本发明属于智能家居技术领域，特别涉及一种基于Wi-Fi中CSI信号的人体动作与呼吸的检测方法和系统。
背景技术：
近些年，各类无线电波被运用到智能硬件设备，用来采集用户的健康、健身数据等等。在智能家居生活中，用户更希望不需要携带任何电子感知设备就能够获取自己的健康数据，这样的一种非侵入式方案正在被更多的开发。另一发面，基于WiFi中CSI(Channel State Information，信道状态信息)信号的室内定位、指纹识别等技术在逐渐被人们所接受。通过对一些CSI信号数据分析，可以得出CSI能够将子载波信息展示的非常丰富，并展示出比较高的多径分辨能力，尤其是对非视距范围内信号微小的变化具有很高的捕获能力，CSI数据具有高灵敏度和感知区域广等特性。
在无线通信领域，CSI(Channel State Information,信道状态信息)，是通信链路的信道属性，描述了信号在每条传输路径上的衰弱因子，比如信号散射，环境衰弱，距离衰减等信息。基于802.11n协议的WiFi技术采用MIMO-OFDM系统，利用华盛顿大学的Daniel Halperin提供的工具软件，可以获取一个无线通信信道中的30个子载波；最后可以得到规范化的CSI矩阵H——n*m*30的复数矩阵，其中n表示发射天线个数，m表示接受天线个数，30是子载波信息个数。
例如，一个2*3*30的信道信息的模矩阵如下所示：
中国专利文献CN106108904A，公开了“一种非接触式的人呼吸参数实时测量方法，其特征在于，包括以下步骤：(1)在人体附近产生Wi-Fi信号，采集Wi-Fi信号中的信道状态信号CSI；(2)对采集的信道状态信号CSI进行去噪处理；(3)对CSI信号分时段，使得同一时段内的统计特性一致；(4)从每一段CSI信号包含的多个子载波中提取子载波的频率ωi、周期性大小ki以及幅值Ai，进而计算得到每一段CSI信号的呼吸频率ω＝(k1ω1+k2ω2+…+kNωN)/(k1+k2+…+kN)以及呼吸幅值A＝(k1A1+k2A2+…+kNAN)/(k1+k2+…+kN)，i＝1,2…,N，N为子载波的个数”。
中国专利文献CN105962946A，公开了“一种非接触式的人体睡姿安全检测方法，包括以下步骤：在人体周围产生Wi-Fi信号，采集Wi-Fi信号中的信道状态信号CSI；提取信道状态信号CSI的周期，将周期输入给预先训练的分类器，分类器输出睡姿类型。进一步地，所述Wi-Fi信号的数量为多个，分布于人体上肢周围。进一步地，所述Wi-Fi信号的数量至少为三个，其中一个位于人体上肢的左侧，另一个位于人体上肢的右侧，余下的一个位于人体头部的周围”。
然而，现有技术方案中对于人体呼吸的检测并没有涉及人体动作的姿势，因而对于人体状态的检测无法达到较为精确的程度。
技术实现要素：
本发明的实施例提供一种基于Wi-Fi中CSI信号的人体动作与呼吸的检测方法和系统，目的在于解决现有方案只对呼吸参数做检测，无法满足对人体状态的精确检测。
本发明的一个实施例，一种基于Wi-Fi中CSI信号的多人动作与呼吸的检测方法，该检测方法包括以下步骤：
从室内Wi-Fi无线信号提取出CSI信号，获取室内无人时的CSI信号和室内人体在不同位置下不同动作姿态和呼吸的CSI信号数据；
对获取得到的所有CSI信号数据进行预处理；
在CSI信号数据中，将人体呼吸的动作数据进行标记，用于建立呼吸识别模型；
在CSI信号数据中，将人体动作姿态的数据进行标记，用于建立行为识别模型；
根据CSI信号数据中，不同位置CSI变化划分监测区域，建立空间监测模型。
使用已经建立的呼吸识别模型、行为识别模型和空间监测模型，利用获取的Wi-Fi中CSI信号对室内人体位置、行为、呼吸进行识别。
呼吸识别模型、行为识别模型、空间监测模型是采用全链接神经网络作为深度学习方法建立的模型，用于对人体行为的识别。
本发明涉及应用Wi-Fi CSI对环境和人体进行感知，实现家居安防、人体监测及延伸应用。本发明通过接收室内Wi-Fi路由器发出的无线信号，从Wi-Fi无线信号提取出CSI信号。通过三个AI模型协同工作，对室内人体行为与呼吸进行识别。这三个模型分别是：
空间监测模型，识别是否有人，以及人体所在位置。
行为识别模型，识别人体的行为，例如行走、摔倒、坐、躺等人体姿态。
呼吸识别模型，识别人体呼、吸信号，先识别出呼、吸的极值点，再通过曲线连接，形成呼吸曲线。
本发明使用全链接神经网络(Fully Connected Neural Network,FCNN)作为深度学习方法建立上述的三个模型。FCNN被视为前馈多层感知网络，意味着网络神经元之间的连接是单向的，不包含环状连接，因此容易获得时间数据。FCNN最主要的用途在于进行数据分类工作，因此非常适合对人体行为的识别。与现有技术相比，本发明的技术方案具有以下效果：
1)灵敏性。本发明采用的CSI信号精度远远高于RSSI信号，CSI可以检测到心率等更加微小的波动，能够达到毫米级别水平。可以分析每一个CSI数据包中的至少30个信道状态波动，由于多径抑制，可以就从数据中提取出呼吸起伏波动相关的特征数据；
2)准确性。本发明在进行数据处理时，并没有试图将噪音数据完全去除，在保留了噪音数据的情下，通过深度学习的方法建立AI模型。从而在实际的应用场景中，表现出更高准确性。毕竟，在实际的场景中，噪音数据是无法完全去除干净的。而只有将噪音一起放入模型中才能在实际环境中取得更好的准确性；
3)便捷性。相比于平时需要穿戴常规呼吸监测器进行监测，用户不再需要花时间穿戴监测设备，每天都能够实时检测，方便，省时，高效。
4)多功能。即可监测主人的动作(走形、摔倒、呼吸等)，提供健康监测功能。又可在主人不在家时，对外来入侵行为进行监测，提供安防服务。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：
图1本发明实施例中创建AI模型的流程图。
图2本发明实施例中使用AI模型的流程图。
图3本发明实施例中AI模型的识别流程图。
图4本发明实施例中室内无人时，Wi-Fi CSI信号分布图。
图5本发明实施例中室内有人走动时，Wi-Fi CSI信号分布图。
图6本发明实施例中从Wi-Fi信号中解析出的呼吸曲线图。
具体实施方式
一个或多个实施例，如图1所示，基于Wi-Fi中CSI信号的多人动作与呼吸的检测方法，这个过程主要包括如下步骤：1.采集数据；2.数据整合；3.滤波与标准化；4.建立模型；5.应用模型进行人体行为与呼吸识别。
一个或多个实施例，如图2所示，对于CSI信号进行识别的步骤有：
1.采集原始数据。
2.处理数据。
由于CSI的变动非常小，而且包含环境噪音；因为本方法会保留部分噪音数据进行建模，所以使用两次巴特沃斯滤波器进行滤波；由于不同Wi-Fi设备发送功率对CSI数据有一定影响，且为加快建模速度、提高准确度需要对数据进行归一化处理。
3.将处理后的数据输入模型进行分类。
处理后的数据作直接输入给模型，不同的模型将会有不同的分类输出。从而实现行为与呼吸的识别。参见图3的多模型工作流程。
4.得到分类结果。
分类模型将根据CSI信号之变化得出目前人体的行为或呼吸曲线。
一个或多个实施例，如图3所示。基于Wi-Fi中CSI信号的多人动作与呼吸的检测方法，该检测方法包括以下步骤：
从室内Wi-Fi无线信号提取出CSI信号，获取室内无人时的CSI信号和室内人体在不同位置下不同动作姿态和呼吸的CSI信号数据；
对获取得到的所有CSI信号数据进行预处理；
在CSI信号数据中，将人体呼吸的动作数据进行标记，用于建立呼吸识别模型；
在CSI信号数据中，将人体动作姿态的数据进行标记，用于建立行为识别模型；
根据CSI信号数据中，不同位置CSI变化划分监测区域，建立空间监测模型；使用已经建立的呼吸识别模型、行为识别模型和空间监测模型，利用获取的Wi-Fi中CSI信号对室内人体位置、行为、呼吸进行识别。呼吸识别模型、行为识别模型、空间监测模型是采用全链接神经网络作为深度学习方法建立的模型，用于对人体行为的识别。
一个或多个实施例，室内无人时的CSI信号，包括门、窗、空调开闭状态。室内人体在不同位置下不同动作姿态和呼吸的CSI信号数据包括：
人处于站立、坐静止姿态的呼吸的CSI信号数据，包含深浅快速呼吸的呼吸数据；
人体处于呼气后、吸气后屏气姿态的CSI信号数据；
人体处于走动、下蹲的活动姿态的CSI信号数据。
一个或多个实施例，对CSI信号数据进行预处理包括：
首先进行两次巴特沃斯滤波，滤波的过程是首先使信号序列正向通过滤波器得到第一次滤波的输出,然后将第一次滤波的输出序列进行时域翻转,将时域翻转后的序列通过同样的滤波器进行二次滤波,二次滤波后的输出再次进行时域翻转,则可得到滤波后的CSI数据；
接着对数据进行标准化，使用Z-score标准化方法，给予原始数据的均值和标准差进行数据的标准化，经过处理的数据符合标准正态分布，即均值为0，标准差为1，转化函数为：
其中μ为所有样本数据的均值，σ为所有样本数据的标准差。
一个或多个实施例，将CSI信号数据无人场景标记为0；
将CSI信号数据中呼、吸、屏气的动作过程分别进行标记1，2，3，用于呼吸识别模型的训练样本，其中，
对呼、吸动作是从动作启动时记录，记录整个过程，包括最高(吸)、最低(呼)点，屏气动作是在呼吸动作的过程中，突然屏气，记录整个屏气的全过程；
CSI信号数据中,包括站立、坐、躺、走动、下蹲的人体行为动作标记为4,5,6,7,8，用于行为识别模型的训练样本；
CSI信号数据描述室内的信号分布,通过不同位置CSI变化划分监测区域，建立空间监测模型；
使用深度神经网络创建包括呼吸识别模型、行为识别模型和空间监测模型的分类模型,使用分类模型对人体位置、行为、呼吸进行识别。
如图3中的方法是一个多模型协同工作的方法。首先空间监测模型识别出是否有人的存在，再而给出其所在的位置。之后，行为识别模型识别人体的动作类别(走、摔倒、坐、躺、摔倒等)，并识别其是否为静止状态(站立、躺、坐等)，如果时静止状态则呼吸识别模型会给出现在的呼吸状态，并描绘呼吸曲线。
以上的AI模型识别依据是室内的Wi-Fi CSI信号之变化。如图4、图5所示，分别将室内的无人、有人走动是Wi-Fi CSI信号变化用图的形式展现，从而可以更容易理解。其中，图4是室内无人时的Wi-Fi CSI信号的分布，可以看到此时的信号非常平稳，而且分布均匀。而图5，在有人走动时，可以明显的看到Wi-FiCSI信号的变化。人体动作、呼吸对Wi-Fi CSI信号的造成干扰，是本发明提出方法的基础。
图6是从Wi-Fi信号中解析出的呼吸曲线，呼吸识别模型先识别出呼、吸的时间点，然后在通过连接线的方法，描绘出曲线。
一个或多个实施例，一种基于Wi-Fi中CSI信号的多人动作与呼吸的检测系统，该系统包括室内Wi-Fi路由器，存储器以及
与该存储器耦合的一个或多个处理器，所述处理器被配置为执行存储器中指令，处理器执行的操作包括：
接收室内Wi-Fi路由器发出的无线信号；
从室内Wi-Fi无线信号中提取出CSI信号，获取室内无人时的CSI信号和室内人体在不同位置下不同动作姿态和呼吸的CSI信号数据；
对获取得到的所有CSI信号数据进行预处理；
在CSI信号数据中，将人体呼吸的动作数据进行标记，用于建立呼吸识别模型；
在CSI信号数据中，将人体动作姿态的数据进行标记，用于建立行为识别模型；
根据CSI信号数据中，不同位置CSI变化划分监测区域，建立空间监测模型；
使用已经建立的呼吸识别模型、行为识别模型和空间监测模型，利用获取的Wi-Fi中CSI信号对室内人体位置、行为、呼吸进行识别。
值得说明的是，虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。