一种基于分布差异的信号状态分割方法

1.本发明属于电子信号处理领域，具体涉及一种基于分布差异的信号状态分割方法。


背景技术：

2.基于wifi信道状态信息的人数统计技术一直被国内外众多研究者关注，但传统的人数统计算法存在以下问题：直接提取整个监测时间内所有的运动数据来统计人数，并未考虑对运动数据进行分割分析，因此无效的数据会给系统带来额外开销。针对以上问题，可以考虑对数据进行分割，剔除掉与人数无关的数据，从而减小系统的计算复杂度。因此，如何对数据进行分割是目前亟需解决的关键问题之一。
3.当前信号分割方法主要有基于阈值的信号分割技术、基于变点检测的信号分割技术。基于阈值的方法将在线阶段采集的数据与离线阶段计算的数据阈值进行比较，判断是否存在不同运动，并根据阈值分割每种运动的开始点和结束点，但是当环境发生改变时，很难选择合适的阈值；基于变点检测的方法通过刻画数据在连续窗内的特征变化来检测数据中的变点，从而实现不同状态的信号分割。
4.本发明提出一种基于分布差异的信号状态分割方法，保证在系统低开销的情况下，分割出与人数相关的数据。与基于变点检测的信号分割算法思想类似，基于分布差异的信号状态分割算法也是通过检测变化点来区分数据中的不同状态，计算在线阶段获得的数据分布与离线阶段获得的数据分布模板之间的差异大小，以差异大小的变化点作为状态突变点，从而实现信号状态分割。


技术实现要素：

5.本发明的目的在于利用不同状态下信号的分布差异来完成对信号的分割，针对现有的信号处理技术中数据量大，计算复杂等多个问题，该发明能精确的提取出需要的片段，大大的减少了计算量。
6.本发明所述的一种基于分布差异的信号状态分割方法，包括以下步骤：
7.步骤一、使用两台配备intel 5300网卡的迷你计算机作为发射机和接收机，对接收机接收到的csi信号进行滤波处理，消除较高频段的噪声，然后对数据进行降维，将处理后的csi信号记为h1(k)；
8.步骤二、根据人与收发链路之间的距离，将csi信号h1(k)定义为三种状态；当人体与收发机之间的距离较远时，人体对wifi信号的扰动极其微弱，将该状态定义为非衰落状态；当人体逐渐靠近收发链路时，wifi信号被人体反射，将该状态定义为反射状态时；当人体位于收发链路上时，人体会严重遮挡信号的传播，将该状态定义为阴影状态，并将阴影状态下的信号分布作为分布模板wy；
9.步骤三、将数据中非衰落状态的数据剔除，得到包括反射状态片段和阴影状态片段的运动片段个数count；具体步骤为：
10.3.1将长度为len的csi数据h1(k)划分为多个长度为win、步长为win的跳窗w
t
，计算相邻跳窗中对应csi信号的差值，并计算所有差值的方差
11.3.2将所有方差vi标准化得到标准化方差并把标准化方差中所有的极大值记为vm'
ax
(i),i＝1,2,...,g；
12.3.3按照上述3.1和3.2的方法，获得离线阶段中静默数据和运动数据的变量vm'
ax
(i)，根据核密度估计可以得到两种状态的最优分割阈值p；
13.3.4判断标准化方差极大值vm'
ax
(i),i＝1,2,...,g与预先设定阈值p的大小，当vm'
ax
(i)大于阈值p时，运动片段的个数count加1，同时将该极大值vm'
ax
(i)所对应的横坐标记为m
ii
,1≤ii≤g；然后按照上述操作继续比较下一个最大值vm'
ax
(i)与门限p的大小，比较结束之后，得到的count值为运动片段的总个数；
14.步骤四、得到总的运动片段个数后，找出每个运动片段的开始时刻点s1和结束时刻点e1，从而实现对每个运动片段的分割，具体步骤为：
15.4.1按照3.1和3.2的方法，获得离线阶段中静默数据和运动数据的标准化方差vi'，根据核密度估计得到两种状态的最优分割阈值ε；
16.4.2在线阶段，比较标准化方差vi'(1≤i≤n)与阈值ε的大小，当vi'大于等于ε时，则能得到运动片段的开始时刻点s1；
17.4.3确定运动开始时刻点之后，继续比较剩下的vi'与阈值ε的大小；当vi'小于ε时，计算测试节点v
′
test
＝η
·v′i+(1-η)
·v′
i+1
，并判断v
′
test
和β
·v′
i+1
的大小，其中，η和β为加权参数；如果v
′
test
＜β
·v′
i+1
，则可以得到运动片段的结束时刻点e1；
18.4.4为了保证运动开始时刻点和运动结束时刻点之间只包含一个运动片段，需要对运动结束时刻点进行校正；如果e1＞m
ii
·
win，则表明在运动开始时刻点和结束时刻点之间可能包含了两个甚至两个以上的运动片段，此时需要更改运动结束时刻点e1；
19.4.5按照上述方法，得到所有运动片段的开始时刻点和结束时刻点，从而实现每个运动片段的分割；
20.步骤五、获得所有运动片段之后，采用基于分布差异的方法找到每个运动片段中阴影状态片段的开始时刻点s2和结束时刻点e2，从而实现每个运动片段中反射状态片段和阴影状态片段的分割，具体步骤为：
21.5.1定义一个缓存窗口wh用来存放跳窗w
t
中的数据，将模板和缓存窗口中的数据用直方图表示，每个直方图包含m个矩形，则模板和缓存窗中的数据分别记为w
ym
和w
hm
；
22.5.2将跳窗w
t
中的数据依次放入缓存窗wh中，每放入一个跳窗w
t
的数据，就计算一次w
ym
和w
hm
之间的差异大小emd1(w
ym
,w
hm
)；
23.5.3观察emd1(w
ym
,w
hm
)的大小，当emd1(w
ym
,w
hm
)出现最小值时，该最小值所在跳窗的最后一个数据点记为阴影状态片段的开始时刻点e2；
24.5.4从结束时刻点e2开始，向前取跳窗数据依次放入缓存窗wh中，然后计算w
ym
和w
hm
之间的emd1(w
ym
,w
hm
)；
25.5.5观察emd1(w
ym
,w
hm
)的大小，当emd1(w
ym
,w
hm
)出现最小值时，该最小值所在跳窗的第一个数据点记为阴影状态片段的开始时刻点s2；
26.5.6按照上述方法，得到所有运动片段中阴影状态片段的开始时刻点和结束时刻点，从而实现阴影状态片段和反射状态片段的分割。
附图说明
27.图1为信号状态分割流程框图
28.图2为三种信号状态示意图
29.图3为运动片段提取结果
30.图4为阴影状态结束点判断
31.图5为阴影状态开始点判断
32.图6为反射状态和阴影状态分割结果
具体实施方式
33.下面根据附图对本发明作进一步详细描述：
34.本发明所采用的技术方案为：一种基于分布差异的信号状态分割方法，具体包括以下步骤：
35.一种基于分布差异的信号状态分割方法，包括以下步骤：
36.步骤一、获取人体运动片段的个数，即剔除非衰落状态的数据，得到包括反射状态片段和阴影状态片段的运动片段个数count，具体步骤为：
37.1.1把去除噪声后的csi信号记为h1(k)，其长度为len，将h1(k)划分为多个长度为win、步长为win的跳窗w
t
，计算相邻跳窗中对应csi数据的差值，并计算所有差值的方差vi；
[0038][0039]
其中，i表示跳窗序号，表示向下取整；csii(m)表示第i个跳窗中的第m个数据，v(.)表示对所有差值取方差；
[0040]
1.2将所有方差标准化得到标准化方差并把标准化方差中所有的极大值记为v
′
max
(i),i＝1,2,...,g，g表示极大值的个数；
[0041][0042]
其中，max(vi)和min(vi)表示方差vi中的最大值和最小值；
[0043]
1.3按照上述1.1和1.2的方法，获得离线阶段中静默数据和运动数据的变量v
′
max
(i)，根据核密度估计可以得到两种状态的最优分割阈值p；
[0044]
1.4在线阶段，比较v
′
max
(i),i＝1,2,...,g与阈值p的大小，当v
′
max
(i)大于等于阈
值p时，运动片段count＝count+1，同时将该极大值v
′
max
(i)所对应的横坐标记为m
ii
,1≤ii≤g；然后按照上述操作继续比较下一个最大值v
′
max
(i)与阈值p的大小；比较结束之后，得到的count值为运动片段的总个数；
[0045]
步骤二、得到运动片段的个数后，找出每个运动片段的开始时刻点s1和结束时刻点e1，从而实现对每个运动片段的分割，具体步骤为：
[0046]
2.1按照1.1和1.2的方法，获得离线阶段中静默数据和运动数据的标准化方差vi'，根据核密度估计得到两种状态的最优分割阈值ε；
[0047]
2.2在线阶段，比较标准化方差vi'(1≤i≤n)与阈值ε的大小，当vi'大于等于ε时，则能得到运动片段的开始时刻点s1：
[0048]
s1＝(i-1)
·
win
[0049]
其中，i为当前标准化方差vi'的序号，win为跳窗窗口长度；
[0050]
2.3确定运动开始时刻点之后，继续比较剩下的vi'与阈值ε的大小；当vi'小于ε时，计算测试节点v
′
test
＝η
·vi
'+(1-η)
·v′
i+1
，并判断v
′
test
和β
·v′
i+1
的大小，其中，η和β为加权参数；如果v
′
test
＜β
·v′
i+1
，则可以得到运动片段的结束时刻点e1：
[0051]
e1＝j
·
win
[0052]
其中，j为当前标准化方差vi'的序号；
[0053]
2.4为了保证运动开始时刻点和运动结束时刻点之间只包含一个运动片段，需要对运动结束时刻点进行校正；如果e1＞m
ii
·
win，则表明在运动开始时刻点和结束时刻点之间可能包含了两个甚至两个以上的运动片段，此时需要更改运动结束时刻点e1：
[0054]
e1＝(x'+m
ii-1)
·
win
[0055]
其中，x'为当前运动片段对应的极大值和下一个运动片段对应的极大值之间标准化方差vi'的最小值所对应的横坐标，m
ii
为当前运动片段对应极大值点的横坐标；
[0056]
2.5按照上述方法，得到所有运动片段的开始时刻点和结束时刻点；
[0057]
步骤三、获得所有运动片段之后，采用基于分布差异的方法来找到每个运动片段中阴影状态片段的开始时刻点s2和结束时刻点e2，从而实现每个运动片段中反射状态片段和阴影状态片段的分割，具体步骤为：
[0058]
3.1定义一个缓存窗口wh用来存放跳窗w
t
中的数据，将模板和缓存窗口中的数据用直方图表示，每个直方图包含m个矩形，则模板和缓存窗中的数据分别记为和其中，ri和qj分别表示第i个和第j个矩形的x轴坐标值，和表示第i个和第j个矩形的y轴坐标值；
[0059]
3.2将跳窗w
t
中的数据依次放入缓存窗wh中，每放入一个跳窗w
t
的数据，就计算一次w
ym
和w
hm
之间的emd1(w
ym
,w
hm
)：
[0060][0061]
其中，d
ij
表示ri和qj的最小移动距离；
[0062]
3.3观察emd1(w
ym
,w
hm
)的大小变化，当缓存窗wh中逐渐加入反射状态片段的数据
时，emd1(w
ym
,w
hm
)的值会发生波动；当缓存窗wh中逐渐加入阴影状态片段的数据时，emd1(w
ym
,w
hm
)的值会逐渐变小；当阴影状态片段的数据全部加入时，emd1(w
ym
,w
hm
)会出现最小值，此时将最小值所在跳窗w
t
的最后一个数据点记为阴影状态片段的结束时刻点e2；
[0063]
3.4从结束时刻点e2开始，向前取跳窗数据依次放入缓存窗wh中，然后计算w
ym
和w
hm
之间的emd1(w
ym
,w
hm
)；
[0064]
3.5观察emd1(w
ym
,w
hm
)的大小，当emd1(w
ym
,w
hm
)出现最小值时，该最小值所在跳窗的第一个数据点记为阴影状态片段的开始时刻点s2；
[0065]
3.6按照上述方法，得到所有运动片段中阴影状态片段的开始时刻点和结束时刻点，从而实现阴影状态片段和反射状态片段的分割。