1. 研究目的与意义
课题研究背景和意义
随着公众日益增长的对生活监控模式和长期健康条件的兴趣,无设备的行为识别和监控已成为一个有前途的研究领域。如在居家养老时可以检测老人摔倒等异常情况,在智能家庭中可以通过人体的动作识别人们的行为意图,在公共场合及各种人机交互场景下,行为识别技术也起着重要的作用。传统的人体行为检测与识别主要通过视频图像或可穿戴设备进行。但采用视频图像检测时,可能存在检测死角,并可能泄露个人隐私;而可穿戴设备检测方法需要被检测人员的配合,在某些情况下并不可行。
考虑到检测设备成本和部署的便利性,基于WiFi和无线传感器网络的无线信号行为检测技术成为了当前的一个研究热点。当前的无线设备能够测量出无线信号在其自身的信道传输过程中由于信号覆盖范围内人体的行为所造成的干扰,而这些被测量出的干扰能够被应用到人体行为识别当中。相对于传统的利用摄像头或者可穿戴传感器设备进行行为识别而言,利用WIFI无线信号完成的人体行为识别具有更多意想不到的好处:首先,无线信号不需要视距的监测;其次,也不需要穿戴多余的传感器设备;同时,无线信号能够无死角的布置在各个场景当中,如家,办公室,公共区域等。
2. 研究内容与预期目标
主要研究内容:
通过编写程序和一般的商用网卡来获取到某时间段内的信号强度(RSSI),使用matlab对得到的数据经过滑动滤波器的预处理后进行时频域分析,分别提取数据的时域和频域特征,再经过机器学习建模,归类,最后达到识别人体行为的目的。
本论文着重研究的是如何提取出能够反应出人体行为的基于粗粒度的无线信号测量值RSSI的特征信息。研究所获取的RSSI信息的特征,分别从时域和频域的角度研究如何获取RSSI的特征参数,形成时域特征参数和频域特征参数,并通过识别算法验证所采用方法的有效性。
3. 研究方法与步骤
(1) 将采集到的数据通过计算得到算数平均数、方差等作为数据的时域特征。
(2) 通过滑动平均滤波对采集到的样本数据进行过滤,提高最终的数据质量。
(3) 使用海明窗对时域数据进行切分。
4. 参考文献
[1] Qingchao Chen, Bo Tan, Kevin Chetty, Karl Woodbridge,Activity recognition based on micro-Dopplersignature with in-home Wi-Fi, 2016 IEEE 18th International Conference one-Health Networking, Applications and Services (Healthcom), 1 - 6, 2016.
[2] ZichengChi, Yao Yao, Tiantian Xie, Zhichuan Huang, Michael Hammond, Ting Zhu, Harmony:Exploiting coarse-grained received signal strength from IoT devices for humanactivity recognition, 2016 IEEE 24th International Conference on NetworkProtocols (ICNP), 1 - 10, 2016.
[3] StefanoSavazzi, Sanaz Kianoush, Vittorio Rampa, Umberto Spagnolini, Is someone movingaround my cell-phone? Tracing cellular signals for passive motion detection,2017 IEEE International Conference on Pervasive Computing and CommunicationsWorkshops (PerCom Workshops), 10 - 13, 2017.
5. 工作计划
(1) 2022.3.5-2022.4.5:充分查阅相关资料,撰写并修改完成开题报告;
(2) 2022.4.6-2022.4.25:提出信号特征抽取方案,利用实验数据进行调试;
(3) 2022.4.26-2022.5.20:对方案进行改进,以便符合课题设计要求;
以上是毕业论文开题报告,课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。