù)據(jù)進(jìn)行訓(xùn)練分類(lèi)達(dá)到動(dòng)作識(shí)別的目的。實(shí)驗(yàn)結(jié)果表明，并行CNN-LSTM方法可以適應(yīng)不同的用戶(hù)，并且能夠識(shí)別居家老人的多種動(dòng)作，包括跌倒動(dòng)作，識(shí)別準(zhǔn)確率高于單一的深度學(xué)習(xí)算法，也具有較好的魯棒性，同時(shí)可以結(jié)合室內(nèi)定位技術(shù)[10]，當(dāng)發(fā)生危險(xiǎn)行為時(shí)及時(shí)發(fā)出報(bào)警的系統(tǒng)。該系統(tǒng)通過(guò)將室內(nèi)所有的智能射頻傳感器模組進(jìn)行無(wú)線組網(wǎng)，研發(fā)網(wǎng)絡(luò)中的定位功能，不僅能夠?qū)崿F(xiàn)傳感器對(duì)室內(nèi)所有區(qū)域的覆蓋，而且能夠提供發(fā)生危險(xiǎn)行為的準(zhǔn)確位置。圍繞智慧養(yǎng)老的創(chuàng)新應(yīng)用一旦成功，能給億萬(wàn)老年人帶來(lái)極大的身心安全保障，極大地改善健康養(yǎng)老條件。