本技术介绍了一种创新的跨域无线动作识别方法,该方法通过样本生成和模态融合技术,利用少量数据实现高精度的动作识别。该方法通过对源域和目标域中相同动作类别的数据进行线性变换,整合源域和目标域信息,以提高跨域动作识别的准确性。
背景技术
动作识别对保障人们的健康和安全具有重要意义,可以广泛应用于跌倒检测、智能家居、公共安全等日常应用中。随着老龄化社会的到来,空巢老人现象开始普遍存在,保障独居老人的居家健康和安全变得日益重要。
WiFi设备的信道状态信息CSI(Channel State Information)用于描述信号在每条传输路径上的衰弱因子,能够反映信号散射、环境衰弱、距离衰减等信息,当人在覆盖WiFi的空间内进行不同动作时,会对WiFi信号的传播造成不同影响,使得采集到的 CSI幅值和相位发生不同变化。根据此原理,我们就可以通过分析CSI数据来进行动作识别。基于WiFi的动作识别可以实现跌倒检测和异常行为监测,在老人发生意外时及时报警,以便获得及时救助。基于WiFi的动作识别也可以应用于智能家居,通过识别用户动作实现对家居的智能操控,提升智能化体验;通过检测入侵行为,实现智能安防,保障居家安全。基于WiFi的动作识别还可以应用于公共安全,如针对发生在非监控区域的校园暴力,通过动作识别可以及时发现并制止暴力行为,保障学生在校内的安全。类似应用不胜枚举。现有的动作识别技术一般基于视频监控或可穿戴设备。视频监控可以实现高精度动作识别,但需要在有光条件下工作,且存在隐私泄露风险。可穿戴设备不存在隐私泄露风险,无需光照条件,但要求用户一直佩戴设备,给用户带来不便。
现有基于WiFi的动作识别方案大多只能解决单一场景下的动作识别。其基本思路是在监督学习框架下,采集大量带标签的动作数据,通过这些数据训练分类器,从而实现对动作的分类识别。
申请人在2019年11月与2020年9月分别提出了两种动作识别方法201911148775.2和202010950803.9,均是为了减少打标的工作量,将采集的CSI样本中一部分打标为源域数据,另一部分未打标作为目标域数据,再对目标域数据打伪标,最后将源域数据和打伪标的目标域数据一起作为训练数据。但是这两种方式只能减少打标的工作量,还是需要采集各种场景下大量动作样本数据,并标注相应的动作标签或伪标,通过这些大量的带标签或伪标的样本数据训练分类器来对不同动作进行分类识别。这类方法的缺点是,当发生域变化时,动作识别效果会急剧下降。这里的域变化包括用户变化、用户位置变化或场景变化。为了适应域变化保持识别精度,就需要采集大量动作数据重新训练模型。但是采集各种域下的动作数据难度太大,因此无法适合实际应用。
实现思路