一种基于CSI的监测装置与监测方法与流程

一种基于csi的监测装置与监测方法
技术领域
1.本发明涉及一检监测装置及监测方法，具体是一种基于csi的监测装置与监测方法，属于监测技术领域。


背景技术：

2.有效的隔离举措可以在最大限度上阻断疾病传播途径，保障人员流通。目前，现有的隔离手段主要是被监测人员通过手机app等方式打卡上报或工作人员定点查房，通过手机app打卡上报存在着打卡记录或打卡地点易伪造等漏洞，较依赖被监测人员的自觉性，而通过工作人员定点查房又给增加了工作人员的工作量。


技术实现要素：

3.针对上述现有技术存在的问题，本发明提供一种基于csi的监测装置与监测方法，能够准确的监控被监测人员的动态，准确掌握被监测人员是否处在隔离区内，对疾病的防控有着重要的作用。
4.为达到以上目的，本发明提供一种基于csi的监测装置，包括用于对被监测人员的活动范围发送wifi信号的wifi发送设备和用于对wifi信号进行接收和处理的wifi接收终端。
5.一种基于csi的监测方法，具体步骤如下：
6.s1 wifi发送设备实时向被监测人员的活动范围发送wifi信号；
7.s2 wifi接收终端实时接收wifi信号并提取csi数据；
8.s3根据提取到的csi数据，通过步态识别算法对被监测人身份信息进行识别：
9.若识别成功，则被监测人处于正常隔离状态；
10.若识别失败，则被监测人处于休息状态或处于异常隔离状态，进入步骤s4；
11.s4通过呼吸识别算法对被监测人身份信息进行识别：
12.若识别成功，则被监测人处于正常隔离状态；
13.若识别失败，则说明被监测人处于异常隔离状态。
14.与现有技术相比，本发明通过接收wifi信号并提取csi数据，根据获得的csi数据通过步态识别算法和呼吸识别算法对隔离区内的被监测人员进行识别，并判断隔离人员是否处于正常隔离状态。本发明实现了对被监测人员的无源、准确、简便实时的隔离监测，有效地防止了被监测人员隐瞒或伪造隔离状态等行为的发生，有利于疾病防控。
附图说明
15.图1是本发明流程图；
16.图2是本发明步态识别算法流程图；
17.图3是本发明呼吸识别算法流程图。
具体实施方式
18.下面结合附图对本发明作进一步说明。
19.本实施例针对隔离区内3-4人进行监控，wifi 发送设备用于对被监测人员的活动范围发送wifi信号的，采用支持ieee 802.11n协议的商用wifi路由器，且部署位置应选择所发射wifi信号能够完整覆盖被监测人员的位置； wifi接收设备用于对wifi信号进行接收和处理，采用配备intel 5300无线网卡的计算机，硬盘容量大于128gb，运行内存大于4gb，具体监测方法如下：
20.s1 wifi发送设备实时向被监测人员的活动范围发送wifi信号；
21.s2 wifi接收终端实时接收wifi信号并提取csi数据；
22.s3根据提取到的csi数据，通过步态识别算法识别被监测人：
23.若识别成功，则被监测人处于正常隔离状态；
24.若识别失败，则被监测人处于休息状态或处于异常隔离状态，进入步骤s4；
25.s4通过呼吸识别算法识别被监测人：
26.若识别成功，则被监测人处于正常隔离状态；
27.若识别失败，则说明被监测人处于异常隔离状态，工作人员或医护人员需要及时到隔离现场查看被监测人员是否在隔离区内。
28.所述正常隔离状态为被监测人员在隔离区内；所述异常隔离状态为被监测人员不再隔离区内。
29.在一些实施例中，所述步骤s3中的步态识别算法包括以下步骤：
30.s31当wifi接收终端提取csi数据后，首先通过主成分分析方法从所提取的csi数据中提取主成分，减少不同子载波中的不相关噪声；然后利用快速傅里叶变换将所提取的主成分转换为原始频谱图；最后通过本底噪声减法去除原始频谱图中的噪声，得到降噪后的频谱图；
31.s32根据降噪后的频谱图，利用步态周期时间预测法和肢体运动速度预测法来预测步态周期时间和躯干腿部的运动速度两大运动特征；
32.s33将预测得到的步态周期时间和躯干腿部的运动速度作为训练好的基于深度神经网络的分类器输入值，利用训练好的基于深度神经网络的分类器对被监测人身份信息进行识别：
33.若识别成功，则被监测人处于正常隔离状态，说明被监测人员在隔离区内；
34.若识别失败，则被监测人处于休息状态或处于异常隔离状态，说明被监测人员有可能在休息所以没有肢体活动，也有可能不在隔离区内，进入步骤s4，即进一步通过呼吸识别算法识别被监测人身份信息。
35.所述躯干腿部的运动速度包括躯干运动速度和腿部的运动速度。
36.所述步骤s33中步态周期时间预测法包括以下步骤：
37.s331利用躯干反射的上轮廓来估计步态周期时间，躯干轮廓频率f
ct
(t)定义为：
[0038][0039]
其中，f(f,t)是经过快速傅里叶变换后t时刻、频率为f时的幅值，是
频率范围在0到f
max
之间的总能量，γ取值为5％。
[0040]
s332根据得到躯干轮廓频率f
ct
(t)，利用下述公式得到躯干轮廓的运动速度v
tc
(t)：
[0041]vtc
(t)＝f
tc
(t)ε/2
[0042]
其中，ε为wifi信号波长；
[0043]
s333根据躯干轮廓的运动速度，利用躯干轮廓曲线的自相关来估计步态周期时间r(τ)：
[0044][0045]
其中，μ是躯干轮廓的平均速度，τ是躯干轮廓曲线的时间偏移；
[0046]
本方法利用躯干轮廓曲线的自相关来估计步态周期时间，相交于小波变换等传统方法，本方法的感知准确率更高。
[0047]
所述肢体运动速度预测法包括以下步骤：
[0048]
s334使用为多普勒雷达开发的百分位数方法估计躯干和腿部速度，给定频率f的百分位数定义为：
[0049][0050]
其中，p(f,t)是频率低于f的能量与t时刻快速傅里叶变换结果的总能量的累积百分比；
[0051]
s335躯干运动速度的预测为p(f,t)》50％范围内的最低频率值，腿部运动速度的预测为p(f,t)≥95％范围内的最低频率值。
[0052]
所述步骤s4中呼吸识别算法包括以下步骤：
[0053]
s41当wifi接收终端提取csi数据后，通过基于经验模式分解的滤波器去除环境噪声，获得降噪后的csi数据；
[0054]
s42比较降噪后的csi测量的方差，选择方差最大的csi作为对微小人体运动最敏感的子载波；
[0055]
s43计算最敏感的子载波的csi数据中每两个相邻波形峰值之间的距离，选取距离最大值作为一个呼吸周期，利用形态特征法进行呼吸特征提取。
[0056]
s44将提取的呼吸特征作为训练好的基于深度神经网络的分类器的输入值，利用训练好的基于深度神经网络的分类器对被监测人身份信息进行识别：
[0057]
若识别成功，则被监测人处于正常隔离状态，说明被监测人员在隔离区内；
[0058]
若识别失败，则被监测人处于异常隔离状态，说明被监测人员不在隔离区内。
[0059]
相比于传统方法需要用到所有的子载波，本方法对子载波进行了一次筛选，减少了计算量，处理速度更快，且准确性也更高。
[0060]
通过以下方法对基于深度神经网络的分类器进行训练：
[0061]
将被监测人的身份信息即步态周期时间、躯干腿部的运动速度和呼吸特征作为基于深度神经网络的分类器的输入值，然后进行神经网络的反复训练，直至利用基于深度神经网络的分类器识别被监测人的准确度在95％以上，认为训练完成。然后就可以利用训练
好的基于神经网络的分类器对被监测人身份信息进行识别。
[0062]
由于基于深度神经网络的分类器的训练方法为非常成熟的现有技术，因此在此不再赘述。
[0063]
所述s43中的形态特征法包括以下步骤：
[0064]
在一个呼吸周期内，用h
t
代表呼吸最大幅值与呼吸最小幅值之差，用表示p％位置距离呼吸最小幅值点的高度：
[0065][0066]
其中，p表示位置的一个参数；如某人在20米的5％地方，即1米处，这里p％就是5％；用表示在位置处时的呼吸波形的截距，因此，在p％位置处的呼吸特征表示为：
[0067][0068]
在一些具体实施例中，本发明还可以设置报警模块，若被监测人处于异常隔离状态，则向报警模块发送报警信号，报警模块接收到报警信号后发出报警声，以及时提醒监控人员被监测人员处于异常隔离状态，监控人员可以及时到现场查看被监测人员是否在隔离区内，为疾病防控提供了很大的便利，有效地节约了疾病防控期间的时间成本和人力成本。