WiFi环境下基于CGRU-ELM混合模型的手势识别

计算机工程与科学 ›› 2022, Vol. 44 ›› Issue (2): 298-305.

WiFi环境下基于CGRU-ELM混合模型的手势识别

张鑫，冯秀芳

（太原理工大学信息与计算机学院，山西晋中 030600）

收稿日期:2020-07-17 修回日期:2020-10-25 出版日期:2022-02-25 发布日期:2022-02-18
基金资助:
山西省重点研发计划(201903D121121);虚拟现实技术与系统国家重点实验室（北京航空航天大学）开放基金(VRLAB2019A05)

Gesture recognition based on CGRU-ELM hybrid model in WiFi environment

ZHANG Xin，FENG Xiu-fang

（School of Information and Computer,Taiyuan University of Technology,Shanxi 030600,China）

Received:2020-07-17 Revised:2020-10-25 Online:2022-02-25 Published:2022-02-18

摘要/Abstract

摘要： 针对传统手势识别方法存在的耗能大、部署困难等问题，提出了一种基于WiFi的手势识别方法。通过从WiFi信号中收集到的信道状态信息中抽取多普勒频移组件，解决无线手势识别方法中提取的统计特征与具体手势动作映射关系不明确的问题。同时，提出了一种CGRU-ELM的深度混合模型，对提取到的多普勒频移组件进行特征提取和分类，并对常用的6种人机交互手势进行了识别。实验结果表明，该方法对于以WiFi信号为输入参数的手势识别平均准确度达到了93.4%。

关键词: 信道状态信息, 多普勒频移, 手势识别, 深度学习

Abstract: Aiming at the problems of high energy consumption and difficult deployment in traditional gesture recognition methods , a WiFi-based gesture recognition method is proposed. By extracting the Doppler frequency shift components from the fine-grained channel state information collected from WiFi signal, the problem of unclear mapping relationship between the statistical features extracted by wireless gesture recognition method and specific gestures is solved. Meanwhile, a deep hybrid model of CGRu-ELM is proposed to extract and classify the extracted Doppler frequency shift components, and to recognize six commonly used human-computer interaction gestures. The experimental results show that the average
accuracy of this method for gesture recognition with WiFi signal as input parameter is 93.4%.

Key words: channel state information, Doppler frequency shift, gesture recognition, deep learning

张鑫, 冯秀芳. WiFi环境下基于CGRU-ELM混合模型的手势识别[J]. 计算机工程与科学, 2022, 44(2): 298-305.

ZHANG Xin, FENG Xiu-fang. Gesture recognition based on CGRU-ELM hybrid model in WiFi environment[J]. Computer Engineering & Science, 2022, 44(2): 298-305.

[1]	薛凯来, 贾向东, 韩向花, 牛夏秧, 张亮. 基于非线性能量收集的非线性信息状态更新系统的信息新鲜度分析#br#[J]. 计算机工程与科学, 2025, 47(4): 644-654.
[2]	龚浩成, 朱海, 黄子非, 杨明泽, 张开昱, 吴飞. 基于表征知识蒸馏的WiFi手势识别方法[J]. 计算机工程与科学, 2025, 47(4): 655-666.
[3]	王杨, 许佳炜, 王傲, 宋世佳, 谢帆, 赵传信, 季一木. 融合交叉序列预测和一致性对比的WiFi人体活动识别[J]. 计算机工程与科学, 2025, 47(1): 160-170.
[4]	胡宗承, 段晓威, 周亚同, 何昊. 基于多模态融合的动态手势识别研究[J]. 计算机工程与科学, 2023, 45(4): 665-673.
[5]	郝占军, 乔志强, 党小超, 段渝. 一种基于CSI的高鲁棒性步态识别方法[J]. 计算机工程与科学, 2022, 44(7): 1302-1312.
[6]	赵艺. 基于路径签名的改进时空图卷积网络[J]. 计算机工程与科学, 2022, 44(12): 2213-2219.
[7]	王伟喆, 郭威彤, 杨鸿武, . 手语到情感语音的转换[J]. 计算机工程与科学, 2022, 44(10): 1869-1876.
[8]	刘颜星, 郝占军, 田冉. 基于CSI信号的被动式室内指纹定位算法研究[J]. 计算机工程与科学, 2021, 43(8): 1398-1404.
[9]	党小超, 汝春瑞, 郝占军, . 基于CSI与SVM回归的室内定位方法[J]. 计算机工程与科学, 2021, 43(5): 853-861.
[10]	曹玉东, 蔡希彪. 基于并行小规模卷积神经网络的图像质量评价[J]. 计算机工程与科学, 2021, 43(10): 1810-1816.
[11]	仇增辉, 赫明杰, 林正奎. 基于深度学习的网购评论命名实体识别方法[J]. 计算机工程与科学, 2020, 42(12): 2287-2294.
[12]	严淑萍，段桂华，张士庚. 一种基于视距路径识别的设备无关室内定位算法[J]. 计算机工程与科学, 2018, 40(08): 1412-1419.
[13]	刘辉，代照坤，王龙. 基于Hu-GLCM的手势识别方法研究[J]. 计算机工程与科学, 2018, 40(03): 525-532.
[14]	屈燕琴，李昕，卢夏衍. 基于表观特征分析的手势识别及其应用[J]. J4, 2015, 37(01): 139-145.
[15]	许凯，王敏. 基于手轮廓的深度图像手势识别方法[J]. J4, 2014, 36(5): 941-946.