基于深度学习神经网络的安保系统及其控制方法与流程

本发明涉及一种基于深度学习神经网络的室内/车载环境中基于无设备无源射频的安保系统及其控制方法，更加详细地，涉及一种使用深度学习神经网络及其控制方法的检测和识别对象的安保系统。

背景技术：

各种深度学习方案正在被开发为用于教授计算机人类思维方式的机械学习的一个领域。深度学习方案是使计算机能够以计算机可理解的形式表示规定数据的方式学习规定数据。最近，有许多正在进行的关于更好的表示方案以及如何学习它们的模型的研究。作为这些研究的结果，诸如深度学习神经网络、卷积神经网络以及深度信念神经网络的各种深度学习方案被应用于计算机视觉、语音识别、自然语言处理、音频/信号处理等领域并显示出前沿成果。

技术实现要素：

技术问题

本发明的一个技术问题在于解决除了上述背景技术之外还可能在现实中引起的各种问题。特别地，本发明的技术问题在于提供一种基于深度学习神经网络的安保系统及其控制方法，所述系统通过从wifi节点接收的wifi信号来检测并识别对象。

技术方案

在本发明的一个技术方面，本发明提供一种基于深度学习神经网络的安保系统，其包括至少一个wifi节点以及用于从接收自所述wifi节点的wifi信号中检测对象的深度学习模块，

其中，如果检测到所述对象，则所述深度学习模块识别所述对象的信息。

根据本发明的一个方面，所述对象的信息包括所述对象的位置和方向、对象的活动、对象的类型(人/宠物)、对象的数量以及对象的姿势中的至少一种。

根据本发明的一个方面，所述基于深度学习神经网络的安保系统可以进一步包括网关，其中，如果所述wifi节点位于室内环境中，则所述深度学习模块从所述网关接收所述wifi节点的数据包。

根据本发明的一个方面，所述深度学习模块可以使用深度学习神经网络、卷积神经网络、深度判别网络、以及自动编码器中的至少一种。

根据本发明的一个方面，所述深度学习神经网络可以从所述wifi信号中实时检测数据。

根据本发明的一个方面，所述卷积神经网络可以从所述wifi信号中检测所述对象的存在。

根据本发明的一个方面，所述深度判别网络可以从所述wifi信号中检测所述对象的位置。

根据本发明的一个方面，所述自动编码器可以从所述wifi信号中检测并分类所述对象的活动。

根据本发明的一个方面，所述深度学习模块可以从所述wifi节点收集信道状态信息(csi)和接收信号强度指示符(rssi)数据，并对所述收集的csi和rssi数据进行预处理。

根据本发明的一个方面，通过使用所述csi和rssi数据的预处理，所述深度学习模块可以

对所述csi数据进行筛选、去除异常值，并消除由频率偏移而产生的信号的相位所引起的误差。

根据本发明的一个方面，在所述csi和rssi数据的预处理之后，所述深度学习模块可以

生成所述csi数据的短时傅里叶变换(stft)和连续小波变换(cwt)。

根据本发明的一个方面，在所述csi和rssi数据的预处理之后，所述深度学习模块可以参考所述对象的存在、所述对象的存在类型、以及所述对象的数量对网络进行分类。

根据本发明的一个方面，所述深度学习模块可以检测所述对象是否存在于预设区域中。

根据本发明的一个方面，所述深度学习模块可以根据所述对象的类型识别所述对象是否是人或宠物。如果所述对象是人，则所述深度学习模块可以确定人是否是已知的人或陌生人，并且还可以确定人的年龄。

根据本发明的一个方面，所述深度学习模块可以检测存在于所述预设区域中的所述对象的数量。

在本发明的另一个技术方面，本发明提供一种控制基于深度学习神经网络的安保系统的方法，所述方法包括从接收自至少一个wifi节点的wifi信号中检测对象，以及如果检测到所述对象，则识别所述对象的信息。

有益效果

根据本发明的系统及其控制方法的效果如下所述。

根据本发明的至少一个实施例，系统检测并识别人的存在，从而使智能产品自动化。

根据本发明的至少一个实施例，系统检测人的位置，从而在室内环境中确保人的安全性及安保性。

从下文给出的详细说明中，本发明的进一步的应用性范围将变得显而易见。然而，应该理解的是，详细的说明和具体的实施例虽然表明了本发明的优选实施方案，但是其仅仅由示例而给出，因为对于本领域的技术人员而言，在本发明的主旨及范围内的多种变化及修改是显而易见的。

附图说明

图1为根据本发明的一个实施例的示意图，其描述了基于深度学习神经网络的安保系统的步骤。

图2为根据本发明的一个实施例的示意图，其描述了在典型的室内环境中部署rf/wifi节点和网关。

图3为根据本发明的一个实施例的示意图，其描述了使用深度学习神经网络来检测人的示例。

图4为根据本发明的一个实施例的示意图，其描述了使用深度学习神经网络来识别人的示例。

图5为根据本发明的一个实施例的示意图，其描述了使用深度学习神经网络来计算人数的示例。

具体实施方式

下面将参考附图并根据本说明书中公开的示例性实施例进行详细的说明。至于有关附图的简要说明，相同或等价的部分可能会以相同的参考编号来提供，并且不会对其进行重复地说明。通常，诸如“模块”和“单元”的后缀可用于指代元件或组件。在此使用这样的后缀仅仅是为了便于说明书的描述，并且后缀本身并不旨在给出任何特殊的含义或功能。在本说明书中，为了简洁起见，通常省略了相关领域普通技术人员公知的内容。附图用于帮助容易地理解各种技术特征，并且应当理解是，本说明书中呈现的实施例并不受限于附图。因此，除了在附图中具体陈述的之外，本申请应被解释为可扩展为任何变更，等同物和替代物。

应当理解的是，尽管在此可以使用术语第一、第二等来描述各种元件，但是这些元件不应受限于这些术语。这些术语通常仅用于将一个元件与另一个元件区分开。

应当理解的是，当一个元件被称为与另一个元件“连接”时，该元件可以与另一个元件连接，或者也可以存在介于中间的元件。相反，当一个元件被称为与另一个元件“直接连接”时，则不存在介于中间的元件。

单数表示可以包括复数表示，除非根据上下文其表示明确不同的含义。

在此使用诸如“包括”或“具有”的术语，并且应当理解的是，这些术语旨在表示说明书中公开存在有多个组件、功能或步骤，并且还应该理解的是，可以同样地使用更多或更少的部件、功能、或步骤。

人工智能(ai)模块在基于ai技术的信息处理中起作用，并且可以包括执行信息学习、信息推理、信息感知、以及自然语言处理中的至少一种的一个或多个模块。

通过使用ai模块机器学习技术，能够对诸如存储在系统中的信息、周围环境信息、存储在能够通信的外部存储位置中的信息等的大量信息(例如，大数据)进行学习、推理并且处理中的至少一种。

机器学习技术是基于至少一种算法收集和学习大规模信息并基于所学习的信息确定和预测信息的技术。信息的学习是通过获得信息的特征、规则、判断基准等来量化信息与信息之间的关系，并使用量化的模式预测新数据的操作。

这种机器学习技术所使用的算法可以包括基于统计的算法，并且可以包括以下中的一种，例如，使用树结构作为预测模型的决策树、模拟生物体的神经网络结构和功能的神经网络、基于生物体进化算法的遗传规划、将观察到的示例分布到被称为集群的子集中的聚类、通过随机提取的随机数计算函数值的蒙特卡罗方法等。

作为机器学习技术的领域，深度学习技术是使用人工神经网络算法来执行对信息的学习、判断以及处理中的至少一种的技术。人工神经网络可以具有将层彼此连接并在层之间传输数据的结构。这种深度学习技术可以通过使用针对并行运算而优化的图形处理单元(gpu)的人工神经网络来学习大量信息。

同时，为了收集大量信息以应用ai模块机器学习技术，可以收集(例如，感测、监控、提取、检测、接收等)输入到wifi节点/从wifi节点输出的信号、数据、信息等。此外，可以收集(例如，感测、监控、提取、检测、接收等)存储在通过ai模块通信连接到外部存储位置(例如，云服务器)的数据、信息等。具体地，信息的收集可以被理解为一种包括以下操作的术语，即，通过传感器感测信息、提取存储在存储器中的信息、或通过通信从外部存储位置接收信息。

这样的ai模块可以实时地在后台收集大量的信息，并将通过学习所收集的信息而处理成为适当的形式的信息(例如，知识图、命令策略、个性化数据库、谈话引擎等)保存在存储器中。

同时，一旦执行了特定操作，ai模块就可以通过机器学习技术分析指示执行特定操作的历史信息，并基于这样的分析信息对现有的学习的信息执行更新。因此，ai模块可以提高信息预测的准确性。

对应于上述ai模块的下位概念的深度学习模块如下所述。

以下讨论基于深度学习的安保及安保系统及控制其的方法，所述系统通过部署wifi网络，并且通过被动地监控wifi/rf信号并使用深度学习神经网络来处理该wifi信号日志来检测、定位和识别室内环境中的人。

特别地，将对使用深度学习神经网络(dnn)识别室内环境中的人的活动的方法进行说明。

根据本发明的一个实施例的wifi节点包括始终开启的wifi或rf节点，并且可以采用商用wifinic，且与接入点(ap)交换最小数量的数据包。可以使用网关节点上的嵌入式gpu平台来处理来自网络中的不同wifinic的wifi信号。在以下说明中，假设网关节点与接入点位于同一位置。并且，该网络可以扩展为商用wifi/rf设备以在保持网络的数据传输能力的同时获得额外的功能和覆盖。

根据本发明的一个实施例，wifi网络可在室内、室外或车载环境中实现无设备安保和安保系统。下面将对其进行详细的说明。

根据本发明的一个实施例的基于深度学习神经网络的安保系统可以包括深度学习模块和wifi节点。

在此，深度学习模块可以包括深度学习神经网络(dnn)架构、卷积神经网络、深度判别网络以及自动编码器。在此，dnn架构可以从wifi信号日志中实时检测数据。卷积神经网络可以从接收的wifi信号中检测对象的存在。深度判别网络可以检测对象的位置。并且，自动编码器可以检测并分类对象的活动。

wifi节点可以采用商用wifi通信。根据本发明的一个实施例，wifi节点可以维持与接入点的最小数据包交换。如果检测到对象(例如，人)，则wifi节点可以改变wifi或rf信号。

深度学习模块可以通过处理由wifi节点改变的wifi或rf信号来执行以下功能。

根据本发明的一个实施例，深度学习模块可以检测室内/室外环境或车载环境中的移动或静止的人的存在。深度学习模块可以识别室内车载环境中的人的位置。深度学习模块可以区分检测到的对象是人还是宠物。深度学习模块可以从室内环境中的已知人群中识别个体。在这种情况下，深度学习模块可以识别室内/室外环境中的人数。并且，深度学习模块可以识别个体的活动/姿势/取向。

根据本发明的一个实施例，深度学习模块可以接收从网关到wifi节点的数据包，以连接到室内wifi节点。

即，通过深度学习模块的人检测以及人的位置和活动识别不仅使安全产品及服务得以实现，还使室内安保中的多种应用得以实现。

在这种情况下，根据本发明的一个实施例的通过基于dnn的安保系统(以下为系统)实现的应用可以包括以下示例。

根据本发明的一个实施例的系统提供的室内/车载环境中的安保及安全功能如下所述。

根据本发明的一个实施例的系统可以布防或撤防自动家庭警报。该系统可以在没有额外传感器的情况下检测是否存在玻璃破坏以用于非法入侵者的检测。该系统可以利用其他安保产品以及第三方组件自动化地检测侵入者并采取先发制人的威慑措施。系统可以基于检测到的用户的存在、位置和活动来配置智能火灾/气体警报报警阈值。如果用户长时间保持静止，系统可能会自动关闭照明。在这种情况下，与基于ir的移动传感器不同，该系统可以基于对用户存在的检测来关闭照明。如果无设备的儿童或宠物离开指定区域，则该系统可以警告用户。同样地，该系统可以执行老年护理以及跌倒检测。该系统可以检测是否存在婴儿哭泣。具体地，该系统可以使用安装在婴儿床附近的wifi节点来检测是否存在婴儿的唇部运动。因此，该系统可以分析检测到的唇部运动并将其与关联于婴儿哭泣的已知唇部进行比较，从而确定是否存在婴儿哭泣。此外，由于wifi节点部署在婴儿床附近，该系统可以可靠地识别唇部运动以及婴儿呼吸的存在。在汽车环境而非室内环境中，该系统可以通过车辆座位附近的wifi节点来检测婴儿的唇部运动以及呼吸速率，并据此来识别婴儿哭泣的存在。

根据本发明的一个实施例的系统可以基于检测到的个体的接近度/身份识别使智能设备自动化。

根据本发明的一个实施例的系统还可以使第三方组件自动化。

参考下述图1，对检测人的存在和位置的方法、识别人的类型的方法、以及检测人数的方法进行详细的说明。

特别地，基于dnn的安保系统所包括的深度学习模块可以控制以下的每一个步骤。

图1为根据本发明的一个实施例的示意图，其描述了基于深度学习神经网络的安保系统的步骤。

在步骤s101中，系统可以从所有wifi节点收集数据。

在步骤s102中，系统可以执行csi数据的筛选并移除异常值。

在步骤s103中，系统可以进行用于消除偏移的相位检查。

在步骤s104中，如果使用深度学习网络核查网络的存在，则系统可以利用算法通过将来自多个wifi节点的数据组合在一起来声明网络的位置和存在。

在步骤s105中，系统可以对在步骤s104中经过训练的网络进行分类。具体地，系统可以利用室内环境地图内的节点的指定将给定区域中的对象(例如，人)的存在的数据进行网状化(mesh)。

即，在步骤s106中，系统可以通过步骤s104和步骤s105来检测人的存在和位置。随后，将参考图4对其进行详细地说明。

在步骤s107中，系统可以生成csi数据的短时傅里叶变换/连续小波变换(stft/cwt)。

在步骤s108中，如果识别深度学习网络，则系统可以使用在接入点和wifi节点之间移动的人的cwt/stff。

在步骤s109中，系统可以对在步骤s108中经过训练的网络进行分类。具体地，系统可以识别对象的类型。即，系统可以核实身份，然后对已知用户、陌生人、婴儿和宠物的存在进行分类。

即，在步骤s110中，系统可以通过步骤s107至s109检测身份。将参考图4对其进行详细地说明。

在步骤s111中，系统可以通过深度学习网络检测人数。具体地，系统可以使用训练数据频谱图和小波变换来检测人数。

在步骤s112中，系统可以用在步骤s111中训练的网络进行分类。具体地，系统可以利用室内环境内的节点的指定将给定区域中的对象(例如，人)的数量的数据进行网状化。

在步骤s113中，系统可以通过步骤s111和步骤s112来检测给定位置处的人数。这将参考图4详细描述。将参考图5对其进行详细地说明。

因此，本发明的多节点rf/wifi网络的架构使用商用rf/wifi信号(无线电)使得室内环境中的安保与安全得以实现。

特别地，本发明的特征如下所述。

根据本发明的一个实施例的深度学习神经网络可以实时检测所有上述特征。在此，如果商用rf/wifi信号中存在噪声和其他误差，则深度学习网络可以学习将要估计的参数。

具体地，商用wifi信号中可能会生成相位误差，而这种误差可能会降低检测可靠性。然而，如果存在误差，则深度学习神经网络可以学习将在训练期间检测到的参数。因此，工程师不需要手工构建将由深度学习神经网络估计的参数，并且监督和无监督的深度学习神经网络可以执行估计以检测存在/不存在、活动及位置。

根据本发明的一个实施例，系统可以使用一组分布式wifi/rf节点来检测被动的接近、位置及活动，这提供了用于替换多个应用的接近传感器的巨大潜力。因此，可实现新型的安全应用，其包括家庭安保与安全产品、家庭自动化产品以及智能家居管理服务。

根据本发明的一个实施例，基于dnn的系统可以学习人运动的信道状态信息(csi)和接收信号强度指示(rssi)数据的变化，并将其与宠物的运动区分开。此外，基于dnn的系统可以检测家庭环境中的其他障碍物的移动。

利用商品wifi/rf设备的使用从csi和rssi日志导出的一阶/二阶统计量的对于存在检测可以使用现有技术。同样地，在文献中已经探讨了使用rf设备的被动室内位置，其采用线性判别分析和概率模型来达到训练位置估计值。并且，二阶统计量和隐马尔可夫模型也已在文献中进行了探讨。

以下说明的是整体系统架构、用于人检测的基于深度学习的实施例、使用dnn识别个体的实施例、人类活动的被动检测和分类、在室内环境中使用dnn检测人的位置的实施例、以及在安全和安保领域中的应用。

图2为根据本发明的一个实施例的示意图，其描述了在典型的室内环境中部署rf/wifi节点和网关。

在图2中，以在每个尺寸为30至40平方米的房间中具有wifi/rf节点的典型的房间作为示例进行说明。在此，rf节点可以与其他wifi节点或ap进行通信。rf节点的带宽根据应用而变化。对于精细移动和活动的检测可能需要具有更宽带宽的rf节点。较大的房间可以部署更多的wifi节点。

其中，每个wifi节点均连接到ap，并且可以每秒交换至少20ping的数据包。启用wifi驱动器以记录每个wifi节点的csi数据。特别地，具有80mhz带宽的wifi节点能够对活动进行更精细地检测和分类。

可以采用商用产品(cots)wifi节点来执行上述功能。cotswifi节点可以与ap每秒交换至少20ping的数据包。可以预处理每个节点的csi和rssi日志，从而可以通过深度学习神经网络来提取特征。

具有适当gpu的网关节点可以实现深度学习神经网络。在此，假设网关节点与ap共置。

此外，根据本发明的一个实施例，可以将检测到的对象、人数、活动位置、活动性质等上载到云以进行连续的远程监控。

图3为根据本发明的一个实施例的示意图，其描述了使用深度学习神经网络来检测人的示例。

具体地，图3示出检测在wifi节点附近移动的人，以及核实在预设房间内或房间外中的大致位置的方法。

在步骤s301中，基于dnn的安保系统(以下称为系统)可以从所有wifi/rf节点收集csi和rssi数据。此后，可以对所收集的csi和rssi数据进行处理。至于详细内容，步骤s302和步骤s303如下所述。

在步骤s302中，系统可以在csi和rssi数据预处理步骤中执行csi数据的筛选并消除csi数据的异常值。

在步骤s303中，在csi和rssi数据处理步骤中，系统可以消除由于频率偏移等而导致的信号相位所引入的误差。

在步骤s304中，系统可以收集每个指定区域的人员数据。例如，系统可以从空房间收集数据，从具有处于多种状态(例如，移动中的状态、静止不动的状态、坐着的状态、躺着的状态等)的人的房间收集数据，或者从具有多个人的房间收集数据。

在步骤s305中，系统可以声明深度学习网络的存在。具体地，系统可以利用算法通过组合来自多个wifi节点的数据来声明深度学习网络的位置和存在。

在步骤s306中，系统可以整合整个室内区域中所有人员的数据(例如，存在、位置、姿势、活动、可用的地点、可用的时间等)的存在。

在步骤s307中，系统可以用通过步骤s301至s306而经过训练的工作来进行分类。

在步骤s308中，系统可以核实指定区域中的人的存在。

对本发明进行的详细说明如下。

根据本发明的一个实施例，系统可以生成经筛选的信号的时频表示或时间尺度表示。

系统可以生成经过训练的数据，并且可以在室内环境中生成数据的时频或时间尺度表示。在此，使用没有人存在的csi日志、有移动的人的csi日志、以及具有静态的人服务的csi日志来生成用于训练深度学习网络的时频表示。在此，可以生成csi日志以覆盖可靠地检测到的个体场景的基本集合。

根据本发明的一个实施例，对生成有效的训练数据和更新训练数据的方法的说明如下。特别地，系统需要可靠地核实房间边界的位置。此时，如果有人在房间的边界上移动，则生成csi和rssi数据日志以识别房间边界。并且，可以以定期递增的方式更新csi日志。

对深度学习网络和dnn训练的架构的说明如下。

根据本发明的一个实施例，可以采用卷积神经网络或深度学习判别分析。时频或时间尺度数据可以用于训练神经网络。采用批量数据使用随机梯度下降来训练网络。

可以使用利用了自动编码器的无监督深度学习神经网络。特别地，处理从rssi/csi日志中得到筛选的信号，并且可以计算时频表示。无监督的dnn架构学习特征并使用分类器对特征进行分类。在此，可以采用修正的柔性最大(softmax)分类器。

特别地，对本发明的特征的说明如下。

如果在现有技术中采用了csi/rssi的一阶/二阶统计量来检测房间内的人的存在，那么在本发明中，则采用了深度学习网络来可靠地检测室内或室外环境中的人的存在。特别地，深度学习神经网络可以在存在噪声的情况下可靠地检测存在。在这样做时，通过cotswifi无线电或家庭环境中由于风等导致的对象的移动可能会引入噪声。即，dnn方案可以以最小的误报检测存在。

图4为根据本发明的一个实施例的示意图，其描述了使用深度学习神经网络来识别人的示例。

步骤s401至步骤s404与之前的图3所示的步骤s301至步骤s304相同。

即，在步骤s401中，基于dnn的安保系统(以下称为系统)可以从所有wifi/rf节点收集csi和rssi数据。此后，可以对所收集的csi和rssi数据进行处理。至于详细内容，步骤s302和步骤s303如下所述。

在步骤s402中，系统可以在csi和rssi数据预处理步骤中执行csi数据的筛选并消除csi数据的异常值。

在步骤s403中，在csi和rssi数据处理步骤中，系统可以消除由于频率偏移等而产生的信号相位所引起的误差。

在步骤s404中，系统可以收集每个指定区域的人员的数据。例如，系统可以从空房间收集数据，从具有处于多种状态(例如，移动中的状态、静止不动的状态、坐着的状态、躺着的状态等)的人的房间收集数据，或者从具有多个人的房间收集数据。

在步骤s405中，系统可以生成stft/cwt。

在步骤s406中，系统可以识别深度学习网络。具体地，系统可以使用在接入点和wifi节点之间行走的人的cwt/stft来识别网络。

在步骤s407中，系统可以对通过步骤s401至步骤s406得到训练的网络进行分类。具体地，系统核实身份并且可以对已知用户、陌生人、婴儿、儿童和宠物进行分类。

即，在步骤s408中，系统可以识别已知用户、陌生人、婴儿/儿童、或宠物。

对本发明进行的详细说明如下。

每个人均可以以肢体的长度、肢体运动中的变化、步幅、行走时肢体的运动等为特征。特别地，行走时摇摆的肢体引入了wifi信号的csi数据的变化。在此，csi日志文件的时频或时间尺度表示简洁地捕获与每个个体相关的所有这些特征。

根据本发明的一个实施例的系统可以将用于唯一识别的每个个体的csi日志收集起来。因此，可以为每个个体在行走时、跑步时、站立时生成csi日志。同样地，为了区分宠物和人类，也可以为宠物生成类似的csi日志文件。

为此，对典型的处理步骤进行的说明如下。

根据本发明的一个实施例，系统可以收集csi和rssi数据。在这种情况下，系统可以消除由于对cotwifi设备的不适当的相位补偿而产生的相位误差。

系统可以计算时频或时间尺度表示。特别地，由肢体运动表征的时频表示(通常小于100hz)中的低频区域可以通过系统与个体相关联。

并且，系统可以针对来自个体以及宠物的数据训练深度学习神经网络。可以在gpu上训练深度学习卷积网络。在此，网络可以部署在nvidia嵌入式平台上。

此外，可以用与不同运动，例如，行走、跑步、坐下、跌倒、弯曲等相关的csi日志来训练深度神经网络以识别运动。

特别地，对本发明的特征的说明如下。

根据本发明的一个实施例的深度学习神经网络可以识别个体并将移动的宠物与人区分开。

深度学习神经网络可以从训练数据中学习数个特征。传统的手工构建的机器学习系统依赖于从时间序列数据中提取的一阶、二阶及更高阶的统计量。相反，通过精心构建的训练数据，dnn可以学习数个参数并区分数个看似接近的数据。

并且，传统的加权分类器易于出现误报。即，可以从时间序列数据中提取诸如平均值、方差、中值、最大值、最小值、频率特性、频率变化率等常规参数。由于加权分类器是根据信息设计的，因此容易出现误报。相反，由于基于dnn的分类器从训练数据中学习，因此可以减少误报。

图5为根据本发明的一个实施例的示意图，其描述了使用深度学习神经网络来计算人数的示例。

步骤s501至步骤s504与之前的图3所示的步骤s301至步骤s304相同。

即，在步骤s501中，基于dnn的安保系统(以下称为系统)可以从所有wifi/rf节点收集csi和rssi数据。此后，可以对所收集的csi和rssi数据进行处理。至于详细内容，步骤s302和步骤s303如下所述。

在步骤s502中，系统可以在csi和rssi数据预处理步骤中执行csi数据的筛选并消除csi数据的异常值。

在步骤s503中，在csi和rssi数据处理步骤中，系统可以消除由于频率偏移等而产生的信号相位所引起的误差。

在步骤s504中，系统可以收集每个指定区域的人员的数据。例如，系统可以从空房间收集数据，从具有处于多种状态(例如，移动中的状态、静止不动的状态、坐着的状态、躺着的状态等)的人的房间收集数据，或者从具有多个人的房间收集数据。

在步骤s505中，系统可以使用训练数据频谱图和小波变换来检测人数。

在步骤s506中，系统可以通过深度学习网络检测人数。具体地，系统可以使用步骤s505来检测人数。

在步骤s507中，系统可以使用通过步骤s501至步骤s506得到训练的网络进行分类。具体地，系统可以利用室内环境中的节点的指定将给定区域中的人数的数据进行网状化。

在步骤s508中，系统可以核实给定区域中的人数。

对本发明进行的详细说明如下。

可以通过wifi无线电节点被动地检测人数。在此，通过使用深度学习神经网络，可以执行csi数据的盲源分解。并且，通过估计独立源的数量，可以计算人数。检测人数的预处理步骤可以采用检测网络的存在的实施例。

即，在wifi/rf节点处预处理csi和rssi数据的步骤中，系统可以从csi和rsi数据中消除异常值，但是可能不会消除由于频率偏移等而在信号的相位中引入的误差。

根据本发明的一个实施例，系统可以生成预处理的csi日志的时频表示或联合时间尺度表示。

系统可以生成训练数据，并且可以在室内环境中生成数据的时频或时间尺度表示。在此，房间内的人数变化，并且可以生成csi日志。更新csi日志以捕获没有人存在的周围的rf环境。

对深度学习网络和深度学习神经网络训练的架构的说明如下。

根据本发明的一个实施例，可以采用卷积神经网络或深度学习判别分析。时频或时间尺度数据可用于训练神经网络。采用批量数据来使用随机梯度下降来训练网络。

特别地，对本发明的特征的说明如下。

本发明的一个实施例采用深度学习网络来检测人数，而在相关技术领域中，基于csi数据的一阶及二阶统计量来检测人数。通过这种方法，可以检测到可靠的人数。

在下文中，说明了根据本发明的一个实施例的(图中未示出)使用深度学习神经网络检测室内环境中的无设备位置的实施例。

在rf/wifi节点处收集的csi和rssi数据可以根据室内环境中的不同位置处的人的存在而改变。然而，由人的存在引起的rf特征幅度的变化明显小于由金属物体引入的变化。可以将室内环境细分为几个小区域，并且可以在每个子区域上获取csi日志。在此，csi日志可以从存在于这些小区中的每个小区中的人中获得。这些小区中的每一个的尺寸可以在第一区域(例如，2m×2m)和第二区域(例如，1m×1m)之间变化。来自周围的空环境的csi日志可以用作训练神经网络的基线。

对深度学习网络的架构的说明如下。根据本发明的一个实施例，可以在深度学习神经网络上采用线性判别分析。在这种情况下，csi数据预处理与针对房间内进行存在检测已经描述的相同。

特别地，本发明的特征在于使用wifi/rf信号的变化和深度学习网络在室内位置识别设备。

对相应的实施例的说明如下。

根据本发明的一个实施例，系统可以使用wifi检测唇部运动并且采用深度学习网络来从唇部运动中检测哭泣的存在。在此，对于唇部运动检测，系统可以分析检测到的婴儿的唇部运动，然后通过比较与现有婴儿哭泣相关的唇部来确定婴儿哭泣的存在。具体地，系统可以使用现有的基于wifi的实施例来提取由于与哭泣的婴儿相关的唇部运动而引起的csi变化，以检测唇部运动，在哭泣时以及随机的唇部运动时生成标记的训练数据，训练监督的深度学习卷积神经网络，并检测婴儿的哭泣。

因此，基于wifi的哭泣检测系统在室内和车载环境中均能够实现安全性。

根据本发明的一个实施例，在婴儿哭泣期间产生的典型声音可以对应于一系列“/a/”而不是其他高音和低音的声音。并且，包括呼吸率的辅助参数可以用于检测婴儿哭泣。

此外，可以将多个wifi节点置于靠近婴儿床或汽车座椅处以检测唇部运动。同样地，可以将wifi设备配置在婴儿床附近并用于检测婴儿信号。

具体地，模板wificsi数据可以与婴儿开始哭泣时的唇部运动相关联。在此，标记的数据库可用于训练用于哭泣检测的机器学习解决方案。特别地，来自具有唇部运动的csi数据的重叠段的距离多普勒图可用于训练深度学习神经网络。并且，系统采用监督或无监督的深度学习网络，以便从具有唇部运动的csi变化中识别婴儿哭泣。

特别地，本发明可以使用csi数据的变化来检测唇部运动，识别与婴儿哭泣相关的唇部变化，并识别对于与哭泣婴儿相关的唇部运动的csi变化。

此外，利用wifi辨认所说的单词的分类的方法可以使用相关领域中的技术。同样地，使用音频信号处理技术分析婴儿哭泣信号的方法可以使用相关领域中的技术。

特别地，对本发明的特征的说明如下。

根据本发明的一个实施例，可以检测家中楼梯附近和其他不安全区域的幼儿的存在。在此，dnn用于检测人的存在，识别人是否是婴儿，识别婴儿的位置，并且如果发现婴儿位置不安全则向系统报告。特别地，深度学习神经网络可用于可靠地识别幼儿。将wifi设备置于不安全区域的附近以检测存在。根据本发明的一个实施例的系统可以采用wifi/rfcsi日志以及深度学习网络来识别幼儿的位置。位于汽车内部的wifi设备可以检测幼儿的运动，呼吸速率等并报告幼儿的存在。

根据本发明的一个实施例，可以检测和识别家庭环境中的老年人。即，根据本发明的一个实施例，系统可以使用深度学习神经网络和wificsi变化来识别老年人的位置和姿势。

在这种情况下，网络可以向老年人提供反馈并指导他们移动到不同的位置。作为反馈的示例，系统可以在老年人的前进方向上适当地开启照明。系统使老年人能够识别并握住靠近楼梯、浴室和其他不安全地方的把手。并且，系统可以使用wificsi中的变化和深度学习神经网络来识别姿势(例如，站立、坐姿、跌倒等)。

特别地，对本发明的特征的说明如下。

根据本发明的一个实施例的基于深度学习神经网络的系统可以识别不安全区域中的室内/车载环境中的幼儿。并且，系统使用csi信号的变化使得老年人能够在室内环境中安全地移动。此外，系统可以识别姿势并通知位置。

可以在程序记录媒介中将上述的本发明实现为计算机可读代码。计算机可读媒介可以包括存储计算机系统可读数据的所有种类的记录设备。计算机可读媒介可以包括例如rom、ram、cd-rom、磁带、软盘、光学数据存储设备等，并且还包括载波类型的实现(例如，经由因特网传输)。此外，计算机可以包括终端的控制器180。因此，本说明书旨在进行说明，而不是限制权利要求的范围。因此，本发明旨在涵盖落入所附权利要求及其等同物的范围内的本发明的修改和变化。

工业实用性

本发明在基于深度学习神经网络的安保系统中具有工业实用性，并且可重复地应用。