HuAc:人类活动识别利用众包WiFi信号和骨骼数据

文摘

基于wifi的联合,建立人类活动识别在人机交互吸引了越来越多的关注,智能家居和安全监测领域。我们建议HuAc,基于wifi和kinect活动识别系统的结合,人类活动在一个室内环境闭塞,弱光和不同的观点。我们首先构建一个基于wifi活动识别数据集命名WiAR基于wifi活动识别提供一个基准。然后,我们设计一个机制副载波选择的人类活动据副载波的敏感性。此外,我们优化相邻骨骼关节的空间关系,画出相应的CSI和skeleton-based活动识别之间的关系。最后,我们探讨CSI和众包骨骼关节的融合信息实现人类活动识别的鲁棒性。我们实现了HuAc使用商业无线设备和评估三种场景。我们的结果表明,HuAc达到平均大于的准确性使用WiAR数据集。

1。介绍

人类活动识别是一个重要的研究问题在社会生活中,无处不在的计算和安全监测领域(1- - - - - -3]。日常活动(4)被视为一个重要的交流在我们的日常生活中,我们可以通过肢体语言交流的手和头部,而不是说话。因此,人类活动提出了识别系统的应用需求,技术支持,及辅助设备。

以前工作相关活动识别大致分为三类,包括wearable-based应用,基于wifi。Wearable-based感知行为一直在流行和广泛使用的医疗、智能传感、体育应用程序,和跟踪(1,5,6]。研究人员利用收集信息通过传感器来识别人类行为和人类健康状况分析。然而,它也有一些局限性等增加了用户的负担,日常生活的不便,权力有限的传感器。建立活动识别一直受欢迎,达到高精度。光、阴影、隐私保护和角的因素增加活动识别的难度,限制了应用领域。微软发布了Kinect技术和Kinect使用内置的传感器可以提供骨架的信息(7,8]。尽管kinect活动识别解决了光环境问题并可以追踪精度高的骨骼关节的活动,不能认识到由于不完美的活动拥挤的房间,存在的障碍,的监控范围。

无线信号的覆盖和无线基础设施的改善在公共场所,基于WiFi活动识别系统(4,9- - - - - -11)利用无线信号的变化模式反映在一个人体识别活动。基于wifi活动识别系统(12- - - - - -14]不仅缓解wearable-based用户的负担,也能感觉到存在的障碍相比,kinect的作品。例如,WiVi [14)通过墙上,可以感知用户的行为和RF-Capture11)跟踪人体的3 d位置当人完全闭塞,捕捉人类没有可穿戴设备图。

我们感兴趣的是BodyScan系统[15,据估计的可穿戴传感器和无线信号的组合。此外,它克服了现有的可穿戴设备通过提供一个非接触式的关键限制和保护隐私的方法来捕获一个丰富多样的人类活动。基于这项工作,我们探索CSI和骨架的组合数据,人类行为。根据上述工作,我们探索活动识别的三个问题。首先,我们构造一个基于wifi活动识别数据集命名WiAR以前作品提供一个基准。第二,我们设计副载波选择的机制来改善活动识别WiAR数据集的鲁棒性。第三,我们把无线信号与众包框架数据,提高识别的准确性和鲁棒性活动打破了Kinect技术的局限性。的贡献我们的工作总结如下:(我)我们建议HuAc系统也认识到人类活动和构造基于活动识别数据集命名WiAR作为基准来评估现有的活动识别系统的性能。我们使用资讯,随机森林,和决策树算法来验证WiAR数据集的有效性。(2)我们检测活动的开始和结束使用CSI的移动的方差。此外,我们利用——集群算法有效的副载波根据副载波的敏感性和改善活动识别的鲁棒性。(3)我们开发一个选择方法基于对中国的骨骼关节的工作压,它认为空间关系和相邻关节的角度作为人类活动的辅助信息识别来提高跟踪的准确性。(iv)我们实现CSI的融合框架和框架数据意义的活动和解决的局限性CSI-based和skeleton-based活动识别,分别。实验结果表明,HuAc达到大于的准确性 。

本文的其余部分组织如下。我们在部分介绍相关工作2。部分3介绍了基于wifi的预赛活动识别,我们描述HuAc的概述部分4。部分5描述了Kinect模块,无线模块部分所示6。部分7描述人类活动识别的过程。部分8评估HuAc系统的性能,我们给出一个案例研究的动作感应游戏使用WiFi信号部分9。部分10列出几个讨论,给出本文的结论部分11。

2。相关工作

在本节中,人类活动相关工作的识别可以分为两类:基于wifi, kinect。

2.1。kinect活动识别

提出了建立活动识别和计算机视觉领域的开发。与Kinect的释放,研究人员探索人类活动识别利用深度信息和骨骼关节Kinect(提供的数据7,8,16]。Biswas和巴苏(8)利用深度信息识别的直方图八的手势。此外,连续帧之间的差异可以获得运动概要文件来描述各种手势。其他作品(7,16)利用深度信息结合彩色图像来提高手势识别的准确性。kinect的限制活动识别包含传感领域的限制,骨骼关节重叠,position-dependence因素。HuAc系统探索骨骼关节的空间关系描述活动的轨迹,结合CSI提高在动态环境中人类活动识别的鲁棒性。

2.2。基于wifi活动识别

早期作品(17- - - - - -19]探索无线信号的衰减特征定位的位置有人和室内环境统计的人数。研究人员研究了信号模式反映在一个人体感觉人类行为(11,20.- - - - - -22]。这些作品描述人类行为识别使用粗粒度的RSSI信息。例如,假发[18]研究RSSI波动之间的关系和手势来控制媒体播放器的行动没有训练。因此,我们探索RSSI波动之间的关系和人类运动检测活动的存在。

实际应用的要求和RSSI的限制,越来越多的研究人员开始探索细粒度的信道状态信息(CSI)人类行为。与RSSI相比,CSI可以捕获微小的行为(2,9,23- - - - - -28)的位置、速度和方向。WiFall系统[2)检测行为通过学习特定的CSI模式下降。E-eyes [9]承认步行活动和就地活动采用移动的方差CSI和指纹技术。步行活动造成重大模式CSI振幅的变化随着时间的推移,因为它涉及到大量的身体动作和位置的变化。就地活动(看电视)只需要相对较小的身体动作,不会造成严重的振幅变化与重复的模式。一个活动之间的关系和活动发生的地方激励人类活动识别的新奇的想法。CARM [10展示了CSI值之间的相关性和人类活动通过构造CSI-speed和CSI-activity模型。WiDance [28)探讨了多普勒变化反映在人类行为预测Exergames的运动方向。我们设计kinect的组合系统和基于wifi方法识别一个活动在不同的环境中如游戏系统,超市,和长者健康应用程序。

3所示。预赛

3.1。RSSI和CSI

接收信号强度指示(RSSI) [29日]在包的水平代表signal-to-interference-plus-noise比(SINR)通道带宽如下: 在哪里是信号电压。RSSI分贝(dB)中接收到的信号强度和映射到距离根据计程仪航程路径损耗模型大致定位用户或设备。

信道状态信息(CSI)描述了多路径传播在OFDM副载波在频域的粒度。它包含振幅和相位测量如下: 在哪里和分别的振幅和相位。的变量显示每个副载波的CSI值。我们研究每个副载波感知活动的特征在接下来的工作。

3.2。Kinect技术

Kinect (RGB-D相机)指的是先进的RGB /深度传感、硬件和软件技术,解释伽马线暴/深度信息。硬件包含一个正常RGB相机,深度传感器(红外投影仪和红外摄像机),和一个four-microphone数组,这是能够提供深度信号,同时RGB图像和音频信号。kinect活动识别算法经常失败由于遮挡、重叠的关节(四肢靠近身体),或杂物(场景中其他物体)7]。Kinect包含报告的框架关节在图1。我们探索相应的骨骼关节和CSI之间的关系来分析一个活动的特点。此外,我们探索融合信息来改善人类活动识别的准确性。kinect活动识别中列出的细节部分5。

3.3。WiAR:构建基于wifi活动数据集

目前,没有基于wifi公共活动数据集以及建立公共活动数据集。由于无线信号的敏感性,为同行研究人员很难繁殖和评估以前的作品。因此,我们构建的WiAR数据集收集WiFi信号由16个活动反映在三个空房间等室内环境,会议室,办公室列入表中1。每个活动执行次由五个女性和五个男性志愿者,和人体的身高150厘米到185厘米不等。

根据房间环境复杂性布局分为三个层次,包括空环境,正常环境和复杂的环境。首先,空环境描述周围没有人和家具。我们获得高质量的无线信号的空房间由于低噪音和把它当作一个基线WiAR数据集。然后,正常环境包含家具和劳动人民。空环境相比,多路径效应反映在家具丰富收集无线信号。最后,一个复杂的环境与家具和移动的人增加人类活动识别的难度。WiAR数据集节中给出的性能8。

3.4。众包WiFi信号和骨骼关节

Crowdsourced-based应用程序(30.- - - - - -37)已经越来越多地由收集数据在互联网领域,降低成本。宏观的网络,工作(30.)提出了一个crowdsensing-oriented移动cyber-physical系统提供维塔的实际使用情况。微程序级无线网络的相关工作(38- - - - - -41已被称作]利用群体感知无线信号来检测用户的位置。

在我们的工作中,我们试图收集WiFi信号与众包骨架关节减少培训负担收集活动数据集。我们获得活动标签利用Kinect的用户的帮助。众包无线信号的框架和骨架关节如图2。

4所示。概述HuAc

4.1。观察

以下观察来自我们的结果和之前的作品(20.,42- - - - - -44]。

室内环境对无线信号的影响的差异随着时间的推移。RSSI和CSI静态室内环境,保持稳定和RSSI波动范围从0 dB - 5 dB(空环境:0 - 3分贝;家庭环境:鹿数据库;办公室:0 - 5分贝;动态环境:5 - 10 dB)。尽管RSSI急剧变化和环境变化,它不能描述室内环境的细粒度的变化由于多路径效应。然而,CSI能够感觉细粒度的变化环境和检测在一个室内环境中发生的事情。具体来说,RSSI只能找到环境变化,不能感觉环境如何变化。CSI可以找到是什么原因导致环境变化等也可以识别环境变化如何跟踪、识别传感环境,活动。

很难区分类似的活动。现有的工作(2,15,45识别]探索类似的活动。例如,WiFall [2]提取七个特征来描述秋天行为因为类似的活动导致CSI的类似的模式,很难区分他们只使用异常检测。以下RT-Fall系统采用CSI相位差段下降,像活动因为CSI的相位差是一个比CSI振幅签名活动识别更加敏感。CSI的阶段取决于洛(视线)长度的变化。因此,类似的活动的切入点识别基于物理的区别类似的活动。

相同的活动由不同的人有不同的信号模式。根据我们的观察,CSI反映在同一活动的振幅变化不断在不同的时间和环境。因此,我们无法识别活动根据CSI的振幅精度高。信号的变化模式反映在一个活动可以描述活动的特点,验证了烟(25]。因此,我们探索信号的变化模式认识到一个活动。

活动与不同方向活动识别的影响。为了探索方向活动识别的影响,我们设计一个简单明了的实验在操场上因为操场上没有丰富的多路径效应和其他无线设备。我们探索四个方向的影响包括东、西、北,南信号的变化模式,脸和回AP之间的差异是最大的。此外,CSI数据收集在操场上比在一个室内环境中含有更少的噪音。

4.2。HuAc框架

kinect的HuAc框架由模块和基于wifi模块图3。我们描述每个模块的细节,分别。

Kinect模块包括预处理和态势分析。我们发现骨骼关节的重叠使用统计方法和完整的骨骼关节的正常化。为了获得有效的骨骼关节的特点,分析活动的姿势根据骨骼关节的序列。此外,我们设计一个选择方法的骨骼关节叫压根据姿态分析的结果。最后,我们提取的特征根据有效的骨骼关节和骨骼关节也考虑相邻关节的空间关系意义上人类活动的辅助信息。

无线模块包括预处理和特征提取。在预处理阶段,我们检测和删除活动的异常数据序列的方差RSSI反映在一个活动。删除离群值数据后,我们利用加权移动平均平滑活动数据。特征提取,我们首先分析CSI的振幅分布反映在一个活动来评估活动副载波的敏感性。然后,我们使用——集群算法有效的副载波。最后,我们从有效的副载波提取重要特征来提高人类活动识别的稳定性。

我们使用CSI的组合信息功能和骨骼特征集合作为输入的SVM识别人类活动。相比之下,的结果predict_label我们给一个反馈,之前HuAc框架使用的过程train_label,分别。

5。Kinect模块

我们主要描述的细节Kinect模块在人类活动的认可。Kinect模块包含预处理和态势分析。

5.1。预处理

收集到的骨骼数据包含空值由于骨骼关节的重叠或遮挡的动作感应游戏。因此,我们需要检测重叠的关节和取代无效值恢复关节重叠的真正价值。我们利用相邻关节的坐标之间的关系来检测重叠的关节。当然,我们丢弃的样品一个活动时无效的关节超过阈值的百分比。

无效的数据恢复后,我们正常骨骼关节的坐标由于不同人的身高和用户与传感器之间的距离。工作(7)提取关节(除了右肩,左肩,右髋部,和左臀部)关节在图4,我们探索副载波与类似的模式反映了人体。因此,我们选择关节匹配副载波。让是其中一个关节被Kinect,坐标向量是由 在哪里包含3 d是向量归一化的坐标th联合检测到Kinect。因此, 在哪里是可实现的比例因子骨架根据距离 ,颈部和躯干之间的关节的参考框架,和 转换矩阵, ,需要设置坐标系统的起源到躯干。在预处理阶段之后,我们获得高质量的骨架数据。

5.2。姿势分析

一个活动由subactivity序列。根据人体骨骼结构,分为两个部分包括上半身和下半身。上半身包含五个关节(右手肘,左肘,右手,左手,和头部)和两个基线关节(颈部、躯干)如图4。下半身包含四个关节(右脚,左脚,右膝盖,左膝盖)。我们复制跟踪的骨骼关节使用QT工具和情节每个活动的轨迹图。我们观察到邻关节保持类似的轨迹图5,一些关节轻微运动受人类活动的影响。例如,当右手肘和右手顺时针方向完成水平臂波,我们观察到右臀部和左髋关节有轻微的运动。

根据关节的变化序列,我们可以部分活动分成几个子活动的方向和暂停的因素。横臂波行为包括四个姿势(子活动)如图6。每个subactivity大致包含框架和代表了th框架通过Kinect(包)的活动报道。我们可以评估的活动根据subactivity序列。除了每个subactivity相关关节,躯干和臀部关节有一个弱的摇摆。我们忽视弱秋千活动识别的影响。我们更加注重选择以下部分的骨骼关节。

5.3。行业:选择骨架关节

我们设计一个选择骨架关节叫压的方法来描述一个细粒度的subactivity。姿势分析之后,我们知道subactivity和关键骨架关节之间的关系。我们花费人类骨骼的协调系统微型subactivity骨架通过上述关系协调系统。微型协调系统需要确定一个固定的骨骼关节和不同的子活动有不同的固定骨架关节。例如,我们观察到肩关节的过程是一个固定的关节臂波高的行为。因此,我们确定的起点坐标微型subactivity对应协调系统。

6。无线网络模块

我们引入无线模块的设计细节上人类活动的认可。无线模块包括预处理和特征提取。

6.1。预处理

收集到的数据与噪音增加活动识别的困难由于微小的声音和WiFi信号之间的差异反映在一个细粒度的活动。离群值数据也削弱收集数据的质量。因此,我们使用variance-based方法检测离群值,使用低通滤波器去除高频信号。此外,我们减少过滤后的锯齿波信号通过使用加权移动平均线。

但是。异常值检测和消除高频

离群值对收集数据的质量有重要影响,因为离群值的波动强度增加或减少无线信号。我们分析一个活动的RSSI分布评估可能的experience-threshold。然后,我们结合RSSI的方差和experience-threshold检测离群值。删除离群值数据后,CSI的活动对应于低频变化根据CSI的波形反映在一个活动。因此,我们采用低通滤波器去除高频数据图7。

6.1.2。加权移动平均线

过滤后的信号,信号数据仍然包含锯齿波。因为CSI是敏感的室内布局或人体运动,和收到CSI波动造成的环境很难区分波动引起的细粒度的活动。因此,我们顺利CSI数据使用中提出的加权移动平均WiFall [2]。我们随机选择副载波的副载波的对应Kinect技术的骨骼关节。每个CSI流包含副载波, 。 是第一副载波CSI的时间吗 。 表示第一副载波的CSI序列 。最新的CSI的重量 ,第二个最新 ,等等。CSI系列的表达式如下所示: 在哪里是平均新CSI。的价值决定在什么程度上的当前值与历史记录。在我们的研究中,我们选择根据经验和试验方法。我们第一组作为这意味着的长度吗包。加权移动平均算法和中值滤波产生类似的影响在原始信号接收器在图记录7。他们可以消除信号和缓解的难堪的急剧变化的信号。与增加,加权移动平均算法变得更光滑比低通滤波器和中值滤波器。最后,我们组来因为每个活动产生急剧的变化包周期。

6.2。特征提取

很多相关工作总结人类活动识别的特征提取的重要性,一个动态的室内环境。平滑CSI后我们部门活动,每个活动根据活动特征的提取特征。kinect特性提取报价工作(3]。

6.2.1。活动分割

活动分割主要检测活动的开始和结束,消除了nonactivity数据包从一个对应于整个活动的样品。我们提出两种方法来检测活动的开始和结束,提高分割算法的鲁棒性。首先,我们把第一第二和最后的数据序列活动的减少错误在我们的实验环境中真正的活动序列。但这种方法无效在实际环境中由于未知的时间,每个活动开始。因此,我们利用移动的方差CSI检测每个活动的开始和结束。移动的方差CSI描述当地的数据包的不同反映的活动。数据包序列被定义为相应的活动 。代表数据序列(样本)的一个活动代表了包的数据序列。我们经常用标准差代替CSI的方差如下: 在哪里代表步长和是样本的平均值。

我们每构建一个窗口数据包从每个样本的数据包序列并计算方差的窗口。然后,我们构建移动方差直方图和比较与其他实力的窗口。最后,我们可以检测出锋利的每个活动,大致认识到每个活动的开始和结束从数据序列。活动的开始和结束时间,如图所示8。红色圆圈描述了CSI的急剧变化收集数据的起始点,但这并不是真正的一个活动的开始。红色矩形代表活动的持续时间。此外,黑色虚线大约代表真正的开始和结束的活动。根据我们的实验结果,检测活动的开始和结束仍然引起小错误信号的敏感性。

6.2.2。副载波选择和功能检测

根据我们的观察,副载波有类似倾向于相同的活动图9,但他们有不同的敏感性。因此,我们选择明显的副载波反映在一个活动使用——实现人类活动识别的鲁棒性。30副载波分为集群使用算法则在图10。根据输出的我们提取算法则在副载波,CSI功能包括方差,CSI的信封,信号熵,信号变化的速度,平均绝对偏差,运动期间,归一化标准差。最后,我们构建CSI的特性集。

7所示。HuAc:活动识别

我们探索CSI-based之间的关系和人类活动skeleton-based方法识别图11。CSI-based方法利用信号模式识别一个活动。skeleton-based方法使用骨骼关节的坐标变化识别相同的活动。从实验结果的意见,一个活动与回美联社更复杂的CSI模式和较小的振幅比,美联社报道。

我们主要介绍几种分类算法使用的人类活动识别领域包括资讯、随机森林、决策树、支持向量机。在下面几节中,我们证明SVM的性能优于他人。我们选择支持向量机分类算法识别WiAR 16活动数据集。CSI特性集和骨架特征集作为支持向量机训练优化模型的输入来实现稳定的活动识别的准确性。支持向量机的输出控制 , ,和 。我们评估的性能分类算法根据精度和实现活动识别使用的准确性 。根据之间的匹配程度和 ,我们获得假阳性率和假阴性率。我们分析的结果,给一个反馈前一步。根据反馈,我们更加注重活动精度较低。

8。实施和评价

8.1。实现

8.1.1。实验装置

我们使用一个商业TP-Link无线路由器作为IEEE 802.11 n美联社的发射机操作模式在2.4 GHz。400年Thinkpad笔记本电脑运行Ubuntu 10.04作为接收器,配有现成的英特尔5300卡和修改后的固件。过程中接收无线信号,接收器ping 30袋从路由器和记录每个数据包的RSSI和CSI。三个实验环境包括空房间、会议室和办公室在图所示12。

8.1.2。实验数据

我们从三个案例处理数据:基于wifi活动数据在不同的室内环境,我们收集活动数据。为骨骼数据,我们直接利用对数据集(3骨骼数据)。为环境数据,我们主要收集数据的空房间,会议室,办公室与人类。我们的目标是探讨环境因素对无线信号的影响和分析活动之间的差异和环境变化对WiFi信号根据上述三种类型的数据。

我们收集无线信号来构建一个名为WiAR其中包含的新数据集活动与次由10志愿者。节中介绍了WiAR的细节3。对包含RGB视频(.avi),深度视频(.avi),骨架点(. txt)。每个志愿者执行活动次从20 - 30岁,身高150 - 180厘米。在本文中,我们唯一的选择活动目标活动列在表中1。

我们设计三个实验方案分析活动识别的准确性。首先,我们收集RSSI和CSI认识到一个活动的参考点。其次,我们利用对中国认识到一个活动的骨架数据通过使用我们的方法与以前的方法(3在同样的室内环境。第三,我们提出了CSI与框架结合数据融合方案来识别一个活动。此外,我们设计一个实验方案,志愿者与重复执行一个活动次了。实验方案的目标是调查CSI变化的周期性规律受到相同的活动。

8.2。评价WiAR数据集

我们分析所有志愿者的活动数据评估的性能WiAR数据集使用资讯和投票,随机森林,决策树算法。

我们研究副载波和天线性能的影响的活动识别通过使用四个分类算法表所示2。这表明使用SVM优于其他分类算法和精度副载波通过副载波选择机制增加当与活动识别使用副载波。三天线等,B和C增加CSI数据的多样性,保持多活动的识别精度。四个算法验证WiAR数据集的有效性。

8.3。评估活动的识别

8.3.1。使用RSSI活动识别的性能

部分评估RSSI的人类活动识别的性能。我们遇到的困难使用RSSI活动识别的过程是如何处理多路径效应引起的室内环境和反射效应引起的人类行为。我们选择一个室内环境作为参考环境保持静态和只包含一个志愿者和经营者。我们利用RSSI方差作为SVM的输入来获取的在静态环境中平均识别的准确性。当别人移动和接近WiFi信号的控制区域,活动识别的准确性降低高稳定性。等活动的脸低精度或双手波,向前踢,踢,和高抛。平均误判率和增加在动态环境中。因此,人类活动识别使用RSSI需要CSI-based方法的帮助提高人类活动识别的准确性和鲁棒性。

8.3.2。使用CSI活动识别的性能

本节阐述了干扰因素对人类活动的影响,识别使用CSI从以下四个方面:人类的多样性,类似的活动,不同的室内环境,和训练集的大小。此外,我们保持固定位置的志愿者和接收机之间的距离设备和发射机设备在整个实验。

人类的多样性的准确性的影响。人类的多样性不仅增加了CSI的多样性信息也提出了活动识别的困难,因为不同的人有不同的运动方式,如速度,高度,和力量。我们实现所有志愿者在图的平均识别精度(13日)。我们选择两个志愿者包括志愿者和志愿者B来验证准确性的影响人类的多样性。志愿者经常定期锻炼获得平均识别的准确性。志愿者很少在日常生活练习达到B平均识别的准确性。因此,锻炼经验增加活动由于标准活动之间的差异,提高了识别精度。

类似的活动的准确性的影响。我们探索两组类似的活动包括臂波高、水平臂波,高抛,扔纸在图13 (b)。第一组活动实现的平均识别准确性和第二组。类似的活动的假阳性是高于独立活动。例如,向前踢和侧踢也属于类似的活动,以及它们之间的区别是移动的方向。为了获得更好的准确性,我们将考虑移动方向的信号变化的影响在未来工作。

室内环境对精度的影响。如图12有三个实验环境,包括空房间,会议室,办公室的复杂性。精度大约三个环境如图13 (c)。会议室的准确性优于其他两个环境,然后准确性空房间和由于多路径效应的办公室。会议室生成的平均误差平均误差在办公室由于路径的过度反映在身体。我们将深入探索多路径效应在未来使用CSI的振幅和相位的工作。

培训规模对精度的影响。我们设计三个证明方案分析人类活动识别的准确性通过使用不同的培训尺寸图13 (d)。我们首先介绍三个活动集和三个训练集。活动组由水平臂波、臂波高、高抛,扔纸。活动组包含或双手波和拍手活动。活动组包括电话,画勾,画x,喝水。此外,这些活动组来自同一个人。随着培训的大小增加,活动识别的准确性的提高活动组 。活动组精度很低,因为活动吗包含更多的类似的活动。虽然活动组也包含类似的活动,精度比活动集由于活动的力量。

8.3.3。kinect和基于wifi活动之间的识别性能

RSSI的波形与噪声很难保持稳定控制区域变化时在收集数据。因此,我们使用波形形状的RSSI认识到一个活动不是一个更好的选择对于当前的技术水平。CSI的波形模式可以描述一个活动与信誉和细粒度的方法。映射CSI-based和kinect活动识别各种活动之间的关系是通过几个参数表所示3。环境因素评估通过使用多路径的数量和室内环境的复杂性。为了延长传感应用领域的活动,我们构建CSI-based和kinect活动识别之间的映射关系。的映射关系可以避免信息丢失。例如,一旦失去了的两个数据集,活动识别系统仍然是通过使用另一个数据集信息。

我们从对评估人类活动识别的性能数据集(3]。最高识别率(侧踢,拍手),而最糟糕的是(高)。我们建议选择骨架关节叫压法改善活动识别的准确性,降低计算成本。压达到的平均识别精度。现有三个活动,如臂波高,画踢,和坐下来,实现低精度 , ,和 ,分别。表4显示了四种方法的性能包括CSI-based KARD-based(骨架关节),SSJ-based, HuAc。粗体显示的表行skeleton-based方法优于CSI-based方法活动识别的准确性。表行斜体的字体显示,CSI几个活动敏感。HuAc改善活动识别的准确性和稳定性的增加活动识别动态室内环境。我们关注活动识别算法或系统的稳定性在未来工作。

9。案例研究:动作感应游戏使用WiFi信号

我们介绍了应用基于工作的动作感应游戏。目前,Kinect为角提供了限制水平视角的垂直视角57.5°,43.5°,和距离限制范围从0.5米到4.5米。此外,Kinect失去了感知能力发生障碍时,切断游戏用户在控制区域。我们工作的一个有趣的问题是,我们更加注重活动本身,我们不关心用户位置。然而,Kinect的位置需要调整用户在活动之前识别来实现传感。因此,我们将提出一个框架,而不是Kinect在未来使用WiFi当人类活动识别的精度可以满足要求的室内环境。

我们的体感游戏列表使用WiFi信号图14。一个或两个人是位于中间的传输和接收终端和延长电视和用户之间的距离。蓝色虚线下面的区域代表了控制区域,人类行为和我们的工作可以在10 m和实现更好的性能在黑圈的范围。用户运行相同的活动以及电视机,和接收终端收集相应的数据。信号处理的阶段,我们实现一个活动和匹配概率的游戏电视机。一旦匹配结果满足阈值,活动识别匹配成功的动作感应游戏使用WiFi信号。

10。讨论和未来的工作

10.1。扩展到阴影识别

在我们的研究中,我们考虑WiFi信号之间的关系和人类活动骨架上的数据识别。此外,我们描述影子活动识别的有趣的话题。阴影是一个很重要的问题,建立活动识别或监视;然而,基于wifi活动识别可以感知人类行为通过墙壁或阴影。首先,我们探索CSI的特点提高传感能力利用高精度设备。其次,无线信号可以帮助建立活动识别来提高感知环境的能力。在这项研究中,我们也需要考虑材料的衰减。根据我们的观察,有一个小墙反射的影响和身体之间的区别在WiFi信号反射。WiVi [14穿]利用阵列天线技术探索感知行为通过使用CSI和分析信号的抵消反射和衰减的墙上。我们建议研究人员阅读本文后和他们的工作(11]。

10.2。扩展到多个人们活动的认可

多人活动识别需要多个APs获得更多人体信号反映的信息。目前,现有的作品可以定位目标位置(46和检测数量19多人使用CSI的室内环境。Kinect活动识别系统识别两个骨架(六个骨架Kinect 2.0)和位于骨架六人。因此,无线信号的组合和Kinect促进多人活动识别的发展。在未来,我们的团队希望深入研究无线信号的特点,提出一个新的框架来促进人类活动识别的实际应用在社会生活。

10.3。数据融合

骨骼数据检测为每个活动各关节的位置和跟踪人类行为的轨迹。CSI能感觉到一种细粒度的活动不附带设备在复杂的室内环境。CSI之间的平衡点和骨架关节和有效的特征选择方法为提高融合信息的质量的重要因素。此外,时间同步融合的信息也在人类活动识别领域一个重要的挑战。

11。结论

在我们的工作中,我们构造一个基于wifi公共活动数据集命名WiAR和设计HuAc,人类活动的一个小说框架识别使用CSI和众包骨骼关节,改善活动识别的鲁棒性和准确性。首先,我们利用CSI的移动变化检测的开始和结束的一个活动,采用CSI的分布来描述每个活动的细节。此外,我们还选择几个有效的副载波使用则算法改善活动识别的稳定性。然后,我们设计压方法的基础上,对中国认识到类似的活动通过利用空间关系和相邻关节的角度。最后,我们解决的局限性CSI-based和skeleton-based活动识别使用融合信息。我们的研究结果表明,HuAc达到93%的平均识别准确性WiAR数据集。

的利益冲突

作者宣称没有利益冲突。

确认

国家自然科学基金支持的工作是中国没有。61733002和中央大学的基础研究基金。DUT17LAB16也没有。DUT2017TB02。这项工作也由天津重点实验室先进的网络(坦克),计算机科学与技术学院,天津大学,天津300350年,中国。

引用

1. l . Chen j·霍利,c·d·纽金特·d·j·库克和z,“传感器识别活动,”IEEE系统,人,控制论,C部分:应用程序和评论,42卷,不。6,790 - 808年,2012页。视图:出版商的网站|谷歌学术搜索
2. c .汉k . Wu y . Wang和l . m .倪”WiFall: device-free跌倒检测到无线网络,”美国第33 IEEE计算机通讯大会上(IEEE INFOCOM 14),页271 - 279年,多伦多,加拿大,2014年5月。视图:出版商的网站|谷歌学术搜索
3. 美国Gaglio、g . Lo再保险和m . Morana“人类活动识别过程,使用三维姿态数据”IEEE人机系统,45卷,不。5,586 - 597年,2015页。视图:出版商的网站|谷歌学术搜索
4. h . Abdelnasser k .餐桌,m·优素福”假发演示:一个无处不在的基于wifi的手势识别系统,”《IEEE计算机通讯大会上车间(INFOCOM WKSHPS 15),17 - 18页,IEEE,香港,2015年5月。视图:出版商的网站|谷歌学术搜索
5. 答:提高身价,布兰科,b . Schiele”教程人类活动识别使用穿在身上的惯性传感器,”ACM计算调查,46卷,不。3、第三十三条,2014年。视图:出版商的网站|谷歌学术搜索
6. A . Avci博世,m . Marin-Perianu r . Marin-Perianu和p .真的,做出“活动识别使用惯性传感医疗、健康和运动的应用:一项调查,”2010年《弧。视图:谷歌学术搜索
7. l . j .韩邵、d .徐和j . Shotton”增强计算机视觉与微软kinect传感器:复习一下,”IEEE控制论,43卷,不。5,1318 - 1334年,2013页。视图:谷歌学术搜索
8. 和美国的k .比斯华斯巴苏,“手势识别使用微软的Kinect,”学报》第五届国际会议上自动化、机器人技术和应用程序(ICARA 11)2011年12月,页100 - 103。视图:出版商的网站|谷歌学术搜索
9. y y . Wang j . Liu, m . Gruteser j .杨和h·刘,“E-eyes: Device-free面向位置活动识别使用细粒度的WiFi签名”诉讼20 ACM一年一度的移动计算和网络国际会议上,MobiCom 2014,页617 - 628,美国2014年9月。视图:出版商的网站|谷歌学术搜索
10. m . w . Wang a . x Liu沙赫扎德,英国,和美国,“理解人类活动和建模基于无线信号的识别,”诉讼21年的移动计算和网络国际会议上,MobiCom 2015,页65 - 76年,巴黎,法国,2015年9月。视图:出版商的网站|谷歌学术搜索
11. f·阿迪,彭译葶。许,h .毛、d . Katabi和f·杜兰,“捕捉人类图通过一堵墙,”ACM交易图片,34卷,不。6,货号。219年,2015年。视图:出版商的网站|谷歌学术搜索
12. 帕特瓦瑞j·威尔逊和n,“透明的墙:运动跟踪使用variance-based无线电断层扫描网络,”IEEE移动计算,10卷,不。5,612 - 621年,2011页。视图:出版商的网站|谷歌学术搜索
13. f·阿迪,z . Kabelac, d . Katabi“多人通过射频身体反射,本地化”第12届USENIX学报》研讨会上网络系统设计和实现,NSDI 2015美国,页279 - 292,2015年5月。视图:谷歌学术搜索
14. f·阿迪和d . Katabi看穿墙壁与无线网络!,“在会议应用程序的程序,计算机通信技术、体系结构和协议(ACM SIGCOMM”13)2013年8月,页75 - 86。视图:出版商的网站|谷歌学术搜索
15. b方:d·莱恩·m·张a . Boran和f . Kawsar”BodyScan:使同为非接触式传感在可穿戴设备活动和生命体征监测,”学报》第14届国际会议在移动系统中,应用程序和服务,经验2016新加坡,页97 - 110年,2016年6月。视图:出版商的网站|谷歌学术搜索
16. z Cheng l .秦y,黄问:问:田,“人类日常行为分析与多视点和颜色深度数据,”课堂讲稿在计算机科学(包括子系列讲义在人工智能和课堂讲稿在生物信息学):前言,卷7584,不。2,52 - 61年,2012页。视图:出版商的网站|谷歌学术搜索
17. p·巴尔和v . n . Padmanabhan”雷达:在建RF-based用户位置和跟踪系统,”学报第19届IEEE计算机和通信的社会联合会议(IEEE INFOCOM ' 00),卷2,页775 - 784,特拉维夫,以色列,2000年3月。视图:出版商的网站|谷歌学术搜索
18. j . Gjengset j . Xiong, g。麦克菲利普k吞云吐雾,“移相器:使相控阵信号处理商品的WiFi接入点,”诉讼20 ACM一年一度的移动计算和网络国际会议上,MobiCom 2014,页153 - 163,美国2014年9月。视图:出版商的网站|谷歌学术搜索
19. c .徐积雪,r·s·摩尔et al .,“这:室内device-free多种学科计数和本地化使用无线电信号强度,”学报》第12届国际会议在传感器网络的信息处理(IPSN 13),页79 - 90年,费城,宾夕法尼亚州,美国,2013年4月。视图:出版商的网站|谷歌学术搜索
20. k . Kleisouris积雪,r·霍华德,y,, r·p·马丁”与信号强度描述符检测intra-room流动性,”学报》第11届ACM国际研讨会上移动Ad Hoc网络和计算,MobiHoc 2010,页71 - 80,美国2010年9月。视图:出版商的网站|谷歌学术搜索
21. z杨、吴c和y . Liu”定位在指纹空间:无线室内定位几乎没有人工干预,”《第十八届移动计算和网络国际会议(Mobicom 12)2012年8月,页269 - 280。视图:出版商的网站|谷歌学术搜索
22. l .太阳,s . Sen, d . Koutsonikolas”mobility-awareness无线局域网使用PHY层信息,”第十届ACM国际研讨会论文集在新兴网络实验和技术,CoNEXT 2014澳大利亚,53 - 65页。2014年12月。视图:出版商的网站|谷歌学术搜索
23. 曾y、p h·帕沙克和p . Mohapatra“通过WiFi信号,分析顾客的行为”第二届研讨会物理分析,水渍险2015十三至十八页,意大利。视图:出版商的网站|谷歌学术搜索
24. w·k·阿里,a . x Liu Wang和m·沙赫扎德,“击键识别使用WiFi信号”诉讼21年的移动计算和网络国际会议上,MobiCom 2015,页90 - 102,法国,2015年9月。视图:出版商的网站|谷歌学术搜索
25. l . x郑,j . Wang上官,z,和y . Liu,”斯莫科:无处不在的吸烟检测与商业无线基础设施”学报》第35届IEEE国际会议上计算机通信、IEEE INFOCOM 20162016年4月,美国,。视图:出版商的网站|谷歌学术搜索
26. l .太阳,s . Sen, d . Koutsonikolas K.-H。金,“WiDraw:支持免提商品WiFi设备,在空中画出”诉讼21年的移动计算和网络国际会议上,MobiCom 2015,页77 - 89,法国,2015年9月。视图:出版商的网站|谷歌学术搜索
27. y . g . Wang邹,z, k . Wu和l . m .倪”我们可以用wi - fi听到你!,“在诉讼ACM的移动计算和网络国际会议(MobiCom 14),页593 - 604,毛伊岛,夏威夷,美国,2014年9月。视图:出版商的网站|谷歌学术搜索
28. 周k .钱c .吴z, y, z,和y . Liu”推断运动方向使用商品wi - fi互动Exergames”《2017年气会议1972年,页1961 - 2017年5月美国科罗拉多州丹佛市。视图:出版商的网站|谷歌学术搜索
29. 杨z z,周,刘y”从RSSI CSI:室内定位通过通道响应,“ACM计算调查,46卷,不。2、第二十五条,2013年。视图:出版商的网站|谷歌学术搜索
30. x, t·h·s .楚h . c . b . Chan和v c . m .梁”维塔:crowdsensing-oriented移动cyber-physical系统”,IEEE新兴主题计算,1卷,不。1,第165 - 148页,2013。视图:出版商的网站|谷歌学术搜索
31. 诉拉和m . k .滨”HiMLoc:室内智能手机通过活动了解行人航迹推算定位选择性众包无线指纹,”学报》国际会议室内定位和室内导航(IPIN 13)厚床单,页1 - 10,法国,2013年10月。视图:出版商的网站|谷歌学术搜索
32. 李x, x,大肠学术界。Ngai, v . c . m .梁和p . Kruchten“多维环境敏感的社交网络架构已被称作移动群体感知,”IEEE通讯杂志,52卷,不。6,78 - 87年,2014页。视图:出版商的网站|谷歌学术搜索
33. x胡锦涛和v c . m .梁“干旱区环境敏感已被称作移动群体感知车辆的社交网络”的IEEE ISCCGC,2015年。视图:谷歌学术搜索
34. 陆,z曾庆红,l . Wang b·派克d·乔·m·西格尔,“围wi - fi报道:一个众包的方法利用物理层信息,”《第13届IEEE国际会议传感、通信、和网络,SECON 2016英国2016年6月。视图:出版商的网站|谷歌学术搜索
35. z Ning, x, z . Chen等人“合作Quality-aware社会网络服务访问系统的车辆,“IEEE物联网1 - 1页。视图:出版商的网站|谷歌学术搜索
36. z Ning, f·夏,n . Ullah x, x和,“车辆社交网络:启用智能移动,”IEEE通讯杂志,55卷,不。5,16-55,2017页。视图:出版商的网站|谷歌学术搜索
37. z Ning, x, x,和w·侯”Social-aware组地层框架,信息扩散在窄带互联网的事情,”IEEE物联网1 - 1页。视图:出版商的网站|谷歌学术搜索
38. Rai, k . k . Chintalapudi v . n . Padmanabhan和r·森“Zee:零代价众包室内定位,”《第十八届移动计算和网络国际会议(Mobicom 12)2012年8月,页293 - 304。视图:出版商的网站|谷歌学术搜索
39. y Sungwon, p . Dessai m . Verma和m . Gerla“FreeLoc: calibration-free众包室内定位”美国第32 IEEE计算机通讯大会上(信息通信的13)意大利的都灵,页2481 - 2489,,2013年4月。视图:出版商的网站|谷歌学术搜索
40. Z.-P。江,w . Xi,李x et al .,“沟通是众包:无线室内定位以CSI-based速度估计,“计算机科学与技术杂志》上卷,29号4、589 - 604年,2014页。视图:出版商的网站|谷歌学术搜索
41. l . y . Chen, a . m . Ortiz n . Crespi和l . Lv”定位在crowdsourcing-based dataspace:无线室内定位没有特殊的设备,”移动网络和应用程序,19卷,不。4、534 - 542年,2014页。视图:出版商的网站|谷歌学术搜索
42. l . Cheng和j·王”,如何保护我的美吗?非侵入性的用户标识为移动设备使用WiFi信号,”学报17 ACM国际研讨会上移动Ad Hoc网络和计算,MobiHoc 2016,页91 - 100,德国,2016年7月。视图:出版商的网站|谷歌学术搜索
43. 周z z, c .吴w .太阳,和y . Liu“LiFi:视距认同WiFi,”美国第33 IEEE计算机通讯大会上(信息通信的14)2014年5月,页2688 - 2696。视图:出版商的网站|谷歌学术搜索
44. 陈j . y . Wang, y, m . Gruteser h . Liu和r·p·马丁,“人类队列使用单点信号监测跟踪,”学报》第12届国际会议在移动系统中,应用程序和服务,经验20142014年6月,页42-54、美国、。视图:出版商的网站|谷歌学术搜索
45. j·d·h . Wang, y Wang, y,,李,“RT-Fall:实时和非接触式检测系统与商品WiFi设备,“IEEE移动计算,16卷,不。2、511 - 526年,2017页。视图:出版商的网站|谷歌学术搜索
46. 郭x, d .张、吴k和l . m .倪”MODLoc:本地化多个对象动态室内环境,”IEEE并行和分布式系统,25卷,不。11日,第2980 - 2969页,2014年。视图:出版商的网站|谷歌学术搜索

版权

版权©2018年灵灵郭et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。