Resumen

El reconocimiento del comportamiento humano en interiores a través de WiFi se ha convertido en la tecnología central de percepción de redes inalámbricas. Sin embargo, los métodos existentes de reconocimiento del comportamiento humano presentan grandes desafíos en cuanto a precisión de detección, intrusión y complejidad de operaciones. En este documento, primero analizamos y resumimos los esquemas existentes de reconocimiento del movimiento humano, y debido a la existencia de problemas en ellos, proponemos un esquema de reconocimiento del movimiento humano complejo no invasivo y altamente robusto basado en la Información del Estado del Canal (CSI), es decir, CSI-HC, y se verifica el arte marcial chino tradicional XingYiQuan como un fondo de movimiento complejo. CSI-HC se divide en dos fases: offline y online. En la fase offline, los datos de movimiento humano se recopilan en la tarjeta de red comercial Atheros NIC y se construye un potente método de eliminación de ruido utilizando el filtro pasa bajos de Butterworth y la función wavelet para filtrar los valores atípicos en los datos de movimiento. Luego, a través del entrenamiento y clasificación de la Máquina de Boltzmann Restringida (RBM), establecemos la información de huella dactilar offline. En la fase online, se utiliza la regresión SoftMax para corregir la clasificación de RBM y procesar los datos de movimiento recopilados en tiempo real, y los datos en tiempo real procesados se comparan con la información de huella dactilar offline. Sobre esta base, se logra el reconocimiento de un movimiento humano complejo. Finalmente, a través de experimentos repetidos en tres escenarios interiores clásicos, se analizan la configuración de parámetros y la diversidad de usuarios que afectan la precisión del reconocimiento del movimiento, y se detecta la robustez de CSI-HC. Además, se compara el rendimiento del método propuesto con el de los métodos existentes de reconocimiento del movimiento. Los resultados experimentales muestran que la tasa promedio de reconocimiento del movimiento de CSI-HC en tres escenarios interiores clásicos alcanza el 85,4%, en términos de complejidad del movimiento y precisión de reconocimiento en interiores. En comparación con otros algoritmos, presenta una mayor estabilidad y robustez.

• Materias:Red 5G Internet de las cosas Seguridad de la información Tecnologías de comunicación
• Subjects:5G Network Internet of things Information security Communication technologies
• Palabras claves:Wifi; Interiores; Reconocimiento del comportamiento del personal; Percepción de la red inalámbrica; Reconocimiento del movimiento humano; Información sobre el estado del canal
• Keywords:Wifi; Indoor; Personnel behavior recognition; Wireless network perception; Human motion recognition; Channel State Information