基于CSI的室内人员身份和日常动作识别技术研究.pdfVIP

摘要

随着Wi-Fi设备在室内环境的广泛部署，无佩戴设备的基于信道状态信息(ChannelState

Information,CSI)的识别以及分类技术逐渐受到人们的重视。相较于传统的识别系统，基于CSI

的技术具有诸多优势，可以避免传统系统的高昂部署成本、隐私侵犯和适用环境限制等问题。

简而言之，基于CSI的无设备识别技术可以广泛部署在各种环境中，并能在非视线路径(Non-

LineofSight,NLOS)内工作，甚至能够穿过墙壁进行识别。这些特性使得该技术在实际应用中

更具灵活性和适用性。

身份识别在日常生活中起重要作用，比如考勤打卡、账号登录以及安全验证等广泛的应

用场景。针对传统的身份识别系统设备昂贵，侵犯隐私等缺点，本文提出一种基于Wi-Fi中

CSI的身份识别系统。首先，从改进的无线信号接收设备中提取反映人体步态特征的数据信

息，然后对数据进行预处理并且提取出关键特征数据，利用改进支持向量机(SupportVector

Machine,SVM)算法实现分类，本文提出了面向Wi-Fi人员身份识别的遗传算法迭代优化SVM

的参数组合方法，进行自适应调节训练分类器，达到最优身份识别率。

随着人机交互、医疗监护、虚拟现实以及安防领域的发展以及需求，基于CSI的动作识

别已经成为一个重要的研究课题，被应用于诸多以人为中心的服务和应用中。现有大多数动

作识别研究仅使用CSI数据中的幅值信息而忽略了相位信息，很少有系统模型同时使用幅值

和相位信息进行识别。此外，近年来机器学习和深度学习领域取得了迅猛发展，尤其是卷积

神经网络(ConvolutionalNeuralNetwork,CNN)能够更好地处理多通道数据，提高识别性能，双

向长短期记忆(Bi-DirectionalLSTM,BiLSTM)能够同时考虑正向和反向信息，更好地捕捉序列

语义，减少了对于输入序列的依赖，具有更好的泛化能力。针对上述研究状况，本文提出了

基于CNN和BiLSTM网络的综合幅值与相位信息的动作识别系统框架，该系统框架使用CNN

和BiLSTM组合网络作为分类器，研究同时使用振幅值和相位值的系统性能。此外，并且在

不同场景下（会议室以及报告厅）的数据集下进行验证该系统在不同的环境中的鲁棒性。

关键词:信道状态信息，身份识别，动作识别，支持向量机，遗传算法，CNN-BiLSTM

Abstract

WiththewidedeploymentofWi-Fidevicesinindoorenvironments,therecognitionand

classificationtechnologyofwearlessdevicesbasedonChannelStateInformation(CSI)hasgradually

attractedpeoplesattention.Comparedwithtraditionalidentificationsystems,thetechnologybased

onCSIhasmanyadvantages,whichcanavoidthehighdeploymentcost,privacyinvasionand

applicationenvironmentrestrictionsoftraditionalsystems.Inshort,CSI-baseddevice-free

recognitiontechnologycanbewidelydeployedinavarietyofenvironmentsandcanworkwithin

Non-LineofSight(NLOS),eventhroughwallsforrecognition.Thesecharacteristicsmakethe

technologymoreflexibleandapplicableinpracticalapplications.