计算机学科发展迅速,人机智能交互和普适智能计算是其中两个重要分支。人机交互要求交互方式满足自然友好、人性化等特点,普适计算强调和环境融为一体的计算,即人们能够在任何时间、任何地点、以任何方式进行信息获取与处理。它们在人工智能领域和大数据应用中都是重要组成部分。“以人为中心”,是它们的核心思想和追求目标。人体动作识别技术在这两个领域中占有核心地位,是重要的支撑技术。因此深入对人体动作识别研究,对发展普适智能计算和人机智能交互技术都有重要意义,从而直接在虚拟现实、运动康复、智能家居等领域发挥着重要的作用。传统的人体动作识别方法有很多种,如机械式运动捕获、声学式运动捕获、电磁式运动捕获、基于图像/视频的动作捕获,以及近几年兴起的基于无线信号动作捕获等。其中,基于视频/图像的人体动作识别技术和基于惯性传感器(参数)人体动作识别技术是目前主流的两个人体动作识别技术。这两种技术目前均比较成熟,并且诞生了一些有代表性的商业产品,如微软的Kinect、Leap公司的Leap motion以及诺亦腾公司推出的动作捕获系统。但是它们的缺点也比较明显,基于视频/图像的人体动作识别对于光线比较敏感,且只能工作于视距范围内;基于惯性传感器的人体动作识别虽然目前能够识别较多的人体动作,但它需要用户携带或部署大量的传感器节点,花费较高、部署麻烦,还会给用户身体带来额外的负担。为了解决以上问题,本文利用无线信道状态信息(Channel State Information,CSI)进行动作识别。与传统的利用信号指示强度值(Received Signal Strength Indication,RSSI)的人体动作识别方法相比较,CSI反映信号传输过程中物理层的信息,更能够反映出实际环境中的变化信息。本文利用普通的Wi-Fi路由器和商用无线网卡,设计出在普通公寓环境中的非侵入式的乒乓球动作识别方法。由于乒乓球运动是一项复杂的全身性动作,这给动作识别过程中的异常检测、异常提取以及动作分类等工作带来重大的挑战。本文的研究工作具体分为以下三个部分:(1)原始数据的采集和预处理。该部分讲述了用商用无线设备搭建实验平台获取原始CSI数据,并根据要求将CSI数据转换成为我们需要的形式。由于环境中存在大量的干扰因素,根据干扰因素的特点,本文采用巴特沃兹低通滤波结合小波软阈值去噪的方法,有效地去除数据流中的噪声。同时,本文的工作也包含了利用特殊硬件设备(DMR***无线电监测系统)对远程人体活动监测的数据,其处理方法同CSI数据处理方法类似,但数据和具体处理有些不同。(2)异常检测以及异常提取。我们结合自身的实际应用,设计了符合自身应用特点的异常检测方法—基于主成分分析(Principal Component Analysis,PCA)的异常检测算法。它能够准确地检测出人体数据流中是否有动作产生,并且准确地找出动作持续的区间。对CSI数据流的检测率高达98%,对于特殊硬件获取的数据流检测率则高达100%,这无疑证明该方法的有效性以及通用性。(3)特征提取、样本分类。对于异常提取的动作样本,本文采用频谱分析和小波包分解方法提取出能够恰好反映出人体动作的特征值,最后采用支持向量机进行训练和分类。对于6个乒乓球动作识别的平均正确率达90.33%,然后进一步探索基于CSI的人体动作识别对于区别更小的人体动作的识别效果,结果正确识别率降至80%,与先前研究人员所提出的理论得到了证实。本文在普通家庭环境中进行基于CSI的人体动作识别实验,其结果证实本文提出的方法的可行性以及有效性,对CSI进行人体动作识别的效果有比较清晰的认知。同时,基于特殊硬件的远程人体活动监测实验部分也验证了远距离监测人体活动方法是可行的、有效的。