买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉合肥工业大学申请的专利一种基于CSI的与位置无关的人体活动识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116645729B 。

龙图腾网通过国家知识产权局官网在2026-02-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310657374.X，技术领域涉及：G06V40/20；该发明授权一种基于CSI的与位置无关的人体活动识别方法是由张勇;于光伟;姬广坤;刘钝设计研发完成，并于2023-06-05向国家知识产权局提交的专利申请。

本一种基于CSI的与位置无关的人体活动识别方法在说明书摘要公布了：本发明公开了一种基于CSI的与位置无关的人体活动持续学习识别方法，包括：1、采集CSI动作样本数据；2、对CSI动作样本数据进行预处理；3、将预处理后的样本在时间维度上进行随机的缩放构造正样本；4、构建多元时间图神经网络，提取CSI动作样本特征；5、计算样本特征值与正样本以及其余样本特征值之间相似度，得到对比损失，优化特征提取网络；6、冻结特征提取网络，将输入的样本得到的特征送入分类器进行训练得到分类模型。本发明持续学习新动作类别时，用户无需重新训练特征提取网络，通过提供有限位置的新类别样本训练分类器即可实现在室内任意位置上的新旧动作识别，实用性较强。

本发明授权一种基于CSI的与位置无关的人体活动识别方法在权利要求书中公布了：1.一种基于CSI的与位置无关的人体活动持续学习识别方法，其特征在于，是按如下步骤进行： 步骤1、CSI数据的收集以及预处理： 步骤1.1、选取室内空间的一块矩形区域；在所述矩形区域的外侧使用路由器作为WIFI信号的发送设备，记为AP，且发送设备AP上有TX根发送天线，在矩形区域的外侧使用网卡作为接收设备，记为RP，接收设备RP上有RX根接收天线； 步骤1.2、将矩形区域均匀划分为m块，并在每一块的中心点的位置设定为一个标定点，从而共得到m个标定点；在所述矩形区域中非标定点的位置上随机选取n个点作为测试点；在m个位置中选取m1个位置作为训练位置，将其余m2个位置和n个任意位置作为测试位置，m＝m1+m2； 步骤1.3、在第j个训练位置上执行a种人体动作，并在执行人体动作过程中使用所述接收设备RP对所述发送设备AP发送的不同信道上的CSI信号进行u次采集，从而得到m1个标定点的CSI数据；其中，将采集的第j个点上执行第i种动作且维度为TX×RX×Δ×T的CSI数据作为单个样本，记为其中，T为单个样本的序列长度，Δ为子载波数量，j∈[1，m1]，i∈[1，a]； 步骤1.4、将单个样本中第tx根发送天线与第rx根接收天线之间第sub个子载波在第t个时间点上的CSI数据记为CSItx,rx,sub，t；将第一根发送天线与第rx根接收天线之间第sub个子载波第t个时间点上的CSI数据CSI1,rx,sub，t除以第二根发送天线与第rx根接收天线之间第sub个子载波第t个时间点上的CSI数据CSI2,rx,sub，t后，得到单个样本中去除载波频率偏移和采样频率偏移的CSI商数据；从CSI商数据中得到单个样本的幅度和相位；tx∈[1，TX]；rx∈[1，RX]；sub∈[1，Δ]；t∈[1，T]； 通过线性变换去除所述单个样本的CSI商数据中每个子载波上相位的残留误差，从而在子载波的维度上将去误差后的相位与单个样本的幅度进行拼接，并构成维度为RX×2Δ×T的单个CSI样本； 根据接收天线的不同编号，将单个CSI样本分成RX个CSI样本，并将第j个点上执行第i种动作的第k个CSI样本记为 步骤1.5、对去噪后的第j个点上执行第i种动作的第k个CSI样本随机生成一段1到T之间的索引，并选取前Q个索引进行升序排序后，得到排序后的索引序列index，根据排序后的索引序列index对第k个CSI样本进行Q次采样，得到采样后的第k个样本 步骤1.6、对去噪后的第j个点上执行第i种动作的第k个CSI样本以TQ为间隔进行采样，从而得到第k个CSI样本 步骤1.7、将和进行拼接后得到拼接后的第k个样本 步骤2、建立基于多元时间图神经网络的特征提取网络，包括：图学习模块、时间卷积模块以及图卷积模块： 步骤2.1、使用图学习模块构建邻接矩阵A； 步骤2.2、利用卷积核为1×1的卷积层将拼接后的第k个样本投影到潜在空间，从而得到第k个隐藏状态 步骤2.3、所述时间卷积模块包含两个扩张感知层，其中，一个扩张感知层后连接有正切双曲线激活函数层；另一个扩张感知层后连接有sigmoid激活函数层；所述扩张感知层中有若干个不同卷积核大小的一维膨胀卷积层； 第k个隐藏状态输入时间卷积模块中，并分别经过两个扩张感知层及其对应的激活函数层的处理后，相应得到正切双曲线激活特征向量和门控向量将正切双曲线激活特征向量和门控向量相乘，从而得到第k个时间步态特征 步骤2.4、所述图卷积模块由两个混合跳跃传播层组成，每个混合跳跃传播层均包含一层图卷积层和一个多层感知机；其中一个混合跳跃传播层中的图卷积层利用邻接矩阵A对所输入的特征进行特征聚合，另一个混合跳跃传播层中的图卷积层利用邻接矩阵A的转置AT对所输入的特征进行特征聚合； 输入图卷积模块中，并分别经过两个混合跳跃传播层的处理后，相应得到两个图卷积特征和将两个图卷积特征和相加后得到第k个时空融合特征 步骤3、结合监督对比损失对网络进行迭代训练： 步骤3.1、将时空融合特征按照对应的原始时空融合特征以及对应的数据增强时空融合特征进行拆分，并将所有训练位置上的所有类别的时空融合特征拆分后的集合记为X； 步骤3.2、使用式1来计算损失函数Lsup 式1中，|X|表示集合X的特征总数，x表示集合X中第q个原始时空融合特征或数据增强时空融合特征；Pq是除第q个原始时空融合特征或数据增强时空融合特征x以外且与x相同类别的原始时空融合特征或数据增强时空融合特征的集合，|Pq|表示集合Pq的特征总数，y表示Pq所对应特征集合中第p个原始时空融合特征或数据增强时空融合特征；Oq表示除第q个原始时空融合特征或数据增强时空融合特征y相同类别的其他所有类别原始时空融合特征或数据增强时空融合特征的集合，|Oq|表示集合|Oq|的特征总数，z表示Oq所对应特征集合中第o个原始时空融合特征或数据增强时空融合特征；τ为温度系数； 步骤3.3、利用梯度下降法对所述特征提取网络进行训练，并计算所述损失函数Lsup以更新网络参数，直到所述损失函数Lsup收敛为止，从而得到训练好的特征提取网络； 步骤4、构建由两层全连接层及其中间连接的ReLU层组成的分类器，并在基于m1个训练位置上的动作类别所获取的CSI数据集对分类器进行训练时，冻结训练完毕的特征提取网络的网络参数，并计算交叉熵损失函数用于更新分类器的参数，直到交叉熵损失函数收敛为止，从而得到人体动作分类模型；对m2+n个测试位置上的动作样本数据进行预处理后，将CSI数据输入所述人体动作分类模型，得到相应的分类结果； 步骤5、当要学习b种新类别动作时，重复步骤1的过程采集并处理CSI数据后，将处理后的数据和之前a种旧类别的CSI数据一起按照步骤4的过程更新分类器，从而得到识别新旧动作且位置无关的人体动作分类模型，进而实现对m2+n个测试位置上的新旧类别动作样本数据所对应的CSI数据进行分类识别。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人合肥工业大学，其通讯地址为：230009 安徽省合肥市包河区屯溪路193号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。