基于信道状态信息的行为识别方法、装置、电子设备、存储介质

技术领域

本申请涉及行为识别技术领域，特别涉及一种基于信道状态信息的行为识别方法、装置、电子设备、计算机可读存储介质。

背景技术

下一代无线通信技术的一个重要发展方向是通信感知/雷达一体化，未来的Wi-Fi信号将不单单只有数据传输功能，还会兼具对无源目标的感知功能。当无源目标(未携带终端设备的人或其它目标)位于室内环境中，其存在会对室内Wi-Fi信号产生影响，导致多径信道发生变化。这种情况下，信道状态信息(Channel State Information，CSI)随之发生变化，因此可借助信道状态信息对无源目标进行行为识别。

发明内容

本申请实施例的目的在于提供一种基于信道状态信息的行为识别方法、装置、电子设备、存储介质，用于借助信道状态信息准确实现无源目标的行为。

一方面，本申请提供了一种基于信道状态信息的行为识别方法，应用于Wi-Fi收发系统，所述Wi-Fi收发系统包括发射机、第一接收机和第二接收机，所述第一接收机和所述第二接收机分别包括至少一个天线阵元，包括：

针对每一天线阵元的信道状态信息，确定无源目标的真实多普勒速度；

根据多个观测时刻的真实多普勒速度，生成时间-多普勒速度谱；

根据所述时间-多普勒速度谱，构造已训练的行为识别模型的输入参数；

根据所述行为识别模型对所述输入参数进行处理，得到行为识别结果。

在一实施例中，在所述针对每一天线阵元的信道状态信息，确定无源目标的真实多普勒速度之前，所述方法还包括：

获取每一天线阵元对应的信道估计信息，并通过逆傅里叶变换将所述信道估计信息转化成时域信道估计信息；

根据所述时域信道估计信息，确定多个信道对应的功率；

根据预设窗长划分出功率最大的多个窗内信道，并计算窗外信道对应功率的平均值，作为噪声功率；

通过所述噪声功率和预设第一调整系数，确定门限功率；

从多个窗内信道中筛选出第一窗内信道和第二窗内信道，将所述第二窗内信道对应的时域信道估计值置零，并基于所述第一窗内信道对应的时域信道估计值和所述第二窗内信道对应的时域信道估计值构建目标时域信道估计信息；其中，所述第二窗内信道包括功率不大于门限功率的窗内信道，以及功率最大的窗内信道；所述第一窗内信道为除第二窗内信道以外的窗内信道；

将每一天线阵元的目标时域信道估计信息分别进行傅里叶变换，得到每一天线阵元在频域的信道状态信息。

在一实施例中，所述针对每一天线阵元的信道状态信息，确定无源目标的真实多普勒速度，包括：

分别将每一接收机作为目标接收机，将所述目标接收机下的天线阵元作为目标天线阵元；

从所述目标天线阵元的信道状态信息中，选择最小的非零频域信道估计值，作为第二调整系数；

根据预设放大系数对所述第二调整系数进行处理，得到第三调整系数；

以所述第二调整系数对所述信道状态信息进行调整，得到第一调整后信道状态信息；

将指定接收机下天线阵元的信道状态信息，以所述第三调整系数进行调整，得到第二调整后信道状态信息；其中，所述指定接收机为所述目标接收机以外的接收机；

将所述第一调整后信道状态信息与所述第二调整后信道状态信息进行共轭相乘，得到所述目标天线阵元的指定信道状态信息；

根据每一天线阵元对应的指定信道状态信息，确定所述无源目标的真实多普勒速度。

在一实施例中，所述根据每一天线阵元对应的指定信道状态信息，确定所述无源目标的真实多普勒速度，包括：

针对所述第一接收机和所述第二接收机对应的指定信道状态信息，分别构建对应的协方差矩阵；

对所述第一接收机对应的协方差矩阵进行特征值分解，得到所述无源目标相对于所述第一接收机的第一观测多普勒速度；

对所述第二接收机对应的协方差矩阵进行特征值分解，得到所述无源目标相对于所述第二接收机的第二观测多普勒速度；

根据所述第一观测多普勒速度和所述第二观测多普勒速度，确定所述无源目标的真实多普勒速度。

在一实施例中，所述行为识别模型由卷积神经网络训练得到；

所述根据所述时间-多普勒速度谱，构造已训练的行为识别模型的输入参数，包括：

周期性裁切所述时间-多普勒速度谱，获得子谱，作为所述行为识别模型的输入参数。

在一实施例中，所述行为识别模型由卷积神经网络和循环神经网络的混合模型训练得到：

所述根据所述时间-多普勒速度谱，构造已训练的行为识别模型的输入参数，包括：

依据预设裁切窗长和预设裁切步长对所述时间-多普勒速度谱进行裁切，获得在时间上连续的子谱序列，作为所述行为识别模型得到输入参数。

在一实施例中，在所述根据所述行为识别模型对所述输入参数进行处理，得到行为识别结果之前，所述方法还包括：

将样本数据集中的样本子谱序列，作为所述混合模型的输入，获得所述混合模型输出的预测行为类别；其中，所述样本数据集包括多个样本子谱序列，每一样本子谱序列携带对应的行为类别标签；

根据所述预测行为类别与所述行为类别标签之间的差异，对所述混合模型的模型参数进行调整；

重复上述过程，直至所述混合模型收敛，得到行为识别模型。

另一方面，本申请提供了一种基于信道状态信息的行为识别装置，应用于Wi-Fi收发系统，所述Wi-Fi收发系统包括发射机、第一接收机和第二接收机，所述第一接收机和所述第二接收机分别包括至少一个天线阵元，包括：

确定模块，用于针对每一天线阵元的信道状态信息，确定无源目标的真实多普勒速度；

生成模块，用于根据多个观测时刻的真实多普勒速度，生成时间-多普勒速度谱；

构造模块，用于根据所述时间-多普勒速度谱，构造已训练的行为识别模型的输入参数；

识别模块，用于根据所述行为识别模型对所述输入参数进行处理，得到行为识别结果。

进一步的，本申请提供了一种电子设备，所述电子设备包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行上述基于信道状态信息的行为识别方法。

此外，本申请提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成上述基于信道状态信息的行为识别方法。

本申请方案，根据信道状态信息确定多个观测时刻的真实多普勒速度，并以真实多普勒速度构建表征无源目标的行为状态的时间-多普勒速度谱，进而以行为识别模型对以时间-多普勒速度谱构建的输入参数进行分类处理，得到行为识别结果，实现了行为类别的准确识别。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍。

图1为本申请一实施例提供的电子设备的结构示意图；

图2为本申请一实施例提供的基于信道状态信息的行为识别方法的流程示意图；

图3为本申请一实施例提供的时间-多普勒速度谱的示意图；

图4为本申请一实施例提供的信道状态信息的确定方法的流程示意图；

图5为本申请一实施例提供的信道状态信息的确定方法的示意图；

图6为本申请一实施例提供的图2中步骤210的细节流程示意图；

图7为本申请一实施例提供的基于信道状态信息的行为识别装置的框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。

相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

如图1所示，本实施例提供一种电子设备1，包括：至少一个处理器11和存储器12，图1中以一个处理器11为例。处理器11和存储器12通过总线10连接，存储器12存储有可被处理器11执行的指令，指令被处理器11执行，以使电子设备1可执行下述的实施例中方法的全部或部分流程。在一实施例中，电子设备1可以是Wi-Fi收发系统中的计算设备，该计算设备可以是Wi-Fi收发系统中的发射机或接收机，或者与发射机和接收机对接的设备，用于执行基于信道状态信息的行为识别方法。下文以电子设备为执行主体描述方案。

存储器12可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory，简称EPROM)，可编程只读存储器(Programmable Red-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

本申请还提供了一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序可由处理器11执行以完成本申请提供的基于信道状态信息的行为识别方法。

在室内环境中，Wi-Fi收发系统中的发射机、第一接收机和第二接收机可以放置于室内场景中指定位置(比如：室内场景为客厅，发射机可以放置于客厅左上角位置、第一接收机可以放置于客厅右上角位置、第二接收机可以放置于客厅左下角位置)。在发射机发送Wi-Fi信号、第一接收机和第二接收机接收Wi-Fi信号的过程中，电子设备可以通过信道估计和清洗得到信道状态信息(Channel State Information，CSI)。室内场景中存在的各类物体(比如：墙壁、家具、电器、人等)会使Wi-Fi信号出现各种反射情况，因此，发射机和接收机之间存在多个无线信道。当无源目标在场景中时，无源目标的行为状态会对无线信道的信道状态信息造成影响，因此可以借助信道状态对室内场景中无源目标进行行为识别。

参见图2，为本申请一实施例提供的基于信道状态信息的行为识别方法的流程示意图，如图2所示，该方法可以包括以下步骤210-步骤240。

步骤210：针对每一天线阵元的信道状态信息，确定无源目标的真实多普勒速度。

本申请方案应用于Wi-Fi收发系统，该Wi-Fi收发系统包括用于发射Wi-Fi信号的发射机、用于接收Wi-Fi信号的第一接收机和第二接收机。第一接收机和第二接收机分别包括至少一个天线阵元，天线阵元用于接收发射机发送的Wi-Fi信号。

电子设备可以通过信道估计和清洗的方式，在发射机将Wi-Fi信号发送至第一接收机和第二接收机的过程中，获得每一天线阵元的信道状态信息。基于第一接收机下天线阵元的信道状态信息，可以确定无源目标相对于第一接收机的第一观测多普勒速度。基于第二接收机下天线阵元的信道状态信息，可以确定无源目标相对于第二接收机的第二观测多普勒速度。通过融合第一观测多普勒速度和第二观测多普勒速度，可以得到无源目标的真实多普勒速度。这里，真实多普勒速度可以表征无源目标相对于Wi-Fi收发系统的整体速度。

步骤220：根据多个观测时刻的真实多普勒速度，生成时间-多普勒速度谱。

电子设备可以周期性确定无源目标的真实多普勒速度，从而获得连续多个观测时刻的真实多普勒速度。这里，观测时刻为各个周期确定真实多普勒速度的时刻；周期时长可以根据需要进行设置，示例性的，周期时长可以为相邻两个数据包的接收间隔时长。

参见图3，为本申请一实施例提供的时间-多普勒速度谱的示意图，如图3所示，时间-多普勒速度谱的横轴为观测时间、纵轴为无源目标的真实多普勒速度，当真实多普勒速度为正时，表示无源目标远离Wi-Fi收发系统；当真实多普勒速度为负时，表示无源目标靠近Wi-Fi收发系统。在实际应用中，真实多普勒速度可能并非无源目标实际移动产生的，而可能是其它更轻微的行为(比如：呼吸、心跳、跌倒等)产生的。

在行为识别方法执行过程中，电子设备可以持续确定无源目标的真实多普勒速度，从而持续更新时间-多普勒速度谱。

步骤230：根据时间-多普勒速度谱，构造已训练的行为识别模型的输入参数。

步骤240：根据行为识别模型对输入参数进行处理，得到行为识别结果。

其中，行为识别模型用于识别无源目标的多种行为类别。行为识别模型可以由CNN(Convolutional Neural Networks，卷积神经网络)、TCN(Temporal ConvolutionalNetwork，时间卷积网络)、CNN和RNN(Recurrent Neural Network，循环神经网络)的混合模型中任一模型训练得到。

根据应用需要，行为类别可以是跑动、跌倒、走动等，或者，行为类别可以是各类手势动作(比如：挥手、推手、拍手等)，或者，行为类别可以用于睡眠检测的行为(比如：心跳、呼吸、翻身等)。

在生成时间-多普勒速度谱之后，电子设备可以依据时间-多普勒速度谱构建行为识别模型的输入参数。示例性的，如果电子设备在实时检测无源目标的行为类别，可以在更新时间-多普勒速度谱的过程中，截取最近一段时间的时间-多普勒速度谱，构造输入参数。

在获得输入参数后，将其输入至行为识别模型，从而得到行为识别模型输出的对应于输入参数得到行为识别结果，该行为识别结果为预测行为类别。

通过上述措施，电子设备根据信道状态信息确定多个观测时刻的真实多普勒速度，并以真实多普勒速度构建表征无源目标的行为状态的时间-多普勒速度谱，进而以行为识别模型对以时间-多普勒速度谱构建的输入参数进行分类处理，得到行为识别结果，实现行为类别的准确识别。

在一实施例中，在以每一天线阵元的信道状态信息确定真实多普勒速度之前，需要确定各个天线阵元对应的信道状态信息。参见图4，为本申请一实施例提供的信道状态信息的确定方法的流程示意图，如图4所示，该方法可以包括如下步骤410至步骤460。

步骤410：获取每一天线阵元对应的信道估计信息，并通过逆傅里叶变换将信道估计信息转化成时域信道估计信息。

针对每一天线阵元，电子设备可以通过LS(Least Square)算法对Wi-Fi信号的导频信号进行信道估计，从而得到信道估计信息。信道估计信息包括多个符号在多个子载波的频域信道估计值。

在获得信道估计信息之后，电子设备可以通过逆傅里叶变换(Inverse FastFourier Transform)将频域上的信道估计信息转换到时域，得到时域信道估计信息。这一过程可以通过如下公式(1)来表示：

其中，

在一实施例中，电子设备所确定的信道估计信息中采样点的数量较少，在执行逆傅里叶变换之前，可以通过边界重复法将信道估计信息中在子载波数量补足至第一指定数量，该第一指定数量可以是后续逆傅里叶变换所能处理的采样点数量。

电子设备可以将信道估计信息中第一个子载波和最后一个子载波的频域信道估计值重复多次，从而将子载波数量扩充至第一指定数量。这里，信道估计信息的第一个子载波和最后一个子载波的重复次数可以相同。示例性的，以信道估计信息包括60个子载波，第一指定数量为128为例，扩充过程可以通过如下公式(2)来表示：

其中，m为0到59，表示位于中间的信道估计信息，包括60个子载波的频域信道估计值；q为接收机的天线阵元的索引；k为子载波索引；l为符号索引。如公式(2)所示，第一个子载波的频域信道估计值重复34次，最后一个子载波的频域信道估计值重复34次，从而得到补足后的信道估计信息。

电子设备可以对经过补足的信道估计信息进行圆周位移操作，进而执行逆傅里叶变换。

步骤420：根据时域信道估计信息，确定多个信道对应的功率。

对于每一天线阵元的时域信道估计信息，电子设备可以计算时域信息对应的功率。功率计算方式可以通过如下公式(3)来表示：

其中，

步骤430：根据预设窗长划分出功率最大的多个窗内信道，并计算窗外信道对应功率的平均值，作为噪声功率。

其中，窗长可以根据需要进行配置。在一实施例中，可以根据循环前缀长度确定窗长。示例性的，窗长L和循环前缀长度CP的关系可以表示为L≤2*CP-1。

对于任一天线阵元，在计算出各个时域信道的功率后，电子设备可以通过窗长筛选出功率最大的多个时域信道，作为窗内信道，而其余时域信道即为窗外信道。窗外信道可认为是噪声所在信道，电子设备可以计算窗外信道对功率的平均值，作为噪声功率。

步骤440：通过噪声功率和预设第一调整系数，确定门限功率。

这里，第一调整系数用于依据噪声功率换算门限功率，可根据经验预配置。

电子设备可以将噪声功率乘以第一调整系数，从而得到门限功率。

步骤450：从多个窗内信道中筛选出第一窗内信道和第二窗内信道，将第二窗内信道对应的时域信道估计值置零，并基于第一窗内信道对应的时域信道估计值和第二窗内信道对应的时域信道估计值构建目标时域信道估计信息；其中，第二窗内信道包括功率不大于门限功率的窗内信道，以及功率最大的窗内信道；第一窗内信道为除第二窗内信道以外的窗内信道。

电子设备可以从多个窗内信道中筛选出功率不大于门限功率的窗内信道，作为第二窗内信道。对于功率大于门限功率的窗内信道，可以从中选择功率最大的窗内信道，作为第二窗内信道。而剩余的功率大于门限功率的窗内信道，可以作为第一窗内信道。

这里，功率不大于门限功率的第二窗内信道，可视为噪声所在信道，电子设备可以将这些第二窗内信道对应的时域信道估计值置零，从而进行去噪。功率最大的第二窗内信道，可认为是LOS(Line of Sight，视线传输)信道，将该第二窗内信道对应的时域信道估计值置零，可以去除LOS背景的影响。

电子设备可以基于所有第一窗内信道的时域信道估计值和所有第二窗内信道的时域信道估计值，构建目标时域信道估计信息。目标时域信道估计信息进一步去除了时域上的噪声以及LOS背景，能够准确地表征无源目标运动对NLOS(Not Line of Sight，非视线传输)信道带来的影响。

对于每一天线阵元，可以分别为其构建对应的目标时域信道估计信息。

在一实施例中，如果对信道估计信息中子载波数量进行扩充，且对经过扩充的信道估计信息进行圆周位移操作，在步骤450中确定目标时域信道估计信息时，基于所有第一窗内信道的时域信道估计值和所有第二窗内信道的时域信道估计值，构建中间时域信道估计信息。

电子设备可以为中间时域信道估计信息进行补零处理，补零处理为在中间时域信道估计信息中加入时域信道估计值为零的时域信道。电子设备可以通过补零，将中间时域信道估计信息中的信道数量扩充至第二指定数量，从而得到目标时域信道估计信息。其中，目标时域信道估计信息包括第二指定数量的信道对应的时域信道估计信息。在一实施例中，电子设备补零处理时，可以在中间时域信道估计信息多个时域信道估计值中间加入多个零。

示例性的，补零处理可以通过如下公式(4)来表示：

其中，n为第二指定数量；q为接收机的天线阵元的索引；l为符号索引。公式(4)中的示例为将包含128个采样点的中间时域信息估计信息，补零至512个采样点。采样点的实际数量可根据需要进行配置。

步骤460：将每一天线阵元的目标时域信道估计信息分别进行傅里叶变换，得到每一天线阵元在频域的信道状态信息。

在得到各个天线阵元对应的目标时域信道估计信息之后，电子设备可以分别对目标时域信道估计信息进行傅里叶变换(Fast Fourier Transform)，从而得到各个天线阵元在频域的信道状态信息。

在一实施例中，在通过对中间时域信道估计信息进行补零以得到目标时域信道估计信息的情况下，电子设备可以将每一天线阵元的目标时域信道信息分别进行傅里叶变换，获得每一天线阵元在频域的中间信道估计结果。

电子设备可以分别对每一中间信道估计结果进行圆周位移操作，并对圆周位移操作后的中间信道估计结果进行采样，得到每一天线阵元的信道状态信息。示例性的，采样时可以选择圆周位移操作后中间信道估计结果中间的第三指定数量的频域信道估计值。这里，第三指定数量可以根据需要进行配置。示例性的，第二指定数量为512，则第三指定数量可以为240。

参见图5，为本申请一实施例提供的信道状态信息的确定方法的示意图，如图5所示，针对任一天线阵元的任一符号的信道估计信息，通过边界重复法将信道估计信息中子载波数量扩充到第一指定数量，以图5为例，第一指定数量为128，对于任一符号，可以将该符号在第一个子载波的频域信道估计值重复34次，将该符号在第60个子载波的频域信道估计值，从而得到该符号对应的经过扩充的信道估计信息。对每一天线阵元的每一符号对应的经过扩充的信道估计信息进行降噪处理：对经过扩充的信道估计信息进行圆周位移操作，进而通过逆傅里叶变换将信道估计信息转化成时域信道估计信息，并基于时域信道估计信息确定各个信道对应的功率。根据预设窗长(比如：16)划分出功率最大的多个窗内信道，并计算112个窗外信道对应功率的平均值，作为噪声功率。以第一调整系数和噪声功率确定门限功率后，基于门限功率确定第一窗内信道和第二窗内信道，并将第二窗内信道对应的时域信道估计值置零，并以第一窗内信道的时域信道估计值和第二窗内信道的时域信道估计值，构建中间时域信道估计信息。为中间时域信道估计信息进行补零处理，使得经过补零处理的时域信道估计信息包括第二指定数量(图5中为512)个采样点，得到目标时域信道估计信息。其中，每一采样点表示一个信道对应的时域信道估计值。将每一天线阵元的每一符号的目标时域信道估计信息分别进行傅里叶变换，获得每一天线在频域的中间信道估计结果。该中间信道估计结果包括512个采样点，每一采样点为频域上的一个频域信道估计值。分别对每一中间信道估计结果进行圆周位移操作，并从圆周位移操作后的中间信道估计结果中采样位于中间的第三指定数量(图5中为240)个采样点，作为每一天线阵元的符号的信道状态信息。

在一实施例中，参见图6，为本申请一实施例提供的图2中步骤210的细节流程示意图，如图6所示，在执行步骤210时，可以具体执行如下步骤211至步骤217。

步骤211：分别将每一接收机作为目标接收机，将目标接收机下的天线阵元作为目标天线阵元。

电子设备可以分别将第一接收机和第二接收机作为目标接收机，并将目标接收机下的天线阵元作为目标天线阵元，以执行后续步骤212至步骤216。在将第一接收机作为目标接收机时，可将第二接收机作为指定接收机。在将第二接收机作为目标接收机时，可将第一接收机作为指定接收机。

步骤212：从目标天线阵元的信道状态信息中，选择最小的非零频域信道估计值，作为第二调整系数。

在选中任一天线阵元作为目标天线阵元之后，电子设备可以从目标天线阵元的信道状态信息所包括的多个符号在多个子载波的频域信道估计值中，选择最小的非零频域信道估计值，作为第二调整参数。

示例性的，第一接收机的天线阵元的信道状态信息可以记为

步骤213：根据预设放大系数对第二调整系数进行处理，得到第三调整系数。

其中，放大系数可以放大第二调整系数，放大系数的数值可以根据需要进行设置，示例性的，放大系数可以为几十、几百、几千等。

电子设备可以将放大系数乘以第二调整系数，从而得到第三调整系数β。

步骤214：以第二调整系数对信道状态信息进行调整，得到第一调整后信道状态信息。

电子设备可以将目标天线阵元的信道状态信息，在所有频域信道估计值中筛选出非零的频域信道估计值，并将筛选出的各个频域信道估计值分别减去第二调整系数，从而得到第一调整后信道状态信息。

示例性的，第一接收机的天线阵元的信道状态信息

这一调整过程，可以清洗信道状态信息中相位造成的偏差。

步骤215：将指定接收机下天线阵元的信道状态信息，以第三调整系数进行调整，得到第二调整后信道状态信息；其中，指定接收机为目标接收机以外的接收机。

针对指定接收机下每一天线阵元的信道状态信息，电子设备可以将信道状态信息中多个符号在多个子载波的频域信道估计值，分别加上第三调整系数，以得到第二调整后信道状态信息。

步骤216：将第一调整后信道状态信息与第二调整后信道状态信息进行共轭相乘，得到目标天线阵元的指定信道状态信息。

在获得第一调整后信道状态信息和第二调整后信道状态信息之后，可以将第一调整后信道状态信息与第二调整后信道状态信息进行共轭相乘，从而得到目标天线阵元的指定信道状态信息。

分别将第一接收机和第二接收机作为目标接收机，并将目标接收机下天线阵元作为目标天线阵元，可以分别处理得到第一接收机和第二接收机的天线阵元对应的指定信道状态信息。经过上述处理，指定信道状态信息中放大了无源目标移动对信道状态信息带来的影响。

步骤217：根据每一天线阵元对应的指定信道状态信息，确定无源目标的真实多普勒速度。

在获得每一天线阵元对应的指定信道状态信息之后，电子设备可以依据多个指定信道状态信息，确定无源目标的真实多普勒速度。

通过上述措施，可以放大无源目标在存在各类行为时对信道状态信息带来的影响，获得各个天线阵元对应的指定信道状态信息，进而以各个天线阵元的指定信道状态信息，准确获得无源目标的真实多普勒速度。

在一实施例中，电子设备可以针对第一接收机和第二接收机对应的指定信道状态信息，分别构建对应的协方差矩阵。

为任一接收机对应的指定信道状态信息构建协方差矩阵的方式可以通过如下公式(5)来表示：

R

其中，X为指定信道状态信息；E为单位矩阵；R

在获得第一接收机对应的协方差矩阵之后，电子设备可以对该协方差矩阵进行特征值分解，从而得到无源目标相对于第一接收机的第一观测多普勒速度。

电子设备可以通过MUSIC(Multiple Signal Classification Algorithm)算法、ESPRIT(Estimation of Signal Parameters using Rotational InvarianceTechniques)算法、压缩感知算法等算法分别对第一接收机对应的协方差矩阵的协方差矩阵进行特征值分解，从而得到无源目标移动造成信道变化的多普勒速度峰值，作为无源目标相对于第一接收机的第一观测多普勒速度。

同样的，在获得第二接收机对应的协方差矩阵之后，电子设备可以对该协方差矩阵进行特征值分解，从而得到无源目标相对于第二接收机的第二观测多普勒速度。

当室内场景中存在多个移动的无源目标时，对于每一无源目标，可以分别解析出该无源目标相对于第一接收机的第一观测多普勒速度和相对于第二接收机的第二观测多普勒速度。

电子设备可以将第一观测多普勒速度和第二观测多普勒速度进行融合，从而确定无源目标的真实多普勒速度。

在一实施例中，行为识别模型可以由CNN模型训练得到，在训练之前，可以构建样本数据集。电子设备可以获取多种样本信道状态信息，每一信道状态信息对应一种行为类别。

对于后续需要识别的每一行为类别，可以在室内环境中由不同身材的人员持续做该行为类别的动作，从而获得该行为类别对应的样本信道估计信息，并可以通过清洗将样本信道估计信息转化为样本信道状态信息。电子设备可以将样本信道状态信息，转化为样本时间-多普勒速度谱。对样本时间-多普勒速度谱进行周期性裁切，得到样本子谱。这里裁切的周期时长可以是预设经验值，可以等同于后续相邻两个观测时刻的间隔时长。示例性的，周期时长为2秒。

电子设备可以为样本子谱添加行为类别标签，该行为类别标签指示与样本信道估计信息对应的行为类别。进一步的，可以基于多个携带行为类别标签的样本子谱，构建样本数据集。在获得样本数据集之后，可以对CNN模型进行监督训练，从而得到行为识别模型。

这种情况下，在构造输入参数时，电子设备可以周期性裁切时间-多普勒速度谱，得到子谱，并将单一子谱作为行为识别模型的输入参数。这里，裁切的周期时长可以等同于训练时裁切样本时间-多普勒速度谱的周期时长。

在一实施例中，行为识别模型可以由卷积神经网络和循环神经网络的混合模型训练得到，循环神经网络在混合模型中用于将输入至分类层的数据进行处理，从而学习同一行为类别对应的不同姿态在时间上的相关性。在一实施例中，循环神经网络可以是LSTM(long short-term memory)、GRU(Gate Recurrent Unit)等。

这种情况下，在构建输入参数时，电子设备可以依据预设裁切窗长和预设裁切步长对时间-多普勒速度谱进行裁切，获得在时间上连续的多个子谱，并将连续的多个子谱构建子谱序列。这里，子谱序列中子谱数量可以根据需要预配置，子谱序列对应的时长可以是完成一次行为所需时长(比如：2秒)。裁切窗长和裁切步长均可根据需要预配置，裁切步长小于裁切窗长。示例性的，裁切窗长为1秒，裁切步长为0.1秒。

在构造子谱序列后，可将子谱序列作为输入参数，后续通过行为识别模型对子谱序列进行处理，以得到行为识别结果。

在一实施例中，电子设备可以基于混合模型训练出行为识别模型。电子设备可以将样本数据集中的样本子谱序列，作为混合模型的输入，获得混合模型输出的预测行为类别。其中，样本数据集包括多个样本子谱序列，每一样本子谱序列携带对应的行为类别标签。在训练混合模型之前，可以构建多种样本时间-多普勒速度谱，每一样本时间-多普勒速度谱对应一种行为类别，依据裁切窗长和裁切步长对每一样本时间-多普勒速度谱进行处理，可以得到多个样本子谱序列，并可为各个样本子谱序列添加相应的行为类别标签。

电子设备可以通过预设损失函数评估每一样本子谱序列对应的行为类别标签和预测行为类别之间的差异，得到函数值，并以该函数值对混合模型的模型参数进行调整。

在调整模型参数后，可以重新将样本子谱序列输入至混合模型，以进一步调整模型参数。重复这一过程，经过反复迭代，当损失函数的函数值趋于稳定时，可以认定混合模型收敛，得到行为识别模型。

图7是本发明一实施例的一种基于信道状态信息的行为识别装置的框图，如图7所示，该装置可以包括：

确定模块710，用于针对每一天线阵元的信道状态信息，确定无源目标的真实多普勒速度；

生成模块720，用于根据多个观测时刻的真实多普勒速度，生成时间-多普勒速度谱；

构造模块730，用于根据所述时间-多普勒速度谱，构造已训练的行为识别模型的输入参数；

识别模块740，用于根据所述行为识别模型对所述输入参数进行处理，得到行为识别结果。

上述装置中各个模块的功能和作用的实现过程具体详见上述基于信道状态信息的行为识别方法中对应步骤的实现过程，在此不再赘述。

在本申请所提供的几个实施例中，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。