在室内环境中增强多用户活动识别,使用增强的Wi-Fi通道状态信息和变压器架构
M D Irteeja Kobir1, Pedro Machado1, Ahmad Lotfi1
1Department of Computer Science, Nottingham Trent University, 50 Shakespeare St., Nottingham NG1 4FQ, UK.
Sensors (Basel, Switzerland)
|July 12, 2025
概括
这项研究引入了一种新的深度学习方法,用于使用Wi-Fi信号进行无设备的人类活动识别 (HAR). 混合方法提高了多用户设置的准确性,即使数据有限.
科学领域:
- 计算机科学 计算机科学
- 信号处理 信号处理
- 人工智能的人工智能
背景情况:
- 人类活动识别 (HAR) 对于使用传感器数据监测行为至关重要,但传统方法面临局限性.
- 可穿戴和基于视觉的HAR系统引发了隐私问题,并在动态环境中扎.
- 使用Wi-Fi通道状态信息 (CSI) 的无设备HAR提供了一种保护隐私的替代方案,特别是在多用户场景中.
研究的目的:
- 为了应对数据稀缺性和通用性挑战,在无多用户设备的HAR.
- 提出一种混合深度学习模型,集成CNN和Transformer架构.
- 在具有有限标记数据的复杂环境中提高HAR性能.
主要方法:
- 实施了混合深度学习方法,结合了卷积神经网络 (CNN) 和变压器模型.
- 使用随机转换技术对目标数据增强真实CSI数据.
- 采用混合特征提取,包括基于统计,光谱和的测量.
主要成果:
- 与基线方法相比,拟议的模型在单用户和多用户环境中都显示出更高的性能.
- 结合真实和增强的CSI数据显著增强了模型通用化.
- 在多用户的HAR中有效地解决了数据稀缺和阶级不平衡的挑战.
结论:
- 混合深度学习模型为无设备的人类活动识别提供了强大的解决方案.
- 数据增强和混合特征提取对于改善HAR在数据稀缺,多用户环境中至关重要.
- 这种方法在智能环境中推进了保护隐私的人类行为监控.
关键词:
在美国,CNN是CNN.频道状态信息 (CSI) 是指通道状态信息.人类活动识别 (HAR)数据增强数据增强深度学习是一种深度学习.多用户识别多用户识别隐私保护感应传感器可以保护隐私.信号处理 信号处理 信号处理时间序列分析分析时间序列分析变压器变压器变压器变压器更多相关视频
06:49Evaluation of a Smartphone-based Human Activity Recognition System in a Daily Living Environment
Published on: December 11, 2015
9.0K
04:13Using a Real-Time Locating System to Measure Walking Activity Associated with Wandering Behaviors Among Institutionalized Older Adults
Published on: February 8, 2019
6.8K
