专利交易市场

本发明公开了一种基于CSI信号的手势动作识别方法，首先采集小区参考信号CRS数据，然后利用LS信道估计算法准确信道导频，再根据信道导频完整信道矩阵，利用导频平均与插值，实现LTE信号的CSI数据采集。接着在实验环境下采集包含志愿者手势动作的CSI数据，动作分为0～9十个手写数字相应的手势，并对获取到的所有CSI信号数据进行预处理，基于CSI信号的相位差和幅度，提取不同手势动作的CSI信号数据的相位差和幅度差别。最后构建Resnet残差网络模型并进行训练，从而回归出手势动作检测的评价信息。本发明能够使用大多数常见的商用设备进行感知，适用范围广，在无线感知、行为识别领域具有一定的应用价值。

一种基于无线信号的老人摔倒检测方法，利用CSITOOL工具搭建CSI数据发送和接收平台，基于无线信号的摔倒检测过程首先将采集到的CSI信号进行离群点异常值去除和小波去噪，并对采集到的信号进行标注。最后构建网络，提取网络特征用之建立摔倒指纹库，从而回归出摔倒检测的评价与预警信息。同时，本发明还提出一种多天线CSI信号分层采样策略。本发明能够大大降低实际运营成本和可实现成本，从而有效实现对老人意外摔倒的识别，在无线感知、行为识别具有一定的应用价值。

本发明涉及智能无线感知技术领域，具体为基于GCL‑Peephole的车联网智能无线感知算法，该算法模型融合了幻影卷积（Ghost Convolution）、长短时记忆模块（Long Short Term Memory）和Peephole模块，并将幻影卷积操作融入到LSTM结构中，主要从时间和空间两方面提取无线感知信号数据中所包含的人体动作深层特征，从而提升模型的感知精度，在特征数据处理方面，GCL‑Peephole神经网络使用时间步技术对特征数据处理，各个模块按照时间先后顺序，分别处理属于各个时间步的数据，所有时间步共享相同的模块，提高了无线感知任务的识别准确率。

本发明适用于计算机技术领域，提供了一种基于WiFi信号的人员合法性检测方法及装置，该方法包括：从穿过目标检测区域的WiFi信号确定目标CSI幅值序列，并采用主成分分析法对目标CSI幅值序列进行降维处理，得到第二主成分序列；根据第二主成分序列的方差和短时能量确定第二主成分中目标人员的活动片段；对活动片段进行小波分解，构建目标人员的目标特征数据集；基于粒子群的近邻传播算法及目标特征数据集确定目标人员的合法性。本申请通过检测目标人员的CSI幅值序列中的活动片段，能够在不明确目标人员具体身份信息的情况下检测目标人员的合法性，从而解决人员合法性检测过程中个人隐私泄露的问题，提高人们的安全感。

本发明涉及一种在WiFi干扰环境下的WIFI CSI动态子载波选择的人体跌倒识别方法，属于无线通信技术领域。该方法首先对CSI干扰强度及CSI活跃比率进行分析，构建WiFi干扰特征映射矩阵，利用该矩阵计算各信道干扰指数实现干扰判别。接着通过基于干扰指数的动态子载波选择算法CSI‑DSSA，选取干扰数据中互相关性最弱的子载波组合进行干扰处理，分析多链路数据融合方法CSI‑MLDF聚合未受干扰数据中多数据流的时域特征信息。最后，提取时域特征值并构建WiFi干扰环境下的SVM多活动分类模型，获得跌倒活动识别结果。本发明能够有效提高WiFi干扰环境下的人体跌倒活动识别准确率。