韋春玲，王步飛

(黃岡師范學(xué)院 電子信息學(xué)院，湖北 黃岡 438000)

基于WLAN接收信號(hào)強(qiáng)度特征的室內(nèi)活動(dòng)識(shí)別

韋春玲*，王步飛

(黃岡師范學(xué)院 電子信息學(xué)院，湖北 黃岡 438000)

(*通信作者電子郵箱wcl@hgnu.edu.cn)

針對(duì)主流的活動(dòng)感知技術(shù)依賴于專(zhuān)業(yè)測(cè)量設(shè)備，難以廣泛部署與使用的問(wèn)題，提出一種基于現(xiàn)有WiFi熱點(diǎn)接收信號(hào)強(qiáng)度特征的活動(dòng)識(shí)別技術(shù)。利用機(jī)器學(xué)習(xí)算法對(duì)實(shí)時(shí)接收到的WiFi信號(hào)強(qiáng)度特征進(jìn)行分類(lèi)，通過(guò)特征匹配識(shí)別用戶當(dāng)前活動(dòng)。實(shí)驗(yàn)結(jié)果顯示，所提算法能夠以80%以上概率判斷室內(nèi)是否有人，以95%以上概率判斷室內(nèi)的人處于什么狀態(tài)，并以80%的概率識(shí)別人的運(yùn)動(dòng)方向。所提算法所需信號(hào)廣泛存在，可有效識(shí)別室內(nèi)活動(dòng)，具有低功耗、高精度的優(yōu)點(diǎn)。

接收信號(hào)強(qiáng)度；室內(nèi)活動(dòng)識(shí)別；機(jī)器學(xué)習(xí)；無(wú)線局域網(wǎng)；智能家居

0 引言

在移動(dòng)互聯(lián)網(wǎng)時(shí)代，傳統(tǒng)服務(wù)與移動(dòng)互聯(lián)網(wǎng)技術(shù)的深度融合，給金融、軍事、交通、娛樂(lè)等各個(gè)方面帶來(lái)新的發(fā)展動(dòng)力，為人們的生產(chǎn)生活帶來(lái)極大便利。智能化生活輔助是移動(dòng)互聯(lián)網(wǎng)時(shí)代重要發(fā)展方向，自動(dòng)感知用戶當(dāng)前狀態(tài)是智能家居的重要前提。

自動(dòng)感知主要分為主動(dòng)式和被動(dòng)式兩類(lèi)。前者通過(guò)用戶攜帶設(shè)備采集的數(shù)據(jù)識(shí)別用戶活動(dòng)。目前主動(dòng)活動(dòng)識(shí)別方面的研究主要集中于利用全球定位系統(tǒng)(Global Positioning System, GPS)、加速計(jì)、陀螺儀、氣壓計(jì)、地磁傳感器、WiFi芯片等獲取的數(shù)據(jù)進(jìn)行識(shí)別。例如Pei等[1]采用GPS與WiFi對(duì)人的行為：坐、普通行走、快速行走、站、快速轉(zhuǎn)向、緩慢轉(zhuǎn)向進(jìn)行識(shí)別； Guinness[2]使用手機(jī)的GPS與加速計(jì)和地理信息(坐標(biāo)點(diǎn)，車(chē)輛運(yùn)動(dòng)與停止)等信息，采用機(jī)器學(xué)習(xí)算法識(shí)別用戶行為，包括步行、跑動(dòng)、駕駛、乘公交、乘火車(chē)，但是GPS耗電較大，難以長(zhǎng)時(shí)間持續(xù)工作，而且在室內(nèi)環(huán)境GPS信號(hào)可用性較差，為此，研究人員轉(zhuǎn)向使用功耗較小的傳感器，例如加速計(jì)、陀螺儀、氣壓計(jì)、地磁傳感器等； Google開(kāi)發(fā)了活動(dòng)識(shí)別應(yīng)用程序接口(Application Programming Interface, API)可使用功耗較低的加速計(jì)數(shù)據(jù)[3]，利用監(jiān)督機(jī)器學(xué)習(xí)算法識(shí)別用戶靜默、行走與駕駛活動(dòng)； Frank等[4]等利用用戶腰間放置的加速度傳感器識(shí)別用戶行為，可以識(shí)別坐、站、步行、跑動(dòng)、跳躍、落下、躺; Elhoushi等[5-7]使用加速計(jì)、陀螺儀、地磁儀、氣壓計(jì)識(shí)別用戶高程發(fā)生變化的情況，例如上樓梯與下樓梯、乘坐電梯、站立與乘扶梯等，但是，加速計(jì)讀數(shù)依賴于位置與朝向，需要非常高的采樣率，因此處理復(fù)雜度較高，需要很多數(shù)據(jù)才能訓(xùn)練得到滿意的結(jié)果；Vanini[8]利用功耗與采樣率更低的氣壓計(jì)識(shí)別用戶樓層變化；Sankaran等[9]也使用氣壓計(jì)識(shí)別用戶靜默、行走與駕駛行為，測(cè)試結(jié)果好于Google的活動(dòng)識(shí)別算法；Wu等[10]采用氣壓計(jì)識(shí)別室內(nèi)門(mén)的開(kāi)關(guān), 雖然氣壓計(jì)功耗低，且具有較好的識(shí)別能力，但是大多數(shù)手機(jī)沒(méi)有氣壓計(jì)，難以大規(guī)模普及使用?？偟膩?lái)說(shuō)，主動(dòng)式活動(dòng)識(shí)別需要用戶攜帶特定設(shè)備，有一定的局限性。

被動(dòng)式活動(dòng)感知?jiǎng)t不需要用戶攜帶任何設(shè)備，采用特定基礎(chǔ)設(shè)施采集用戶活動(dòng)產(chǎn)生的數(shù)據(jù)識(shí)別用戶當(dāng)前狀態(tài)。采用的信號(hào)包括調(diào)頻(Frequency Modulation, FM)[11]、WiFi[12]等。為了提高識(shí)別精度，采樣率都在10 Hz以上，所使用的分析方法大體上可以分為四類(lèi): 一是對(duì)信號(hào)進(jìn)行傅里葉變換，獲取信號(hào)的頻域信息，利用頻域特征識(shí)別用戶狀態(tài)[13]；二是采用機(jī)器學(xué)習(xí)算法，對(duì)信號(hào)特征進(jìn)行分類(lèi)，通過(guò)匹配識(shí)別用戶狀態(tài)[14]；三是基于信號(hào)多普勒效應(yīng)識(shí)別用戶狀態(tài)[15]；四是對(duì)信號(hào)強(qiáng)度的升降規(guī)律進(jìn)行總結(jié)，判斷用戶狀態(tài)[16]。這些被動(dòng)式的活動(dòng)識(shí)別依賴于特殊設(shè)備，難以廣泛部署。

針對(duì)上述兩種方法的缺點(diǎn)，本文提出一種基于普通WiFi信號(hào)熱點(diǎn)和智能手機(jī)的活動(dòng)識(shí)別算法，主要原理是：無(wú)線信號(hào)傳播會(huì)受到用戶行為的影響，用戶不同行為會(huì)導(dǎo)致信號(hào)分布有所區(qū)別，通過(guò)對(duì)信號(hào)強(qiáng)度特征的分析，可以反推出用戶活動(dòng)。主要方法是利用機(jī)器學(xué)習(xí)算法對(duì)實(shí)時(shí)接收到的WiFi信號(hào)特征進(jìn)行分類(lèi)，通過(guò)特征匹配實(shí)現(xiàn)活動(dòng)識(shí)別。實(shí)驗(yàn)表明本算法能夠有效識(shí)別站立、躺下和行走三種活動(dòng)，并能夠識(shí)別用戶行走方向，在智能家居輔助中具有廣泛用途和重要意義。

1 算法框架

本文算法流程如圖1所示，主要分為三個(gè)階段：數(shù)據(jù)輸入、訓(xùn)練和測(cè)試。

圖1 算法流程Fig. 1 Work flow of the algorithm

為了實(shí)現(xiàn)本算法，需要在房間內(nèi)設(shè)置WiFi接入點(diǎn)和信號(hào)接收設(shè)備，這里采用普通Android智能手機(jī)測(cè)量WiFi信號(hào)并記錄。測(cè)試人員在信號(hào)發(fā)射設(shè)備與測(cè)量設(shè)備之間的空間活動(dòng)，由于人體對(duì)無(wú)線信號(hào)的吸收、遮擋和反射，測(cè)量設(shè)備接收到的信號(hào)在不同條件下信號(hào)特征不同。手機(jī)采集到不同活動(dòng)下的無(wú)線信號(hào)后，為這些信號(hào)添加標(biāo)簽，分別表示該信號(hào)是在什么條件下測(cè)量的。將這些數(shù)據(jù)隨機(jī)分為訓(xùn)練集和測(cè)試集: 在訓(xùn)練階段，采用不同的機(jī)器學(xué)習(xí)算法對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行分類(lèi)，得到不同的分類(lèi)器; 在測(cè)試階段，使用測(cè)試集數(shù)據(jù)評(píng)價(jià)不同分類(lèi)器分類(lèi)效果，選擇分類(lèi)精度最好的分類(lèi)器進(jìn)行動(dòng)作識(shí)別。下面詳細(xì)介紹這三個(gè)階段。

2 基于無(wú)線信號(hào)特征的活動(dòng)識(shí)別

2.1 數(shù)據(jù)輸入

數(shù)據(jù)輸入階段分為三個(gè)步驟，分別是測(cè)量、預(yù)處理和特征提取，下面分別介紹這三個(gè)步驟。

2.1.1 測(cè)量

利用智能手機(jī)的WiFi芯片獲取無(wú)線熱點(diǎn)的信號(hào)強(qiáng)度。未Root智能手機(jī)的WiFi芯片刷新率約為2 Hz，雖然可以對(duì)手機(jī)Root后將刷新率提升到10 Hz，為了提高算法可用范圍，本文使用2 Hz的數(shù)據(jù)作為輸入，采集到的數(shù)據(jù)為S：

S={rssi|i=1,2,…,T}

(1)

其中:rssi為第i時(shí)刻接收到的信號(hào)強(qiáng)度，T為測(cè)量時(shí)長(zhǎng)。

圖2給出了不同活動(dòng)條件下，接收到的信號(hào)強(qiáng)度。從圖2可以看出，在不同的活動(dòng)條件下，測(cè)量到的無(wú)線信號(hào)有差異，這個(gè)差異可以作為活動(dòng)識(shí)別的依據(jù)。通過(guò)分析信號(hào)強(qiáng)度特征就可以反推用戶可能的活動(dòng)狀態(tài)。

圖2 不同條件下測(cè)量到的WiFi信號(hào)強(qiáng)度對(duì)比Fig. 2 Received WiFi signal strength varies in different conditions

2.1.2 預(yù)處理

人的活動(dòng)是動(dòng)態(tài)變化的，單一時(shí)刻的測(cè)量值難以體現(xiàn)這種動(dòng)態(tài)特性，通常的做法是將測(cè)量數(shù)據(jù)進(jìn)行分組，將某個(gè)時(shí)間段內(nèi)(識(shí)別窗口)的數(shù)據(jù)作為一組，分析每組內(nèi)信號(hào)特征，再進(jìn)行分類(lèi)與識(shí)別。

假設(shè)識(shí)別窗口為ΔT，每個(gè)識(shí)別窗口數(shù)據(jù)不僅包含當(dāng)前時(shí)刻測(cè)量值，還包含前?ΔT/τ」-1個(gè)時(shí)刻的測(cè)量值：

W={wi|i=0,1,…,T-ΔT+1}

(2)

其中:

wi={rssi*ΔT+j|j=0,1,…,ΔT-1}

(3)

2.1.3 特征提取

通過(guò)分組，每個(gè)組內(nèi)都有很多測(cè)量數(shù)據(jù)，信號(hào)特征主要是針對(duì)每個(gè)分組內(nèi)的數(shù)據(jù)進(jìn)行的計(jì)算。本文使用的特征值包括幅度、標(biāo)準(zhǔn)差、N+和N-。

1)幅度(Range)。幅度就是組內(nèi)最大測(cè)量值與最小測(cè)量值的差，表示信號(hào)強(qiáng)度最大變化范圍：

Range=max(w)-min(w)

(4)

其中:max(w)和min(w)分別表示w組內(nèi)的最大值和最小值。

2)標(biāo)準(zhǔn)差(Var)。標(biāo)準(zhǔn)差描述數(shù)據(jù)的離散程度，即測(cè)量值與期望的平均距離：

(5)

其中:rssi∈w，mean(w)表示w內(nèi)的平均測(cè)量值，|w|表示w測(cè)量值數(shù)量。

3)N+表示同一組內(nèi)上一時(shí)刻測(cè)量值比下一時(shí)刻測(cè)量值大的比例：

(6)

其中:rssi、rssi+1∈w。

4)N-表示同一組內(nèi)上一時(shí)刻測(cè)量值比下一時(shí)刻測(cè)量值小的比例：

(7)

其中:rssi、rssi+1∈w。

從上述定義可以看出，這4個(gè)特征并不涉及信號(hào)絕對(duì)大小，而是體現(xiàn)了信號(hào)強(qiáng)度變化情況。無(wú)線信號(hào)傳播受大量因素的影響，包括天氣、室內(nèi)布局、人員運(yùn)動(dòng)等，因此信號(hào)強(qiáng)度是時(shí)刻變化的。通過(guò)對(duì)信號(hào)變化情況的分析，可以推斷出信號(hào)傳播環(huán)境的變化，也就能夠推斷出影響信號(hào)傳播因素的變化情況。因此，這里選取這4個(gè)體現(xiàn)信號(hào)強(qiáng)度變化的變量。值得注意的是這4個(gè)變量的選取并不是唯一的，未來(lái)還可以提出并使用更多的變量。

2.2 訓(xùn)練

訓(xùn)練是為了得到分類(lèi)器，用于判斷用戶活動(dòng)。訓(xùn)練數(shù)據(jù)是在已知用戶活動(dòng)類(lèi)型的情況下采集的，因此，數(shù)據(jù)中增加了用戶活動(dòng)類(lèi)型標(biāo)簽。

為了尋找最佳機(jī)器學(xué)習(xí)算法，本文在訓(xùn)練階段將使用各種不同的機(jī)器學(xué)習(xí)算法對(duì)加了標(biāo)簽的訓(xùn)練數(shù)據(jù)進(jìn)行分組，包括決策樹(shù)(Decision Tree，DT)、隨機(jī)森林(Random Forest，RF)、支持向量機(jī)(Support Vector Machine，SVM)、K近鄰(KNearest Neighbor，KNN)、邏輯回歸(Logistic Regression，LR)、樸素貝葉斯(Naive Bayesian，NB)和人工神經(jīng)網(wǎng)絡(luò)算法(Artificial Neural Network，ANN)。

本文采用機(jī)器學(xué)習(xí)工具ORANGE[17]進(jìn)行數(shù)據(jù)分類(lèi)。ORANGE是一個(gè)圖像化的機(jī)器學(xué)習(xí)工具箱，不用編寫(xiě)一行代碼就能夠使用大量機(jī)器學(xué)習(xí)算法對(duì)數(shù)據(jù)進(jìn)行讀取、處理和可視化。ORANGE界面如圖3所示。

圖3 采用ORANGE進(jìn)行機(jī)器學(xué)習(xí)Fig. 3 Machine learning using ORANGE

從圖3可以看出，ORANGE主界面分為兩部分，左側(cè)是工具組件，右邊是分析流程界面。通過(guò)拖拽方式將左邊工具按照機(jī)器學(xué)習(xí)的流程組合起來(lái)就可以使用各種算法對(duì)數(shù)據(jù)進(jìn)行處理。

2.3 測(cè)試

測(cè)試是為了尋找最佳分類(lèi)器，因此，輸入也是帶有標(biāo)簽的測(cè)量數(shù)據(jù)。在測(cè)試階段，利用訓(xùn)練階段得到的分類(lèi)器，對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類(lèi)。不同分類(lèi)算法對(duì)同一組數(shù)據(jù)分類(lèi)效果可能是不同的，為了評(píng)價(jià)不同分類(lèi)算法性能，人們定義了很多評(píng)價(jià)指標(biāo)，主要包括：

1)混淆矩陣(Confusion matrix)。

混淆矩陣是評(píng)價(jià)不同分類(lèi)算法最簡(jiǎn)單直觀的方法，對(duì)類(lèi)別數(shù)量沒(méi)有限制?；煜仃囍械拿啃斜硎菊鎸?shí)類(lèi)別，每列表示預(yù)測(cè)的類(lèi)別。第i行和第j列元素nij表示類(lèi)型i被識(shí)別為類(lèi)型j的次數(shù)。假設(shè)總的識(shí)別次數(shù)是n，類(lèi)型i的識(shí)別次數(shù)為ni?；煜仃囋浇咏趯?duì)角矩陣，說(shuō)明該識(shí)別算法效果越好。表1是一個(gè)混淆矩陣示例。

表1 混淆矩陣示例Tab. 1 Example of confusion matrix

基于混淆矩陣，有表2所示的評(píng)價(jià)指標(biāo)。

表2 評(píng)價(jià)指標(biāo)Tab. 2 Evaluation metrics

基于上述定義，下面給出了本文所使用的評(píng)價(jià)指標(biāo)：

2)正確率(Accuracy, Acc)。正確率是指被正確分類(lèi)的樣本比例：

(8)

3)精度(Precision, Prec)。精度就是指被歸為該類(lèi)中真正屬于該類(lèi)的比例：

Preci=TPi/(TPi+FPi)

(9)

4)敏感度(Sensitivity, Sens)。又被稱(chēng)為真正率(True Positive Rate，TPR)、召回率(Recal)或者命中率(Hit)，也就是正確分類(lèi)概率：

Sensi=TPi/(TPi+FNi)

(10)

5)特效率(Specificity, Spec)。又被稱(chēng)為真反率(True Negative Rate，TNR)，也就是反例中被正確分類(lèi)的概率：

Speci=TNi/(FPi+TNi)

(11)

6)F測(cè)度(F-Measure, F1)。也就是靈敏度和精度的調(diào)和平均值：

F1=2/(1/Sensi+1/Preci)

(12)

3 實(shí)驗(yàn)與數(shù)據(jù)分析

為了對(duì)算法進(jìn)行測(cè)試，使用華為P9 Plus開(kāi)啟便攜式熱點(diǎn)功能作為信號(hào)發(fā)射器，實(shí)驗(yàn)環(huán)境為如圖4所示的會(huì)議室。

圖4 實(shí)驗(yàn)環(huán)境Fig. 4 Experiment environment

會(huì)議室面積約25 m2，熱點(diǎn)置于會(huì)議室一角的座椅，距離地面約0.4 m，接收信號(hào)的手機(jī)置于房間另一角的座椅，距離地面約0.4 m?；诎沧坎僮飨到y(tǒng)編寫(xiě)數(shù)據(jù)采集軟件ActivityRecognition.apk，軟件數(shù)據(jù)采樣率設(shè)定為0.5 s，采用Meizu MX3作為信號(hào)接收器，手機(jī)操作系統(tǒng)是Android(version 4.4)，軟件工作界面如圖5所示。

從圖5可以看出，數(shù)據(jù)采集界面主要分為兩部分，上方的視圖是信號(hào)強(qiáng)度曲線，下方視圖是信號(hào)強(qiáng)度變化曲線，變化曲線取值為離散值，0表示當(dāng)前時(shí)刻信號(hào)強(qiáng)度與上一時(shí)刻相等；-1表示當(dāng)前時(shí)刻信號(hào)強(qiáng)度小于上一時(shí)刻；1表示當(dāng)前時(shí)刻信號(hào)強(qiáng)度大于上一時(shí)刻。不同活動(dòng)條件下的信號(hào)強(qiáng)度被記錄在文件，用于機(jī)器學(xué)習(xí)和識(shí)別。

圖5 數(shù)據(jù)采集界面Fig. 5 User interface of data collection

實(shí)驗(yàn)過(guò)程中，房間內(nèi)僅有一人在發(fā)射源與接收器之間運(yùn)動(dòng)。實(shí)驗(yàn)分為3個(gè)層次進(jìn)行，分別是判斷室內(nèi)是否有人，判斷室內(nèi)人的活動(dòng)類(lèi)型以及具體活動(dòng)的細(xì)節(jié)，使用的時(shí)間窗口為2 s。

1)判斷室內(nèi)是否有人。

判斷室內(nèi)是否有人對(duì)室內(nèi)監(jiān)控有重要意義。例如，家里上班時(shí)間出現(xiàn)異常信號(hào)，則可能是家里有入侵者，此時(shí)可以發(fā)送警報(bào)提醒。表3是使用不同算法識(shí)別室內(nèi)是否有人的準(zhǔn)確度。

表3 不同算法判斷是否有人的準(zhǔn)確度Tab. 3 Accuracy of inferring the existence of a person in the room

從表3可以看出，KNN算法分類(lèi)準(zhǔn)確度最高，達(dá)到0.805 4，接下來(lái)是樸素貝葉斯算法、決策樹(shù)和隨機(jī)森林算法，這三個(gè)算法的識(shí)別準(zhǔn)確度都在70%以上。

2)判斷室內(nèi)人的活動(dòng)類(lèi)型。

室內(nèi)有人的情況下，有時(shí)候還需要知道人處于什么狀態(tài)，判斷人是躺下、站立還是行走，這對(duì)于老人健康監(jiān)控有重要意義。例如，在平時(shí)活動(dòng)時(shí)間發(fā)現(xiàn)老人長(zhǎng)時(shí)間處于躺下?tīng)顟B(tài)，則可以發(fā)送信號(hào)提醒老人可能滑倒。表4是不同算法準(zhǔn)確度對(duì)比。

表4 不同算法判斷運(yùn)動(dòng)狀態(tài)的準(zhǔn)確度Tab. 4 Accuracy of identifying a person’s activity

從表4中可以看出，人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和決策樹(shù)識(shí)別準(zhǔn)確度最高，達(dá)到95.65%，可以有效識(shí)別用戶不同狀態(tài)。

表5是采用決策樹(shù)算法識(shí)別室內(nèi)用戶室內(nèi)站立、躺下和行走的混淆矩陣。

表5 判斷活動(dòng)類(lèi)型混淆矩陣 %Tab. 5 Confusion matrix of identifying the person’s activity %

從表5可以看出，決策樹(shù)算法能夠有效從三種狀態(tài)中區(qū)分出躺下，準(zhǔn)確度達(dá)到100%，站立和行走有可能識(shí)別錯(cuò)誤，識(shí)別站立和行走的準(zhǔn)確度分別為85%和94%。

3)室內(nèi)人的活動(dòng)細(xì)節(jié)。

上述實(shí)驗(yàn)只能判斷大概的活動(dòng)，有時(shí)候需要更多細(xì)節(jié)。例如，判斷行走的方向是在靠近接收機(jī)或者遠(yuǎn)離接收機(jī)運(yùn)動(dòng)。表6是不同算法行動(dòng)方向估計(jì)不同評(píng)價(jià)指標(biāo)對(duì)比, 這里的方向分為兩種，分別是靠近接收機(jī)和遠(yuǎn)離接收機(jī)。

表6 不同算法識(shí)別靠近狀態(tài)的評(píng)價(jià)指標(biāo)Tab. 6 Result of identifying the coming of a person

從表6可以看出，決策樹(shù)在特效率、精度這兩個(gè)指標(biāo)最佳。樸素貝葉斯算法在識(shí)別準(zhǔn)確度、敏感度、F測(cè)度這三個(gè)指標(biāo)性能最佳，其中，所有算法識(shí)別準(zhǔn)確度都在75%以上，樸素貝葉斯算法的準(zhǔn)確度達(dá)到80%。

4 結(jié)語(yǔ)

本文基于機(jī)器學(xué)習(xí)算法，提出利用廣泛存在的WiFi信號(hào)強(qiáng)度識(shí)別室內(nèi)活動(dòng)。實(shí)驗(yàn)結(jié)果顯示，本文算法能夠以80%以上概率判斷室內(nèi)是否有人; 在室內(nèi)有人的情況下，能夠以95%以上概率判斷人處于躺下、站立或者行走狀態(tài)，并80%的概率識(shí)別人的運(yùn)動(dòng)方向。

實(shí)驗(yàn)結(jié)果顯示，無(wú)論是識(shí)別是否有人，還是識(shí)別人的運(yùn)動(dòng)詳細(xì)信息，準(zhǔn)確度還沒(méi)有達(dá)到100%，原因可能是本文所使用的信號(hào)所包含的信息不足以進(jìn)行有效判斷。未來(lái)有三方面工作可以開(kāi)展：第一是繼續(xù)挖掘可能存在的體現(xiàn)信號(hào)變化情況的變量，基于新的變量進(jìn)行活動(dòng)識(shí)別； 第二是采用更多的信號(hào)發(fā)射器與接收機(jī)，通過(guò)多個(gè)發(fā)射與接收機(jī)合作，以更高的精度識(shí)別室內(nèi)活動(dòng)更多的細(xì)節(jié)； 第三是結(jié)合其他傳感器進(jìn)行判斷，例如氣壓計(jì)等，通過(guò)判斷周?chē)鷼鈮鹤兓?，提高識(shí)別精度。

References)

[1] PEI L, GUINNESS R, CHEN R, et al. Human behavior cognition using smartphone sensors[J]. Sensors, 2013,13(2): 1402-1424.

[2] GUINNESS R E. Beyond where to how: a machine learning approach for sensing mobility contexts using smartphone sensors[J]. Sensors, 2015,15(5): 9962-9985.

[3] Activity Recognition. Google’s activity recognition API[EB/OL]. [2016-02-20]. http://developer.android.com/google/play-services/location.html.

[4] FRANK K, NADALES V, JOSEFA M, et al. Reliable real-time recognition of motion related human activities using MEMS inertial sensors[EB/OL].[2016-06-20]. http://elib.dlr.de/64996/2/activityRecognition.pdf.

[5] ELHOUSHI M, GEORGY J, WAHDAN A, et al. Using portable device sensors to recognize height changing modes of motion[C]// Proceedings of the 2014 IEEE International Instrumentation and Measurement Technology Conference. Piscataway, NJ: IEEE, 2014: 477-481.

[6] ELHOUSHI M. Advanced motion mode recognition for portable navigation[EB/OL].[2016-06-20].https://www.researchgate.net/profile/Mostafa_Elhoushi/publication/309619569_Advanced_Motion_Mode_Recognition_for_Portable_Navigation/links/581a541808aed2439386b63f/Advanced-Motion-Mode-Recognition-for-Portable-Navigation.pdf.

[7] ELHOUSHI M, GEORGY J, KORENBERG M, et al. Robust motion mode recognition for portable navigation independent on device usage[C]// Proceedings of the 2014 IEEE/ION Position, Location and Navigation Symposium. Piscataway, NJ: IEEE, 2014: 158-163.

[8] VANINI S, GIORDANO S. Adaptive context-agnostic floor transition detection on smart mobile devices[C]// Proceedings of the 2013 IEEE International Conference on Pervasive Computing and Communications Workshops. Piscataway, NJ: IEEE, 2013: 2-7.

[9] SANKARAN K, ZHU M, GUO X F, et al. Using mobile phone barometer for low-power transportation context detection[C]// Proceedings of the 12th ACM Conference on Embedded Network Sensor Systems. New York: ACM, 2014: 191-205.

[10] WU M, PATHAK P H, MOHAPATRA P. Monitoring building door events using barometer sensor in smartphones[C]// Proceedings of the 2015 ACM International Joint Conference on Pervasive and Ubiquitous Computing. New York: ACM, 2015: 319-323.

[11] SHI S, SIGG S, JI Y. Activity recognition from radio frequency data: multi-stage recognition and features[C]// Proceedings of the 2012 IEEE Vehicular Technology Conference. Piscataway, NJ: IEEE, 2012: 1-6.

[12] ABDELNASSER H, HARRAS K A, YOUSSEF M. Ubibreathe: a ubiquitous non-invasive WiFi-based breathing estimator[C]// Proceedings of the 16th ACM International Symposium on Mobile Ad Hoc Networking and Computing. New York: ACM, 2015：277-286.

[13] PU Q, GUPTA S, GOLLAKOTA S, et al. Whole-home gesture recognition using wireless signals[C]// Proceedings of the ACM SIGCOMM 2013 Conference on SIGCOMM. New York: ACM, 2013: 485-486.

[14] 蔡曉東,楊超,王麗娟,等. 驗(yàn)證和識(shí)別相融合的深度行人識(shí)別網(wǎng)絡(luò)[J].計(jì)算機(jī)應(yīng)用, 2016, 36(9): 2550-2554.(CAI X D, YANG C, WANF L J, et al. Deep network for person identification based on joint identification-verification[J]. Journal of Computer Applications, 2016, 36(9): 2550-2554.)

[15] CHEN X, EDELSTEIN A, LI Y, et al. Sequential Monte Carlo for simultaneous passive device-free tracking and sensor localization using received signal strength measurements[C]// Proceedings of the 2011 10th International Conference on Information Processing in Sensor Networks. Piscataway, NJ: IEEE, 2011: 342-353.

[16] ABDELNASSER H, YOUSSEF M, HARRAS K A. Wigest: a ubiquitous WiFi-based gesture recognition system[C]// Proceedings of the 2015 IEEE Conference on Computer Communications. Piscataway, NJ: IEEE, 2015: 1472-1480.

[17] ORANGE[EB/OL].[2016-06-20].http://www.ailab.si/orange/.

This work is partially supported by the Scientific Research Project of Huanggang Normal University in 2016(zj201628), Information and Communication Engineering Research Project of Huanggang Normal University in 2015(zdxk1501), Information and Communication Engineering Research Project of Huanggang Normal University in 2016 (zdxk1601); High-Level training program Project of Huanggang Normal University (201719541).

WEI Chunling, born in 1980, M. S., associate professor. Her research interests include telecommunication and information systems.

WANG Bufei, born in 1964, M. S., professor. His research interest is telecommunication engineering.

tivity-recognition based on

signal strength in WLAN

WEI Chunling*, WANG Bufei

(SchoolofElectronicInformation,HuanggangNormalUniversity,HuanggangHubei438000,China)

The mainstream activity recognition technology depends on professional measurement equipment, which leads to the problem of difficult deployment and use. An activity identification technology based on the characteristics of existing WiFi hotspot received signal strength was proposed. The result shows that the proposed algorithm is capable of identifying the existence of a person in the room with 80% accuracy. And person’s standing, walking and lying activity can be inferred with 95% accuracy. The walking direction can also be identified with 80% accuracy. The required signal of the proposed algorithm exists everywhere in daily life, and can be effectively used to identify indoor activities with low power consumption, and high precision.

receiver signal strength；indoor activity-recognition；machine learning；Wireless Local Area Network (WLAN)；smart home

2016-10-17;

2016-12-19。 基金項(xiàng)目:黃岡師范學(xué)院2016年校級(jí)科研項(xiàng)目(zj201628)；黃岡師范學(xué)院2015年信息與通信工程學(xué)科科研項(xiàng)目(zdxk1501)；黃岡師范學(xué)院2016年信息與通信工程學(xué)科科研項(xiàng)目(zdxk1601)；黃岡師范學(xué)院高級(jí)別培育項(xiàng)目(201719541)。

韋春玲(1980—)，女，陜西西安人，副教授，碩士，主要研究方向：通信與信息系統(tǒng)； 王步飛(1964—)，男，湖北麻城人，教授，碩士，主要研究方向：通信工程。

1001-9081(2017)05-1326-05

10.11772/j.issn.1001-9081.2017.05.1326

TP393.17

A