基于網(wǎng)絡可視圖的室內人體狀態(tài)檢測研究①

吳哲 樊坤鵬 陳 濱 劉 愷 方路平

(*浙江工業(yè)大學信息工程學院 杭州 310023) (**浙江工業(yè)大學設計藝術學院 杭州 310023)

0 引 言

室內人體朝向檢測是一項重要且應用廣泛的技術，在體感游戲、醫(yī)學護理等領域都有著重要的作用。在體感游戲方面，目前大多數(shù)感知技術依賴于特定的傳感器，存在佩戴過程繁瑣且設備昂貴等問題，這對體感游戲的普及產(chǎn)生了一定的影響?；跓o線信號進行人體朝向檢測的方法可以更好地提高玩家游戲體驗。在醫(yī)學護理方面，人體朝向的檢測可以幫助護士更好地掌握臨床病人整體狀況，對可能出現(xiàn)的緊急狀況進行預警。

傳統(tǒng)無線信號的室內人體感知技術主要是基于接收信號強度(received signal strength，RSS)[1-3]，但RSS存在波動性大、不夠穩(wěn)定的缺點[4]。相比于RSS，信道狀態(tài)信息(channel state information, CSI)作為物理層信息將單值的RSS擴展至頻域，在頻域和時域上提供了更細的粒度信息，而且更加穩(wěn)定。近些年來，越來越多的研究人員開始使用CSI進行室內人體狀態(tài)的研究，丁偉利等人[5]提出了一種基于虛擬試驗箱的手勢識別算法。Liu等人[6]利用CSI信息設計了一個人體睡眠呼吸檢測系統(tǒng)，可以識別人體呼吸頻率、不同的睡姿和翻身動作。王金甲等人[7]通過研究多通道時間序列信號，提出了一種基于特征融合的活動識別方法，將整體精度提高到87.4%。文獻[8]中針對傳統(tǒng)無源室內定位存在的缺點，提出了基于樸素貝葉斯(NB)室內定位檢測方法，檢測精度達到了96%以上。

另一方面，研究人員將時間序列數(shù)據(jù)構建網(wǎng)絡可視圖，用復雜網(wǎng)絡理論對時間序列數(shù)據(jù)進行分析。Zhang等人[9]首先提出了把時間序列映射到復雜網(wǎng)絡的概念，并且發(fā)現(xiàn)規(guī)則秩序可以被不同的網(wǎng)絡測量指標表征。例如，Lucasa等人[10]介紹了一種把時間序列映射到復雜網(wǎng)絡的可視圖(visibility graph，VG)算法。進一步地，Luque等人[11]提出了新的網(wǎng)絡構建方法即水平可視圖算法(horizontal visibility graph，HVG)。在此基礎上，易娜[12]又提出了有限穿越水平可視圖算法(limited penetrable horizontal visibility graph, LPHVG)用于對時間序列數(shù)據(jù)的分析。

本文將網(wǎng)絡可視圖方法應用到室內人體朝向檢測中，將采集到的朝向數(shù)據(jù)類比時間序列構建VG、HVG、LPHVG網(wǎng)絡，通過網(wǎng)絡特征結合原始統(tǒng)計量對朝向數(shù)據(jù)進行朝向分類。具體來說，本文方法把檢測過程分為訓練階段和測試階段，訓練階段提取特征建立指紋庫，測試階段利用機器學習算法對測試數(shù)據(jù)進行分類。為了進一步提高分類的準確度，本文綜合了不同天線對上的CSI幅度和相位信息，來確定最終的估計朝向。

本文的主要貢獻在于：

(1) 使用CSI信息來對人體朝向進行檢測，部署簡單，抗干擾能力較強；

(2) 首次將網(wǎng)絡可視圖算法應用到室內人體朝向檢測中，實現(xiàn)對人體朝向的檢測；

(3) 使用了多種網(wǎng)絡構建方法，將網(wǎng)絡特征和原始數(shù)據(jù)統(tǒng)計量作為特征與機器學習算法相結合，實現(xiàn)對人體朝向的分類；

(4) 測試并討論了不同因素對分類結果的影響。

本文內容安排如下：第1節(jié)介紹系統(tǒng)的結構和原理；第2節(jié)講述特征提取的方法；第3節(jié)介紹實驗的環(huán)境部署、步驟和特征處理方法；第4節(jié)是分析實驗結果；第5節(jié)是對全文的總結。

1 系統(tǒng)結構和原理

1.1 信道狀態(tài)信息

實現(xiàn)方法的系統(tǒng)框圖如圖1所示。一個無線信道模型可表示為[13]

Y=HX+N

(1)

其中，X、Y分別是發(fā)送信號和接收信號向量，H是信道增益矩陣，N是加性噪聲向量。

圖1 系統(tǒng)框圖

根據(jù)正交頻分復用(orthogonal frequency division multiplexing，OFDM)[14]理論，H可表示為

H=[H1，H2，…，HM]

(2)

H(fk)=|H(fk)|eisin(

(3)

其中，M表示子載波的個數(shù)，fk表示第k個子載波，H(fk)表示第k個子載波的CSI，是一個復數(shù)，|H(fk)|為第k個子載波的振幅，

實驗中，可以通過CSITOOL[15]工具獲取CSI數(shù)據(jù)，并且每個CSI樣本由30個子載波序列構成。對于擁有多個發(fā)送和接收天線的多入多出(multiple in multiple out，MIMO)[14]系統(tǒng)，每個子載波可以組成一個維度為p×q的矩陣。因此， CSI信息是一個p×q×M的矩陣，其中p為發(fā)射天線數(shù)量，q為接收天線數(shù)量，M為子載波數(shù)量。

圖2(a)表示了人體在某一環(huán)境中同一朝向的2組CSI幅度曲線，可以看出同一朝向相同環(huán)境時的CSI基本保持穩(wěn)定；圖2(b)表示不同朝向的情況，可以看出CSI發(fā)生了變化且2組數(shù)據(jù)有明顯區(qū)分度。

1.2 CSI幅度相位信息提取

CSI狀態(tài)參數(shù)中，其幅度信息易于獲取，穩(wěn)定性高，因此大多直接利用CSI幅度信息作為原始的采集信息。由于發(fā)射端與接收端無嚴格時鐘同步，導致相位信息呈隨機分布狀態(tài)，無法被直接利用[16]。針對該問題，文獻[17]提出了利用子載波對稱性對原始相位進行線性變化，從而獲得穩(wěn)定的相對相位信息，本文也采用該方法進行相位信息的提取。

1.3 網(wǎng)絡可視圖

根據(jù)時間序列網(wǎng)絡化[9]的理論，將每個時間點視為網(wǎng)絡中的一個節(jié)點，而2個滿足可視化規(guī)則時間點間的連線視為一條邊，即可將單變量的時間序列數(shù)據(jù)映射到網(wǎng)絡結構中。

圖2 同一朝向與不同朝向CSI幅度曲線

圖3顯示了將時間序列數(shù)據(jù)映射為VG網(wǎng)絡的過程。圖3(a)是包含8個數(shù)據(jù)點的時間序列樣本，圖3(b)為對應的VG網(wǎng)絡，其中每個節(jié)點以相同的順序對應于時間序列數(shù)據(jù)。

圖3 時間序列數(shù)據(jù)映射為VG網(wǎng)絡的過程

在一個時間序列中，如果2個節(jié)點(垂直條的頂部)可以看到彼此，即當連接2個節(jié)點頂點的連線不與它們之間的任何數(shù)據(jù)相交時，則連接這2個節(jié)點。如(ta,ya)與(tb,yb)為時間序列中的2個任意數(shù)據(jù)點，如果它們之間的任意其他數(shù)據(jù)點(tc,yc)均滿足[10]

(4)

則稱(ta,ya)與(tb,yb)之間具有可見性。通過可見性判定來連接時間序列的各個節(jié)點，可以構造相應的VG網(wǎng)絡可視圖。

2 特征提取

2.1 原始特征提取

原始數(shù)據(jù)信息作為特征并不能很好地被分類器識別，而且會出現(xiàn)數(shù)據(jù)冗余的情況，不利于指紋庫構建，因此需要考慮從原始數(shù)據(jù)中提取能反映人體朝向變化的參數(shù)作為特征值。通過實驗分析，本文采用了以下統(tǒng)計量：CSI信息的最大值(MAX)、最小值(MIN)、標準差(STD)、均值(MEAN)、極差(RANGE)和中位數(shù)絕對偏差(MAD)作為機器學習特征。

2.2 網(wǎng)絡特征提取

2.2.1 網(wǎng)絡可視圖構建方法

本文在直接利用CSI幅度和相位信息的基礎上，進一步考慮子載波之間的關聯(lián)性，而這種關聯(lián)性也包含了有用的朝向信息。

具體來說，考慮把每個CSI子載波序列樣本類比成不同的時間序列，將每個子載波作為網(wǎng)絡中的一個節(jié)點，不同子載波之間依據(jù)不同的可視規(guī)則構成連邊，以此構建VG網(wǎng)絡、HVG網(wǎng)絡、LPHVG網(wǎng)絡。

圖4展示了把一個原始的CSI子載波幅度序列映射為VG網(wǎng)絡的過程。圖4(a)為一個包含30個子載波序列的CSI幅度樣本，橫軸表示子載波序號，縱軸表示各子載波的幅度值；圖4(b)為依據(jù)可視圖算法得到的連邊關系圖，其橫坐標表示與圖4(a)一一對應的子載波序號，縱坐標代表CSI幅度值。圖4(c)為構造的對應VG圖，圖中不同節(jié)點序號的連線代表1到30號子載波序列之間根據(jù)VG的構造規(guī)則得到的連邊關系。

(a) 原始CSI幅度子載波樣本序列

(b) CSI子載波幅度連邊關系圖

(c) 子載波映射VG網(wǎng)絡圖

可視圖網(wǎng)絡構建方法如下，對每個CSI樣本取任意2個點(子載波)(fa,Ya)和(fb,Yb)，其中fn代表第n個子載波，Yn表示第n個子載波的幅度值。若兩點之間的任意其他點(fc,Yc)滿足fa

(5)

則這2個子載波之間有連邊。通過以上算法，可以得到一個個由CSI子載波序列構建的網(wǎng)絡可視圖。

同樣地，我們可以得到基于CSI的水平可視圖網(wǎng)絡的構建方法：若任意2點(子載波)彼此水平可視，即對任意fa

Yc

(6)

成立，則這2個子載波之間有連邊。

進一步，有限穿越水平可視圖網(wǎng)絡的構建方法為：假設N(取N為1)為有限水平穿越視距，對每個CSI樣本取任意2個點(子載波)(fa,Ya)和(fb,Yb)，其中fn代表第n個子載波，Yn表示第n個子載波的幅度值。若這2個相隔M個點的點之間存在Q(0≤Q≤N)個數(shù)據(jù)點(fc,Yc)，其中fa

Yc>Ya或Yc>Yb

(7)

其余M-Q個點(fd,Yd)，其中fa

Yd

(8)

成立，則這2個子載波之間有連邊。

2.2.2 網(wǎng)絡特征地提取

圖5、圖6分別為同一朝向和不同朝向CSI子載波幅度連邊關系圖。由圖5可知，同一朝向的子載波幅度雖然受周圍環(huán)境影響會有所波動，但最終構建VG網(wǎng)絡子載波連邊關系還是有很大的相似性，說明提出的基于CSI信息構建的網(wǎng)絡可視圖有很強的穩(wěn)定性，即具有一定的抗干擾能力；而在圖6

圖5 同一朝向子載波連邊關系圖

圖6 不同朝向子載波連邊關系圖

中顯示不同朝向的CSI子載波幅度明顯不同，導致網(wǎng)絡的子載波連邊關系也不同。

(9)

其中，τi, Δ表示以節(jié)點i為中心的閉合三元組的個數(shù)，τi表示以節(jié)點i為中心的三元組的個數(shù)，ci表示節(jié)點i的聚類系數(shù)，N為構建網(wǎng)絡時的網(wǎng)絡節(jié)點的個數(shù)。

(10)

其中，ci表示節(jié)點i的聚類系數(shù)，N為網(wǎng)絡的節(jié)點總數(shù)。

(11)

圖7反映了VG網(wǎng)絡下的這3個不同網(wǎng)絡特征在4個朝向上的變化。由圖可知，這些網(wǎng)絡特征雖然具有一定的辨識度，但還并不能明顯區(qū)別不同朝向，這說明單從VG網(wǎng)絡提取的特征還不能很好地反映出子載波之間的關聯(lián)特性。為了更多地獲取子載波之間的關聯(lián)信息，本文構建了HVG、LPHVG 2種網(wǎng)絡，提取相應的3種網(wǎng)絡特征，并與VG網(wǎng)絡特征結合，用于最終朝向檢測的機器學習分類特征。

特征在不同朝向的變化 (b) Ec特征在不同朝向的變化

(c) kstd特征在不同朝向的變化

上述過程的偽代碼如算法1所示。

首先輸入采集的朝向CSI數(shù)據(jù)，然后對第i個CSI子載波序列樣本提取原始統(tǒng)計特征Fi，并依據(jù)不同的可視算法構建VG、HVG、LPHVG網(wǎng)絡Vi、Hi、Li，提取相應的網(wǎng)絡特征PV,i，PH,i，PL,i，最后將2類特征Fi與Pi融合得到Fi′=[Fi,PV,i,PH,i,PL,i]=[Fi,Pi]，計算預測朝向的分類P(di|Fi′)，并與實際朝向做對比，估計最終的朝向方向。

3 實驗步驟和數(shù)據(jù)預處理

3.1 實驗步驟

實驗中所用到的設備主要分為2部分即接入點(AP)和監(jiān)控點(MP)，分別為2臺裝有Intel 5 300無線網(wǎng)卡的筆記本電腦，并且都安裝Ubuntu 14.04 LTS操作系統(tǒng)和CSITOOL用于收集CSI數(shù)據(jù)。每塊無線網(wǎng)卡都提供了3根天線，理論上共可以得到9對天線鏈路，但實際中由于受到環(huán)境干擾及設備自身狀態(tài)影響，能夠穩(wěn)定提取的鏈路數(shù)為3根。

算法1基于CSI的網(wǎng)絡可視圖分類算法輸入:X//輸入朝向數(shù)據(jù) F//原始統(tǒng)計特征 V//VG網(wǎng)絡 H//HVG網(wǎng)絡 L//LPHVG網(wǎng)絡 P//網(wǎng)絡特征輸出:O//輸出朝向分類結果for each time point ido calculate normal features Fi /?構建VG、HVG、LPHVG網(wǎng)絡?/ construct network Vi, Hi, Li /?提取3種網(wǎng)絡相應的網(wǎng)絡特征?/ calculate network features PV,i, PH,i, PL,i for each orientation dido /? 將2類特征融合?/ Fi′=[Fi, PV,i, PH,i, PL,i ]=[ Fi, Pi] /? 計算預測的朝向方法?/ calculate P(di| Fi′) end for /? 與實際朝向對比,估計最終朝向的方向?/ O←argmax ? di{ P(di| Fi′)}

本文選取了2個環(huán)境進行實驗。第1個實驗環(huán)境為空教室，房間尺寸為8 m×12 m，如圖8所示；第2個環(huán)境為辦公室，房間尺寸為10 m×15 m，如圖9所示，環(huán)境較為嘈雜，多徑影響也比較嚴重。

圖8 實驗環(huán)境1(空教室)

圖9 實驗環(huán)境2(辦公室)

在這2種環(huán)境下，首先確定AP、MP的位置，然后選取AP、MP之間的一個固定點分別進行4個朝向和8個朝向實驗。4朝向實驗時，志愿者站在該位置點上沿順時針方向依次轉動90°，共4個朝向；同樣的，讓志愿者站在該位置點上，沿順時針方向依次轉動45°，可以得到8個朝向的數(shù)據(jù)。此外，本文設置數(shù)據(jù)包的發(fā)送速率為100個/s，每次數(shù)據(jù)采集時間為10 s。

在訓練階段和測試階段分別采集數(shù)據(jù)，并且保持2次采集時，人體所處位置保持不變。訓練階段將采集到的數(shù)據(jù)提取特征后錄入指紋庫，處理訓練數(shù)據(jù)并生成特征指紋庫；測試階段，利用本文所提方法對測試數(shù)據(jù)進行朝向的預測分類，并與實際朝向相對比，從而確定朝向檢測精度。

3.2 特征向量的處理

由于原始數(shù)據(jù)的統(tǒng)計特征與網(wǎng)絡特征是2種不同類型的特征，處理方法也有所不同，通過實驗分析，本文采用了如下方法。

(1) 對原始數(shù)據(jù)提取的特征，采用歸一化的處理方法。

(12)

(2) 對網(wǎng)絡特征，采用Z-score標準化方法進行處理。

XN=(Xo-μ)/σ

(13)

其中，XN表示歸一化后的數(shù)據(jù)，Xo表示歸一化前的數(shù)據(jù)，μ表示該數(shù)據(jù)的平均值，σ表示該數(shù)據(jù)的標準差。

4 實驗結果及分析

人體朝向檢測問題最終可以歸結為分類問題，本文采用了3種經(jīng)典的機器學習算法進行分類比較，分別為K近鄰(K-nearest neighbor，KNN)、樸素貝葉斯(na?ve Bayes，NB)和支持向量機(support vector machine，SVM)。

實驗首先研究了4朝向的分類檢測效果，如圖10所示，其中X軸為3種不同的算法，Y軸為檢測精確度。

圖10 辦公室環(huán)境4朝向檢測效果

結果表明，在較為嘈雜的辦公室環(huán)境，僅采用原始數(shù)據(jù)統(tǒng)計量作為特征對4朝向進行檢測都是有效的，最好的檢測精確度達到了99%。

在此基礎上，又進行了8朝向檢測來研究更加細?；氖覂热梭w朝向分類情況，實驗結果如圖11和圖12所示。

圖11 8朝向空教室3種方法檢測效果

圖12 8朝向辦公室3種方法檢測效果

由圖11和12可知，2種環(huán)境中，本文所提出的原始統(tǒng)計特征結合網(wǎng)絡測量特征進行8朝向檢測的方法都是最好的。檢測算法為KNN算法，教室環(huán)境下使用原始統(tǒng)計特征的精度為96.38%，而在結合了網(wǎng)絡特征后，檢測精度進一步得到提升，達到了98.66%，提高了2.3%；在多徑效應豐富的辦公室環(huán)境，結合網(wǎng)絡特征，提升效果更加明顯，比僅使用原始統(tǒng)計特征時提高了16%左右。這說明構建網(wǎng)絡提取的網(wǎng)絡特征對提升不同環(huán)境下的朝向檢測精確度都是很有效的，所選的網(wǎng)絡特征能夠表征不同朝向。

此外，只使用幅度信息提取的網(wǎng)絡特征比使用幅度和相位信息得到的網(wǎng)絡特征分類效果更好，這可能是因為相位信息對周圍環(huán)境過于敏感，使得它并不能反映出不同朝向所構建網(wǎng)絡的特性，故本文的實驗都只使用CSI的幅度信息提取網(wǎng)絡特征。

圖13和14給出了2種環(huán)境下8朝向分類效果的混淆矩陣。其中橫軸和縱軸分別代表該位置被分類到的朝向和真實朝向，每個色塊的顏色深淺表示該朝向分類到某個朝向的概率。對角線上的顏色越深，則說明該方向的朝向分類效果越好?？傮w來說，分類的大部分結果都集中在對角線上，即獲得了正確的分類。在圖13中，只有部分方向2的數(shù)據(jù)被誤分給了方向4，少量方向6的數(shù)據(jù)被誤分給了方向3，少量方向5的數(shù)據(jù)誤分給了方向2和4，而其他的都基本分類正確；而在圖14中，由于實驗環(huán)境比較嘈雜，方向誤判的數(shù)量也相對較多一些。

圖13 空教室下8朝向分類混淆矩陣

圖14 辦公室下8朝向分類混淆矩陣

此外，本實驗還記錄了4朝向和8朝向的訓練/測試的時間，以此來比較3種機器學習分類算法在本實驗的時間復雜度，結果如表1所示。

表1 不同算法的訓練/測試時間

由表1可知，無論是4朝向還是8朝向，算法用時最多的都為KNN，SVM次之，用時最少的為NB。所以，建議在實時性要求較高、精度要求較低的場景下可以使用NB算法；而在實時性要求較低，但精度要求較高的場景下使用KNN或SVM算法。

5 結 論

本文提出了一種基于網(wǎng)絡可視圖的人體朝向檢測方法，將時間序列網(wǎng)絡化的理論應用到了室內人體朝向檢測中，并利用機器學習算法進行朝向分類。通過實驗發(fā)現(xiàn)，僅使用原始統(tǒng)計特征進行朝向分類，就能夠達到很好的檢測效果；而將CSI信息進行網(wǎng)絡可視化，提取網(wǎng)絡特征并綜合原始CSI數(shù)據(jù)統(tǒng)計特征的方法，可以進一步提高朝向檢測的精確度。此外，本文還討論了不同的因素，如環(huán)境對實驗結果的影響，并且發(fā)現(xiàn)KNN和SVM算法效果優(yōu)于NB算法，8朝向的最佳檢測精度可以達到98.66%。

本文為室內人體狀態(tài)檢測提供了一種新方法，后續(xù)可以進一步開展多目標和室內移動狀態(tài)下的人體朝向研究。