买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜天津工业大学申请的专利一种基于信道特征增强与深度学习的新型人体行为识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114694260B 。

龙图腾网通过国家知识产权局官网在2025-03-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210381783.7，技术领域涉及：G06V40/20；该发明授权一种基于信道特征增强与深度学习的新型人体行为识别方法是由史伟光;陈庚泽;姜皓元设计研发完成，并于2022-04-13向国家知识产权局提交的专利申请。

本一种基于信道特征增强与深度学习的新型人体行为识别方法在说明书摘要公布了：一种基于信道特征增强与深度学习的新型人体行为识别方法，具体包括以下步骤：搭建基于Wi‑Fi信号的人体行为检测系统；采集CSI数据，计算子载波相关系数；根据计算得到的相关系数按照子载波空间频率约束完成子载波动态选择；将选择出的子载波提取主成分，提取CSI行为特征矩阵；引入Transformer与卷积网络结合的模型结构进行训练，训练完成后进行测试。本发明通过读取CSI数据，基于子载波动态选择进行CSI数据预处理，提取CSI行为特征矩阵，减少了训练时间，同时极大提高了人体行为识别的准确度。

本发明授权一种基于信道特征增强与深度学习的新型人体行为识别方法在权利要求书中公布了：1.一种基于信道特征增强与深度学习的新型人体行为识别方法，其特征在于,具体步骤如下：步骤1：搭建基于Wi-Fi信号的人体行为检测系统，系统由两台配备了Intel5300网卡的移动设备组成，人体行为识别方法的框架包括四部分：CSI数据采集、CSI子载波动态选择、提取CSI行为特征矩阵实现信道特征增强、与深度学习中Transformer与卷积网络结合实现人体行为识别；步骤2：基于步骤1搭建的人体行为检测系统进行CSI数据采集，令测试者在系统中分别做出跑步、跳跃、慢走、摔倒、鞠躬动作，通过与Intel5300网卡配套的CSITool收集动作产生的CSI数据H，H是由n个数据包组成的集合，即H＝[H1，H2，...，Hi，...，Hn]，其中第i个数据包表示Hi中第k个子载波的CSI向量，N表示子载波个数，取30；步骤3：考虑到原始的CSI数据中包含较多冗余信息，因此通过子载波选择算法减少CSI数据中的冗余信息同时降低数据维度，进而提高系统的鲁棒性与运算速度，根据步骤2采集的CSI数据，计算子载波之间的相关系数ra,b，其中ai与bi表示序列a与b中第i个元素，l表示序列a与b的长度，与分别代表序列a与b的平均值，根据上式计算每个子载波与其他子载波之间的相关系数，得到30×30的子载波相关系数矩阵Rf，弱相关的子载波会包含更多信息，缓解信息丢失带来的准确度下降问题，因此需确定样本中相关性最弱的子载波组合；步骤4：在步骤3得到的子载波相关系数矩阵Rf中，遍历Rf全部元素后，找到每一列最小的相关系数所在的位置，将其位置的行列索引存入新的矩阵中，得到30×2的最小相关系数矩阵Cf，对所有子载波进行筛选，统计Cf中1到30子载波序号的出现次数，依据“少数服从多数”的原则，将出现次数最多的子载波序号依次加入弱相关子载波组合S，直到S中子载波数量达到预设值a，a的值取3，此时S只保留Cf中出现次数最多3个子载波；步骤5：两个子载波索引之间的间隔越长，会引起子载波频率ω之间的差异越大，最终导致由相同运动引起的这两个子载波相位变化之间的差异越显著，为平衡子载波相位变化差和子载波相关性的影响，引入子载波的频率空间约束，S中最终选择的子载波应该从三个子载波间隔中选择，即从子载波索引[1，10]、[11，20]和[21，30]三个区间中各选择一个，若步骤4中S输出的子载波组合不满足该条件，则选择第二个最频繁出现的子载波组合，类似地，若第二最频繁出现的子载波组合不满足该条件，则选择第三最频繁出现的子载波组合，依此类推，对不同CSI样本均实施上述操作，确保S为该样本最具代表性的弱相关子载波组合，根据得到的S，仅保留S中选择3个子载波，删除其余子载波的数据，进而实现子载波动态选择；步骤6：为提取更依赖于活动和环境的特征信息，需减少与活动无关的数据，保留与活动相关的信息，因此将CSI数据分为与人体活动无关的静态分量Hs与由于人体运动引起的动态分量Hd，即H＝Hs+Hd，Hd与人体活动相关，但人体行为对环境影响有限，直接使用H用于人体行为识别性能会大幅下降，为捕捉由于人体行为使得CSI数据产生的各种失真、相移、振幅衰减，从H中将静态分量Hs去除，以显著提高提取特征分量的质量，利用指数加权平均法进行递归运算来估计Hs，即其中表示第m个数据包的Hs的估计值，β为遗忘因子，取0.005，令等于0，将估计的减去，得到表示第m个数据包的Hd的估计值，从而得到CSI数据中的动态分量；步骤7；为进一步滤除中的噪音分量以及与活动无关的分量并实现信道特征增强，基于步骤6中得到的动态分量首先，求出的协方差矩阵C与的平均值M，然后，求出协方差矩阵C的特征值D及对应的特征向量V，将特征向量V按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P，将中所有元素减去平均值M后与矩阵P相乘，得到主成分矩阵最后将与相乘，得到CSI特征矩阵Cp，即其中不同的主成分是相关的，能够为人体行为识别提供额外的信息，将Cp与其转置矩阵相乘得到CSI行为特征矩阵DC，即步骤8：引入深度学习中的Transformer与卷积网络结合的模型结构作为训练网络，首先，将3层卷积核尺寸大小不同的卷积网络后面分别接入一个局部注意力模块提取不同维度的局部特征，然后将3层接入局部注意力模块的卷积网络进行并联，然后将卷积网络并联后输出的3个特征向量进行拼接，避免后续训练出现梯度爆炸，将拼接后的特征向量输入至4层串联的Transformer，Transformer的全局注意力机制能够很好的提取图片的全局特征，将4层Transformer的输出结果拉成一维向量后，经过两层全连接层后输出，完成前向传播；步骤9：训练样本为步骤7中提取的CSI行为特征矩阵生成的二维热图，每一种人体行为作为一类训练样本，每一类训练样本的数量应不少于100个，迭代次数设置应不少于200次，同时训练集、验证集、测试集的比例为8：1：1，在训练过程中，网络会同时训练与验证，并同步更新分类的准确率；步骤10：子载波的动态选择使得数据维度大幅下降，较大程度地缩短了训练时间，完成若干代的训练后，根据步骤9的要求，采集数量合适的测试样本，将测试样本输入网络和训练结果进行匹配，根据准确率公式计算训练完成后的网络分类准确率：α＝NcNall×100％，其中α表示准确率，Nc表示分类正确的样本数量，Nall表示测试样本数量，提取的CSI行为特征矩阵具有良好的鲁棒性与可区分特性，使得训练后的分类网络识别准确率较高，在保证较低训练时间的前提下，实现较高人体行为识别准确率。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人天津工业大学，其通讯地址为：300387 天津市西青区宾水西道399号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。