本发明属于无线通信，特别涉及一种动作感知识别方法，可用于复杂室内场景下的动作识别。
背景技术：
1、随着第六代移动通信6g的发展，通信感知一体化isac已成为新一代通信的研究焦点，各类无线感知应用逐渐兴起。其中，室内人体动作感知技术为智能家居、智慧医疗、虚拟现实、人机交互等热点领域都提供必不可少的技术支持。尤其是，随着商用wi-fi设备中信道状态信息csi的成功获取，室内信道下复杂的多径情况可以被更细粒度地表征，利用csi实现人体动作的感知和辨识成为研究热点。然而，现有人体动作wi-fi感知技术仍面临诸多问题：首先，仅从单时域或频域建立感知模型存在建模颗粒度不足的问题，难以对室内多种动作实现细粒度表征；其次，室内电磁噪声和环境复杂多变，现有辨识方法的识别准确度较低。因此，室内动作感知需要设计细颗粒度、高准确度的感知方法。
2、在感知模型建立方面，传统动作感知模型有单时域表征模型、单频域表征模型。室内人体动作会引起csi信号波动，进而引起csi振幅和相位的相应变化，时域表征模型通过提取振幅和相位差的时域统计特征，可以实现对动作的表征；频域表征模型常依据人体不同动作的速度所引起的路径长度变化速度不同，进而引起不同的dfs这一原理来完成建模。通过短时傅里叶变换stft可以得到csi振幅时频图，进而从时频图中可以获取对应dfs，通过对dfs相关统计特征的提取，来实现对不同动作的区分。然而，时域模型仅对动作幅度属性进行一定程度的刻画，并且所提特征量是针对csi信号波形的统计特性，对室内环境噪声较为敏感。频域模型仅对动作频率能量分布进行一定程度的刻画，并不能直接得出dfs特征和速度特征。此外，通过stft获得的时频图精度较低，仅用频域模型进行动作建模的颗粒度较低，会影响后续识别准确度。
3、在动作识别方面，一般依据所构建的动作感知模型的特征结构设计合适的分类模型完成动作识别。分类模型决定着整个感知系统的辨识准确度，现有的简单基于概率或距离的度量方法识别准确度低，且易受噪声干扰的影响；复杂的深度学习网络虽能提供较高的辨识准确度，但其存在训练成本高、在环境变换情况下识别效果差等缺陷。
4、公开号为cn113453180a的专利文献公开了一种人体摔倒智能检测方法、系统、信息数据处理终端，其依据室内人体运动速度和摔倒动作阈值，提取摔倒动作时间窗口，并结合csi幅度和相位差作为统计量，进一步将其送入分类模型中进行摔倒检测，该方法由于仅对摔倒动作进行检测，无法完成室内其他动作的分类识别；
5、申请号为cn202310760546.6的专利文献公开了一种基于通感一体化路由的人体感知方法、装置、设备及介质，其对wi-fi采集的csi数据流进行预处理和优化，剔除无效数据流，并用支持向量机svm对优化后的csi数据流进行训练和测试，该专利由于是直接对csi数据流进行训练，未对csi的多种统计特征进行提取，因而易受室内噪声影响，且在室内环境变化时识别准确度低。
6、2023年，m.g.等人在ieee transactions on instrumentation and measurement中发表的“a wifi-based method for recognizing fine-grained multiple-subjecthuman activities”细粒度动作识别技术fg，其提取了7个csi和3个rssi非分段频域特征、12个分段时域特征和5个分段频域特征作为融合特征实现动作建模，并进一步采用支持向量机svm、k-近邻knn等多种分类模型完成动作识别。该分类模型虽然识别准确度较高，但在室内环境变化的情况下识别准确度有所下降；
7、2022年，zhang等人在ieee transactions on pattern analysis and machineintelligence中发表的“widar3.0:zero-effort cross-domain gesture recognitionwith wi-fi”中结合空域和频域信息，利用多节点的dfs特征融合生成身体坐标速度轮廓特征，进一步采用混合dnn-rnn模型挖掘来自3个wi-fi节点的融合时空特征，最后通过softmax进行分类，该方法虽能提供较高的辨识准确度，但其存在模型复杂度高的缺陷。
技术实现思路
1、本发明的目的在于针对上现有技术的不足，提出一种多域融合的wi-fi人体动作智能感知识别方法，以实现对室内多种动作的识别，提高室内环境变化时的动作识别准确度，并降低识别方法的复杂度。
2、为实现上述目的，本发明采取的技术方案包括如下步骤：
3、(1)在室内环境下部署一对商用wi-fi收发设备，发射端包含一根发射天线，接收端包含多根接收天线，该发射天线和接收天线组成一个方形感知区域，以测量收发端路径距离rangelos、接收端位置rx(xr,yr)和接收天线阵列角度ψr；利用wi-fi接收设备收集原始信道状态信息csi数据hr，记录动作标签ln；
4、(2)利用原始csi数据hr提取信号动态路径，得到信号动态路径集合χ(γ)；
5、(3)对信号动态路径集合χ(γ)的路径参数集合θ进行参数估计，并利用该参数估计结果识别人体最短反射路径的路径参数其中，αl-target、φl-target、τl-target分别表示人体最短反射路径的归一化振幅衰减因子、多普勒频移dfs、信号到达角aoa、信号飞行时间tof；
6、(4)对原始csi数据hr进行预处理，得到csi幅度值和csi相位值
7、(5)利用csi幅度值和人体最短反射路径的路径参数得到动作数据集data；
8、5a)利用csi幅度值得到时频图数据s(n,f)和动作时间窗口[tstart,tend]；
9、5b)利用收发端路径距离rangelos和人体最短反射路径的参数估计结果中的dfs值和tof值τl-target求取实际动态路径长度range；
10、5c)利用接收机位置rx(xr,yr)、接收天线阵列角度ψr、实际动态路径长度range和人体最短反射路径的参数估计结果中的aoa值φl-target，计算动作发生位置坐标l(x,y)；
11、5d)根据动作时间窗口[tstart,tend]和动作发生位置坐标l(x,y)计算t时刻的动作发生速度vt和位置变化量δl；
12、5e)利用动作时间窗口[tstart,tend]、csi幅度值csi相位值时频图数据s(n,f)、人体最短反射路径的参数估计结果中的dfs值位置变化量δl、动作发生速度vt，得到动作数据集data；
13、(6)将动作数据集data按照9：1的比例划分为训练集和测试集，并将训练集输入到现有的svm分类模型中，利用matlab软件中的libsvm工具包对其进行训练，直到达到设定的最大迭代次数，得到训练好的svm分类模型
14、(7)将测试集数据输入到训练好的分类模型中，得到测试数据集对应动作类标签ltest，完成室内动作识别。
15、本发明与现有技术相比，具有如下优点：
16、第一，本发明由于提取了人体动作相关动作时间窗口、幅度值、相位值、动作发生速度和为位置变化量等特征，对动作的幅度、速度、位置和持续时间完成多维度刻画，组成的多域统计特征向量实现了对动作属性的综合表达，可以实现室内多种动作的有效识别，所提特征由于包含速度和位置等为多种统计特征的融合特征，不易受电磁噪声和环境变化的影响。
17、第二，本发明由于对体最短反射路径的路径参数进行提取，有效减少室内无线信号的其他路径成分对动作识别的干扰，保证后续动作识别的识别准确度。
18、第三，本发明由于对原始csi数据进行预处理，去除室内复杂电磁环境噪声，避免噪声对统计特征量提取所造成的不影响，可以保证不同室内环境中的识别准确度。
19、第四，本发明由于利用svm分类模型完成测试数据集的多域统计特征向量训练，所采用的分类模型能在准确识别的基础上，降低模型的训练成本并减少模型的训练复杂度。
20、仿真结果表明，本发明实现了不同室内环境变化时的多种动作的智能感知和准确识别。
1.一种多域融合的wi-fi人体动作智能感知识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述方法，其特征在于，步骤(1)中利用wi-fi接收设备收集原始信道状态信息csi数据hr，记录动作标签分别表示如下：
3.根据权利要求1所述方法，其特征在于，步骤(2)中利用原始csi数据hr提取信号动态路径，得到信号动态路径集合χ(γ)，实现如下：
4.根据权利要求1所述方法，其特征在于，步骤(3)中对信号动态路径集合χ(γ)的路径参数集合θ进行参数估计，并利用该参数估计结果识别人体最短反射路径的路径参数实现如下：
5.根据权利要求1所述方法，其特征在于，步骤(4)中对原始csi数据hr进行预处理，实现如下：
6.根据权利要求1所述方法，其特征在于，步骤5a)中利用csi幅度值得到时频图数据s(n,f)和动作时间窗口[tstart,tend]，实现如下：
7.根据权利要求1所述方法，其特征在于，步骤5b)中利用收发端路径距离rangelos和人体最短反射路径的参数估计结果中的dfs值和tof值τl-target求取实际动态路径长度range，实现如下：
8.根据权利要求1所述方法，其特征在于，步骤5c)中利用接收机位置rx(xr,yr)、接收天线阵列角度ψr、实际动态路径长度range和人体最短反射路径的参数估计结果中的aoa值φl-target，计算动作发生位置坐标l(x,y)，实现如下：
9.根据权利要求1所述方法，其特征在于，步骤5d)中根据动作时间窗口[tstart,tend]和动作发生位置坐标l(x,y)计算t时刻的动作发生速度vt和位置变化量δl，实现如下：
10.根据权利要求1所述方法，其特征在于，步骤5e)中得到动作数据集data，实现如下：
