一个高维的,多收发器通道状态信息数据集,用于增强人类活动识别.
Wei Ern Wong1, An Hong Wong1, Wei Qi Peh1
1Monash University, Jalan Lagoon Selatan, Bandar Sunway, 47500 Subang Jaya, Selangor, Malaysia.
Data in brief
|July 25, 2024
概括
本研究引入了使用通道状态信息 (CSI) 进行人类活动识别 (HAR) 的新型数据集. 该数据集通过包括各种活动,运动和环境因素来提高HAR模型的稳定性,以提高现实世界的性能.
科学领域:
- 计算机科学 计算机科学
- 信号处理 信号处理
- 机器学习 机器学习
背景情况:
- 人类活动识别 (HAR) 对现实应用至关重要.
- 现有的基于通道状态信息 (CSI) 的 HAR 数据集缺乏多样性和复杂性.
- 由于培训数据不足,有限的数据集阻碍了强大的HAR模型的开发.
研究的目的:
- 为人类活动识别 (HAR) 引入一种基于CSI的新,多样化和复杂的数据集.
- 使用多个收发器方向和高维子载体捕捉空间多样性.
- 通过结合各种活动,运动,身体组成和环境条件等现实世界因素来解决现有数据集的局限性.
主要方法:
- 一个受控的实验室实验使用四个ESP32-S3-DevKitC-1设备作为Wi-Fi IEEE 802.11n标准下的收发器.
- 从多个收发器方向收集CSI数据,捕捉166个子载体的空间多样性.
- 包括各种人类活动,微观/宏观运动,身体组成变化以及环境噪音/干扰.
主要成果:
- 创建了一个具有增强空间多样性和高维度 (166个子载体) 的新型数据集.
- 数据集涵盖了广泛的活动,流动和环境因素.
- 收集的数据支持开发基于CSI的更强大,更可通用的HAR模型.
结论:
- 新型数据集通过提供更大的多样性和复杂性来克服现有的基于CSI的HAR数据集的局限性.
- 利用这一数据集,可以为现实场景开发更准确,更强大的HAR模型.
- 基于CSI的HAR模型利用多视角空间变化和高维数据显示出增强性能的希望.
