基于电磁信号特征的人体姿态分类研究

摘要
随着无线传感技术的发展，无线信号已经成为最普遍的信号，当一个目标停留在不同的位置，执行不同的活动，或者做不同的手势，就会对周围无线信号特征产生不同影响。无论我们身处何方，我们周围总会有许多无线信号，研究表明，人类行为对周围无线信号特征的影响可以作为一种强大的传感工具来定位和识别附近的人的活动。通过分析一个人对周围无线信号特征的影响来判断这个人动作及姿态。基于无线信号的人体姿态分类研究克服了传统方法的弊端，成为未来移动计算应用的一种很有前景的技术，它将在智能城市、智能空间和智能家居等智能应用中发挥重要作用。
本文以人的位置信号的分类为例，运用基于电磁信号的人体姿态识别方法对位置信号进行分类。以人体活动或者位置的变化对无线链路的阴影效应而引起的时域接收信号强度（RSS）的变化，对RSS信号进行小波变换构造特征向量，利用贝叶斯网络（Bayesian network）对小波变换得到的特征向量进行分类，从而实现对不同位置信号的分类。
通过实验仿真，贝叶斯网络分类的正确率能达到90%以上，充分说明了本文所用的识别方法的有效性。
关键词： 无线信号，人体姿态分类，分类算法

第一章 绪论
1.1 课题研究背景及意义
1.1.1 研究背景
人体姿态是人类于学习、工作、生产等各项活动中所表现出来的具有多样性特征的运动体态。包括跑步、行走、站立、坐下、卧躺等运动或静止的规律或非规律的运动方式与状态。在社会不断变迁，科技日新月异，人工智能方兴未艾的今天，对于人体姿态识别的研究方法不断发展[ [ ]。近年来移动计算和普适计算的快速发展，位置信息和活动感知变得越来越重要。智能建筑需要获取顾客的位置信息，以便向顾客推荐附近的商店或餐馆，并将其导航到目的地；智能家居需要估计居住者的位置、活动和姿态，并自动控制家电；移动商务需要知道用户的位置信息，为他们提供定制服务等。
目前，因人体姿态识别具有着较强的应用性和使用价值，世界范围内对于该领域的关注愈发密切，研究日益增多。发达国家中以美国为首的国家，对该领域的投入研究获得政府支持，投入充足且出发点较早，因此目前已拥有着较为成熟与完善的研发体系。与之不同的是，国内对于该领域的研究起步较晚，虽于起点落后于人，但依旧保持着突飞猛进的发展速度，近些年有着较大的进步，产生很多优秀的研究成果。当前，研究人体姿态识别分类相关应用与推广是许多科技公司的工作重点与目标。
人体位置和活动感知作为一项基础技术，对实现我们智能城市梦想起着重要作用。因此，近年来它引起了相当大的关注，研究人员探索了不同的方法。
1.1.2 研究意义
随着无线传感技术的发展，无线信号已经成为最普遍的信号，当一个目标停留在不同的位置，执行不同的活动，或者做不同的手势，就会对周围无线信号特征产生不同影响。无论我们身处何方，我们周围总会有许多无线信号，研究表明，人类行为对周围无线信号特征的影响可以作为一种强大的传感工具来定位和识别附近的人的活动。通过分析一个人对周围无线信号特征的影响来判断这个人活动及姿态。它不需要照明，有更好的覆盖，不需要为用户配备任何设备，并且可以保护用户的身份隐私，克服了传统方法的弊端。基于上述优势和无线信号的普及，利用无线信号特征的变化对人体姿态进行识别成为未来移动计算应用的一种很有前景的技术，它将在智能城市、智能空间和智能家居等智能应用中发挥重要作用。
本文人体姿态的识别方法，是基于无线信号特征的人体姿态分类方法。以人体活动或者位置的变化对无线链路的阴影效应而引起的时域接收信号强度（RSS）的变化，利用RSS信号变化的均值、方差和峰—峰值三个最常用的特征作为时域特征进行小波变换，通过时域信号向时间和频率域信号转变，来同时提供时间和频率信息，从而分析不同频率的不同分辨率的信号。小波变换得到不同频带对应的系数向量的过零点的数量（ZCPs）、方差和能量，构造特征向量，通过机器学习，运用贝叶斯网络（Bayesian network）对小波变换得到的特征向量进行分类，从而实现对人体不同姿态的分类。
1.2 国内外研究现状
人体姿态识别研究主要有，基于视频的人体姿态识别，基于穿戴设备的人体姿态识别和基于无线信号特征的人体姿态识别。传统的方法主要是使用可穿戴传感器、照相机或雷达，来感知一个人的位置和活动。然而，这些传统方法都有一定的缺点。可穿戴传感器的方法很不方便，我们总是忘记穿戴传感器；基于摄像头的识别方法对照明和视线范围有严格要求，并且可能导致隐私泄露；基于雷达的方法是昂贵的，并且具有有限的传感范围。
随着无线技术的发展，无线信号已经成为最普遍的信号。无论我们身处何方，我们周围总会有许多无线信号。最近的研究表明，人类行为对周围无线信号的影响可以作为一种强大的传感工具来定位和识别附近的人的活动。通过分析一个人对周围无线信号特征的影响来判断这个人活动及姿态。它不需要照明，有更好的覆盖，不需要为用户配备任何设备，并且可以保护用户的身份隐私，克服了传统方法的弊端。
1.3 发展趋势
人体姿态识别分类属于人工智能范畴的重要研究问题，其应用广泛，在智能化监控、虚拟现实、感知用户接口等方面均有不俗的表现。目前人体动作姿态的识别已经取得了重大发展，基于视频和穿戴设备等传统识别方式发展的比较成熟了，但仍然存在着很多弊端。随着无线信号的普及，基于电磁信号特征的人体姿态识别方式发展态势良好，前景无限。但仍然存在几个方面的研究难点问题[ ]：
人体动作姿态类别的限制。
特征选取的困难。
机器学习目前仍具有较大的局限性。
识别算法的性能评价。。
1.4 本文的组织结构
本文运用的基于电磁信号特征的人体姿态分类方法，是在对前人工作认真研究的基础上，以人的位置变化为例，通过机器学习，运用识别算法对人的位置变化而引起的无线信号的特征变化进行分类，实现位置分类。
主要的组织结构和章节介绍如下：
在第二章中，主要介绍本文研究所用到的软件背景、应用知识条件，包括贝叶斯算法的原理，小波变换原理以及数据的归一化处理原理。
第三章中，主要介绍如何通过实验测量RSS信号，对获得的RSS信号进行小波变换得到关于位置信息的特征向量，利用贝叶斯网络对特征向量进行分类，计算分类正确率。
第四章中，将对全文内容进行总结。
第二章 课题的研究内容和设计方案
2.1 课题的主要的研究内容
本文所用的体姿态的识别方法，是基于无线信号特征的人体姿态分类方法。以人的位置信息为例，人的位置的变化对无线链路的阴影效应而引起的时域接收信号强度（RSS）的变化，利用RSS信号变化的均值、方差和峰—峰值三个最常用的特征作为时域特征进行小波变换，并将时域信号转换为时间和频率域信号，同时提供时间和频率信息，可以分析不同频率的不同分辨率的信号。小波变换得到不同频带对应的系数向量的过零点的数量（ZCPs）、方差和能量，构造特征向量，通过机器学习，运用贝叶斯网络对小波变换得到的特征向量进行分类，从而实现对人的位置的分类。
2.2 应用程序及软件实现
本文所用的软件是MATLAB，MATLAB应用广泛，遍布各个专业领域，作为一个优秀软件，尤其是在数学应用方面，深受好评。它在分析数值、运算矩阵、信号处理以及影像显示等方面，都有较为优秀的表现，能够为用户提供便捷的使用环境，来自于系统所提供的工具箱使各领域在研究中拥有便于使用的工具，基于此，我们才能更加直观便捷地进行分析、计算和仿真工作[ ]。MATLAB集合了大量算法于一身。包含着大量数学函数运算，囊括近600多个工程所需，可为实现各种计算功能和效果提供方便用户的操作体验。
2.3 算法实现
贝叶斯网络所用的贝叶斯分类算法是一类分类算法的总称，这类算法以贝叶斯定理为基础，因此称之为贝叶斯分类算法。贝叶斯定理最早是由Thomas Bayes提出，后人为了纪念他就用他的名字命名这个定理。这个定理是概率论中的一个结论，它是跟随机变量的条件概率以及边缘概率分布有关的。该定理可以让人们知道如何用新的信息进行以后看法或者结论的修改。一般来说，事件A在事件B已经发生的条件下发生的概率与事件B在事件A已经发生的条件下发生的概率是不一样的。但是这个两者有一定的联系，这个联系就是贝叶斯定理。
P(B│A)=(P(├ A┤|B)P(B))/P(A)
式中的 表示若A事件发生，基于此，B事件有多大可能性也发生，既是已知发生A事件，预测发生B事件的条件概率，也由于得自A事件的取值而被称作B的后验概率；P（B）表示B的先验概率； 则相反，是已知B事件发生，基于此，A事件发生的可能性，也即条件概率;P（A）是事件A的先验概率，也称作标准化常量。用来表示表示两个A、B两个事件同时发生的概率，即联合概率
P(B│A)=(P(A∩B))/(P(A)) P(A│B)=(P(A∩B))/(P(B))
P(A│B)P(B)=P(A∩B)=P(B│A)P(A)
大多数情况下， 不同于 ，即基于事件B发生为条件的事件A的发生概率不同于基于事件A发生为条件的事件B的发生概率，但这两者并非毫无联系，依然有确定关系存在。
使用贝叶斯公式的优势在于进行逆向推理，从结果来倒推初始。只要已知三个概率，可据此进行第四个概率的推测，具体来说：以事件B出现为前提，要想求得事件A出现的概率，可用事件B在事件A出现的前提下的概率与事件A出现的概率相乘，再除以事件B出现的概率。
换而言之，在想要求得某一事件发生之概率时，可通过与该事件本质属性相关的事件发生的概率推测该事件发生的概率。某事件发生可能性的大小可通过支持某项属性的事件的发生概率大小来判断，两者呈正比关系。朴素贝叶斯分类是贝叶斯分类中最简单，也是常见的一种分类方法，本文中所采用的贝叶斯分类算法就是朴素贝叶斯分类算法。
朴素贝叶斯分类的一个基本算法流程为：
设 为一个待分类的项，而每一个 为 的一个属性，每一个属性有 个取值
（2）有一个类别集合
（3）计算
（4）如果 ，则 ，从
上面我们可以看出来，该算法的关键步骤就是（3）中各个条件概率的计算，基
于独立性假设，可以这样计算：
a、找到一个已知分类的待分类项集合，这个集合叫做训练样本集。
b、统计在各个类别下各个特征属性的条件概率估计值，即：
P(a_1│y_1), P(a_2│y_1),…, P(a_m│y_1)
P(a_1│y_2), P(a_2│y_2),…, P(a_m│y_2)
.
.
.
P(a_1│y_n), P(a_2│y_n),…, P(a_m│y_n)
c、如果各个特征属性是条件独立的，则根据贝叶斯定理有如下推导：
P(y_i│x)=(P(├ x┤| y_i)P(y_i ))/P(x)
对所有类别来说,分母都是常数，因此，该算法就是求解分子最大化问题。
2.4 数据处理
本文处理数据所选择的方法是小波变换法。小波变换通过时间和频率的局部变换，来有效地通过信号提取更多信息。小波变换与傅里叶变换（Fourier变换）有一定的不同之处，它可对函数进行多角度的精细化分析，通过伸缩和平移等运算功能弥补Fourier变换难以解决的许多问题。小波分析在数学方面属于一个新的分支，是结合时间和分辨率进行分析的一种新技术，它结合了Fourier分析等多种分析方法在内的优点，可运用于多领域，并有着较为出色的表现和结果[ ]。信号分析则顾名思义，通过信号来找寻信号变换的简洁方便的操作方法，以显现出信号本身所包含与代表的各种信息，使信息获取更加便捷和可操作。小波分析是信号时频分析的一种，在未诞生小波分析之前，Fourier变换是当时最为代表性的用于信号处理领域的分析方法，以其应用广泛、效果优良著称。Fourier变换是时域到频域互相转化的工具，利用Fourier变换对信号进行频谱分析，能够较好地揭示了信号的时间频谱特性和特征属性[ ]。
2.5 归一化处理
神经网络预测前，数据归一化处理方法是一种常用的数据处理方法，它把所有数据都转化为[0,1]之间的数。避免因为各维数据间数量级差别别较大而导致的网络预测误差较大的问题。数据归一化处理的方法主要有以下两种。
最大最小法。函数形式如下：
x_k=(x_k-x_min)/(x_max-x_min )
式中， 为数据序列中的最小数； 为序列中最大数。
平均数方差法，函数形式如下：
x_k=(x_k-x_mean)/x_var
式中， 为数据序列中的均值； 为数据的方差。
第三章 基于电磁信号特征的人体姿态分类网络设计
3.1 试验系统设计
本文的实验仿真阶段首先设计一个原型网络来收集位置信号特征。这个网络由8个节点组成，其中配置CC 2520和MSP430F5438芯片组。节点1-7是执行链接扫描任务的正常节点.节点8充当获取所有RSS度量的中心节点。节点工作频率为2.45GHz，传输功率为5 dBm。使用令牌传递协议来协调链路扫描过程和正常节点的操作模式。每个正常节点根据它们的ID号依次发送在最后一个扫描周期中获取的RSS测量。所有其他普通节点接收信号并测量发送节点的RSS。中心节点通过通用异步接收/发送器端口监视所有网络流量，并将RSS数据传送到PC机，在实验室部署了这个原型网络，正常节点沿7.2米×7.2平方米的周长相距1.8米。网络部署区域内的目标将遮蔽一些无线链路，即从节点1到5、1到6、2到8和4到6的链路，从而导致这些链路的RSS的变化，当目标位于不同的位置，遮蔽效果就会不同，组网图如图3-1所示。

图3-1 组网图
在默认情况下，我们使用八个普通节点来实现一个目标的无线定位。算法的默认参数概括如下：主成分分析α=0.98，代价函数β=0.01，椭圆模型λ=0.09m的权重衰减项的比例，以及阴影状态检测的阈值r=−2 dBm。如果估计的位置都是正确的，我们认为无线定位系统正确地识别了状态。在实验中，有12个可行的位置，目标可以执行四个中的一个，当目标定位并执行一项活动时，记录数据的时间持续时间为4s，在4s内获得的链路测量结果形成了一个训练集或一个测试集。
3.2 特征向量的选取
本文是以人体姿态中的位置分类为例进行分类仿真。随着无线网络的普及，无论我们身在何处，我们周围都有无线链路，即连接单元之间的链接。所有这些链接构成一个大型网络，它可以感知在其部署区域内发生的事件。当目标在网络部署区域内移动时，不可避免地会影响一些无线链路，从而导致无线信号的变化。当目标定位于不同的位置，所显示的信号就会有所不同。由于目标对无线链路的阴影效应而引起的RSS的变化，我们利用RSS信号变化的均值、方差和峰—峰值三个最常用的特征作为时域特征，对RSS测量值的变化进行了小波变换，并将时域信号转换为时间和频率域。与时域信号和傅立叶变换产生的频域信号相比，小波变换产生的时域和频域信号信息量更大，我们采用不同频带对应的系数向量的ZCP数、方差和能量，构造特征向量并生成Excel文件。该数据表格有600组、281维数据，每一组数据代表一个特征向量，表示一个位置；第281维数据为标签，表示这一个特征向量所表示的位置属于哪一类位置。该数据表用于分类网络进行位置分类和对比分类结果，计算分类正确率，分析分类网络性能。
3.3 贝叶斯网络分类
基于贝叶斯网络的位置特征信号分类算法建模包括准备工作阶段、分类器训练阶段和应用阶段三步
可以看到，整个贝叶斯分类过程分为三个阶段实施[ ]：
（1）准备阶段，该阶段的任务是为贝叶斯分类做必要的准备，主要工作是根据具体情况确定特征属性，并对每个特征属性进行适当划分，然后根据特征属性对一部分待分类项进行分类，形成训练样本。这一阶段的输入是所有待分类数据，输出是特征属性和训练样本，特征属性、特征属性划分及训练样本质量很大程度上决定了下一阶段生成的分类器的质量。
本文贝叶斯网络分类的是位置信号特征向量，共600组、281维，每一组代表一个特征向量，表示一个位置；第281维为标签，表示这一个特征向量所表示的位置属于哪一类位置，共有4类位置。
共有600组位置特征信号，检查验证从中随机选择95%数据作为训练数据训练网络，5%数据作为测试数据测试网络分类能力。
（2）训练分类器阶段。该阶段的主要工作是计算每个类别在训练样本中的出现频率及每个特征属性划分对每个类别的条件概率估计，并记录结果，生成分类器。其输入是特征属性和训练样本，输出是分类器[ ]。贝叶斯网络训练就是用训练数据训练贝叶斯网络。
计算每个类别在训练样本中的出现频率及每个特征属性划分对每个类别的条件概率估计，判断训练输入的位置特征向量进行分类并计算网络分类的正确率。
贝叶斯网络训练数据分类的正确率如图3-2所示。

图3-2 贝叶斯网络训练分类正确率
（3）应用阶段。这个阶段的任务是使用测试数据测试分类器的分类性能，其输入是分类器和待分类的测试数据，输出是待分类的测试数据与类别的映射关系。用训练好的贝叶斯网络分类测试数据。
用5%的位置特征向量测试网络分类能力，计算每一类位置的分类正确率根据分类结果分析贝叶斯网络的分类能力。
贝叶斯网络测试数据分类的正确率如图3-3所示。

图3-3 贝叶斯网络测试分类正确率
从贝叶斯网络训练和测试分类数据的结果可以看出，基于贝叶斯网络的位置信号分类算法具有很高的准确性，能够准确识别出位置信号所属类。
第四章 总结
近年来，人体姿态识别分类的研究，随着社会和科技的发展，研究方法不断丰富。传统的识别方法，例如基于图像的识别方法和基于可穿戴设备的识别方法都存在很多缺点，识别的准确率也比较低。随着无线传感技术的发展，无线信号已经成为最普遍的信号，当一个目标停留在不同的位置，执行不同的活动，或者做不同的手势，就会对周围无线信号特征产生不同影响，基于无线信号的人体姿态识别方法逐渐成为人体姿态识别方法研究趋势。本文以位置分类为例，运用贝叶斯神经网络，对位置特征向量进行分类，总结如下。
（1）数据处理阶段，所用的小波变换，提供了更加丰富的时域和频域信息构造特征向量；位置信号通过小波变换得到特征向量也有利于分类网络提高分类的正确率。
（2）从分类结果来看，分类网络都能对位置特征向量进行比较准确的分类，分类的正确率都达到的90%以上，充分说明了本文所用的识别方法的有效性。