一种非穿戴式人体活动识别方法、系统及设备

本发明涉及智能感知与识别，特别涉及一种非穿戴式人体活动识别方法、系统及设备。

背景技术：

1、随着智能家居和医疗保健等领域的不断发展，人体活动识别技术的研究吸引了众多科研人员的关注。人体活动识别常用的方法主要有基于可穿戴设备的人体活动识别、基于计算机视觉的人体活动识别和基于无线射频网络的人体活动识别。基于可穿戴设备的人体活动识别通过为用户配备惯性传感器设备的方式获取传感器时间序列数据，将获取的数据特征融合后用于人体活动识别，用户必须佩戴设备，使用体验较差；基于计算机视觉的人体活动识别采用高清摄像头等设备拍摄的高清图片、视频等信息进行人体活动识别，设备成本高昂、识别易受光线条件影响并容易导致用户隐私问题；基于无线射频网络的人体活动识别采用wifi和雷达等无线设备采集的信号响应数据实现人体活动识别，但基于wifi的人体活动识别的识别精度容易受信号多径衰落影响，而基于超宽带雷达的人体活动识别通过获取超宽带回波信号实现人体活动识别，具有传输速率快、功耗低、穿透性强和抗多径效果好等优势。

2、受益于超宽带信号的诸多优势，众多研究人员开始基于超宽带技术实现人体活动识别。现有技术中，主要包括如下两类技术思路：1.用户携带多个超宽带设备，采用获取的距离测量数据进行特征提取，基于传统的机器学习方法实现人体活动识别。2.用户无需佩戴超宽带设备，对获取的雷达回波信号进行预处理后，基于深度神经网络对不同的人体活动进行识别。

3、但目前基于超宽带的人体活动识别方法与系统仍然存在以下问题：

4、1、基于距离信息的人体活动识别方法需要用户佩戴设备，距离信息的准确性会严重影响人体活动识别精度。

5、2、基于雷达回波信号的人体活动识别精度容易受用户位置影响，且动作识别距离较小。

6、3、现有人体活动识别系统的识别精度有待提高。

7、为了解决存在的问题，本发明设计了一种非穿戴式人体活动识别系统。通过采集超宽带信道脉冲响应信号进行人体活动识别，在信号可传播范围内用户无需佩戴设备即可实现活动识别，基于卷积神经网络的人体活动识别网络在有效应对用户位置信息变化的同时具有较高的识别精度。

技术实现思路

1、本发明针对现有技术的缺陷，提供了一种非穿戴式人体活动识别方法、系统及设备。通过采集超宽带信道脉冲响应信号进行人体活动识别，在信号可传播范围内用户无需佩戴设备即可实现活动识别，基于卷积神经网络的人体活动识别网络在有效应对用户位置信息变化的同时具有较高的识别精度。

2、为了实现以上发明目的，本发明采取的技术方案如下：

3、一种非穿戴式人体活动识别方法，包括：

4、s1、基于超宽带装置发射脉冲信号，超宽带装置接收人体做出不同动作时环境中的多径响应信号，采样后得到超宽带信道脉冲响应信号；

5、s2、对所述超宽带信道脉冲响应信号进行预处理，提取其主要特征，特征分组合并后作为输入数据；

6、s3、基于卷积神经网络构建人体活动识别网络，对所述输入数据进行识别处理，输出动作识别结果。

7、优选地，所述s1中，超宽带装置为硬件设备，硬件设备结构包括电源模块、通信接口模块、单片机模块和超宽带模块；

8、所述电源模块包括电池接口、电源开关、电源指示灯及输出稳定电压值的稳压芯片；

9、所述通信接口模块包括usb高速缓冲接口、uart串口和单片机程序下载器接口；

10、所述单片机模块包括微处理器芯片及其外围电路；

11、所述超宽带模块包括超宽带芯片及其外围电路。

12、优选地，所述s1中，超宽带信道脉冲响应信号用模型表示为：

13、

14、其中，公式左侧r(t)表示在t时刻对应的cir信号的幅值大小，公式右侧sdw(t)表示发射信号，n表示发射信号经过镜面反射的多径分量的数量，αn表示多径分量的复振幅，φn表示多径分量的出发角，τn表示分量的传输时延，v(t)表示方差为均值为0的高斯白噪声，b(φn)表示多径分量的方向增益函数。

15、优选地，所述s1中，采样后的超宽带信道脉冲响应信号用离散化模型表示为

16、r＝x(τ，φ)α+w

17、r＝[r(0·ts)，...，r([ns-1]·ts)]t

18、x(τ，φ)＝[b(φ0)s(τ0)...b(φn)s(τn)]

19、s(τn)＝[sdw(0·ts-τn)，...，sdw([ns-1]·ts-τn)]t

20、w＝[w(0·ts)，...，w([ns-1]·ts)]t

21、φ＝[φ0，...，φn]t；τ＝[τ0，...，τn]t；α＝[α0，...，αn]t

22、其中，采样频率为fs，采集样本数为ns，ts为采样时间间隔，即采样周期，ns为采集样本数，表示在一个采样周期内采集到的信号样本的数量，x(τ，φ)表示由不同多径分量的出发角和传输时延组成的矩阵，s(τn)表示发射信号经过不同传输时延后的采样向量，w表示噪声向量，其中每个元素都是方差为且均值为0的高斯白噪声，φ＝[φ0，...，φn]t为多径分量的出发角向量，τ＝[τ0，...，τn]t为多径分量的传输时延向量，α＝[α0，...，αn]t为多径分量的复振幅向量。

23、优选地，所述s2中，预处理包括：

24、对采集到的超宽带信道脉冲响应数据进行归一化处理、滤波处理、降维处理、分组处理，分组合并后的数据作为输入数据。

25、优选地，所述s3中，人体活动识别网络包括依次连接的第一卷积层、第一平均池化层、第二卷积层、第二平均池化层、展平层、第一全连接层、第一丢弃层、第二全连接层、第二丢弃层、第三全连接层和输出层；输出层选用softmax函数作为激活函数，其余层选用relu函数作为激活函数。

26、优选地，所述滤波处理为改进的汉普尔滤波，计算全体原始数据的中位数和标准差，使用这两个全局值和人为设定的阈值定义小窗口数据的异常值上、下限，在出现异常值时采用小窗口数据中值替换异常值；异常值的上限、下限和改进的汉普尔滤波可表示为

27、limitupper＝xm+threshold*xs

28、limitlower＝xm-threshold*xs

29、

30、其中，xm和xs表示原始数据的中位数和标准差，threshold表示人为设定的阈值，limitupper和limitlower表示每组数据的异常值上限和下限，windowm表示小窗口数据中值。

31、本发明还提供了一种非穿戴式人体活动识别系统，该系统用于运行上述非穿戴式人体活动识别方法，包括：

32、超宽带信道脉冲响应信号采集模块：基于超宽带装置发射脉冲信号，超宽带装置接收人体做出不同动作时环境中的多径响应信号，采样后得到超宽带信道脉冲响应信号；

33、数据预处理模块，用于对获取的超宽带信道脉冲响应信号进行预处理，提取其主要特征，特征分组合并后作为输入数据；

34、人体活动识别模块，基于卷积神经网络构建人体活动识别网络，对所述输入数据进行识别处理，输出动作识别结果。

35、本发明还提供了一种非穿戴式人体活动识别设备，该设备用于执行上述非穿戴式人体活动识别方法，包括：超宽带硬件设备、处理器及存储器；

36、所述超宽带硬件设备用于超宽带信号发射、接收的控制；

37、所述处理器调用所述存储器中存储的计算机指令，执行如上所述的基于超宽带信道脉冲响应和卷积神经网络的非穿戴式人体活动识别方法，或者搭载在如上所述的基于超宽带信道脉冲响应和卷积神经网络的非穿戴式人体活动识别系统。

38、与现有技术相比，本发明的优点在于：

39、1.非接触式识别：无需佩戴任何设备，基于超宽带信道脉冲响应数据，实现对人体活动的非接触式识别，用户体验更好。

40、2.高识别精度：通过结合超宽带信道脉冲响应和卷积神经网络，能够有效提取和处理信号的主要特征，提高人体活动识别的准确性和精度。

41、3.改进的汉普尔滤波处理：利用改进的汉普尔滤波方法对信号进行预处理，能够有效去除异常值，增强信号的稳定性和可靠性，从而提升识别性能。

42、4.位置无关性：由于采用了超宽带和卷积神经网络技术，可以实现对不同位置的人体活动的稳定识别，不受位置变化的影响，应用场景更加广泛。

43、5.实时性强：利用超宽带信号和卷积神经网络进行处理，可以实现实时的人体活动识别，满足实时监测和响应的需求。

44、6.多样化识别：方法能够识别多种人体动作，包括复杂的活动模式，应用范围广泛，例如智能家居、安防监控、医疗监护等领域。

45、7.硬件模块化设计：硬件设备设计模块化，包括电源模块、通信接口模块、单片机模块和超宽带模块，易于集成和维护。

46、8.低功耗设计：采用超宽带技术和优化的信号处理算法，能够在保证性能的前提下，实现较低的功耗，适用于长期运行的应用环境。

47、9.鲁棒性强：系统对环境干扰和噪声具有较强的鲁棒性，能够在复杂环境中稳定工作，保证识别效果。