一种基于无线射频信号的生理指标测量方法及系统

1.本发明属于物联网人工智能技术领域，具体涉及一种基于无线射频信号的生理指标测量方法及系统。


背景技术：

2.随着社会经济的发展和生活水平的提高，人们对于自身的健康状况有了越来越多的关注。在家用健康器材领域，体脂称作为用户检测身体脂肪和肌肉比例、跟踪运动健身效果、辅助管理饮食计划的家用设备，已有了一定的用户覆盖。现有的体脂称在使用时，用户首先需要除去鞋袜，双脚站在体脂称的电极上，电极与人体构成电流回路，估计电流强弱估算人体电阻率，推断用户身体的体脂率和肌肉率。这种方案主要有两个问题，首先是测量过程比较繁琐；其次是体脂称的价格比普通体重秤的价格高了不少，用户需要承担这部分溢价。
3.当前，基于无线射频信号的人体感知技术备受学术界和工业界关注，该类技术可以实现非接触式的无感感知，并具有保护隐私、抗物体遮挡等优势。因此，该类技术常被研究用于个人家庭使用，例如智能家居的手势控制、摔倒检测、步态识别等。这些工作的原理是利用人体运动时，对无线信号产生一定模式的幅度较大的干扰，分析干扰与运动之前的联系，实现运动状态识别。根据生物电磁学的发现，人体的不同器官或组织因其磁导率等电磁特定的不同，会对不同频率的无线射频信号产生不同程度的影响。本发明利用深度学习方法，分析人在静止站立时，人体对无线射频信号的影响，学习得到人体生理指标，如体脂率、肌肉率、骨含量和水含量等。用户在使用基于本发明的系统进行体脂测量时，无需脱去鞋袜，体验较好。另外，本发明中的无线射频信号可采用wifi信号，由于wifi路由器已逐步成为家庭的基础设施，一旦将本发明方法嵌入到wifi路由器中，用户也将省去额外的体脂称购买花费。


技术实现要素：

4.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于无线射频信号的生理指标测量方法及系统，能够嵌入到家用wifi路由器中，无需额外硬件成本代替现有的体脂秤作为用户的日常健康监测工具，实现体脂率、肌肉率、骨含量和水含量的测量。
5.本发明采用以下技术方案：
6.一种基于无线射频信号的生理指标测量方法，包括以下步骤：
7.s1、消除原始信道状态信息序列中的噪声，得到信道状态信息序列数据；
8.s2、将步骤s1获得的信道状态信息序列数据作为输入，对信道状态信息序列数据进行分割，得到训练数据；
9.s3、对步骤s2分割后的训练数据进行数据扩增；
10.s4、将步骤s3数据扩增后的信道状态信息数据作为wifi-net的输入张量，通过生
成阶段将信道状态信息数据转换为具有空间编码模式的特征图，通过特征学习阶段进一步将具有空间编码模式的特征图映射为生理感知任务特征，利用生理感知任务特征估计人体生理指标。
11.具体的，步骤s1中，时域滤波器为中值滤波器和均值滤波器，中值滤波器和均值滤波器的滑动窗口大小为20、跨度为1；频域滤波器为巴特沃斯滤波器，巴特沃斯滤波器为5阶，通带为5hz。
12.具体的，步骤s2中，在所有的任务中使用前4/5个信道状态信息序列数据作为训练数据，剩下的1/5个信道状态信息序列数据作为测试数据。
13.具体的，步骤s3具体为：
14.计算每10个跨度为10的连续信道状态信息样本的平均值，并作为网络框架的一个输入样本；在数据增强中采用高斯噪声方法增强训练数据。
15.具体的，步骤s4中，输入张量为：
16.给定一个从发射器到接收器的wifi数据包，信道估计y＝hx+n，y是接收数据，x是传输数据，h是信道状态信息序列，n是wifi系统的噪声；
17.将信道状态信息提取为复值序列后，h∈cnsa
×
nsc，nsa和nsc分别是采样的wifi数据包子载波数；部署linux 802.11n信道状态信息工具记录30个子载波的信道状态信息序列，将每个信道状态信息样本作为一个30通道的张量，并重塑为30
×1×
1的大小作为wifi-net输入张量，将每个信道状态信息样本作为一个30通道的张量，并重组为30
×1×
1的大小来用于wifi-net输入。
18.具体的，步骤s4中，通过生成阶段将信道状态信息数据转换为具有空间编码模式的特征图具体为：
19.使用转置卷积建立网络框架的生成阶段，使得信道状态信息数据转换为具有空间编码模式的特征图，通过堆叠8个转置卷积层处理30
×1×
1的输入张量，并产生一个6
×
224
×
224的张量，将目标张量的高度和宽度设为224，使用大小为4
×
4的转置卷积，每一层的详细参数设置都列在图4所示的生成阶段的方框内。
20.具体的，步骤s4中，特征学习阶段进一步将空间编码模式映射为感知任务的特征具体为：
21.从生成阶段获取6
×
224
×
224张量并为最终的任务阶段提取特征，把特征学习阶段的网络称为骨干网络，给定生成阶段后的类似图像的张量。
22.进一步的，骨干网络使用resnet，在网络每两层间增加短路机制，形成残差学习。
23.具体的，步骤s4中，在特征学习阶段完成后，利用上层获取的特征联合预测生理传感任务的输出，包括两个卷积层、一个平均池化层、一个完全连接层、一个激活函数和一个损失函数；通过以下两个任务的损失来进行同时优化：
24.l＝l
bio
+α*l
id
25.其中，l为，l
bio
和l
id
分别是生理指标估计和用户识别的损失，α作为两个任务之间的重要性平衡。
26.本发明的另一技术方案是，一种基于无线射频信号的生理指标测量系统，包括：
27.数据模块，消除原始信道状态信息序列中的噪声，得到信道状态信息序列数据；
28.分割模块，将信道状态信息序列数据作为输入，对信道状态信息序列数据进行分
割，得到训练数据；
29.扩增模块，对分割后的训练数据进行数据扩增；
30.测量模块，将数据扩增后的信道状态信息数据作为wifi-net的输入张量，通过生成阶段将信道状态信息数据转换为具有空间编码模式的特征图，通过特征学习阶段进一步将具有空间编码模式的特征图映射为生理感知任务特征，利用生理感知任务特征估计人体生理指标。
31.与现有技术相比，本发明至少具有以下有益效果：
32.本发明一种基于无线射频信号的生理指标测量方法，提出了wifi-net，wifi-net建立在计算机视觉界主流的骨干深度卷积网络上，由一个带有转置卷积层的生成块，一个带有骨干网络的特征学习块，以及一个带有卷积层和全连接层的特定传感任务块组成。通过wifi-net，系统可以通过共享的生成块和特征学习块以及两个独立的任务块来估计四个用户的生物特征。
33.进一步的，通过滤波器以及小波变换等方法对原始信道状态信息序列数据进行降噪滤波处理，以降低后续训练过程的难度以及提高测试精度，可以保证原始信道状态信息序列在经过降噪滤波等操作后经过wifi-net的训练效果保持较高水平。
34.进一步的，对预处理后的信道状态信息序列数据进行分割，取前4/5个信道状态信息序列数据作为训练数据，后1/5个信道状态信息序列数据作为测试数据，保证wifi-net在训练过程中能够有足够的训练样本数据且在测试过程中保证测试基数足够，使得本方法能够有一个较好的训练效率以及预测准确率。
35.进一步的，通过对训练数据进行数据增强，训练\测试数据的比例由8:2变化为9(训练样本数据：38633):1(测试样本数据：4444)，在保证了测试数据的样本数据足够的同时进一步增加了训练数据的样本数量，使得训练效率进一步提高。
36.进一步的，将进行数据增强后的训练数据进行重组，由于卷积神经网络(cnn)的输入张量是大小为channel
×
height
×
width的图像，其中channel是颜色通道的数量，height和width分别表示图像的高度和宽度。类似地，wifi信号在不可见的电磁波频谱中以nsc不同的频率感知相同的自然世界。因此将每个信道状态信息训练样本作为一个30通道的张量，并重组为30
×1×
1的大小作为wifi-net输入张量。
37.进一步的，使用转置卷积建立wifi-net该网络框架的生成阶段，使得信道状态信息数据能够转化为具有空间编码模式的特征图。空间编码模式作为深度卷积神经网络处理信道状态信息时的信号行为模式，由于输入张量的空间信息很少(只有1
×
1)，但通道信息很丰富(30)。组合信号可以很好地被近似为通道间的线性组合，因此保留通道之间的相互作用，同时使用转置卷积计算释放单个通道内的信息，可以进一步扩大现有高效cnn架构的信道状态信息输入规模。
38.进一步的，特征学习阶段将具有空间编码模式的特征图(6
×
224
×
224张量)映射为最终任务阶段提取特征，受到生成式对抗网络和深度学习中主流骨干网络的启发。由于增强了特征学习能力，wifi-net可以将特征学习为空间编码图，从而区分生理信号的隐性多样性。在该阶段中能够使得骨干网络在训练过程中提高各项参数的收敛速度，能够提高网络的预测性能。
39.进一步的，特征学习阶段通过使用resnet作为骨干网络，在网络每两层间增加了
短路机制，形成残差学习，避免出现深度网络“退化”问题，即随着神经网络的层数增加，性能却快速下降的情况。
40.进一步的，在特征学习阶段完成后，利用上层获取的特征联合预测生理传感任务的输出，包括两个卷积层、一个平均池化层、一个完全连接层、一个激活函数和一个损失函数。由于全连接层的参数比卷积层多，进一步增加了wifi-net的复杂性和优化的难度，因此倾向于使用更多的卷积层而不是全连接层。
41.综上所述，本发明实现了一种基于无线射频信号的生理指标测量方法，可以使得人们在日常生活中代替体脂秤作为健康检测工具，实现体脂、肌肉率、骨含量和水含量这些人体生理指标的检测。如果生理指标检测系统在未来可以嵌入到预先部署的家用wifi路由器和用户的智能手机中，它将具有很高的实际影响，而且没有额外的硬件成本。
42.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
43.图1为本发明系统流程图；
44.图2为噪声过滤和训练/测试集拆分图；
45.图3为wifi-net结构图；
46.图4为生理指标数据采集与房间布局图；
47.图5为受试者四项生理指标检测结果图。
具体实施方式
48.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
49.在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
50.还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
51.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
52.在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
53.请参阅图1，本发明一种基于无线射频信号的生理指标测量方法，包括以下步骤：
54.s1、csi预处理
55.使用两个时域滤波器，即中值滤波器和均值滤波器，以及一个频域滤波器，即巴特沃斯滤波器，通过应用数字滤波器、离散小波变换及其组合，消除原始信道状态信息序列中的噪声，为后续训练/测试数据集的分割提供稳定以及可靠的数据。
56.csi即wifi信号物理层的信道状态信息(channel state information)。原始信道状态信息序列包含相当多的噪声。图的顶部子图中显示了一个示例，其中原始信道状态信息是第5个主题的第15个子载波的数据。
57.预处理过程中所用到的滤波器如下：
58.1.中值滤波器
59.在图2的顶层子图中。原始信道状态信息中存在太多的极高/极低值(离群值)。为了去除这些极端值，应用滑动窗口大小为20、跨度为1的中值滤波器。结果见第二张子图，它显示了中值滤波器在去除极端值方面的优势。
60.2.平均值滤波器
61.通过利用平均滤波器(滑动窗口大小为20，跨度为1)来消除信道状态信息序列中经中值滤波器过滤的轻微振荡。结果显示在图2的第三个子图中，其中信道状态信息的振荡被很好消除。
62.3.巴特沃斯滤波器
63.最后通过低通巴特沃斯滤波器(5阶，通带为5hz)去除高频噪声，在图2的第四个子图中显示其应用结果。
64.以上参数数据均为实验中经过训练调参所得，可以保证原始信道状态信息序列在经过降噪滤波等操作后经过wifi-net的训练效果保持较高水平。
65.s2、训练/测试数据集的分割
66.将通过步骤s1预处理后获得的信道状态信息序列数据作为输入，通过对处理后的信道状态信息序列数据进行分割，得到训练数据和测试数据，如图2的最后一个子图所示，在所有的任务中使用前4/5个信道状态信息序列进行训练，剩下的1/5用于测试。收集信道状态信息训练数据并进行训练，然后将训练好的网络模型测试传入的信道状态信息测试数据；通过采取这种分割策略可以模拟实际情况，即首先收集数据并训练网络，然后测试传入的数据。
67.预处理后的信道状态信息序列随时间偏移的问题由几个因素造成的，请参阅图2，首先，英特尔5300网卡不够完善，会受到噪音的严重影响。其影响包括数据包边界检测的不确定性和采样频率的不匹配；其次，人体心跳和呼吸可能会引入周期性噪音；最后，尽管受试者被要求保持完全静止超过100秒(信道状态信息收集生理指标检测和用户识别任务的时间)，但很难始终保持静止状态。
68.s3、数据扩增；
69.在步骤s2中对训练/测试数据集进行分割后，取出分割后的训练数据进行数据的扩增，即通过在训练数据中引入一些抖动的信道状态信息，使得后续步骤中针对wifi-net能够学会对更多的数据变异进行建模。
70.wifi-net即一种基于wifi针对信道状态信息序列进行数据处理所建立的生理感知深度学习网络框架。为了使该网络框架对信道状态信息噪声具有更强的鲁棒性，在训练之前将进一步对信道状态信息序列进行了局部时间平均以及增强训练数据。在实验中，这
种增强的方法使用户识别准确率从78.26％提高到93.00％。其具体操作的介绍如下：
71.s301、局部时间平均
72.为了平滑时域随机噪声，计算每10个跨度为10的连续信道状态信息样本的平均值，并将其作为网络框架的一个输入样本。
73.s302、增强训练数据
74.由于信道状态信息序列的偏移，网络框架在训练数据上表现良好，但在测试数据上表现不佳，出现了过拟合问题，因此提出一种数据增强的方法来解决这个问题，在数据增强中主要采用高斯噪声的方法增强训练数据。
75.s4、wifi-net的输入张量及功能组件实现。
76.首先将步骤s3中已进行数据扩增的信道状态信息数据作为该网络框架的输入张量，通过生成阶段将信道状态信息数据转换为具有空间编码模式的特征图。特征学习阶段进一步将具有空间编码模式的特征图映射为感知任务的特征。最后，在任务阶段，这些特征被用来产生生理学输出，实现人体生理指标测量。
77.具体如下：
78.一旦信道状态信息数据生成，在训练阶段，信道状态信息序列被信号预处理的过滤器过滤，并被分割成训练数据集和测试数据集。此外增加了训练数据集，手动引入更多的信道状态信息差异模式，以形成一个更强大的网络框架。最后，该网络框架用增强的训练数据集进行训练。
79.以下对信道状态信息数据的处理过程以及数据流向作详细说明。
80.1.wifi-net的输入张量
81.在本发明中基于无线射频信号的深度学习网络框架的输入张量主要来源于原始信道状态信息数据在收集后经过预处理、分割以及数据扩增所得到的信道状态信息数据。而原始信道状态信息是由802.11n/g wifi系统的信道估计过程所计算出来的。给定一个从发射器到接收器的wifi数据包，信道估计被表述为y＝hx+n，其中y是接收数据，x是传输数据，h是信道状态信息，n是wifi系统的噪声。将信道状态信息提取为复值序列后，h∈cnsa
×
nsc，其中nsa和nsc分别是采样的wifi数据包子载波数。在实验中部署了linux 802.11n信道状态信息工具来记录30个子载波的信道状态信息序列。卷积神经网络(cnn)的输入张量是大小为channel
×
height
×
width，基于这种概念将每个信道状态信息样本(h∈r1
×
30)作为一个30通道的张量，并将其重塑为30
×1×
1(通道
×
高度
×
宽度)的大小来作为wifi-net输入张量。
82.2.生成阶段
83.通过使用转置卷积(tc)建立该网络框架的生成阶段，使得信道状态信息数据转换为具有空间编码模式的特征图。如图3所示，具体来说，通过堆叠8个转置卷积层来处理30
×1×
1的输入张量，将目标张量的高度和宽度都设定为224，使用大小为4
×
4的转置卷积，每一层的详细参数设置都列在图4所示的生成阶段的方框内。其中第一层卷积层为4
×
4核大小和384个输出通道大小的tc操作，将输入r
30
×1×1转换为r
384
×2×2；第二层卷积层为4
×
4核大小，192个输出通道大小；第三层卷积层为3
×
3核大小，96个输出通道大小；第四层卷积层为4
×
4核大小，48个输出通道大小；第五层卷积层为4
×
4核大小，24个输出通道大小；第六层卷积层为4
×
4核大小，12个输出通道大小；第七层与第八层卷积层均为4
×
4核大小，6个输
出通道大小，最终产生一个6
×
224
×
224的张量。
84.3.特征学习阶段
85.特征学习阶段从生成阶段获取6
×
224
×
224张量并为最终的任务阶段提取特征。按照计算机视觉领域的惯例，把特征学习阶段的网络称为骨干网络。给定生成阶段后的类似图像的张量，通过使用resnet这种卷积神经网络架构作为骨干网络，相比普通神经网络每两层间增加了短路机制，形成残差学习，使得特征图大小降低一半时，特征图的数量增加一倍，保证了神经网络中层的复杂度，可以很好解决在训练过程中随着网络深度增加而准确率下降的问题。
86.4.任务阶段
87.任务阶段是利用上层获取的特征来联合预测生理传感任务的输出。如图3所示，由两个卷积层、一个平均池化层、一个完全连接层、一个激活函数和一个损失函数组成。
88.wifi-net在pytorch 0.4.1中实现，并在带有4路titangpu的ubuntu服务器上进行训练。其中优化器选用adam且使用默认参数(belta1＝0.9,belta＝0.999)。通过对wifi-net进行了20个历时的训练，最小批次大小为20，初始学习率为0.001。在{4,7,10,13,16,18}的历时中，学习率衰减了0.1。在每个历时的开始，训练数据被洗掉。
89.其中对于损失函数方面，由于wifi-net网络框架具有两个独立的任务分支以共同完成两个人体生理感知。因此通过以下两个任务的损失来进行同时优化。l＝l
bio
+α*l
id
，其中l
bio
和l
id
分别是生理指标估计和用户识别的损失。α作为两个任务之间的重要性平衡。l
bio
是由l1损失计算的4个生理指标估计损失的总和，而l
id
是由交叉熵损失计算的。
90.在训练之前，通过在[0,1](x
→
x0)内对生理指标实际值进行归一化。同时，将平衡度α设置为1，这意味着我们平等对待两个任务的重要性。而对于生理指标计算公式其中x
max
和x
min
分别是一项生理指标的最大值和最小值。
[0091]
全连接层(fc)重新组织特征以产生一个任务的输出向量，而激活函数和损失函数被用来计算训练网络框架的损失，它衡量网络输出和真值之间的差异。在生理指标检测任务中，通过使用修正线性单元(relu)加l1来计算损失。
[0092]
本发明再一个实施例中，提供一种基于无线射频信号的生理指标测量系统，该系统能够用于实现上述基于无线射频信号的生理指标测量方法，具体的，该基于无线射频信号的生理指标测量系统包括数据模块、分割模块、扩增模块以及测量模块。
[0093]
其中，数据模块，消除原始信道状态信息序列中的噪声，得到信道状态信息序列数据；
[0094]
分割模块，将信道状态信息序列数据作为输入，对信道状态信息序列数据进行分割，得到训练数据；
[0095]
扩增模块，对分割后的训练数据进行数据扩增；
[0096]
测量模块，将数据扩增后的信道状态信息数据作为wifi-net的输入张量，通过生成阶段将信道状态信息数据转换为具有空间编码模式的特征图，通过特征学习阶段进一步将具有空间编码模式的特征图映射为生理感知任务特征，利用生理感知任务特征估计人体生理指标。
[0097]
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储
器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于无线射频信号的生理指标测量方法的操作，包括：
[0098]
消除原始信道状态信息序列中的噪声，得到信道状态信息序列数据；将信道状态信息序列数据作为输入，对信道状态信息序列数据进行分割，得到训练数据；对训练数据进行数据扩增；将数据扩增后的信道状态信息数据作为wifi-net的输入张量，通过生成阶段将信道状态信息数据转换为具有空间编码模式的特征图，通过特征学习阶段进一步将具有空间编码模式的特征图映射为生理感知任务特征，利用生理感知任务特征估计人体生理指标。
[0099]
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0100]
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于无线射频信号的生理指标测量方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
[0101]
消除原始信道状态信息序列中的噪声，得到信道状态信息序列数据；将信道状态信息序列数据作为输入，对信道状态信息序列数据进行分割，得到训练数据；对训练数据进行数据扩增；将数据扩增后的信道状态信息数据作为wifi-net的输入张量，通过生成阶段将信道状态信息数据转换为具有空间编码模式的特征图，通过特征学习阶段进一步将具有空间编码模式的特征图映射为生理感知任务特征，利用生理感知任务特征估计人体生理指标。
[0102]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0103]
请参阅图5，最终测量结果中有30个雷达图，每一雷达图代表对一个用户的生理指标测量效果，在每个图表中，四个轴对应四个用户生物统计指标，即右、上、左和下分别对应身体脂肪、肌肉、水和骨骼率。雷达图中的黑细线为体脂称的测量值，作为参考，灰粗线为本发明的测量值。与30名受试者的生物统计数字范围相比，本发明实现了非常小的误差。以脂肪率估计结果为例，估计方差为0.58，平均估计误差为1.11，这可以被认为是一个小误差，因为脂肪率的最小-最大范围在[5.0,30.9]之内，此外wifi-net训练完成后对于步骤s2数据分割所得到的测试集的验证精度达到了93.00％，均表明本方法在稳定性方面有出色的表现。这些结果表明，我们可以有效地利用wifi信号来估计用户的生物特征，本发明实现的基于无线射频信号的生理指标测量系统可以准确估计每一位受试者的生理指标。
[0104]
综上所述，本发明一种基于无线射频信号的生理指标测量方法及系统，用于人体的体脂率、肌肉率、骨含量和水含量的生理指标的测量和用户的识别。通过设计一个统一的基于卷积神经网络的网络框架以处理信道状态信息数据，首次尝试提出并实现使用商用wifi设备的人体生理指标检测，这在医疗保健方面具有相当的潜力。
[0105]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0106]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0107]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0108]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0109]
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。