基于信道状态信息室内人员活动识别方法、人机交互系统与流程

本发明属于无线通信
技术领域：
，尤其涉及一种基于信道状态信息室内人员活动识别方法、人机交互系统。
背景技术：
：目前，最接近的现有技术：e-eyes和wifinger，以及wigest和carm。现有技术缺陷：e-eyes和wifinger不能有效的适应不同的环境或者在不同的环境下需要修正系统参数，可移植性较差，降低了识别的效率。这是因为e-eyes和wifinger缺乏能够将csi统计特征与室内人员活动定量关联起来的匹配模型；wigest和carm在进行活动识别时，对环境噪声和室内信道变化的影响非常敏感。这是因为它们需要捕获活动的微小变化，才能够进行动作的匹配，然而捕获的csi数据里也包含着噪声成分。当噪声成分较大或信道变化时，会导致活动识别效果较差，识别率较低。本方案解决的缺陷为：1.建立起将csi统计特征与室内人员活动定量关联起来的匹配模型，能有效的适应于不同的环境并且不需要更改所设置的参数，提高活动识别的效率。2.提高系统对环境噪声和室内信道变化的抗干扰的能力，包括极值处理，低通滤波等，进而提高活动识别率。目前，最接近的现有技术：近年来，随着无线通信技术的快速发展以及wifi设备的大力普及，被动式室内活动识别在人机交互、安防监控、老人看护以及紧急救援等诸多领域都得到了广泛的关注，并成为了无线通信
技术领域：
的研究热点。目前应用于室内人员识别的技术主要有基于计算机视觉、红外线和射频识别(radiofrequencyidentification,rfid)，这些方法虽然能达到预期效果，但有一定的应用缺陷。它们只能在单一场景下工作，或者需要特定的传感器设备，并且花费巨大。若能利用广泛部署的wifi基础设施，不仅可以节约成本、方便使用，另外还可以广泛适用。这种方式不需要部署特定的传感器网络，也不需要室内人员佩戴专门的设备。在传统的传感器网络中，需要在特定的区域部署大量的传感器节点，这些传感器节点负责感知信号，并通过专门的信道将采集到的信号传输出去。这种方法不仅耗费大量的人力来部署设备，并且耗费巨大需要长期维护，因此不宜广泛部署。传统的室内人员活动识别技术不能满足高效、低成本和日益增长的需求。由于无线通信技术的快速发展，wifi网络已经广泛存在，利用wifi网络进行室内活动识别已经成为了研究热点。目前利用wifi信号设计与设备无关被动式人体识别系统常用的物理量特征是接收信号强度(receivedsignalstrengthindication,rssi)，其方便获取，但由于rssi是多条路径的信号强度叠加，受环境中其他噪声影响很大。例如利用rssi的异常波动捕获环境变化来实现人体识别，该技术在进行活动识别时存在识别结果不可靠的缺陷，因为活动识别需要实时检测环境特征变化情况，而rssi来自介质访问控制层(mediaaccesscontrol,mac)，是多条路径信号强度的叠加，室内环境下多径和噪声的影响会使rssi精准性受到严重干扰，具有较强的随机性和动态性。而信道状态信息(channelstateinformation,csi)为更细粒度的物理层信息，能够同时测量多个正交频分复用(orthogonalfrequencydivisionmultiplexing,ofdm)子载波的信道信息，所以能为无线环境感知提供更准确地检测，利用csi开发的应用越来越多，如手势检测、活动识别、室内定位、安全监控等。这些应用程序对儿童和老年人护理、智能家居和安全监视都很有帮助。csi可以为每个子载波提供信道频率响应，包括幅度和相位。通过研究csi中所展现的一些独特特征，可以识别出人员的基本活动，甚至手势和键入的按键。目前，基于csi的室内活动识别技术已被大量的提出。有些功能像e-eyes和wifinger。e-eyes利用csi提取的幅值特征，再利用相关的匹配算法(包括动态时间规划(dynamictimewarping,dtw)和推土机距离(earthmover’sdistance,emd))进行活动识别，将幅值特征与已知活动的相关特征进行比较。wifinger是一种利用离散小波变换(discretewavelettransform,dwt)和dtw算法进行手势行为识别的轻量级算法。因此，wifinger可以通过检测csi中所展现的独特特征来识别手势。虽然e-eyes和wifinger能够保证一定的识别精度，但它们的局限性在于缺少一个能够定量关联csi统计特征和室内人员活动的模型。还有一些室内人员活动识别，如wigest和carm，建立了在室内人员活动下wifi信号在物理空间中的传播模型。wigest利用手部运动对无线信号的影响来识别手势。carm使用定量相关性作为分析机制，并通过活动匹配来识别它。它们的主要优点是都建立了csi统计特征与室内人员活动之间的定量对应关系。但不幸的是，他们对室内环境噪音和变化也非常敏感。综上所述，现有技术存在的问题是：目前室内人员活动识别技术缺乏能够将csi统计特征与室内人员活动定量关联起来的匹配模型，导致系统不能很好的适应不同的环境，或者当移植到不同环境中，要重新设置参数，即环境适应性较差；对环境随机噪声和室内信道变化的影响非常敏感，会导致活动识别效果较差，识别率较低。解决上述技术问题的难度：如何有效利用csi数据统计特征建立匹配模型，如何解决识别过程环境噪声和室内信道变化的影响。解决上述技术问题的意义：室内人员识别对于生产生活都有十分重要的意义，不论是家庭、商场还是医院等场所，都会有广泛的应用。解决上述技术问题，使被动式室内人员活动识别更能满足低成本和高精度的要求。技术实现要素：针对现有技术存在的问题，本发明提供了一种基于信道状态信息室内人员活动识别方法、人机交互系统。本发明是这样实现的，一种基于信道状态信息室内人员活动识别方法，所述基于信道状态信息室内人员活动识别方法对采集的csi数据进行预处理提取环境变化信息包括相关系数和方差；然后利用决策树感知周围环境，对人员活动进行监测；然后如果没有检测到人员活动，将会继续收集csi数据，保持活动监测的状态，否则将会触发活动特征提取模块，在活动特征提取模块中对采集的csi数据进行去除极值处理和低通滤波处理；再利用基于主成分分析的动态时间规划算法进行活动匹配和最重的人员活动识别。进一步，所述基于信道状态信息室内人员活动识别方法具体包括：第一步，通过现有wifi设备采集信道状态信息csi；第二步，对收集到的csi数据进行预处理，分别提取子载波间的相关系数和方差；第三步，以相关系数和方差为基础，构造决策树并利用决策树进行人员活动监测，当监测到室内人员活动后触发室内人员活动识别模块，进行第四步，否则继续收集csi数据，保持人员活动的监测；第四步，对收集到的csi原始数据进行进一步处理来得到活动特征信息，首先是利用基于k-means聚类的极值检测算法去除csi数据中的极值，然后在利用低通滤波器去除csi数据中的环境噪声和高频成分；第五步，通过基于主成分分析的动态时间规划匹配算法提取活动主成分信息，然后进行活动匹配；第六步，进行室内人员活动识别，然后结束本次的活动识别过程，进入下一次的人员活动识别状态，回到第一步。进一步，所述步骤一通过现有wifi设备采集信道状态信息csi，具体包括：在t时刻，获取发射端tx和接收端tr之间的第l条链路的信道状态信息h，包括多组链路的子载波信息：其中，[·]t表示转置，nsub是ofdm子载波数，g表示所有的链路，h(i)可以表示为：h(i)＝||h(i)||ej∠h(i)；其中，h(i)是第i个子载波的信道状态信息，||h(i)||和∠h(i)分别表示幅度和相位信息；选择其中一条链路，从开始采集连续的未加处理的csi，然后经过长度为m的滑动窗口，表示为：其中，是一个nsub×m矩阵，t是滑动窗口的开始索引；在时间方向上从中提取第i个子载波，表示为：其中是一个1×m的矩阵，exsubraw-i(·)表示从矩阵中提取第i个子载波。进一步，所述步骤二对收集到的csi数据进行预处理，提取环境变化信息，即要分别提取子载波间的相关系数和方差具体包括：(1)对原始csi数据进行预处理；1)计算csi子载波方差；滑动窗口上各子载波的方差构成nsub×1向量，表示为；其中，vi是第i个子载波的方差，var(·)是取方差符号；其次，测量所有子载波的平均方差；v＝var(vw)；其中v代表信道波动程度；2)计算csi子载波之间的相关系数；对于nsub个子载波，测量相关系数如下；其中，ρi，j表示第i个子载波和第j个子载波间的相关系数，corr(·)是取相关符号；重复上述计算得到一组相关系数，通过最小中值平方进行极值点检测，筛选出不正确的相关系数，目标函数的定义为：其中：ρi,j＝{ρi,j,i<j∈[1,nsub]}；γ＝nsub(nsub-1)/2；其中min(·)和med(·)分别是取最小和取中值操作，ri,j是余数，是最小中值平方估计，以及γ是ρi，j的数目；(2)异常值检测如下：在判断出不正确的相关系数后，筛选出它们，然后将剩下的系数平均，作为一组相关系数的最终估计：其中，ρ和i(ρi,j)分别为最终相关系数和上述离群值指标，最后得到用于室内人员活动识别的相关系数ρ。进一步，所述步骤三以相关系数和方差为基础，构造决策树并利用决策树进行人员活动监测，当监测到室内人员活动后触发室内人员活动识别模块，否则继续收集csi数据，保持活动监测状态，具体包括：根据步骤二的结果，在环境变化即子载波相关系数和方差的基础上，构造决策树并利用决策树进行人员活动监测，当监测到室内人员活动后触发室内人员活动识别模块，否则继续收集csi数据，保持活动监测状态；利用相关系数和方差进行室内人员活动监测表示为：进一步，所述步骤四对收集到的csi原始数据进行进一步处理来得到活动特征信息，利用基于k-means聚类的极值检测算法去除csi数据中的极值，在利用低通滤波器去除csi数据中的环境噪声和高频成分；(1)k-means聚类方法，对异常值非常敏感，发现强相关的数据点组，而异常检测用来发现与其他数据点不强相关的数据点；原始csi数据的极值点处理包括；1)将数据进行标准化操作，表示为：其中h是数据标准化的输出，z-score(·)是数据标准化操作符号；2)从数据集h中，随机选取k个数据点作为原始的质心：u＝{u1，u2，...uω...，uk},(ω＝1,2,...,k)；3)最大迭代数设置为ω，并且迭代是从1到ω，如下表示：其中cχ是原始的聚类；3.1)计算数据点和每个质心uω之间的距离3.2)下一步，标记作为最小值对应的类别此时更新聚类，表示为：3.3)对于所有的数据点cω，ω∈[1，k]，重新计算新的质心：3.4)如果k个质心buzai2变化，进入步骤四；4)最终c个聚类输出为：c＝{c1,c2,...,ck}；5)在聚类后，csi数据中的极值检测：u＝{u1，u2，...uε...，uk},ε∈[1，k]；c＝{c1,c2,...cε...,ck},ε∈[1,k]；其中u是最终的聚类质心，c是相应的聚类：其中为质心与对应簇内数据点的距离误差；5.1)最终，比较与已知门槛ζ，表示为：5.2)在基于k-means聚类的极值检测算法处理后，得到：其中evd(·)是极值检测操作符号；(2)低通滤波器消除任何非人员活动引起的随机环境噪声和高频成分；同时，保留csi数据中人员活动引起的特殊统计特征，经过低通滤波器得到：其中lpf(·)是低通滤波器操作符号。进一步，所述步骤五通过基于主成分分析的动态时间规划匹配算法提取活动特征即活动主成分信息，然后进行活动匹配，具体包括：(1)提取csi数据中的活动主成分信息步骤如下；1)收集滤波后的csi，即将分割成包含2秒间隔的数据块，将g个链路的数据块成行排列，形成矩阵2)相关估计:计算相关矩阵为，其维数为m×m：3)特征分解:对相关矩阵进行特征分解，计算特征向量：其中υi是特征向量，σ是想要得到的主成分数目，deceigen(·)是特征分解操作符号；4)活动信号重构:主要成分构造如下：其中和分别为第τ个特征向量和第τ个成分，pi是主成分矩阵；(2)根据室内人员活动的特点，采用动态时间规整对两个活动特征，即未知活动与已知的数据库中的活动特征进行相似性度量；具体算法如下所示：1)给定两个活动特征，一个未知pi，一个已知然后找到一个点到点距离的函数：2)找出点之间的对应关系：其中：然后，考虑ψ(w)，两个活动特征之间的累积距离的求解方法如下：3)最终的dtw估计是找到最优的ψ(w)，使累积距离最小化：进一步，所述步骤六进行室内人员活动识别，在人员活动识别后，结束本次的识别过程，进入下一次的人员活动识别状态，即要回到步骤一具体包括：通过计算未知活动特征与预先构造的数据库里的活动特征，人类活动识别的过程如下：其中argmin(·)是取最小操作符号，κ表示人员活动的类别。仅仅当取最小时，人员活动被正确识别。本发明的另一目的在于提供一种应用所述基于信道状态信息室内人员活动识别方法的人机交互控制系统。本发明的另一目的在于提供一种应用所述基于信道状态信息室内人员活动识别方法的智慧家庭控制系统。综上所述，本发明的优点及积极效果为：本发明解决目前室内人员活动识别技术容易受环境噪声、信道变化影响及csi数据统计特征有效利用的问题。其实现方案是：利用wifi设备收集csi数据；对csi数据进行预处理，提取环境变化信息，即子载波相关系数和方差。通过环境变化信息，利用决策树感知目标区域环境，进行人员活动监测，如果监测到人体活动时将会触发人员活动特征提取模块，否则继续收集csi数据，并保持活动监测状态；如果在目标区域内存在活动，则对收集到的原始csi数据进行数据处理得到活动特征信息，即主成分信息，首先利用基于k-means聚类的极值检测算法去除数据中的极值，然后利用低通滤波器去除数据中的环境噪声和高频成分；利用基于主成分分析的动态时间规划匹配算法(principalcomponentanalysisbasedondynamictimewarping,pca-dtw)进行活动特征提取和人员活动匹配。进行室内人员活动识别，在人员活动识别后，结束本次的识别过程，进入下一次的人员活动识别状态。本发明克服了现有技术中识别结果可靠性低的缺点，提高了活动识别精度。由于本发明采用了环境变化信息，以及基于决策树的室内人员活动监测方法，利用其对室内环境进行感知，监测室内人员活动变化，可以避免系统遗漏活动。本发明在csi数据处理阶段进行了极值剔除和低通滤波，对csi数据进行了筛选和去噪，克服了由于数据原始误差导致的检测正确率低、可靠性差的不足，从而提高了识别率。本发明将室内人员活动监测、活动识别结合，并通过pca-dtw进行室内人员活动识别，省去了现有技术需要线下采集数据训练的步骤，提升了系统性能和识别率。下表为本发明与现有技术的对比方法活动监控极值处理滤波处理主成分分析匹配wiar有有有有有e-eyes无无有无有wifinger无无有无有附图说明图1是本发明实施例提供的基于信道状态信息室内人员活动识别方法流程图。图2是本发明实施例提供的基于信道状态信息室内人员活动识别方法实现流程图。图3是本发明实施例提供的活动特征数据库构造模块子流程图。图4是本发明实施例提供的室内环境变化信息提取模块子流程图。图5是本发明实施例提供的活动监测模块子流程图。图6是本发明实施例提供的活动特征提取模块子流程图。图7是本发明实施例提供的活动识别模块子流程图。图8是本发明实施例提供的与现有两种室内人员活动识别方法仿真结果对比图。图9是本发明实施例提供的当实验环境不变时，对是否基于主成分分析的人员活动识别进行仿真对比图。图10是本发明实施例提供的收集的原始csi数据示意图。图11是本发明实施例提供的经过k-means极值检测过后的csi数据示意图。图12本发明实施例提供的经过低通滤波器处理过后的csi数据示意图。图13是本发明实施例提供的最后收集得到的主成分信息示意图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。针对目前室内人员活动识别技术容易受环境噪声、信道变化影响及csi数据统计特征有效利用本发明克服了现有技术中识别结果可靠性低的缺点，提高了活动识别精度。具体涉及一种基于信道状态信息的室内人员活动识别方法，可用于人机交互、智慧家庭、老人看护及紧急求援。下面结合附图对本发明的应用原理作详细的描述。如图1所示，本发明实施例提供的基于信道状态信息室内人员活动识别方法包括以下步骤：s101：通过现有wifi设备采集信道状态信息csi；s102：对收集到的csi数据进行预处理，分别提取子载波间的相关系数和方差；s103：以相关系数和方差为基础，构造决策树并利用决策树进行人员活动监测，当监测到室内人员活动后触发室内人员活动识别模块，进行s104，否则继续收集csi数据，保持人员活动的监测；s104：对收集到的csi原始数据进行进一步处理来得到活动特征信息，首先是利用基于k-means聚类的极值检测算法去除csi数据中的极值，然后在利用低通滤波器去除csi数据中的环境噪声和高频成分；s105：通过基于主成分分析的动态时间规划匹配算法(principalcomponentanalysisbasedondynamictimewarping,pca-dtw)提取活动主成分信息，然后进行活动匹配；s106：进行室内人员活动识别，然后结束本次的活动识别过程，进入下一次的人员活动识别状态，回到s101。下面结合附图对本发明的应用原理作进一步的描述。如图2所示，本发明实施例提供的基于信道状态信息室内人员活动识别方法具体包括以下步骤：步骤一，通过现有wifi设备采集信道状态信息csi，具体包括：在t时刻，获取发射端tx和接收端tr之间的第l条链路的信道状态信息h，包括多组链路的子载波信息：其中，[·]t表示转置，nsub是ofdm子载波数，g表示所有的链路，h(i)可以表示为：h(i)＝||h(i)||ej∠h(i)；其中，h(i)是第i个子载波的信道状态信息，||h(i)||和∠h(i)分别表示幅度和相位信息。一般情况下，选择其中一条链路，从开始采集连续的未加处理的csi，然后经过长度为m的滑动窗口，这可以表示为：其中，是一个nsub×m矩阵，t是滑动窗口的开始索引。然后，在时间方向上从中提取第i个子载波，可以表示为：其中是一个1×m的矩阵，exsubraw-i(·)表示从矩阵中提取第i个子载波。步骤二，对收集到的csi数据进行预处理，提取环境变化信息，即要分别提取子载波间的相关系数和方差，如图4所示，具体包括：(1)对原始csi数据进行预处理；1a)计算csi子载波方差；滑动窗口上各子载波的方差构成nsub×1向量，可以表示为；其中，vi是第i个子载波的方差，var(·)是取方差符号。其次，可以很方便地测量所有子载波的平均方差；v＝var(vw)；其中v代表信道波动程度。因此，当一个人员在目标区域移动时，它更有可能变大。1b)计算csi子载波之间的相关系数；具体来说，对于nsub个子载波，测量相关系数如下；其中，ρi,j表示第i个子载波和第j个子载波间的相关系数，corr(·)是取相关符号。重复上述计算可以得到一组相关系数，然后通过最小中值平方进行极值点检测，可以筛选出不正确的相关系数。具体地，目标函数的定义为：其中：ρi,j＝{ρi,j,i<j∈[1,nsub]}；γ＝nsub(nsub-1)/2；其中min(·)和med(·)分别是取最小和取中值操作，ri,j是余数，是最小中值平方估计，以及γ是ρi,j的数目。(2)异常值检测如下：在判断出不正确的相关系数后，可以筛选出它们，然后将剩下的系数平均，作为一组相关系数的最终估计：其中，ρ和i(ρi，j)分别为最终相关系数和上述离群值指标，最后得到可以用于室内人员活动识别的相关系数ρ。步骤三，以相关系数和方差为基础，构造决策树并利用决策树进行人员活动监测，当监测到室内人员活动后触发室内人员活动识别模块，否则继续收集csi数据，保持活动监测状态，如图5所示，具体包括：根据步骤二的结果，在环境变化即子载波相关系数和方差的基础上，构造决策树并利用决策树进行人员活动监测，当监测到室内人员活动后触发室内人员活动识别模块，否则继续收集csi数据，保持活动监测状态。利用相关系数和方差进行室内人员活动监测可以表示为：步骤四，对收集到的csi原始数据进行进一步处理来得到活动特征信息，即主成分信息，首先是利用基于k-means聚类的极值检测算法去除csi数据中的极值，然后在利用低通滤波器去除csi数据中的环境噪声和高频成分；具体包括：对收集到的csi原始数据进行进一步处理来得到活动特征信息，首先利用基于k-means聚类的极值检测算法去除csi数据中的极值，然后在利用低通滤波器去除csi数据中的环境噪声和高频成分。(1)k-means是一种经典的聚类方法，对异常值非常敏感，可以用来发现强相关的数据点组，而异常检测用来发现与其他数据点不强相关的数据点。因此，k-means对于异常值的检测是非常合适的。原始csi数据的极值点处理包括以下五个步骤。1)将数据进行标准化操作，这可以表示为：其中h是数据标准化的输出，z-score(·)是数据标准化操作符号。2)从数据集h中，随机选取k个数据点作为原始的质心：u＝{u1，u2，...uω...，uk},(ω＝1,2,...,k)；3)最大迭代数可以设置为ω，并且迭代是从1到ω，如下表示：其中cχ是原始的聚类。3.1)计算数据点和每个质心uω之间的距离3.2)下一步，标记作为最小值对应的类别此时更新聚类，这可以表示为：3.3)对于所有的数据点cω，ω∈[1，k]，重新计算新的质心：3.4)如果k个质心buzai2变化，进入步骤四。4)最终，c个聚类输出为：c＝{c1,c2,...,ck}；5)在聚类后，csi数据中的极值检测如下所示：u＝{u1，u2，...uε...，uk},ε∈[1,k]；c＝{c1,c2,...cε...,ck},ε∈[1，k]；其中u是最终的聚类质心，c是相应的聚类：其中为质心与对应簇内数据点的距离误差。5.1)最终，比较与已知门槛ζ，可以表示为：5.2)在基于k-means聚类的极值检测算法处理后，可以得到：其中evd(·)是极值检测操作符号。(2)考虑到人员活动通常具有一个相对较低的频率范围，低通滤波器的目的是消除任何非人员活动引起的随机环境噪声和高频成分。同时，可以有效地保留csi数据中人员活动引起的特殊统计特征。经过低通滤波器可以得到：其中lpf(·)是低通滤波器操作符号。步骤五，通过pca-dtw提取活动特征信息，即主成分信息，然后进行活动匹配，如图6所示，具体包括：通过基于主成分分析的动态时间规划匹配算法提取活动特征即活动主成分信息，然后进行活动匹配。(1.1)提取csi数据中的活动主成分信息步骤如下；(1)收集滤波后的csi，即然后，将分割成包含2秒间隔的数据块，将g个链路的数据块成行排列，形成矩阵(2)相关估计:计算相关矩阵为，其维数为m×m：(3)特征分解:对相关矩阵进行特征分解，计算特征向量：其中υi是特征向量，σ是想要得到的主成分数目，deceigen(·)是特征分解操作符号。(4)活动信号重构:主要成分可以构造如下：其中和分别为第τ个特征向量和第τ个成分，pi是主成分矩阵。(1.2)根据室内人员活动的特点，采用动态时间规整对两个活动特征，即未知活动与已知的数据库中的活动特征进行相似性度量。具体算法如下所示：(1)给定两个活动特征，一个未知pi，一个已知然后找到一个点到点距离的函数：(2)找出点之间的对应关系：其中：然后，考虑ψ(w)，两个活动特征之间的累积距离的求解方法如下：(3)最终的dtw估计是找到最优的ψ(w)，从而使累积距离最小化：步骤六，进行室内人员活动识别，在人员活动识别后，结束本次的识别过程，进入下一次的人员活动识别状态，即要回到步骤一；进一步如图7所示，具体包括：通过计算未知活动特征与预先构造的数据库里的活动特征，人类活动识别的过程如下：其中argmin(·)是取最小操作符号，κ表示人员活动的类别。仅仅当取最小时，人员活动才能够被正确识别。下面结合仿真对本发明的应用效果作详细的描述。一、仿真条件：在10m*10m视距可达的室内空间内部署发射接收端节点，装有intel5300无线网卡笔记本电脑作为发射端，接收端选用的是相同的装有intel5300的笔记本。csi收集工具是linux平台上的开源驱动，在配置好设备后，就可以调整参数，收集csi数据。二、仿真内容与结果仿真1，用本发明与现有基于csi的室内人员活动识别系统e-eyes和wifinger作对比，本发明中选取四个活动包括站、坐、蹲、躺，进行识别，分别用a、b、c、d来表示。本发明使用以下指标来衡量系统识别精度：(1)truepositiverate(tpr)：活动a的tpr定义为a类活动正确识别为活动a所占的比例。(2)falsepositiverate(fpr)：活动a的fpr定义为除a之外的所有活动被错误识别为a所占的比例。结果如图8所示。由图8可见，在相同的环境下，本发明与基于csi的室内人员活动识别系统e-eyes和wifinger相比，wifinger活动识别率为95％、93％、94％、95％，e-eyes的活动识别率为98％、97％、95％、97％，本发明活动识别率为100％、98％、98％、100％。因而相比较于前两种方法，本发明正确识别率更高。仿真2，当实验环境不变时，对是否基于主成分分析(principalcomponentanalysis,pca)进行仿真，结果如图9所示。由图9可见，当基于pca进行室内人员活动识别时，识别率为100％、98％、98％、100％，否则识别率是87％、75％、72％、82。基于pca的性能更好，识别率更高。下面结合实验对本发明的应用效果详细的描述。通过一系列的实验仿真对系统性能进行了评估，对提出的室内人员活动识别进行实验设计和验证，对实验结果进行细致分析。在相同的环境下，本发明与基于csi的室内人员活动识别系统e-eyes和wifinger相比，wifinger活动识别率为95％、93％、94％、95％，e-eyes的活动识别率为98％、97％、95％、97％，本发明活动识别率为100％、98％、98％、100％。因而相比较于前两种方法，本发明正确识别率更高。当实验环境不变时，对是否基于pca进行仿真，当基于pca进行室内人员活动识别时，识别率为100％、98％、98％、100％，否则识别率是87％、75％、72％、82。基于pca的性能更好，识别率更高。实验数据表1收集的样本数据动作abcd数目100100100100动作匹配数据wiar表2.wiar的动作匹配效果wifinger表3.wifinger的动作匹配效果动作abcda95320b49321c23941d02395e-eyes表4.e-eyes的动作匹配效果动作abcda98200b19720c02971d00199以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页12