• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于網(wǎng)絡可視圖的室內人體狀態(tài)檢測研究①

      2020-02-14 10:28:06吳哲樊坤鵬方路平
      高技術通訊 2020年1期
      關鍵詞:朝向視圖載波

      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。

      猜你喜歡
      朝向視圖載波
      朝向馬頭的方向
      遼河(2022年1期)2022-02-14 21:48:35
      朝向馬頭的方向
      遼河(2022年1期)2022-02-14 05:15:04
      烏龜快跑
      5.3 視圖與投影
      視圖
      Y—20重型運輸機多視圖
      SA2型76毫米車載高炮多視圖
      應急廣播系統(tǒng)中副載波的構建與應用
      低壓載波通訊測試儀的開發(fā)與應用
      朝向坐標
      上海制造(2013年11期)2014-03-26 08:02:06
      罗定市| 商丘市| 抚州市| 宜州市| 锦屏县| 滦平县| 吉木乃县| 荃湾区| 遵化市| 五大连池市| 翁源县| 丰顺县| 云浮市| 奉新县| 长葛市| 商城县| 连江县| 东辽县| 平谷区| 富平县| 墨玉县| 江阴市| 司法| 安多县| 沈丘县| 浦东新区| 贡山| 惠来县| 南涧| 徐州市| 双牌县| 林甸县| 鹤庆县| 蛟河市| 万源市| 苏州市| 德州市| 酒泉市| 芜湖县| 贵定县| 方山县|