CN114781440B 一种基于Wi-Fi中CSI信号的隐私保护行为识别方法和系统 （南京理工大学）

一种基于Wi-Fi中CSI信号的隐私保护行为本发明提出一种基于Wi-Fi中CSI信号的隐私保护行为识别方法及系统，从Wi-Fi无线信号制和卷积运算构建金字塔结构的CSI信号人类行化CSI信号人类行为识别模型的模型参数，对从室内环境中实时获取的无线Wi-Fi信号中的CSI2步骤1，从Wi-Fi无线信号中提取CSI信号，包括无人时的步骤2，对CSI信号数据集做信号功率归一化处理和类别步骤3，基于自注意力机制和卷积运算构建金字塔结构的CSI信号人类行为识别模型，使用训练数据集进行CSI信号人类行为识别模型的训练，使用测试数据集进行模型性能评步骤4，使用训练完成后的模型权重初始化CS从室内环境中实时获取的无线Wi-Fi信号中的CSI信号进行人类行为状态识别；步骤3，基于自注意力机制和卷积运算构建金字塔结构的CSI信号人类行为识别模型，特征提取网络分为四个阶段，每个阶段包括一个段嵌入层在第i个阶段，CSI时序信号特征或信号编码特征首先在段Transformer编码器块提取各个重叠时域片段之间的全局上下每个Transformer编码器块由一个多头自注意力层和一个局部前馈模块组成，在多头38.一种计算机可读存储介质，其上存储有计算机4[0003]基于Wi-Fi信号的人类行为识别技术目前已发展到即可用于粗粒度的摔倒检测又人安全和健康状况监测的需求日益迫切，而基于Wi-Fi信号的人类行为识别可以在具有低的接收信号强度指示(RSSI)，细粒度的CSI信号在人类行为识别等感知识别技术中拥有更而，自注意力机制(Self-Attention)可以在浅层网络中有效编码特征内部的长距离依赖。作为一种时序特征的CSI信号其特征内部存在广泛的长时间距离依赖关系，因此自注意力机制在基于CSI信号的人类行为识别过程中具有重要的应[0005]本发明的目的在于提出一种基于Wi-Fi中CSI信号的隐私保护行为识别方法和系5[0010]步骤4，使用训练完成后的模型权重初始化CSI信号人类行为识别模型的模型参危险等级和系统响应等级的对应关系由用户根6若干Transformer编码器块提取各个重叠时域片段之间的全局上下文[0024]每个Transformer编码器块由一个多头自注意力层和一个局部前馈模块组成，在号的隐私保护行为识别。别，避免了基于视觉的识别中隐私泄露的问题和基于穿戴的方法中使用不便的问题；(2)中做进一步拓展；(3)采用金字塔结构的基于自注意力机制和卷积运算的深度学习方法构建识别模型，使用可以反映信号的幅度和相位信息的I/Q两路信号作为行为识别模型的输[0032]图4为本发明实施例中行为识别模型使用的局部特征增强的自注意力机制原理[0035]本发明提出的CSI信号行为识别模型一个主要的特点是采用自注意力机制编码7CSI时序信号特征内部长距离依赖的同时，使用卷积运算学习信号特征内部的局部上下文[0038]目前基于IEEE802.11n协议的WI-FI技术采用MIMO-56×m×n的复数矩阵，将CSI数据包分解为I/Q两路信号得到一个尺度大小为56×2×m×n法为首先计算H'中每个子载波时间序列的平均功率(即每个子载波时间序列的幅度的平方阵H'中每个子载波第t个CSI复数值对应的同相和正交值(由矩阵H'的第二维分别存储)，|8t[0049]对步骤2归一化后的所有CSI时序样本完成标注后，将各类行为的CSI数据按一定[0051]本发明的行为识别模型的整体结构如图3所示，其由特征提取网络和分类器两部[0052]在对模型进行详细描述之前首先介绍图3中各部分的含义，I/Q块表示模型输入[0053]步骤2归一化后的CSI信号是该行为识别模型的输入，且输入样本在步骤3被标注的标签被转化为独热编码(One-Hot)用于计算模型损失函数(可灵活选择)值。设模型输入入包含四个不同阶段的特征提取网络以提取信号高维编码特征(输入信号经过特征提取网后将各个类别对应的映射值执行Softmax归一化运算后与独热编码计算模型损失函数值，得到模型损失函数值后即可采用反向传播算法(Backpropagation,BP)计算权重梯度值以层被分成若干互相重叠的时域片段并线性映射到特征空间(如图3SegmentEmbedding模块器块提取各个重叠时域片段之间的全局上下文依赖[0056]在特征提取的每个阶段，CSI时序信号特征或信号编码特征(以下统称信号特征)度表示为Pi，段之间的步幅距离设置为Si，在段嵌入时，首先将本阶段的输入特征9接或卷积层实现)与每个段相乘并连接得到嵌入张量重叠段嵌入过程可以[0058]其中EeR(N-1prci-1)xci是一个可学习的线性投影，表示被划分的Ti[0062]信号特征经过动态位置编码层之后被输入若干Transformer编码器块(结构如图且在第i阶段拥有Li个Transformer编码器块。每个Transformer编码器块由一个多头自注意力层(MHSA)一个局部前馈模块(LFF)组成，在MHSA和LFF之前均插入一个批归一化[0066]在每个Transformer编码器块内部，输入信号特征首先被执行BatchNorm后送入入张量xeRxd分别经过线性映射(Linear)得到queryQeRdk,keyskeRxdk和valuesveRe,而以点积运算为主的方程Attention(QK,v)=softmax(QK"/,a)v是分割卷积来编码它们的局部特征，即k=Dwconv(keR⃞和v'=Dwconv(v)eRdv,特征增强的自注意力机制(图4所示)可以表[0071]在MHSA后，得到的信号特征经过BatchNorm后被输入LFF(其结构图如图5所示)。[0075]分类器由一层全连接网络和Softmax激活函数组成。全连接层将高维编码特征映[0077]将训练集数据分批次输入步骤4建立的行为识别模型进行模型训练，训练完成后使用测试集对模型性能进行评估，最终得到并保存训练好的模型权重用于步骤6的人类行[0079]人类行为识别模型在场景中的应用如图2所示，系统运行过程中应缓存不小于训[0080](1)首先，使用步骤5训练完成后保存的行为识别模型权重初始化步骤4建立的行[0081](2)从系统CSI缓存中提取与训练数据相同时序长度的CSI信号，即从当前时刻获注意的是，CSI信号的采集时间间隔应该根据实际应用场景与设备计算性能权衡后灵