1.一种WiFi干扰环境下的CSI人体跌倒识别方法，其特征在于：包括以下步骤：S1：在WiFi干扰环境下的室内区域获取无活动、跌倒、坐下、站立、行走活动相关数据，通过CSI信号强度向量、CSI噪声阈值计算干扰强度P及活跃比率A，结合CSI包接收率PRR构建干扰特征映射矩阵S(P,A,PRR)，利用所述矩阵计算干扰指数Iindex进行干扰判别；包括以下步骤：

S11：首先在WiFi干扰环境下的室内区域分别按照无活动、跌倒、坐下、站立、行走活动类型进行数据采集，依次按活动类型、时间先后序列对CSI数据中的幅值、时间标记、CSI信号强度向量、CSI噪声阈值、CSI包接收率PRR进行提取；

S12：通过CSI信号强度向量和CSI噪声阈值计算干扰强度P及活跃比率A，得到干扰特征F(P,A)，结合CSI包接收率PRR构建WiFi干扰特征映射矩阵S(P,A,PRR)，再利用该矩阵计算各信道干扰指数；

S13：干扰指数Iindex用于反映信道n的WiFi干扰大小，根据干扰指数对数据进行干扰检测及干扰程度划分，将存在干扰的CSI数据与未存在干扰的CSI数据按照活动类型、时间先后序列、干扰程度作标记处理，构建为干扰数据集与未干扰数据集；

S2：采用基于干扰指数的动态子载波选择算法CSI‑DSSA选取干扰数据中互相关性最弱的子载波组合，实现WiFi干扰过滤；采用多链路数据融合方法CSI‑MLDF聚合未受干扰数据中多条数据流的时域特征信息，提高数据可靠性；包括以下步骤：S21：选取所述干扰数据集，构建CSI的相关系数矩阵特征模型，利用基于干扰指数的动态子载波选择算法对干扰数据集进行干扰过滤处理；

S22：提取干扰过滤后的数据集和未干扰数据集，采取巴特沃斯低通滤波结合小波变换去噪的方式进行数据处理，对数据中存在的无关信息进行过滤，包括噪声和异常值；

S3：在步骤S2的基础上进行时域特征值提取，特征值包括均值、标准差、平均绝对偏差、最大值、百分位数，将特征数据按照活动种类进行归类处理；

S4：基于SVM分类算法，以步骤S3的特征数据作为输入，构建适用于WiFi干扰环境下的SVM多活动分类模型，并对模型进行测试优化，获得跌倒活动识别结果。

2.根据权利要求1所述的WiFi干扰环境下的CSI人体跌倒识别方法，其特征在于：步骤S12中，所述信道干扰指数的计算步骤如下：首先，Hrssi为以周期Ts采集的CSI数据中RSSI值所组成的向量，用|Hrssi|表示所采集的RSSI个数，通过噪声阈值Noisethr来判断提取的RSSI值是否为噪声，即当RSSI值小于等于Noisethr时，将该值视为信道噪声；

1)Hrem_rssi为Hrssi去除噪声后的Hrssi向量，则干扰强度为：

2)Hactive为0/1向量，当且仅当Hrssi(i)＞Noisethr，Hactive＝1，否则Hactive＝0，则活跃比率为：

3)基于干扰强度、活跃比例、包接收率构建WiFi干扰特征映射矩阵S(P,A,PRR)；

①令Pmin和Pmax分别为可能出现的最小和最大干扰程度，Amax为可能出现的最大活跃比率，以网格划分参数P和A的取值空间，在P轴方向的取值范围为[Pmin,Pmax]，单元宽度为ΔP；

在A轴方向的取值范围为[0,Amax]，单元宽度为ΔA；让每个网格点对应一个干扰特征，并建立一个特征映射矩阵F用于存储所有干扰特征(P,A)所对应的PRR估计值；给定特征(P,A)的一组测量值PRR1,PRR2,…,PRRs，该特征对应的PRR估计值为：②为各干扰特征(P,A)收集足够数量的测量值后，建立特征映射矩阵S；

③根据特征映射矩阵S计算出各信道的干扰指数，当前WiFi信道的干扰特征为(P,A)，信道i的干扰特征为(Pi,Ai)，干扰特征(Pi,Ai)与(P,A)之间的距离为：令S中距(P,A)最近的K个干扰特征分别为(P1,A2),(P2,A2),…(PK,AK)，干扰特征(P,A)对应的干扰状态的PRR估计值为：

④假设WiFi干扰源信道为m，发送端信道为n，计算干扰指数Iindex为：

3.根据权利要求2所述的WiFi干扰环境下的CSI人体跌倒识别方法，其特征在于：步骤S21具体包括以下步骤：

S211：根据Pearson相关系数分析得到，信号之间的rxy相关强度表示为：相关系数利用两个变量之间的协方差和标准差来定义相关强度，其中f是序列x和序列y的长度，表示序列x的均值，表示序列y的均值，t表示时间，xt表示t时刻变量x的值，yt表示t时刻变量y的值；

S212：由于CSI信号在信道中传播，每一根发射天线和每一根接收天线之间有一条传输路径，设Hij为第i根发射天线到第j根接收天线之间的信道脉冲响应，整个MIMO系统的信道响应用一个N×M的复矩阵H表示：

使用长度为w的动态滑动窗口对干扰数据集中连续时间序列的CSI数据包进行处理，形成如下H矩阵：

H＝[Hi,Hi+1,...,Hi+w‑1]       (9)其中，Hi表示第i个CSI数据包的信道矩阵，滑动窗口的长度为w，每条数据流共有30个子载波，因此H为30×w大小的矩阵；

S213：引入信道状态矩阵H，结合Pearson相关系数来表示子载波之间的序列相关性，以此来描述子载波之间相关性的细粒度；通过分析CSI数据序列中30个子载波之间的互相关性，计算相关系数矩阵C表示如下：

其中，C(Hi,Hj)即为Hi和Hj的相关系数，如下列公式所示：C(Hi,Hj)值的大小表示Hi和Hj的相关程度，C(Hi,Hj)的值越小，则矩阵H中Hi和Hj两列的相关系数就越低，若在采样时刻CSI值差距越大，则表示环境前后变化越明显；

S214：根据IEEE 802.11n标准的CSMA/CA机制，子载波在频谱上重叠会导致子载波功率分配不均，削弱子载波之间的相关性；因此利用基于干扰指数的动态子载波选择算法对干扰数据集进行干扰过滤处理，算法步骤如下：(1)设定滑动窗口大小wf将受干扰的CSI数据流进行分区，滑动窗口总数N'如下所示：其中L表示数据流的长度，wf表示滑动窗口大小，i表示CSI数据流个数；

(2)根据窗口总数N'决定循环次数，根据干扰指数Iindex确定子载波选择数量k，输出待选的子载波集合C″，具体步骤如下：①根据求得的窗口总数N'决定循环次数，然后依据CSI相关系数矩阵特征模型，计算得th

到第f 个窗口内30个子载波间的相关系数，生成矩阵Rx,y；

②将矩阵Rx,y中数值按从小到大的顺序依次排列，生成数组If；

③根据corrcoef(a,b)＝mf，令数组If中最小的值为mf，选取得到相关性最弱的两个子载波(a,b)，将子载波(a,b)添加到集合C″f＝{a,b}中；

④令C″f中已有子载波数量为a，当n＜k时，将C″f中已有子载波与剩余30‑a个子载波进行相关性分析，每次选取一个与已有子载波相关性系数之和最小的子载波加入C″f中；共执行k‑n次后，将C″f添加到集合C″中；

⑤循环次数f＝f+1，滑动至下一个窗口重复上述步骤，直至循环次数f＝N'时结束循环；

(3)对C″集合中数据求取众数并按从大到小的顺序进行排列，取前k个子载波添加到组合C″k，判断C″k中子载波是否在[1,10],[11,20],[21,30]区间内皆有分布，如果成立，则令C″s＝C″k输出结果；否则重新选取子载波进行判断，直至满足以上条件；

步骤S22具体步骤如下：

S221：采用二阶巴特沃斯滤波器对数据进行处理，巴特沃斯低通滤波：用如下振幅的平方对频率的公式表示：

其中，b表示滤波器的阶数，w是信号的角速度，以弧度/秒为单位，wc为截止频率；

S222：对上述结果采用基于CSI的小波变换方法进行处理，具体步骤如下：输入的CSI序列为H(t)，将H(t)分解为如下形式：H(t)＝Ac+Dc+Dc‑1+...+D1       (14)其中Ac表示第c分解层次的CSI信号中低频近似成分，Dc、Dc‑1、D1分别表示第c、第c‑1、第

1分解层次的CSI信号中高频细节成分，c表示分解层次；

在每一层的分解得到的系数描述为：

其中 为低频的近似函数， 为高频的细节系数，xd表示第d个输入， 和是两组离散正交的小波基函数，离散小波变换的逆变换表示为：然后采用阈值处理的方法，在数据中去除小波细节系数的噪声成分；由于人体无活动、跌倒、坐下、站立、行走活动的频率相对较低，其特征主要包含在近似成分中，通过提取包含低频信息的近似成分，用于后面分析不同人体动作的特征；最后采用多链路数据融合方法对未受干扰的数据进行处理，具体步骤如下：(1)首先在初始时对第一次动作的所有数据流提供相同的权值设置为1，并在形成最终采集数据时进行均值聚合，其中N″代表数据流数量，如下所示：(2)在原训练集中提取动作指纹的特征值，通过处理获得其聚类中心后，以此中心点对应的特征值e0作为动作的标准，另外在进行本次动作分类后，得到该组动作的特征值em，其中h表示特征值的维度，如下所示：

(1) (2) (h) T

e0＝(e0 ,e0 ,...,e0 )      (19)(1) (2) (h) T

em＝(em ,em ,...,em )      (20)(3)计算本次动作N″条数据流的特征值em与标准动作特征值e0的欧式距离，得到欧式距离Lm如下所示：

(4)根据N″条数据流得出的欧式距离Lm得到每条链路所占的权重，然后进行归一化处理，得到链路的欧式距离 如下所示：(5)利用归一化后的欧式距离 作为本条数据流的权值反馈到各自的数据链路上，通过求取均值计算出聚集CSI的时序序列k(t)′，如下列式子所示：S223：将所有处理过的数据集按照活动类型进行分类存放，以便进行特征提取。

4.根据权利要求3所述的WiFi干扰环境下的CSI人体跌倒识别方法，其特征在于：步骤S3具体包括以下步骤：

S31：根据步骤S2的结果，进行活动的时域特征值提取，特征值包括均值、标准差、平均绝对偏差、最大值、百分位数，具体包括：(1)采用均值来反映CSI活动数据中的集中趋势，如下所示：(2)采用标准差来反映CSI活动数据的波动情况，如下所示：(3)采用平均绝对偏差CSI活动数据中的偏差情况，如下所示：(4)采用最大值反映CSI活动数据的极值大小程度，如下所示：mmax(k)＝max[Hk(s),Hk(s+1),...,Hk(s+Na‑1)]      (27)(5)通过计算CSI的P百分位来判断一个样本在整个数据集所处的位置和大概分布，评估人体活动时不同的身体部分和腿部的速度，第25百分位数和第75百分位数如下所示：以上公式中，s表示数据包的索引号，k代表第k个子载波，Na表示有活动的持续的数据包个数，Hk表示提取到包含有人体活动的CSI序列；

S32：将上述特征数据按活动类型及时间序列整理归类，作为基于SVM算法的跌倒活动分类识别模型的输入值。

5.根据权利要求4所述的WiFi干扰环境下的CSI人体跌倒识别方法，其特征在于：所述步骤S4具体包括以下步骤：

S41：将提取的有效的均值、标准差、平均绝对偏差、最大值、百分位数特征数据映射到高维空间中，变为高维空间中的线性可分问题，引入核函数为 则跌倒活动识别分类问题表示为：

式中w′表示最优分类超平面的权系数；b′表示分类阀值，l表示Lagrange算子的个数；

εi是为解决线性不可分问题引入的松弛因子，只有离群点会有松弛变量，εi越大，表示离群越远；考虑到放弃这些离群点将损失分类准确度，所以引入惩罚因子`C(`C＞0)，对上述问题的对偶问题表示为：

式中Qij＝yiyjk(xi,xj)，e为所有为1的向量，αi是拉格朗日算子，α是αi的集合，最终决策函数为：

根据无活动、跌倒、坐下、站立、行走活动类型的数据特征，选择合适的核函数和惩罚因子`C来确定SVM，核函数选择径向基RBF核函数，如下所示：2

k(xi,xj)＝exp(‑γ||xi‑xj||),γ＞0     (33)其中的γ为核参数；

结合WiFi干扰环境下的CSI跌倒活动数据特征，构建基于RBF核函数的SVM算法模型，其性能主要由惩罚因子`C和核函数宽度g决定，惩罚因子`C和g分别选取`N和`M个值，对`N×`M个(`C,g)的组合分别训练SVM，然后通过搜索最高值的方法确定最终训练SVM的最优网络参数；

S42：由于支持向量机本身不支持多类问题，本方法涉及5种活动类型的分类，因此需要

5个SVM分类器组合来完成多类样本的分类，故采用多分类中的“一对一”分类模式；在实际模型训练时，选取无活动、跌倒、坐下、站立、行走5种特征值中80％的数据作为预训练集，

20％的数据作为测试集；然后每次从预训练集中挑选出两种活动来作为训练集，分别通过SVM分类器进行训练，共能得到10个训练结果；在测试验证时，把对应的测试集分别对10个结果进行测试，最后采取投票形式，得到5个活动的分类结果。