迷你批量对齐:用于Wi-Fi-CSI数据的域因子独立特征提取的深度学习模型
Bram van Berlo1, Camiel Oerlemans1, Francesca Luigia Marogna1
1Department of Mathematics and Computer Science, Eindhoven University of Technology, P.O. Box 513, 5600 MB Eindhoven, The Netherlands.
Sensors (Basel, Switzerland)
|December 9, 2023
概括
迷你批量对齐是Wi-Fi传感的一种新技术,通过降低对域因子的灵敏度,可以帮助模型更好地概括. 这种方法在改善手势识别方面显示出有希望,而不需要域名标签或广泛的再培训.
科学领域:
- 计算机科学 计算机科学
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 隐形传感旨在通过重新利用现有的通信技术,将传感能力纳入日常生活.
- 无线忠诚度 (Wi-Fi) 传感,利用频道状态信息 (CSI),是由于无处不在的Wi-Fi网络而是一个有前途的方法.
- 一个重大挑战是CSI数据对域因素 (例如,主体位置/定向) 的敏感性,导致域转移和推断概括性差.
研究的目的:
- 引入和评估"小批量对齐",用于Wi-Fi传感的新型域因子独立特征提取管道.
- 测试小批量对齐可以消除对域名标签的需求,减少再培训和节省计算资源的假设.
- 评估小型批量对齐在缓解手势识别任务中域位移的有效性.
主要方法:
- 开发了一种称为"小批量对齐"的特征提取管道,该管道训练模型在数据批量中不变到中间特征概率密度变化.
- 使用SignFi和Widar3手势识别数据集进行了广泛的实验.
- 通过使用多普勒频谱 (DFS) 和格拉米安角差异场 (GADF) 作为输入类型的单域和双域脱出因子交叉验证来评估性能,并与现有的域转移缓解技术进行比较.
主要成果:
- 微批量对齐与Widar3数据集上的其他域转移缓解技术相比,与DFS输入进行了对一个域交叉验证 (位置/定向).
- 通过对内存进行优化的GADF输入,迷你批量对齐显示出在1个和2个域交叉验证场景中恢复基线模型性能而不会因重量转向而损失性能的潜力.
- 尽管结果很有希望,但由于数据集的局限性,概率分布假设和缩放问题,这些实验没有提供足够的证据来充分验证小型批量对齐假设.
结论:
- 迷你批量对齐展示了作为域位移缓解技术在Wi-Fi传感中的潜力,用于手势识别.
- 需要通过改进的基准数据集和精细的方法进行进一步的研究,以解决发现的陷并充分验证假设.
- 该研究强调了实现强大和可普遍化的无设备传感系统所面临的挑战.
