1. 研究目的与意义
现如今科技进入了一个飞速发展的时代，涌出一大批新科技，其中人体行为识别技术也占据了一席之地。人体行为识别，顾名思义：根据与行为有关的信息识别出行为本身。人体行为识别在许多领域有着广泛的应用：（1）老年人及小孩的监护；（2）安全监控；（3）火灾搜救；（4）节能…现如今人体行为识别的方法有如下几个主流：基于特殊装置:比如摄像头、雷达、红外…；基于传感器；基于无线信号（又分为基于RSSI 和基于CSI）。
在基于无线信号识别还未出现之前，其它两种方法就已经被深入研究，而且现在也仍继续被广泛应用：在我们的生活中随处可以见到摄像监控。还有我们的手机配套的设备：智能手环，其内部嵌有传感器。这些行为识别技术有其自身的局限性：摄像监控受环境影响较大，且有侵犯他人隐私等问题；而传感器的缺点在于单一传感器精确度低，需配套使用，以最近发展的智能手环为例，它可以检测人们的睡眠，有时我们可能会发现它所显示的信息与我们实际行为有所偏差，有时我们还会担心会不会脱落，而且价格昂贵。而无线技术在近几年里得到了飞速发展，在这样的大背景下，人们便开始着力研究基于无线信号的人体行为识别。
无线信号其自身的优点可概括如下：
2. 研究内容与预期目标
本课题为基于无线信号的人体行为识别。目前基于无线信号进行人体行为识别有两个主要方向：基于信号强度（RSSI）和基于信道状态信息（CSI）。这两种方法都有各自的优缺点：RSSI简单操作，但由于现有的设备的分辨率低导致其可能会出现错误，而CSI的准确率高，但这也给研究带来了一定的复杂度。
由于实验样本的有限，想要得到准确的识别结果就必须选择一个合适的模型来进行分类。本课题选择基于支持向量机（SVM）的行为识别。虽然SVM算法的准确率不如其它分类模型，但它的优点在于不需要无限多的测试样本，而且识别效率高，操作简单。这样就不需要花费太多精力在样本的采集过程上。所以其实际应用价值还是很高。
本文的主要工作为分类识别部分。主要研究如何根据处理后的无线信号强度的特征数据对不同的行为进行分类及识别。预期目标是能在给定数据样本后，利用SVM算法完成分类，并能对输入的样本进行识别。
3. 研究方法与步骤
本课题为基于无线信号的人体行为识别主要工作分为：信息提取、采集信息的特征处理及分类识别这三个部分。信息提取将会选择从信号强度的大小的改变角度来实现，提高采样频率来提高分辨率。信息的特征处理将采取短时傅里叶变换的方法。而本文主要完成分类识别部分。本文将采取SVM（支持向量机）和K-means（K-均值）得到最后的结果。
SVM算法本是一个基本的二分类算法，它在数据点分布的空间中寻找到最优分类面，将两类数据尽可能的最大分开。但往往我们需要的不是简单的二分类，而是一些多分类，经过前人的努力，我们将其推广到多分类，则有两种方法：一对一和一对多。
所谓的一对一就是在样本中将多种信息中的某一类先分离出来样本数的总数不变，再将其它种类分离出。而一对多则是一类一类的逐个分离出来，样本总数逐渐减少。此次本人将采取一对多的方法。
4. 参考文献
[1] Sigg S, ShiS, Ji Y. RF-Based device-free recognition of simultaneously conductedactivities, UbiComp (Adjunct Publication) 2013, 531#8722;540.
[2]Abdelnasser H, Youssef M, Harras KA. WiGest: A ubiquitous WiFi-based gesturerecognition system, In: Proc. of the IEEE INFOCOM 2015, 2015.
[3]QingchaoChen, Bo Tan, Kevin Chetty and Karl Woodbridge, Activity recognition based onmicro-doppler signature with in-home Wi-Fi, In: Proc. of 2016 IEEE 18thInternational Conference on e-Health Networking, Applications and Services(Healthcom), 2016.
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：对K均值聚类算法和支持向量机算法进行深入研究，提出用于本课题的行为识别具体方案，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。
