基于信道狀態(tài)信息的非接觸式人員動作識別方法

郝占軍，張岱陽，黨小超，段 渝

（1.西北師范大學(xué) 計算機科學(xué)與工程學(xué)院，蘭州 730070；2.甘肅省物聯(lián)網(wǎng)工程研究中心，蘭州 730070）

0 概述

動作識別是當(dāng)前的熱門研究方向之一，具有廣闊的應(yīng)用前景［1］。傳統(tǒng)的動作識別技術(shù)基于傳感器以及攝像頭等設(shè)備，如文獻［2］利用視頻中提取的信息來識別人體行為動作。雖然利用攝像頭識別動作的精度較高，但是攝像頭在無光或弱光環(huán)境下無法有效工作，且存在拍攝盲區(qū)等問題?；趥鞲衅鞯膭幼髯R別技術(shù)應(yīng)用范圍廣泛，技術(shù)較成熟，如文獻［3］利用傳感器進行醫(yī)療動作識別，但多數(shù)傳感器需要進行穿戴，且傳感器的部署和維護成本較高。利用Wi-Fi 信號進行動作識別能夠有效克服上述兩種方法的缺陷。首先隨著Wi-Fi設(shè)備的大量部署，Wi-Fi 的普適性大幅增強，其次利用Wi-Fi 信號進行的動作識別屬于非侵入式檢測，較好地保護了用戶的隱私。到目前為止，很多相關(guān)研究都是以Wi-Fi 信號為基礎(chǔ)的，如文獻［4-5］利用Wi-Fi 信號進行室內(nèi)人員的定位，文獻［6］利用Wi-Fi 信號檢測人員的日常行為。

在基于Wi-Fi 信號的相關(guān)研究中，主要是利用從Wi-Fi 設(shè)備通信協(xié)議中媒介控制層提取的接收信號強度（Received Signal Strength，RSS）來進行研究，如文獻［7］使用RSS 信息進行室內(nèi)人員活動識別，但是由于RSS 受多徑效應(yīng)和窄帶干擾的影響較大，導(dǎo)致其不穩(wěn)定，對人體的動作不敏感，最終造成測量精準(zhǔn)度不高。相較于RSS，信道狀態(tài)信息（Channel State Information，CSI）具有更大的優(yōu)勢，CSI 是細粒度的物理信息，并且CSI 受多徑效應(yīng)的影響較小，具有較高的穩(wěn)定性。很多動作識別方法的設(shè)計是基于CSI的，如文獻［8］利用CSI 進行穿墻人體動作的檢測，文獻［9］檢測人的駕駛動作，文獻［10］使用CSI 進行細粒度的手勢識別。

本文提出一種基于CSI 的非接觸式人員動作感知方法Wi-Opera。離線階段采集大量京劇動作數(shù)據(jù)形成樣本集，利用巴特沃斯低通濾波器過濾高頻的環(huán)境噪聲，并運用多貝西小波（Daubechies Wavelets）及符號小波（Symlet Wavelets）對低頻部分進行去噪和平滑。通過PCA 算法提取每個動作的特征并為每個京劇動作建立各自的決策樹，將所有決策樹集成為隨機森林模型，并對其進行訓(xùn)練。在線階段采集動作的原始CSI 信號，經(jīng)過相同處理后輸入隨機森林進行分類識別，匹配每一棵決策樹，最終以多投票機制輸出識別結(jié)果。

1 相關(guān)理論

1.1 信道狀態(tài)信息

信道狀態(tài)信息（CSI）描述無線通信鏈路的信道特性。多路徑場景下的信道頻響R(f)表示為：

其中，K為多路徑的總數(shù)，αl為第l條鏈路的振幅信息，θl表示第l條鏈路的相位信息，δ(?)表示一個脈沖函數(shù)。根據(jù)正交頻分復(fù)用（Orthogonal Frequency Division Multiplexing，OFDM）技術(shù)，路由器采用相互正交的多載波傳遞信息［11］，可以從Wi-Fi 信道中提取到CSI 信息，在信道帶寬為40 MHz 時每組CSI 都含有114 個子載波的相位和振幅信息，其第k個子載波函數(shù)表示為：

其中，|fk|為第k個子載波的振幅值，j sinθk為相位值，相較于相位信息，振幅更加穩(wěn)定。因此，本文采用振幅信息作為特征值進行研究。

1.2 巴特沃斯低通濾波器

巴特沃斯低通濾波器是電子濾波器的一種［12］，目的是過濾由環(huán)境引起的高頻噪聲并保留由人體動作引起的低頻段CSI 信號，其幅度平方函數(shù)為：

其中，n為濾波器的階數(shù)，φc為截止頻率。過濾后的CSI 動作數(shù)據(jù)去除了高頻的環(huán)境噪聲，使低頻部分的動作信息得到保留。

1.3 小波變換

由于小波變換具有多分辨率以及時頻局部化方面的良好表現(xiàn)［13］，本文利用多貝西小波與符號小波對數(shù)據(jù)進行處理。多貝西小波也稱為db 小波［14］，其主要特性是能突出信號在某一方面的特征。小波函數(shù)的計算公式如下：

其中，a為小波函數(shù)的尺度，τ為平移量。Symlet小波是對db 小波的一種改進［15］，簡稱sym 小波。Symlet 小波具有更好的對稱性，因此能減少小波變換對CSI 信息進行拆分處理和重新構(gòu)組時的失真率。利用多貝西小波可以處理CSI 信息低頻部分，使其特征更加突出。然后使用Symlet小波處理，可以使CSI數(shù)據(jù)更加平滑。通過實驗得出利用多貝西3 號小波（下文稱db3 小波）進行5層分解后再利用Symlet8號小波（下文稱sym8小波）分解8 層，處理后的數(shù)據(jù)效果最好。

1.4 PCA 降維

PCA 算法是利用數(shù)學(xué)降維的方法找出一個或幾個綜合變量代替原來眾多的變量，使這些綜合變量盡可能多地反映原來變量的信息量［16］。在高維的空間中尋找一個低維的正交坐標(biāo)系，通過推導(dǎo)和投影，將高維的數(shù)據(jù)轉(zhuǎn)化為低維數(shù)據(jù)。PCA 算法的步驟為首先進行去中心化，求出每個特征的均值，再用每個特征的數(shù)據(jù)減去均值，然后計算協(xié)方差矩陣，其計算公式為：

其中，m為元素個數(shù)，piqi為矩陣中的元素位置。計算協(xié)方差矩陣的特征值以及特征向量，再將特征值從大到小進行排列，最后選取最大的特征。

2 Wi-Opera 方法

2.1 Wi-Opera 方法介紹

本文以京劇動作為對象進行研究。首先離線階段采集每個京劇動作的CSI 信息，并且把振幅作為每個動作的描述，將采集的CSI 原始信號進行預(yù)處理并用PCA 算法提取每個動作的特征值，利用提取的特征值為每個京劇動作建立各自的決策樹，將所有動作的決策樹集成為隨機森林模型并用樣本集進行訓(xùn)練。在線階段，采集實驗人員在不同的實驗環(huán)境中做出的動作數(shù)據(jù)并對所有數(shù)據(jù)進行預(yù)處理，最后將數(shù)據(jù)輸入隨機森林模型中識別出具體的京劇動作。圖1 所示為Wi-Opera 的流程。

圖1 Wi-Opera 方法流程Fig.1 Procedure of Wi-Opera method

2.2 數(shù)據(jù)獲取

本文共選取了6 個京劇動作，分別為生角、刀馬旦、青衣、老旦、凈角、丑角。通過支持IEEE 820.11N協(xié)議且搭載了Atheros AR9580 無線網(wǎng)卡的商用路由器采集CSI 京劇動作信號。實驗設(shè)置了2 根發(fā)射天線、3 根接收天線和6 條數(shù)據(jù)鏈路。

由于身體不同部位對信號的折射、反射和散射，導(dǎo)致每個動作對6 條鏈路的影響是不同的。但是由于每個動作都是站立動作，因此不同動作的區(qū)分主要是手臂以及腿部的位置。軀干部位的振幅對不同動作的區(qū)別度并不是很大，如果將6 條鏈路的數(shù)據(jù)全部進行訓(xùn)練會導(dǎo)致數(shù)據(jù)過于復(fù)雜，過于冗余的數(shù)據(jù)會使計算量上升從而使性能下降。

如何將一個動作中產(chǎn)生影響最顯著的鏈路提取出來是一個需要解決的問題。在上文的研究中發(fā)現(xiàn)手臂以及腿部對鏈路的振幅影響最大，所以選擇了能反映這3 個部位的鏈路作為該動作的特征。

本文對文獻［17］提出的鏈路選取方法進行改進，構(gòu)建一個適用于本文方法的模型。通過PCA 方法計算每條鏈路的主要影響因素，然后構(gòu)造拉格朗日函數(shù)［18］并對其求偏導(dǎo)從而為動作的每條鏈路賦予一個權(quán)重，選取權(quán)重前三的鏈路作為該動作的主要特征。

具體操作的偽代碼如下：

通過上述的鏈路選取操作，6 個動作的振幅特征如圖2 所示。

圖2 對應(yīng)于不同動作的CSI 振幅特征Fig.2 CSI amplitude characteristics corresponding to different actions

2.3 數(shù)據(jù)處理

2.3.1 動作數(shù)據(jù)降噪

由于環(huán)境噪聲的影響，CSI 振幅數(shù)據(jù)出現(xiàn)很多毛刺，掩蓋了人體動作引起的CSI 信號。為了去除環(huán)境噪聲，本文采用了Matlab 自帶的巴特沃斯低通濾波器。經(jīng)過實驗得出，設(shè)置通帶頻率為50 Hz，阻帶頻率設(shè)置為100 Hz，通頻帶波動設(shè)置為2 dB，阻帶衰減設(shè)置為3 dB 時濾波器過濾出的數(shù)據(jù)效果最好。然后將動作CSI 數(shù)據(jù)輸入設(shè)計好的濾波器中，最后得出濾波后的數(shù)據(jù)波形。根據(jù)巴特沃斯低通濾波器在通帶內(nèi)頻率響應(yīng)曲線具有最大限度的特性，保證了在濾掉噪聲的同時，保留了由動作引起的CSI 振幅真實變化。數(shù)據(jù)過濾前后的對比如圖3 所示，其中，圖3（a）方框中為噪聲數(shù)據(jù)波形。從圖3 可以看出，過濾后的CSI 信號變得平滑，證明利用該方法可以有效去除高頻環(huán)境噪聲。對于濾除高頻噪聲的信號，本文利用db3 小波及sym8 小波進行進一步處理。首先將數(shù)據(jù)輸入第一個小波函數(shù)中，第一個小波函數(shù)的波基函數(shù)設(shè)置為db3，細節(jié)系數(shù)為sure，分解層數(shù)為8。將經(jīng)過db3 小波處理后的數(shù)據(jù)輸入第二個小波函數(shù)中，第二個小波函數(shù)的波基函數(shù)設(shè)置為sym8，分解層數(shù)為5。通過小波函數(shù)的處理，進一步去除了噪聲，也使動作數(shù)據(jù)的特征更加明顯。

圖3 CSI 動作數(shù)據(jù)的降噪Fig.3 Noise reduction of CSI action data

圖4（a）為未經(jīng)過處理的數(shù)據(jù)，圖4（b）為經(jīng)過db3 小波以及sym8 小波處理后的數(shù)據(jù)。從圖4 結(jié)果可以看出，處理后的數(shù)據(jù)進一步去除了噪聲并且變得更加平滑，有利于下一步的特征提取。

圖4 小波變換處理前后數(shù)據(jù)的對比Fig.4 Comparison of data before and after processing using wavelet transform

2.3.2 特征提取

圖5所示為利用PCA算法提取的特征，其中，圖5（a）為一個丑角動作所有包的CSI信息，圖5（b）為利用PCA算法提取到其中的主成分信息。

圖5 PCA 算法提取的特征Fig.5 Features extracted by PCA algorithm

利用PCA 算法對去噪后的CSI 動作信息降維之后進行主成分的提取。首先將利用小波變換處理后的動作數(shù)據(jù)輸入到主成分分析函數(shù)［coeff，score，latent］中。其中，coeff 為各個主成分的系數(shù)，score 為各個主成分的得分，latent 為輸入動作數(shù)據(jù)的特征值。計算輸入動作數(shù)據(jù)的特征值貢獻率，若累計貢獻率到達85%以上，則可以使用此動作數(shù)據(jù)的特征信息表示該動作大部分信息。將該主成分提取出來作為輸入動作數(shù)據(jù)的主要特征。由于輸出的數(shù)據(jù)只有114 個特征，從而達到了降維的效果。

2.4 離線階段

2.4.1 決策樹

分類和回歸樹（Classification and Regression Tree，CART）算法是以實例為基礎(chǔ)的歸納學(xué)習(xí)算法，具有易于實現(xiàn)和高效性等優(yōu)點［19］。本文利用CART算法進行CSI 京劇動作振幅特征的劃分，所以只生成分類樹。分類樹的生成以基尼指數(shù)為基礎(chǔ)，計算公式為：

其中，N為樣本的個數(shù)，pn為樣本屬于第n類的概率?；嶂笖?shù)的意義是用來表示不確定性，所以對于一個給定的樣本集M，其基尼指數(shù)為：

其中，Cn為第n個樣本值。此時對于該樣本集M，根據(jù)其特征A是否取某個值a可以將M分為M1和M2兩個部分。在A的條件下，M的基尼指數(shù)表達式為：

其中，Gini(M,A)表示特征A在取a值分割樣本集M后的不確定性，相當(dāng)于根據(jù)A劃分的兩個集合分別求基尼指數(shù)，然后根據(jù)經(jīng)驗概率期望得到特征A下的M的基尼指數(shù)。Gini(M,A)越大，不確定性越高。

決策樹生成的具體步驟如下：

步驟1采集大量京劇動作數(shù)據(jù)，進行去噪后利用PCA 算法提取其每個動作振幅的特征值。每個動作數(shù)據(jù)的特征值構(gòu)成一個樣本集，最后生成6 個樣本集。

步驟2對每個京劇動作的樣本隨機有放回地抽取其中的2/3 作為每個動作的訓(xùn)練集。

步驟3對于一個動作的樣本值，選取其所有的振幅特征值，然后根據(jù)式（6）～式（8）計算其基尼指數(shù)。

步驟4選擇基尼指數(shù)最小的特征及其對應(yīng)可能的劃分點作為最優(yōu)特征與最優(yōu)劃分點，從結(jié)點分裂兩個子結(jié)點，將樣本集中的數(shù)據(jù)分配到兩個子結(jié)點中。

步驟5遞歸調(diào)用步驟3、步驟4，直到樣本集的基尼指數(shù)小于設(shè)定的閾值、結(jié)點中的樣本數(shù)小于設(shè)定的閾值或特征值全部用完時停止建樹。

步驟6生成完整的決策樹。

2.4.2 隨機森林

隨機森林是以多棵決策樹為基本分類器，通過集成學(xué)習(xí)后得到的一個組合分類器，也是一種非參數(shù)集成方法［20］。將6 個京劇動作的決策樹集成為隨機森林模型，如圖6 所示，其中，●為動作特征。

圖6 隨機森林模型Fig.6 Random forest model

由于決策樹建立的隨機性，因此不需要進行剪枝處理，每棵決策樹完全生長，最后利用多投票機制得出分類識別結(jié)果。樣本抽取和決策樹建立的隨機性，使得隨機森林算法針對樣本不均衡的問題得到了很好的解決，并且也解決了決策樹過擬合的問題。同時，隨機森林的學(xué)習(xí)過程較快，易于實現(xiàn)并行化，節(jié)約了運行時間。

2.5 在線階段

在線階段利用設(shè)備采集到京劇動作原始的CSI振幅信息，經(jīng)過去噪和特征提取后取得動作的振幅特征值。將振幅特征值輸入隨機森林模型中進行識別，最后模型輸出識別結(jié)果，具體步驟如下：

步驟1實時采集實驗人員的京劇動作CSI 振幅數(shù)據(jù)。

步驟2將實時采集到的動作振幅數(shù)據(jù)進行去噪及平滑處理。

步驟3利用PCA 算法提取該動作數(shù)據(jù)的主要振幅特征。

步驟4將該動作的振幅特征值輸入到隨機森林模型中，并行遍歷其中所有的決策樹，每個決策樹都輸出一個分類結(jié)果。

步驟5將每棵決策樹的結(jié)果進行匯總，在所得到的結(jié)果中，利用投票機制得到該動作的分類結(jié)果。

3 實驗驗證

3.1 實驗配置

本文實驗采用兩臺裝載Atheros AR9580 網(wǎng)卡芯片的TP-Link WDR4310 路由器以及兩臺Dell Alienware m15 筆記本電腦。

兩臺路由器通過使用OpenWrt 修改其內(nèi)核，可以利用CSI Tool［21］將Wi-Fi 信號中的CSI 信息提取出來。兩臺筆記本電腦都裝有Xshell6 以及Winscp，并分別與兩臺路由器相連，一臺連接發(fā)射端（Rx），另一臺連接接收端（Tx），其作用為路由器內(nèi)核OS 的操作入口。通過發(fā)射端電腦建立熱點構(gòu)建局域網(wǎng)，接收端電腦接入局域網(wǎng)的方式使兩臺設(shè)備建立連接。通過Xshell6 可以讓電腦連接到路由器并控制發(fā)射端和接收端路由器分別進行發(fā)包和收包的操作。之后接收端電腦通過Winscp 將動作數(shù)據(jù)從路由器中提取出來，以進行下一步數(shù)據(jù)預(yù)處理操作。

為研究不同實驗環(huán)境對Wi-Opera 方法的影響，實驗環(huán)境選擇了空曠的實驗室、辦公室以及走廊。圖7 為3 個實驗環(huán)境圖，圖8 為實驗環(huán)境平面結(jié)構(gòu)。

圖7 3 種實驗環(huán)境圖Fig.7 Three experimental environment diagrams

圖8 實驗環(huán)境平面結(jié)構(gòu)Fig.8 Plan structure of experiment environment

3.2 實驗設(shè)計

本文共進行4 組對比實驗，分別是：發(fā)射端與接收端間距對動作識別結(jié)果的影響；不同實驗環(huán)境對識別結(jié)果的影響；不同頻段對識別結(jié)果的影響，用戶多樣性對識別結(jié)果的影響。為了獲得較大的信噪比以提高CSI 信號對人體動作的靈敏度，本文實驗將發(fā)包速率設(shè)置為10 包/s。實驗選取4 名實驗人員在發(fā)射端與接收端之間做不同或相同的京劇動作。

1）離線階段。分別采集6 個京劇動作的數(shù)據(jù)，每個動作數(shù)據(jù)采集1 000 個樣本構(gòu)成樣本集，經(jīng)過Wi-Opera 方法的處理，構(gòu)建隨機森林模型并對其進行訓(xùn)練。表1 為4 名實驗人員的具體數(shù)據(jù)。

表1 實驗人員參數(shù)Table 1 Experimenter parameters

2）在線階段。在3 個實驗環(huán)境中，實驗人員在發(fā)射端和接收端中間做出京劇動作，接收端電腦實時采集該動作的CSI 數(shù)據(jù)并保存。使用Wi-Opera 方法對實時采集的動作數(shù)據(jù)進行處理，再將處理過的數(shù)據(jù)輸入隨機森林模型，最終輸出識別結(jié)果。

3.3 實驗驗證

3.3.1 發(fā)射端與接收端間距對識別結(jié)果的影響

發(fā)射端與接收端不同的間距也會對識別結(jié)果產(chǎn)生影響。為找到識別效果最好的距離，本文在3 種環(huán)境中各做了9 組實驗。在其他變量不變的情況下，改變發(fā)射端與接收端的間距進行實驗，實驗間距分別為1.1 m、1.2 m，1.3 m、1.4 m、1.5 m、1.6 m、1.7 m、1.8 m、1.9 m。將這9 組實驗采集到的數(shù)據(jù)經(jīng)過Wi-Opera 方法處理后，輸入隨機森林模型進行識別。3 種環(huán)境的識別結(jié)果如圖9 所示。

圖9 3 種環(huán)境下不同間距的識別結(jié)果Fig.9 Recognition results of different spacing under three environments

從圖9 可以看出，在3 種環(huán)境下發(fā)射端與接收端的間距在1.1 m～1.5 m 時識別結(jié)果逐步上升，間距在1.5 m～1.9 m 時識別結(jié)果逐步下降，在1.5 m 時識別結(jié)果達到最佳。因此得出發(fā)射端與接收端的間距在1.5 m 時為最佳實驗距離。

3.3.2 不同實驗環(huán)境對識別結(jié)果的影響

為驗證多徑效應(yīng)對實驗結(jié)果的影響，本文分別在3 個不同的實驗環(huán)境下采集數(shù)據(jù)，并且考慮到在同一環(huán)境中，圖10 所示的LOS（Line Of Sight）場景與NLOS（Non Line Of Sight）場景也會對實驗結(jié)果造成影響，因此也測試了在3 個不同環(huán)境下LOS 與NLOS 的影響。

圖10 LOS 場景與NLOS 場景Fig.10 LOS and NLOS scenarios

3 個實驗環(huán)境的多徑效應(yīng)從高到低排列依次為辦公室、走廊和空曠實驗室。將發(fā)射端與接收端的間距設(shè)為1.5 m，3 個環(huán)境的動作識別結(jié)果如圖11 所示。

圖11 3 種環(huán)境下LOS 與NLOS 的識別結(jié)果Fig.11 Recognition results of LOS and NLOS under three environments

從實驗結(jié)果可以看出，空曠實驗室環(huán)境的識別結(jié)果最高，辦公室環(huán)境的識別結(jié)果最低，表明在受多徑效應(yīng)影響小的環(huán)境中實驗效果好。此外，在LOS環(huán)境下的實驗結(jié)果比NLOS 環(huán)境下要更好。

3.3.3 用戶多樣性的影響

本文選取了兩男兩女共4 名實驗人員。在空曠教室環(huán)境下，讓4 名實驗人員做同一京劇動作，以此來驗證用戶多樣性對Wi-Opera 方法的影響。將發(fā)射端與接收端距離設(shè)置為1.5 m，4 名實驗人員分別在發(fā)射端與接收端中間做丑角動作，4 名實驗人員的丑角動作CSI 振幅數(shù)據(jù)如圖12所示。

圖12 4 名實驗者丑角動作的振幅特征圖Fig.12 Amplitude characteristic diagram of four experimenters Harlequin action

從圖12 可以看出，由于每個人的體型和動作幅度有所差異，4 名實驗者的動作CSI 振幅也存在較少差異，但總體動作變化趨勢基本一致。以上結(jié)果表明Wi-Opera 方法具有較強的魯棒性。

3.3.4 不同頻段對識別結(jié)果的影響

本文選擇在40 MHz 帶寬和5 GHz 的頻段下進行實驗，其原因為相較于20 MHz 帶寬和2.4 GHz 頻段，5 GHz 頻段具有更強的抗干擾性，能提供更加穩(wěn)定的信號。為驗證5 GHz 頻段的識別結(jié)果高于2.4 GHz 頻段，分別在5 GHz 頻段與2.4 GHz 頻段下采集相同人員的6 個動作數(shù)據(jù)。由于2.4 GHz 頻段下共有56 條子載波，而在5 GHz 頻段下有114 條子載波，因此用前文中同樣的方法訓(xùn)練了一個適用于2.4 GHz 頻段下的隨機森林模型。在3 種環(huán)境下，分別在5 GHz 頻段和2.4 GHz 頻段下采集同一實驗人員的全部動作數(shù)據(jù)，將實驗數(shù)據(jù)分別輸入兩個隨機森林模型進行識別，其綜合識別結(jié)果如圖13 所示。

圖13 不同頻段識別結(jié)果對比Fig.13 Comparison of different frequency bands identification results

從圖13 可以看出，在3 種環(huán)境下，2.4 GHz 頻段下的平均識別結(jié)果為89.9%，5 GHz 頻段下的平均識別結(jié)果為94.6%。實驗結(jié)果表明，本文方法中5 GHz頻段下的識別結(jié)果高于2.4 GHz 頻段下的識別結(jié)果。

3.3.5 動作規(guī)范性對實驗結(jié)果的影響

動作的規(guī)范與否也會對實驗結(jié)果造成影響，所以本文研究了動作規(guī)范性對實驗結(jié)果的影響。不規(guī)范動作的定義是身體大體的趨勢跟規(guī)范動作相似，只是動作的幅度和手臂及腿部的位置跟規(guī)范動作有很大的區(qū)別。因此，采集所有的動作振幅數(shù)據(jù)并用Wi-Opera 方法進行處理和識別。規(guī)范動作與不規(guī)范動作的綜合識別結(jié)果如圖14 所示。

圖14 不同規(guī)范等級識別結(jié)果對比Fig.14 Comparison of recognition results of different specification levels

從圖14可以看出，動作的規(guī)范程度會對識別精度造成影響。當(dāng)動作不規(guī)范時，識別的結(jié)果也會相應(yīng)下降。當(dāng)動作規(guī)范時綜合識別結(jié)果為94.6%，但是當(dāng)動作的規(guī)范等級為不規(guī)范時，綜合識別結(jié)果仍有82.3%。實驗結(jié)果表明，Wi-Opera方法具有較強的魯棒性。

4 實驗結(jié)果與分析

本文選取了4 名實驗者分別做6 個動作進行測試，其綜合實驗結(jié)果如圖15 的混淆矩陣所示。

圖15 綜合混淆矩陣Fig.15 Comprehensive confusion matrix

從混淆矩陣的結(jié)果可以得出，Wi-Opera 方法的綜合識別結(jié)果為94.6%。每個動作的綜合識別結(jié)果均在90%以上，證明Wi-Opera 方法能很好地區(qū)別6 個京劇動作并具有較強的魯棒性。

此外，為驗證Wi-Opera 方法具有較好的整體性能，本文還與文獻［22-24］中的動作識別方法進行了對比。對比結(jié)果如表2 所示。

表2 不同方法識別結(jié)果比較Table 2 Comparison of recognition results of different methods %

文獻［22］運用RSS 信號進行動作的識別，識別結(jié)果約為72%。文獻［23］提出了一種輕量級的CSI動作識別方法，代表了以一種動作識別方法的體系，識別結(jié)果達到了93.1%。文獻［24］利用多普勒頻移作為特征并使用極限學(xué)習(xí)機進行動作分類，識別結(jié)果達到了94.2%。從表2 結(jié)果可以看出，本文利用的CSI 動作識別方法明顯優(yōu)于基于RSS 動作識別的方法。并且對比兩種基于CSI 的動作識別方法，本文的識別效果也具有較高的識別結(jié)果，證明Wi-Opera方法具有較高的識別精度。

5 結(jié)束語

本文提出一種基于信道狀態(tài)信息的非接觸式人員動作感知方法Wi-Opera。離線階段采集京劇動作數(shù)據(jù)經(jīng)過巴特沃斯低通濾波器，通過小波變換對動作信號進行去噪和平滑后再利用PCA 算法降維并提取特征，最終構(gòu)建每個京劇動作的決策樹形成隨機森林模型。在線階段將實時采集的動作振幅數(shù)據(jù)經(jīng)過相同方法處理后，輸入隨機森林模型進行識別，從而輸出識別結(jié)果。實驗結(jié)果表明，Wi-Opera 方法具有較好的識別精度和較高的魯棒性。