一种新的轻量级人类活动识别方法通过L-CTCNN
Xue Ding1, Zhiwei Li2, Jinyang Yu1
1Mobile and Terminal Technology Research Department, China Telecom Research Institute, Beijing 100876, China.
Sensors (Basel, Switzerland)
|December 23, 2023
概括
本研究介绍了一种新的轻量级复杂时间卷积网络 (L-CTCN),用于基于Wi-Fi的人类活动识别. 该模型在显著降低复杂性的情况下实现了高精度,使其成为物联网设备的理想选择.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 基于Wi-Fi的人类活动识别 (HAR) 对各种应用至关重要.
- 深度学习模型提供高性能,但需要大量的资源和数据.
- 现有的方法与轻量级的物联网 (IoT) 设备限制和数据依赖性作斗争.
研究的目的:
- 开发一个适合物联网设备的轻量级和高效的HAR模型.
- 为了减少模型对大,高质量的数据集的依赖.
- 用有限的数据增强功能提取能力.
主要方法:
- 提出了一种新的轻质复杂时间卷积网络 (L-CTCN).
- 集成复杂卷积用于从原始数据中提取更丰富的特征.
- 利用一个时间卷积网络 (TCN) 框架,使用1D卷积和剩余块进行轻量化设计.
主要成果:
- 实现了96.6%的平均识别准确度.
- 该模型有一个小的参数大小,只有0.17万.
- 通过较低的采样率,很少的子载体和有限的样本,表现出强大的性能.
结论:
- L-CTCN有效地平衡了识别性能和模型复杂性.
- 这种方法可以在资源有限的物联网设备上实现高效的HAR.
- 该方法减少了对广泛数据收集和注释的需求.
