基于融合网络的井下人员行为识别方法
张雷1
冉凌鎛2
代婉婉2
朱永红3
史新国4
1.徐州工程学院 信息工程学院(大数据学院),江苏 徐州 221018;东南大学 移动通信国家重点实验室,江苏 南京 2100962.中国矿业大学 物联网(感知矿山)研究中心,江苏 徐州 2210083.徐州工程学院 信息工程学院(大数据学院),江苏 徐州 2210184.山东能源淄博矿业集团有限公司 信息中心,山东 淄博 225100
摘要：井下人员行为识别是保障煤矿安全生产的重要措施.针对现有井下人员行为识别研究缺少对感知机理的研究与分析且特征提取手段单一的问题,提出一种基于融合网络的井下人员行为识别方法.该方法主要包括数据预处理、特征构建和判识网络构造 3个部分.数据预处理:通过信道状态信息(CSI)商模型、子载波去直流和离散小波去噪对采集的CSI数据进行处理,以降低环境噪声、设备噪声等的影响.特征构建:将处理后的数据利用格拉姆和/差角场(GASF/GADF)转换成图像,从而保留数据的空间和时间特性.判识网络构造:根据人员动作的特点,提出一种由基于门控循环单元(GRU)的编解码网络和多尺度卷积神经网络(CNN)组成的融合网络,利用GRU保留前后数据之间的关联性,同时利用注意力机制的权重分配策略有效提取关键特征,以提高行为识别的准确率.实验结果表明:该方法对行走、摘帽子、扔东西、坐、抽烟、挥手、跑动、睡觉 8种动作的平均识别准确率为 97.37％,对睡觉和坐的识别准确率最高,最容易发生误判的动作是行走和跑动;使用准确率、精确率、召回率和 F1 分数作为评价指标,得出融合网络的性能优于 CNN和 GRU,人员行为识别准确率高于 HAR系统、WiWave系统和Wi-Sense系统;正常速度下行走和摘帽子 2种动作的平均识别精度为 95.6％,高于快速动作情况下的93.6％和慢速动作情况下的92.7％;收发设备之间的距离为2 m和2.5 m时,识别准确率较高.
关键词：智能矿山行为识别无线感知深度学习信道状态信息多尺度卷积神经网络门控循环单元
分类号：TD67(矿山电工)
资助基金：江苏省高等学校基础科学(自然科学)研究项目(21KJB510025)国家重点研发计划(2017YFC0804401)国家自然科学基金(52074273)教育部卓越工程师教育培养计划项目产学合作协同育人项目(BY2021160202102356012)徐州市科技计划项目(KC19208)淄矿集团智慧矿山关键技术研发开放基金项目(2019LH05)
论文发表日期：2023-03-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 45-52 )
英文信息