Page 161 - 《软件学报》2021年第10期

李晟洁 等:基于 Wi-Fi 信道状态信息的行走识别与行走参数估计 3133

行为间的切换,且对实验者的行走时间、行走路线未作任何要求.每个环境中,在实验者知情的情况下,布置了摄
像头用于记录真实的活动情况.整个实验过程中,一共采集了 5 000 段行走行为,其中 65%的行走在开始或结束
包含原地行为,35%的行走在开始和结束仅连接着静止行为.具体地,我们采用以下两个指标来评估行走识别的
性能:
Presion  TruePositive ,FNR  FalseNegative .


TruePositive FalsePositive TruePositive FalseNegative

(a) 空屋子 (b) 大办公室 (c) 真实家庭
Fig.7 Different environmental setting
图 7 不同实验环境的设置
整个实验在不同时间(天)中进行,实验环境中的家具、收发设备的位置均根据生活需要发生过变化.整体上,
系统行走识别的准确率(presion)为 95.5%,漏报率(FNR)为 5.1%.其中,误报主要是由于一些突然且剧烈的日常行
为,像突然的坐下,这时身体躯干在短时间内的位移较大,与行走的位移幅度相似,所以会造成误报.此外,漏报常
常发生在人转身的时候,这时由于人在改变行走方向,所以短时间内的位移较小,会被判别为原地活动.
不同人的影响:由于不同人的行走方式、速度会有所差异,为了证明系统对于不同人的行走依然可以保持
一致的识别性能,本文对比了身高体重不同的 5 个实验者的准确率和误报率,如图 8(a)所示.从图中可以看出,系
统对于不同的实验者依然可以保持较好的性能,准确率均高于 94%,漏报率均低于 6%.
不同环境的影响:为了验证系统在不同的多径环境下的鲁棒性,本文比较了不同环境的行走识别性能,如图
8(b)所示.尽管办公室和家庭厨房比空房间的多径环境更复杂,但是行走识别的性能并没有下降,表明:系统在不
同的环境下依然可以很稳定地识别出行走行为,这主要是因为选择的覆盖圆直径大小这一特征来识别行走,物
理含义清晰,且完全不依赖于多径环境.

P1 P2 P3 P4 P5 空房间 办公室 家庭

(a) 不同人(5 名实验者)的行走识别性能比较 (b) 不同环境(3 个)下行走识别性能比较
Fig.8
图 8

4.3 行走参数估计的性能
除了行走的识别,对行走速度、方向、步数和步长这些参数的精确估计也非常重要.为了计算各个行走参
数的估计准确度,我们需要知道各个参数的 Ground truth.特别地,为了获得人真实的行走速度,我们在空房间(如
图 7(a)所示)和办公室(如图 7(b)所示)中部署了可以实时反映人的位置和速度信息的 VR 系统 HTC Vive;同时,