基于WLAN接收信號強度特征的室內活動識別

韋春玲，王步飛

(黃岡師范學院 電子信息學院，湖北 黃岡 438000)

基于WLAN接收信號強度特征的室內活動識別

韋春玲*，王步飛

(黃岡師范學院 電子信息學院，湖北 黃岡 438000)

(*通信作者電子郵箱wcl@hgnu.edu.cn)

針對主流的活動感知技術依賴于專業測量設備，難以廣泛部署與使用的問題，提出一種基于現有WiFi熱點接收信號強度特征的活動識別技術。利用機器學習算法對實時接收到的WiFi信號強度特征進行分類，通過特征匹配識別用戶當前活動。實驗結果顯示，所提算法能夠以80%以上概率判斷室內是否有人，以95%以上概率判斷室內的人處于什么狀態，并以80%的概率識別人的運動方向。所提算法所需信號廣泛存在，可有效識別室內活動，具有低功耗、高精度的優點。

接收信號強度；室內活動識別；機器學習；無線局域網；智能家居

0 引言

在移動互聯網時代，傳統服務與移動互聯網技術的深度融合，給金融、軍事、交通、娛樂等各個方面帶來新的發展動力，為人們的生產生活帶來極大便利。智能化生活輔助是移動互聯網時代重要發展方向，自動感知用戶當前狀態是智能家居的重要前提。

自動感知主要分為主動式和被動式兩類。前者通過用戶攜帶設備采集的數據識別用戶活動。目前主動活動識別方面的研究主要集中于利用全球定位系統(Global Positioning System, GPS)、加速計、陀螺儀、氣壓計、地磁傳感器、WiFi芯片等獲取的數據進行識別。例如Pei等[1]采用GPS與WiFi對人的行為：坐、普通行走、快速行走、站、快速轉向、緩慢轉向進行識別； Guinness[2]使用手機的GPS與加速計和地理信息(坐標點，車輛運動與停止)等信息，采用機器學習算法識別用戶行為，包括步行、跑動、駕駛、乘公交、乘火車，但是GPS耗電較大，難以長時間持續工作，而且在室內環境GPS信號可用性較差，為此，研究人員轉向使用功耗較小的傳感器，例如加速計、陀螺儀、氣壓計、地磁傳感器等； Google開發了活動識別應用程序接口(Application Programming Interface, API)可使用功耗較低的加速計數據[3]，利用監督機器學習算法識別用戶靜默、行走與駕駛活動； Frank等[4]等利用用戶腰間放置的加速度傳感器識別用戶行為，可以識別坐、站、步行、跑動、跳躍、落下、躺; Elhoushi等[5-7]使用加速計、陀螺儀、地磁儀、氣壓計識別用戶高程發生變化的情況，例如上樓梯與下樓梯、乘坐電梯、站立與乘扶梯等，但是，加速計讀數依賴于位置與朝向，需要非常高的采樣率，因此處理復雜度較高，需要很多數據才能訓練得到滿意的結果；Vanini[8]利用功耗與采樣率更低的氣壓計識別用戶樓層變化；Sankaran等[9]也使用氣壓計識別用戶靜默、行走與駕駛行為，測試結果好于Google的活動識別算法；Wu等[10]采用氣壓計識別室內門的開關, 雖然氣壓計功耗低，且具有較好的識別能力，但是大多數手機沒有氣壓計，難以大規模普及使用。總的來說，主動式活動識別需要用戶攜帶特定設備，有一定的局限性。

被動式活動感知則不需要用戶攜帶任何設備，采用特定基礎設施采集用戶活動產生的數據識別用戶當前狀態。采用的信號包括調頻(Frequency Modulation, FM)[11]、WiFi[12]等。為了提高識別精度，采樣率都在10 Hz以上，所使用的分析方法大體上可以分為四類: 一是對信號進行傅里葉變換，獲取信號的頻域信息，利用頻域特征識別用戶狀態[13]；二是采用機器學習算法，對信號特征進行分類，通過匹配識別用戶狀態[14]；三是基于信號多普勒效應識別用戶狀態[15]；四是對信號強度的升降規律進行總結，判斷用戶狀態[16]。這些被動式的活動識別依賴于特殊設備，難以廣泛部署。

針對上述兩種方法的缺點，本文提出一種基于普通WiFi信號熱點和智能手機的活動識別算法，主要原理是：無線信號傳播會受到用戶行為的影響，用戶不同行為會導致信號分布有所區別，通過對信號強度特征的分析，可以反推出用戶活動。主要方法是利用機器學習算法對實時接收到的WiFi信號特征進行分類，通過特征匹配實現活動識別。實驗表明本算法能夠有效識別站立、躺下和行走三種活動，并能夠識別用戶行走方向，在智能家居輔助中具有廣泛用途和重要意義。

1 算法框架

本文算法流程如圖1所示，主要分為三個階段：數據輸入、訓練和測試。

圖1 算法流程Fig. 1 Work flow of the algorithm

為了實現本算法，需要在房間內設置WiFi接入點和信號接收設備，這里采用普通Android智能手機測量WiFi信號并記錄。測試人員在信號發射設備與測量設備之間的空間活動，由于人體對無線信號的吸收、遮擋和反射，測量設備接收到的信號在不同條件下信號特征不同。手機采集到不同活動下的無線信號后，為這些信號添加標簽，分別表示該信號是在什么條件下測量的。將這些數據隨機分為訓練集和測試集: 在訓練階段，采用不同的機器學習算法對訓練集數據進行分類，得到不同的分類器; 在測試階段，使用測試集數據評價不同分類器分類效果，選擇分類精度最好的分類器進行動作識別。下面詳細介紹這三個階段。

2 基于無線信號特征的活動識別

2.1 數據輸入

數據輸入階段分為三個步驟，分別是測量、預處理和特征提取，下面分別介紹這三個步驟。

2.1.1 測量

利用智能手機的WiFi芯片獲取無線熱點的信號強度。未Root智能手機的WiFi芯片刷新率約為2 Hz，雖然可以對手機Root后將刷新率提升到10 Hz，為了提高算法可用范圍，本文使用2 Hz的數據作為輸入，采集到的數據為S：

S={rssi|i=1,2,…,T}

(1)

其中:rssi為第i時刻接收到的信號強度，T為測量時長。

圖2給出了不同活動條件下，接收到的信號強度。從圖2可以看出，在不同的活動條件下，測量到的無線信號有差異，這個差異可以作為活動識別的依據。通過分析信號強度特征就可以反推用戶可能的活動狀態。

圖2 不同條件下測量到的WiFi信號強度對比Fig. 2 Received WiFi signal strength varies in different conditions

2.1.2 預處理

人的活動是動態變化的，單一時刻的測量值難以體現這種動態特性，通常的做法是將測量數據進行分組，將某個時間段內(識別窗口)的數據作為一組，分析每組內信號特征，再進行分類與識別。

假設識別窗口為ΔT，每個識別窗口數據不僅包含當前時刻測量值，還包含前?ΔT/τ」-1個時刻的測量值：

W={wi|i=0,1,…,T-ΔT+1}

(2)

其中:

wi={rssi*ΔT+j|j=0,1,…,ΔT-1}

(3)

2.1.3 特征提取

通過分組，每個組內都有很多測量數據，信號特征主要是針對每個分組內的數據進行的計算。本文使用的特征值包括幅度、標準差、N+和N-。

1)幅度(Range)。幅度就是組內最大測量值與最小測量值的差，表示信號強度最大變化范圍：

Range=max(w)-min(w)

(4)

其中:max(w)和min(w)分別表示w組內的最大值和最小值。

2)標準差(Var)。標準差描述數據的離散程度，即測量值與期望的平均距離：

(5)

其中:rssi∈w，mean(w)表示w內的平均測量值，|w|表示w測量值數量。

3)N+表示同一組內上一時刻測量值比下一時刻測量值大的比例：

(6)

其中:rssi、rssi+1∈w。

4)N-表示同一組內上一時刻測量值比下一時刻測量值小的比例：

(7)

其中:rssi、rssi+1∈w。

從上述定義可以看出，這4個特征并不涉及信號絕對大小，而是體現了信號強度變化情況。無線信號傳播受大量因素的影響，包括天氣、室內布局、人員運動等，因此信號強度是時刻變化的。通過對信號變化情況的分析，可以推斷出信號傳播環境的變化，也就能夠推斷出影響信號傳播因素的變化情況。因此，這里選取這4個體現信號強度變化的變量。值得注意的是這4個變量的選取并不是唯一的，未來還可以提出并使用更多的變量。

2.2 訓練

訓練是為了得到分類器，用于判斷用戶活動。訓練數據是在已知用戶活動類型的情況下采集的，因此，數據中增加了用戶活動類型標簽。

為了尋找最佳機器學習算法，本文在訓練階段將使用各種不同的機器學習算法對加了標簽的訓練數據進行分組，包括決策樹(Decision Tree，DT)、隨機森林(Random Forest，RF)、支持向量機(Support Vector Machine，SVM)、K近鄰(KNearest Neighbor，KNN)、邏輯回歸(Logistic Regression，LR)、樸素貝葉斯(Naive Bayesian，NB)和人工神經網絡算法(Artificial Neural Network，ANN)。

本文采用機器學習工具ORANGE[17]進行數據分類。ORANGE是一個圖像化的機器學習工具箱，不用編寫一行代碼就能夠使用大量機器學習算法對數據進行讀取、處理和可視化。ORANGE界面如圖3所示。

圖3 采用ORANGE進行機器學習Fig. 3 Machine learning using ORANGE

從圖3可以看出，ORANGE主界面分為兩部分，左側是工具組件，右邊是分析流程界面。通過拖拽方式將左邊工具按照機器學習的流程組合起來就可以使用各種算法對數據進行處理。

2.3 測試

測試是為了尋找最佳分類器，因此，輸入也是帶有標簽的測量數據。在測試階段，利用訓練階段得到的分類器，對測試數據進行分類。不同分類算法對同一組數據分類效果可能是不同的，為了評價不同分類算法性能，人們定義了很多評價指標，主要包括：

1)混淆矩陣(Confusion matrix)。

混淆矩陣是評價不同分類算法最簡單直觀的方法，對類別數量沒有限制。混淆矩陣中的每行表示真實類別，每列表示預測的類別。第i行和第j列元素nij表示類型i被識別為類型j的次數。假設總的識別次數是n，類型i的識別次數為ni。混淆矩陣越接近于對角矩陣，說明該識別算法效果越好。表1是一個混淆矩陣示例。

表1 混淆矩陣示例Tab. 1 Example of confusion matrix

基于混淆矩陣，有表2所示的評價指標。

表2 評價指標Tab. 2 Evaluation metrics

基于上述定義，下面給出了本文所使用的評價指標：

2)正確率(Accuracy, Acc)。正確率是指被正確分類的樣本比例：

(8)

3)精度(Precision, Prec)。精度就是指被歸為該類中真正屬于該類的比例：

Preci=TPi/(TPi+FPi)

(9)

4)敏感度(Sensitivity, Sens)。又被稱為真正率(True Positive Rate，TPR)、召回率(Recal)或者命中率(Hit)，也就是正確分類概率：

Sensi=TPi/(TPi+FNi)

(10)

5)特效率(Specificity, Spec)。又被稱為真反率(True Negative Rate，TNR)，也就是反例中被正確分類的概率：

Speci=TNi/(FPi+TNi)

(11)

6)F測度(F-Measure, F1)。也就是靈敏度和精度的調和平均值：

F1=2/(1/Sensi+1/Preci)

(12)

3 實驗與數據分析

為了對算法進行測試，使用華為P9 Plus開啟便攜式熱點功能作為信號發射器，實驗環境為如圖4所示的會議室。

圖4 實驗環境Fig. 4 Experiment environment

會議室面積約25 m2，熱點置于會議室一角的座椅，距離地面約0.4 m，接收信號的手機置于房間另一角的座椅，距離地面約0.4 m。基于安卓操作系統編寫數據采集軟件ActivityRecognition.apk，軟件數據采樣率設定為0.5 s，采用Meizu MX3作為信號接收器，手機操作系統是Android(version 4.4)，軟件工作界面如圖5所示。

從圖5可以看出，數據采集界面主要分為兩部分，上方的視圖是信號強度曲線，下方視圖是信號強度變化曲線，變化曲線取值為離散值，0表示當前時刻信號強度與上一時刻相等；-1表示當前時刻信號強度小于上一時刻；1表示當前時刻信號強度大于上一時刻。不同活動條件下的信號強度被記錄在文件，用于機器學習和識別。

圖5 數據采集界面Fig. 5 User interface of data collection

實驗過程中，房間內僅有一人在發射源與接收器之間運動。實驗分為3個層次進行，分別是判斷室內是否有人，判斷室內人的活動類型以及具體活動的細節，使用的時間窗口為2 s。

1)判斷室內是否有人。

判斷室內是否有人對室內監控有重要意義。例如，家里上班時間出現異常信號，則可能是家里有入侵者，此時可以發送警報提醒。表3是使用不同算法識別室內是否有人的準確度。

表3 不同算法判斷是否有人的準確度Tab. 3 Accuracy of inferring the existence of a person in the room

從表3可以看出，KNN算法分類準確度最高，達到0.805 4，接下來是樸素貝葉斯算法、決策樹和隨機森林算法，這三個算法的識別準確度都在70%以上。

2)判斷室內人的活動類型。

室內有人的情況下，有時候還需要知道人處于什么狀態，判斷人是躺下、站立還是行走，這對于老人健康監控有重要意義。例如，在平時活動時間發現老人長時間處于躺下狀態，則可以發送信號提醒老人可能滑倒。表4是不同算法準確度對比。

表4 不同算法判斷運動狀態的準確度Tab. 4 Accuracy of identifying a person’s activity

從表4中可以看出，人工神經網絡、支持向量機和決策樹識別準確度最高，達到95.65%，可以有效識別用戶不同狀態。

表5是采用決策樹算法識別室內用戶室內站立、躺下和行走的混淆矩陣。

表5 判斷活動類型混淆矩陣 %Tab. 5 Confusion matrix of identifying the person’s activity %

從表5可以看出，決策樹算法能夠有效從三種狀態中區分出躺下，準確度達到100%，站立和行走有可能識別錯誤，識別站立和行走的準確度分別為85%和94%。

3)室內人的活動細節。

上述實驗只能判斷大概的活動，有時候需要更多細節。例如，判斷行走的方向是在靠近接收機或者遠離接收機運動。表6是不同算法行動方向估計不同評價指標對比, 這里的方向分為兩種，分別是靠近接收機和遠離接收機。

表6 不同算法識別靠近狀態的評價指標Tab. 6 Result of identifying the coming of a person

從表6可以看出，決策樹在特效率、精度這兩個指標最佳。樸素貝葉斯算法在識別準確度、敏感度、F測度這三個指標性能最佳，其中，所有算法識別準確度都在75%以上，樸素貝葉斯算法的準確度達到80%。

4 結語

本文基于機器學習算法，提出利用廣泛存在的WiFi信號強度識別室內活動。實驗結果顯示，本文算法能夠以80%以上概率判斷室內是否有人; 在室內有人的情況下，能夠以95%以上概率判斷人處于躺下、站立或者行走狀態，并80%的概率識別人的運動方向。

實驗結果顯示，無論是識別是否有人，還是識別人的運動詳細信息，準確度還沒有達到100%，原因可能是本文所使用的信號所包含的信息不足以進行有效判斷。未來有三方面工作可以開展：第一是繼續挖掘可能存在的體現信號變化情況的變量，基于新的變量進行活動識別； 第二是采用更多的信號發射器與接收機，通過多個發射與接收機合作，以更高的精度識別室內活動更多的細節； 第三是結合其他傳感器進行判斷，例如氣壓計等，通過判斷周圍氣壓變化，提高識別精度。

References)

[1] PEI L, GUINNESS R, CHEN R, et al. Human behavior cognition using smartphone sensors[J]. Sensors, 2013,13(2): 1402-1424.

[2] GUINNESS R E. Beyond where to how: a machine learning approach for sensing mobility contexts using smartphone sensors[J]. Sensors, 2015,15(5): 9962-9985.

[3] Activity Recognition. Google’s activity recognition API[EB/OL]. [2016-02-20]. http://developer.android.com/google/play-services/location.html.

[4] FRANK K, NADALES V, JOSEFA M, et al. Reliable real-time recognition of motion related human activities using MEMS inertial sensors[EB/OL].[2016-06-20]. http://elib.dlr.de/64996/2/activityRecognition.pdf.

[5] ELHOUSHI M, GEORGY J, WAHDAN A, et al. Using portable device sensors to recognize height changing modes of motion[C]// Proceedings of the 2014 IEEE International Instrumentation and Measurement Technology Conference. Piscataway, NJ: IEEE, 2014: 477-481.

[6] ELHOUSHI M. Advanced motion mode recognition for portable navigation[EB/OL].[2016-06-20].https://www.researchgate.net/profile/Mostafa_Elhoushi/publication/309619569_Advanced_Motion_Mode_Recognition_for_Portable_Navigation/links/581a541808aed2439386b63f/Advanced-Motion-Mode-Recognition-for-Portable-Navigation.pdf.

[7] ELHOUSHI M, GEORGY J, KORENBERG M, et al. Robust motion mode recognition for portable navigation independent on device usage[C]// Proceedings of the 2014 IEEE/ION Position, Location and Navigation Symposium. Piscataway, NJ: IEEE, 2014: 158-163.

[8] VANINI S, GIORDANO S. Adaptive context-agnostic floor transition detection on smart mobile devices[C]// Proceedings of the 2013 IEEE International Conference on Pervasive Computing and Communications Workshops. Piscataway, NJ: IEEE, 2013: 2-7.

[9] SANKARAN K, ZHU M, GUO X F, et al. Using mobile phone barometer for low-power transportation context detection[C]// Proceedings of the 12th ACM Conference on Embedded Network Sensor Systems. New York: ACM, 2014: 191-205.

[10] WU M, PATHAK P H, MOHAPATRA P. Monitoring building door events using barometer sensor in smartphones[C]// Proceedings of the 2015 ACM International Joint Conference on Pervasive and Ubiquitous Computing. New York: ACM, 2015: 319-323.

[11] SHI S, SIGG S, JI Y. Activity recognition from radio frequency data: multi-stage recognition and features[C]// Proceedings of the 2012 IEEE Vehicular Technology Conference. Piscataway, NJ: IEEE, 2012: 1-6.

[12] ABDELNASSER H, HARRAS K A, YOUSSEF M. Ubibreathe: a ubiquitous non-invasive WiFi-based breathing estimator[C]// Proceedings of the 16th ACM International Symposium on Mobile Ad Hoc Networking and Computing. New York: ACM, 2015：277-286.

[13] PU Q, GUPTA S, GOLLAKOTA S, et al. Whole-home gesture recognition using wireless signals[C]// Proceedings of the ACM SIGCOMM 2013 Conference on SIGCOMM. New York: ACM, 2013: 485-486.

[14] 蔡曉東,楊超,王麗娟,等. 驗證和識別相融合的深度行人識別網絡[J].計算機應用, 2016, 36(9): 2550-2554.(CAI X D, YANG C, WANF L J, et al. Deep network for person identification based on joint identification-verification[J]. Journal of Computer Applications, 2016, 36(9): 2550-2554.)

[15] CHEN X, EDELSTEIN A, LI Y, et al. Sequential Monte Carlo for simultaneous passive device-free tracking and sensor localization using received signal strength measurements[C]// Proceedings of the 2011 10th International Conference on Information Processing in Sensor Networks. Piscataway, NJ: IEEE, 2011: 342-353.

[16] ABDELNASSER H, YOUSSEF M, HARRAS K A. Wigest: a ubiquitous WiFi-based gesture recognition system[C]// Proceedings of the 2015 IEEE Conference on Computer Communications. Piscataway, NJ: IEEE, 2015: 1472-1480.

[17] ORANGE[EB/OL].[2016-06-20].http://www.ailab.si/orange/.

This work is partially supported by the Scientific Research Project of Huanggang Normal University in 2016(zj201628), Information and Communication Engineering Research Project of Huanggang Normal University in 2015(zdxk1501), Information and Communication Engineering Research Project of Huanggang Normal University in 2016 (zdxk1601); High-Level training program Project of Huanggang Normal University (201719541).

WEI Chunling, born in 1980, M. S., associate professor. Her research interests include telecommunication and information systems.

WANG Bufei, born in 1964, M. S., professor. His research interest is telecommunication engineering.

tivity-recognition based on

signal strength in WLAN

WEI Chunling*, WANG Bufei

(SchoolofElectronicInformation,HuanggangNormalUniversity,HuanggangHubei438000,China)

The mainstream activity recognition technology depends on professional measurement equipment, which leads to the problem of difficult deployment and use. An activity identification technology based on the characteristics of existing WiFi hotspot received signal strength was proposed. The result shows that the proposed algorithm is capable of identifying the existence of a person in the room with 80% accuracy. And person’s standing, walking and lying activity can be inferred with 95% accuracy. The walking direction can also be identified with 80% accuracy. The required signal of the proposed algorithm exists everywhere in daily life, and can be effectively used to identify indoor activities with low power consumption, and high precision.

receiver signal strength；indoor activity-recognition；machine learning；Wireless Local Area Network (WLAN)；smart home

2016-10-17;

2016-12-19。 基金項目:黃岡師范學院2016年校級科研項目(zj201628)；黃岡師范學院2015年信息與通信工程學科科研項目(zdxk1501)；黃岡師范學院2016年信息與通信工程學科科研項目(zdxk1601)；黃岡師范學院高級別培育項目(201719541)。

韋春玲(1980—)，女，陜西西安人，副教授，碩士，主要研究方向：通信與信息系統； 王步飛(1964—)，男，湖北麻城人，教授，碩士，主要研究方向：通信工程。

1001-9081(2017)05-1326-05

10.11772/j.issn.1001-9081.2017.05.1326

TP393.17

A