通过轻量级注意力-GRU增强WiFiCSI信号来识别人类活动
Hari Kang1, Donghyun Kim1, Kar-Ann Toh1
1School of Electrical and Electronic Engineering, Yonsei University, Seoul 03722, Republic of Korea.
Sensors (Basel, Switzerland)
|March 17, 2025
概括
本研究介绍了一种轻量级模型,用于使用WiFi信号进行人类活动识别 (HAR). 该模型实现了高精度,同时显著降低了复杂性,使其成为实际应用的理想选择.
科学领域:
- 计算机科学 计算机科学
- 电气工程 电气工程
- 信号处理 信号处理
背景情况:
- 人类活动识别 (HAR) 对各种应用至关重要.
- 现有的最先进的 (SOTA) HAR 模型通常具有较大的计算和内存足迹.
- 无线网络通道状态信息 (CSI) 为HAR提供了一个有希望的,非侵入性的传感模式.
研究的目的:
- 使用WiFi CSI开发一个轻量级和高效的HAR模型.
- 为了保持高的识别精度,同时大幅减少模型大小和计算成本.
- 在复杂性方面解决当前SOTA HAR模型的局限性.
主要方法:
- 使用单层门式反复单元 (GRU) 配备了对HAR的注意力机制.
- 实施数据增强和修剪技术以减少模型复杂性.
- 在包括ARIL数据集在内的四个不同的数据集上评估了拟议的模型.
主要成果:
- 实现了高精度,在ARIL数据集上达到约98.92%.
- 显著减少了模型大小,从25210万到0.0578万参数.
- 计算成本从18.06 GFLOP大幅降低到0.01 GFLOP.
- 在准确性和效率方面,在ARIL数据集上表现优于SOTA模型.
结论:
- 建议的基于GRU的轻量级模型与注意力对于使用WiFi CSI的HAR非常有效.
- 该模型可以显著降低复杂性,而不会影响性能.
- 这种方法非常适合实际的,资源有限的HAR部署.


