一种基于免授权信号的跨域动作感知识别方法及系统

本发明涉及计算感知，特别是一种基于免授权信号的跨域动作感知识别方法及系统。

背景技术：

1、随着物联网和智能化技术的迅速发展，人体行为识别在各种领域中变得越来越重要。从智能家居到健康监测，再到安防监控，准确地识别人体行为对于智能系统的运作至关重要。在这个背景下，利用wi-fi信号数据进行人体行为识别成为了一种备受关注的方法。

2、wi-fi基础设施建设已经非常完善，信号数据可以通过智能设备采集，其具有穿透墙壁、广覆盖等优势，使其成为一种理想的人体行为识别的数据源。然而，利用wi-fi信号数据进行人体行为识别也面临一些挑战。其中之一是信号数据的复杂性和噪声干扰，这可能会影响识别的准确性。另一个挑战是跨域数据的利用，即如何有效地将不同环境下的数据进行统一建模，从而实现跨域的人体行为识别。

3、传统的人体行为识别方法往往依赖于手工设计的特征或者监督学习方法。然而，这些方法可能会受限于数据量的大小和数据的质量，尤其是在处理跨域数据时。因此，需要一种新的方法来克服这些挑战，提高人体行为识别的准确性和泛化能力。

技术实现思路

1、鉴于上述传统的人体行为识别方法中存在的问题，提出了本发明。

2、因此，本发明所要解决的问题在于如何提供一种提高人体行为识别的准确性和泛化能力的方法。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了基于免授权信号的跨域动作感知识别方法，其包括，获取时域上的csi信息，对所述csi信息进行预处理后获得频谱图；其中，所述csi信息为信道冲激响应矩阵；对所述频谱图添加高斯加性噪声，将经过加噪的所述频谱图作为样本输入改进后的wgan-gp，通过多个判别器指导生成器生成虚拟样本；使用mean-teacher作为识别分类的模型，基于真实样本和所述虚拟样本进行训练。

5、作为本发明所述基于免授权信号的跨域动作感知识别方法的一种优选方案，其中：所述获取时域上的csi信息，对所述csi信息进行预处理后获得频谱图包括以下步骤：对cir矩阵的每个元素进行去噪处理，设cir矩阵c为m行n列，则该操作表示为：

6、

7、其中，ci,j表示原矩阵的元素，c'i,j表示新矩阵的元素，得到新矩阵c1；对矩阵c1作快速傅里叶变换，并使用butterworth滤波器沿矩阵的每一列进行滤波，得到矩阵c2；对矩阵c2作短时傅里叶变换，获取频谱图，并对频谱图进行归一化作为模型输入。

8、作为本发明所述基于免授权信号的跨域动作感知识别方法的一种优选方案，其中：所述对所述频谱图添加高斯加性噪声，将经过加噪的所述频谱图作为样本输入改进后的wgan-gp，通过多个判别器指导生成器生成虚拟样本包括：添加高斯加性噪声n的真实样本训练判别器，输入判别器ds的样本表示为：

9、xsn＝αxs+(1-α)n

10、其中，xs为来自源域的真实样本，xsn为输入判别器ds的加噪样本，α为超参数，用于调整真实样本和噪声所占比重，n为正态分布的随机采样；使用wasserstein-1距离w(q,p)代替通常使用的散度，wgan值函数表示为：

11、

12、其中，d是满足lipschitz条件的函数，x表示原始数据，pr表示x的分布，xv表示生成的虚拟样本，pg是xv的分布，g表示生成器，z表示随机噪声，p(z)是噪声z的分布。

13、作为本发明所述基于免授权信号的跨域动作感知识别方法的一种优选方案，其中：使用的wasserstein-1距离w(q,p)定义为：

14、

15、其中，γ(q,p)是所有可将分布q转换成分布p的联合分布γ的集合，γ的边缘分布分别是q和p。

16、作为本发明所述基于免授权信号的跨域动作感知识别方法的一种优选方案，其中：所述通过多个判别器指导生成器生成虚拟样本包括以下步骤：在改进后的wgan-gp网络中设计两个判别器ds和dt，其中，ds的输入是源域样本，dt的输入是目标域样本；两个判别器的损失可表示为：

17、

18、

19、其中，xv是生成的虚拟样本，xt是目标域样本，xsn是加噪样本，pv表示虚拟样本的分布，psn表示加噪样本的分布，pm表示样本xm的分布，pt表示目标域样本的分布，λ是超参数；两个判别器ls和lt的优化目标分别为：

20、

21、其中，xm由下式给出：

22、xm＝εxsn+(1-ε)xv,ε∈(0,1)

23、其中，ε为调节权重所用的超参数。

24、作为本发明所述基于免授权信号的跨域动作感知识别方法的一种优选方案，其中：所述使用mean-teacher作为识别分类的模型，基于真实样本和所述虚拟样本进行训练包括以下步骤：使用半监督学习的mean-teacher模型，包括学生网络和教师网络；源域样本和生成的虚拟样本是有标签样本，定义为样本集其中表示有标签样本，yi是其对应的标签，l为样本集中的样本数量；将目标域中的无标签样本定义为样本集其中表示无标签样本，u表示该样本集的样本数量；整个模型的损失表示为：l＝ll+lu。

25、作为本发明所述基于免授权信号的跨域动作感知识别方法的一种优选方案，其中：对于有标签样本集xl，损失函数表示为：

26、

27、其中，表示学生网络对有标签样本的预测结果；无标签样本集xu的损失表示为：

28、

29、其中，表示教师网络对无标签样本的预测结果，表示学生网络对无标签样本的预测结果。

30、第二方面，本发明为进一步解决传统的人体行为识别方法中存在的问题，实施例提供了基于免授权信号的跨域动作感知识别系统，其包括：csi信息获取模块，用于获取时域上的csi信息，即信道冲激响应cir矩阵；预处理模块，用于对获取的矩阵进行预处理，获得频谱图；wgan-gp改进模块，用于改进后的wgan-gp模型，包括生成器和两个判别器；虚拟样本生成模块，用于在虚拟样本生成的过程中，根据wgan-gp模型生成虚拟样本；mean-teacher模型模块，用于作为识别分类的模型，在训练过程中进行使用。

31、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于免授权信号的跨域动作感知识别方法的任一步骤。

32、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现如本发明第一方面所述的基于免授权信号的跨域动作感知识别方法的任一步骤。

33、本发明有益效果为，本方法通过使用包含两个判别器的wgan来生成类目标域的虚拟样本以提升系统的跨域性能；本方法基于半监督学习的mean teacher模型，无需收集大量的目标域样本，因此数据收集和标注效率较高。