1.一种基于注意力机制使用WiFi数据进行人体行为识别方法，包括以下步骤：

步骤一：假设WiFi设备天线个数为I，子载波个数为K，利用Intel5300网卡获取WiFi信号信道状态信息(CSI)信息，将第t个数据包表示为Ηt，t为正整数。csit,i,k表示第t(1≤t≤T)个CSI数据包中第i(1≤i≤I)根天线的第k(1≤k≤K)个子载波上的CSI数据。

步骤二：在WiFi系统中，使用正交频分复用(OFDM)将信道宽带选择性衰落分为多个重叠的正交窄带平坦衰落信道，这不仅减弱了码间干扰(ISI)的影响，而且大大提高了无线信道的利用率。我们可以通过傅立叶变换和逆傅里叶变换对信道频率响应(CFR)和信道冲激响应(CIR)进行相互转换。ht,i代表我们所求的第t个数据包中第i条天线所采集数据的CIR，ht,i,Δτ代表CIR中的第Δτ个多径信息。

步骤三：因此，我们通过相关计算选择所需延迟范围内的数据，其中，我们对CIR进行一阶正向差分后计算其最大值，以定位多径选择的起点。同时由于信道噪声的影响，我们无法直接确定最小值的位置，因此我们使用CIR移动平均值的最小值确定多路选择延迟的结束时延。

步骤四：接下来，我们计算CSI的幅值差和相位差信息，构建神经网络输入特征矩阵；

步骤五：发明提出了一种具有时频注意力机制的多层长短期记忆人工神经网络(LSTM)，用于人类活动的识别。该模型在通过频率注意模块输入的每个序列特征中自动选择有价值的子载波特征，并通过时间注意模块将不同的注意分配给不同的时间序列。图1显示了总体架构，它由LSTM主网络，中间网络，时间注意力子网络和频率注意力子网络组成。

步骤六：对于活动的分类，本发明使用一种主网络的输出zt来进行计算行为识别结果的方法。

步骤七：本发明提出了一种损失函数计算公式，并通过采集数据测试，确定了相关参数λ1，λ2分别设置为0.01、0.001。

2.根据权利要求1所述的一种基于注意力机制使用WiFi数据进行人体行为识别方法，所述步骤三，通过分析CIR中不同时延差的数据变化，提出一种有效多径提取的方法，包括以下步骤：由于设备之间的同步误差和信道中信号的传播延迟的影响，在获得的实际数据中，CIR会有一定的延迟滞后，并且从不同的数据包获得的CIR中的延迟滞后也存在差异。我们通过统计分析CIR的变化趋势，发现当视线传输(LOS)路径的信号到达接收器时，幅度会突然改变，突变后的多径幅度将逐渐下降到最小值。LOS信号到达后，此最小路径信号到达约

500ns。然后，CIR逐渐返回到平滑波动，这与通道中的噪声信号非常相似。由此我们可以推断出，在每个CSI数据包中，CIR幅值的突变值和最小值之间的数据就是我们需要的路径的数据。因此，我们通过以下计算选择所需延迟范围内的数据：Δt,i,Δτ＝ht,i,Δτ-ht,i,Δτ-1，

其中，我们对CIR进行一阶正向差分后计算其最大值，以定位多径选择的起点。同时由于信道噪声的影响，我们无法直接确定最小值的位置，因此我们使用CIR移动平均值的最小值确定多路选择延迟的结束时延，即 和接下来，本发明计算CSI的幅值和相位信息，然后使用巴特沃思滤波器直接滤波CSI的幅值数据，对相位信息进行解卷绕和线性误差消除。在获取到真实相位信息后我们使用相邻数据包之间的幅值差和相位差作为特征。

3.根据权利要求1所述的一种基于注意力机制使用WiFi数据进行人体行为识别方法，所述步骤五，通过设计一种深度学习网络模型，实现高鲁棒性、高精度的人体行为识别，包括以下步骤：本发明提出了一种具有时频注意力机制的多层LSTM网络，用于人类活动的识别。该模型在通过频率注意模块输入的每个序列特征中自动选择有价值的子载波特征，并通过时间注意模块将不同的注意分配给不同的时间序列。图1显示了总体架构，它由LSTM主网络，中间网络，时间注意力子网络和频率注意力子网络组成。是频率注意子网和时域注意子网的输出，分别用于为序列和特征分配权重。yt和zt分别是中间网络和主网络的输出。

在每个时间序列t时，子载波特征集为xt，注意力子网络会为每个特征分配唯一的注意力权重，注意力权重的集合为αt：其中Wgα是可以学习的参数矩阵，bα是偏差矢量，而 是LSTM层的隐藏变量。我们使用softmax作为频率注意子网的激活函数来获得频率注意权重。该子网控制每个特征传输到主网络的信息量。如图1所示，输入到下一个网络模块的信息为在时间注意力子网络中，使用具有良好收敛性能的Relu作为激活函数，并将不同的关注βt分配给不同的序列，其中：对于序列特征来说，类似于频率关注子网络，我们从每个时间序列LSTM中间网络的输出yt和权重βt计算流到主网络的信息。如图1所示，主网络输入为对于活动的分类，本发明基于主网络的输出zt来进行计算 在

主网络中，C是本发明需要识别的行为类别数目。本发明通过以下公式确定行为类别：

其中，pc代表人体正在进行第c种动作的概率，最终概率最大的动作即为我们所识别出的动作，即max(p1,p2,…,pC)。

本发明将序列的常规互熵损失函数用于时频注意力网络：

其中li表示数据的标签，如果它属于第i类，则li＝1，如果不属于第i类，则li＝0。l′i代表神经网络模型预测为第i类的概率为l′i＝pi。λ1，λ2是控制正则化程度的超参数，分别设置为0.01、0.001。