SenseFi: A Library and Benchmark on Deep-Learning-Empowered WiFi Human Sensing
Nanyang Technological University(南洋理工大学);University of Edinburgh(爱丁堡大学);Institute for Infocomm Research(信息通信研究院);Agency for Science, Technology and Research(新加坡科技研究局)
WiFi传感近年来发展迅速。在传播模型和深度学习方法的支持下,实现了许多具有挑战性的应用,例如基于WiFi的人类活动识别和手势识别。然而,与视觉识别和自然语言处理的深度学习相比,还没有足够全面的公共基准。在本文中,我们回顾了深度学习使WiFi传感的最新进展,然后提出了一个基准,SenseFi,研究各种深度学习模型的WiFi传感的有效性。这些先进的模型进行了比较,在不同的传感任务,WiFi平台,识别精度,模型大小,计算复杂性,功能的可移植性和适应性的无监督学习。也被视为基于深度学习的WiFi感知的教程,从CSI硬件平台开始到感知算法。广泛的实验为我们提供了深度模型设计,学习策略技能和现实世界应用培训技术的经验。据我们所知,这是第一个在WiFi传感研究中使用开源库进行深度学习的基准测试。基准代码可在https://github.com/xyanchen/WiFi-CSI-Sensing-Benchmark上获得。
2023-02-17 cs.AI cs.LG eess.SP
RoboMNIST: A Multimodal Dataset for Multi-Robot Activity Recognition Using WiFi Sensing, Video, and Audio
Northeastern University(东北大学);Mayo Clinic(梅奥诊所)
本文提出RoboMNIST多模态数据集,通过两个Franka Emika机械臂同步采集WiFi CSI、视频和音频,以支持多机器人活动识别并增强机器人环境感知。
2025-02-17 cs.RO cs.SY eess.SP
WiFi based Multi user Activity Recognition via User Conditioned Spatial Attention
National Mobile Communications Research Laboratory, Southeast University(东南大学)
针对WiFi多用户活动识别中信号叠加与用户关联难题,提出UCSA模块,通过FiLM条件化空间注意力生成用户专属注意力图,结合SMSA,在WiMANS基准上以超93%平均准确率超越九个基线。
2026-09-22 eess.SP
Wi-CBR: Salient-aware Adaptive WiFi Sensing for Cross-domain Behavior Recognition
Wi-CBR通过显著性感知自适应WiFi传感技术,有效解决跨域行为识别中的信号干扰问题,提升模型泛化能力与特征融合效果。
2025-12-16 cs.CV eess.SP
WiMANS: A Benchmark Dataset for WiFi-based Multi-user Activity Sensing
Imperial College London(帝国理工学院)
针对现有WiFi人体感知多聚焦单用户、缺乏多用户基准数据集的问题,该研究提出首个WiFi多用户感知基准数据集WiMANS,含9.4小时以上双频CSI及同步视频,并用于基准测试主流模型,可推动相关领域研究。
2024-03-12 cs.AI cs.CV cs.MM
Exploiting WiFi Channel State Information for Residential Healthcare Informatics
在辅助生活和远程监控等领域,人类活动的检测和解释已成为一个具有挑战性的医疗保健问题。除了依赖于可穿戴设备和摄像头系统的传统方法外,基于WiFi的技术正在发展成为室内监控和活动识别的有前途的解决方案。这部分是由于WiFi在诸如家庭和护理设施的住宅环境中的普遍性质以及基于WiFi的感测的不显眼性质。先进的信号处理技术可以使用商用现货(COTS)设备或定制硬件准确地提取WiFi信道状态信息(CSI)。这包括相位变化、频移和信号电平。在本文中,我们描述了在WiFi CSI中的多普勒频移的医疗应用,所引起的人类活动发生在信号覆盖区域。该技术被证明可以识别不同类型的人类活动和行为,非常适合在医疗保健中的应用。三个实验案例研究,以说明在辅助生活和住宅护理环境中的WiFi CSI多普勒传感的能力。我们还讨论了现实世界场景的潜在机遇和实际挑战。
2017-12-09 eess.SP
WiFi-TCN: Temporal Convolution for Human Interaction Recognition based on WiFi signal
National Central University(台湾中央大学)
本文提出TCN-AA方法,利用时间卷积网络结合数据增强与注意力机制,在WiFi信号人体交互识别中以更低计算成本达到99.42%的准确率,优于现有方法。
2024-01-11 cs.CV cs.LG eess.SP
RoboFiSense: Attention-Based Robotic Arm Activity Recognition with WiFi Sensing
Northeastern University(东北大学);Mayo Clinic(梅奥诊所)
本文提出利用WiFi CSI和注意力网络BiVTC识别机械臂活动,研究嗅探器位置影响,并发布八种活动的RoboFiSense基准数据集。
2024-05-06 cs.RO eess.SP
WiFi-based Cross-Domain Gesture Recognition Using Attention Mechanism
本文提出基于Wi-Fi信号和注意力机制的跨域手势识别方法,通过融合多角度信息和多语义注意力机制,实现高精度的域内和跨域识别性能。
2025-12-04 cs.CV eess.SP
WiFiEye -- Seeing over WiFi Made Accessible
虽然通常用于通信目的,但最近越来越多的研究认为WiFi用于传感。特别地,无线信号被改变(例如,反射和衰减)。这可以被观察者感知,以推断关于人类活动或环境变化的信息,因此可以通过WiFi“看到”。到目前为止,基于WiFi的传感工作已经产生了一套定制软件工具-每个工具都是为特定目的而设计的。此外,考虑到文献的分散程度,甚至很难确定构建基于WiFi的传感的基本系统所需的所有步骤/功能。这导致了很高的进入壁垒,阻碍了这一领域的进一步研究。目前还没有努力整合这些工具或建立一个通用的软件框架,可以作为进一步研究的基础,例如,使用机器学习来解释改变的WiFi信号。为了解决这个问题,在本文中,我们提出了WiFiEye -一个通用的软件框架,使所有必要的步骤/功能可用的“开箱即用”。通过这种方式,WiFiEye使研究人员能够轻松引导新的基于WiFi的传感应用,从而专注于研究而不是实施方面。为了说明WiFiEye的工作流程,我们提出了一个基于WiFi的人类活动识别的案例研究。
2022-04-06 cs.NI eess.SP
CSI-Bench: A Large-Scale In-the-Wild Dataset for Multi-task WiFi Sensing
Origin Research(Origin研究机构)
CSI-Bench是一个大规模真实场景下的多任务Wi-Fi传感数据集,旨在通过真实环境下的数据收集和标准化评估支持鲁棒且可泛化的模型开发。
2025-11-20 cs.AI cs.DB eess.SP
DeepCount: Crowd Counting with WiFi via Deep Learning
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Collaborative Innovation Center of Novel Software Technology and Industrialization(新型软件技术与产业化协同创新中心);Nantong University(南通大学)
近年来,无线传感的研究取得了更多的智能成果,借助WiFi设备可以实现对人体位置和活动的智能感知。然而,目前人类的环境感知工作大多局限于单个人的环境,因为多人存在的环境比单个人存在的环境复杂。为了解决多人环境下的人类行为感知问题,我们首次提出了在有WIFI信号的封闭环境下,利用深度学习实现人群计数(推断人口)的解决方案-- DeepCout,这是多人环境下的首创。步由于使用WiFi直接统计人群过于复杂,我们使用深度学习来解决这个问题,使用卷积神经网络(CNN)自动提取人数与信道之间的关系,并使用长短期记忆(LSTM)来解决人数与信道状态信息(CSI)的依赖关系。为了克服深度学习方法所需的大量标记数据,我们增加了一个在线学习机制,通过活动识别模型来确定是否有人进入/离开房间,从而在微调阶段纠正深度学习模型,从而减少了所需的训练数据,并使我们的方法随着时间的推移而不断发展。DeepCount系统在商业WiFi设备上进行了测试和评估。通过大量的训练样本,我们的端到端学习方法可以在最多5人的环境中实现平均86.4%的预测准确率。同时,通过活动识别模型的修正机制判断开门,得到人群的方差,对深度学习预测结果进行修正,准确率达到90%以上。
2019-03-13 cs.LG eess.SP
WiFi-based Spatiotemporal Human Action Perception
Queen Mary University of London(伦敦玛丽女王大学);Onfido Research London(Onfido伦敦研究院)
基于WiFi的感知人类活动识别(HAR)最近已成为一个热门话题,因为与基于视频的HAR相比,它带来了巨大的好处,例如消除视线(LOS)的需求和保护隐私。然而,让WiFi信号“看到”动作是相当粗糙的,因此仍处于起步阶段。提出了一种端到端时空WiFi信号神经网络(STWNN),以实现在视距和非视距场景下的仅WiFi感知。特别地,3D卷积模块能够探索WiFi信号的时空连续性,并且特征自注意模块可以显式地保持主导特征。此外,一种新的3D表示的WiFi信号的设计,以保持多尺度时空信息。此外,一个小的无线视觉数据集(WVAR)同步收集,以扩展STWNN的潜力,“看到”通过闭塞。WVAR和其他三个公共基准数据集上的定量和定性结果表明,我们的方法在准确性和移位一致性方面的有效性。
2022-06-20 cs.CV eess.SP
AutoFi: Towards Automatic WiFi Human Sensing via Geometric Self-Supervised Learning
Nanyang Technological University(南洋理工大学);University of California, Berkeley(加州大学伯克利分校)
在灵巧家庭中,WiFi传感技术以其成本效益和隐私保护的优点在各种传感器中显示出优越性。它由从WiFi信号中提取的信道状态信息(CSI)和高级机器学习模型授权来分析CSI中的运动模式。许多基于学习的模型已经被提出用于各种应用,但是它们严重地受到环境依赖性的影响。虽然已经提出了领域自适应方法来解决这个问题,但是在新的环境中收集高质量的、良好分割的和平衡的CSI样本对于自适应算法来说是不切实际的,但是可以容易地收集随机捕获的CSI样本。{ \color{black}在本文中,我们首先探索如何从这些低质量CSI样本中学习鲁棒模型,并提出AutoFi,一种基于新的几何自监督学习算法的注释高效WiFi感知模型。} AutoFi充分利用随机捕获的未标记的低质量CSI样本,然后将知识转移到用户定义的特定任务中,这是WiFi感知中实现跨任务转移的第一项工作。AutoFi在一对Atheros WiFi AP上实现以进行评估。AutoFi将随机收集的CSI样本中的知识转移到人类步态识别中,并实现最先进的性能。此外,我们使用公共数据集模拟跨任务迁移,以进一步证明其跨任务学习的能力。对于UT-HAR和Widar数据集,AutoFi在活动识别和手势识别方面取得了令人满意的结果,而无需任何事先训练。我们相信AutoFi在没有任何开发人员参与的情况下向自动WiFi传感迈出了一大步。
2022-12-10 cs.AI cs.HC cs.LG
OPERAnet: A Multimodal Activity Recognition Dataset Acquired from Radio Frequency and Vision-based Sensors
本文提出了一个全面的数据集,旨在评估被动的人类活动识别(HAR)和定位技术与同步射频(RF)设备和基于视觉的传感器获得的测量。该数据集由RF数据组成,包括从WiFi网络接口卡(NIC)提取的信道状态信息(CSI)、基于软件定义无线电(SDR)平台构建的无源WiFi雷达(PWR)以及经由商用现成硬件获取的超宽带(UWB)信号。它还包括从Kinect传感器获取的基于视觉/视频的数据。提供了大约8小时的带注释的测量结果,这些测量结果是从进行6项日常活动的6名参与者的两个房间中收集的。该数据集可用于推进WiFi和基于视觉的HAR,例如,使用模式识别、骨架表示、深度学习算法或其他新方法来准确识别人类活动。此外,它可以潜在地用于被动地跟踪室内环境中的人。这些数据集是在智能家居、老年人护理和监控应用中开发新算法和方法所需的关键工具。
2021-10-08 eess.IV eess.SP
Self-Supervised Learning for WiFi CSI-Based Human Activity Recognition: A Systematic Study
Coventry University(考文垂大学);Institute for Infocomm Research (IR)(资讯通信研究院);A*STAR(新加坡科技研究局)
本文系统评估了四类SSL算法在三个公开CSI HAR数据集上的表现,揭示了其在实际WiFi人体活动识别应用中的局限性与盲点,为后续研究与工业部署提供了实用指南。
2023-07-19 cs.AI cs.HC cs.LG
Neural networks trained with WiFi traces to predict airport passenger behavior
University of Padova(帕多瓦大学);University of Bologna(博洛尼亚大学)
本文提出了利用神经网络预测机场旅客在航站楼内的活动选择。提出了三种网络架构:前馈神经网络(FNN),长短期记忆(LSTM)网络,以及两者的组合。这些模型的输入既有静态的(乘客和行程特征),也有动态的(实时乘客跟踪)。一个真实的案例研究证明了这些模型的应用,使用在博洛尼亚机场收集的匿名WiFi跟踪来训练网络。模型的性能进行了评估,根据错误分类率的乘客活动的选择。在LSTM方法中,测试了两种不同的多步预测策略。根据我们的研究结果,直接LSTM方法比FNN提供了更好的结果,特别是当预测范围相对较短(20分钟或更短)时。
2019-10-30 cs.LG eess.SP stat.AP
Rethinking RSSI for WiFi Sensing
University of Technology Sydney(悉尼科技大学)
本文提出WiRSSI,通过仅使用RSSI实现WiFi传感的人体跟踪与运动检测,展示RSSI在无CSI情况下仍能提供有效传感性能。
2026-02-24 eess.SP
Using GAN to Enhance the Accuracy of Indoor Human Activity Recognition
Shahid Beheshti University(沙希德·贝赫什提大学);Middlesex University(密德萨斯大学)
室内人体活动识别(HAR)探索人体运动与反射的WiFi信号之间的相关性,以分类不同的活动。通过分析WiFi信号模式,特别是信道状态信息(CSI)的动态,可以区分不同的活动。从定时和设备的角度来看,收集CSI数据都是昂贵的。在本文中,我们使用合成数据,以减少对实际测量CSI的需要。我们提出了一种用于基于CSI的活动识别系统的半监督学习方法,其中采用长短期记忆(LSTM)来学习特征并识别七种不同的动作。我们应用主成分分析(PCA)的CSI幅度数据,而短时傅里叶变换(STFT)提取的特征在频域。首先,我们用完全原始的CSI数据训练LSTM网络,这需要更多的处理时间。为此,我们的目标是通过使用50%的原始数据与生成对抗网络(GAN)相结合来生成数据。我们的实验结果证实,该模型可以提高3.4%的分类准确率,并减少了近16%的日志损失在考虑的情况下。
2020-04-23 cs.LG eess.SP
A Prospective Approach for Human-to-Human Interaction Recognition from Wi-Fi Channel Data using Attention Bidirectional Gated Recurrent Neural Network with GUI Application Implementation
Islamic University of Technology(伊斯兰技术大学);University of Toronto(多伦多大学);Khulna University of Engineering and Technology(库尔纳工程技术大学)
本研究提出基于Wi-Fi信道状态信息与Attention-BiGRU模型的人对人并发交互识别方法,实现13种交互分类,最高准确率94%,并开发了GUI应用。
2023-05-09 cs.AI cs.LG eess.SP
Activity-dependent resolution adjustment for radar-based human activity recognition
School of Electrical and Electronics Engineering, Pusan National University(釜山大学电气与电子工程学院)
本文提出了一种基于活动特征自适应调整雷达分辨率的方法,以提高人体活动识别的准确率。
2025-12-22 eess.SP
AmbientFM: A Foundation Model for Ambient Sensing
Origin Research, Rockville, USA(起源研究, 罗克维尔, 美国);The University of Hong Kong, Hong Kong, China(香港大学, 香港, 中国)
AM-FM通过WiFi实现环境智能的基础模型,利用大规模未标记数据预训练,提升跨任务性能和数据效率。
2026-10-27 cs.LG eess.SP
AI-Powered Non-Contact In-Home Gait Monitoring and Activity Recognition System Based on mm-Wave FMCW Radar and Cloud Computing
在本文中,我们利用人工智能,云计算和雷达技术,创建智能传感,使智能应用程序能够改善人们的日常生活。
2022-08-11 eess.SP
A Wireless-Vision Dataset for Privacy Preserving Human Activity Recognition
Queen Mary University of London(伦敦玛丽女王大学);Onfido Research(Onfido研究院)
人类活动识别(HAR)最近在辅助生活和远程监控等众多应用中受到了极大的关注。基于传感器和视觉技术的现有解决方案已经取得了成就,但仍然受到环境要求的相当大的限制。像基于WiFi的传感这样的无线信号已经成为一种新的范例,因为它方便并且不受环境的限制。在本文中,一个新的基于WiFi和视频的神经网络(WiNN),提出了提高活动识别的鲁棒性同步视频作为无线数据的补充。此外,一个无线视觉基准(WiVi)收集9类动作识别在三种不同的视觉条件下,包括场景没有遮挡,部分遮挡,和完全遮挡。机器学习方法-支持向量机(SVM)以及深度学习方法都用于数据集的准确性验证。我们的研究结果表明,WiVi数据集满足主要的需求,在所提出的管道中的所有三个分支保持超过$80\%$的多个动作分割从1秒到3秒的活动识别精度。特别是,与其他方法相比,WiNN在三个动作分割的所有动作方面是最鲁棒的方法。
2022-05-24 cs.CV eess.IV eess.SP
A Framework for Behavior Privacy Preserving in Radio Frequency Signal
近年来,以人为中心的无线传感应用蓬勃发展,其中一些人的信息,如用户的身份和运动,可以通过分析目标人造成的信号失真,检索。然而,无线传输的开放性引起了对用户隐私的越来越多的关注,因为在某些场景中,包括个人住宅、实验室和办公室,人的身份或人的运动是敏感的。研究人员报告说,商品WiFi信号可以被滥用来识别用户。为了消除这种威胁,在本文中,我们提出了一个隐私保护框架,有效地隐藏在无线信号中的用户行为的信息,同时保留用户认证的能力。我们的框架的核心是一个新的基于Siamese网络的深度模型,即RFBP-Net。通过这种方式,无线传感适度地揭示了用户信息。我们在真实的WiFi和RFID系统以及开放数据集上进行了广泛的实验。实验结果表明,RFBP-Net能够显著降低活动识别的准确率,即,RFID系统减少70%,WiFi系统减少80%,用户认证准确性略有下降,即,RFID和WiFi系统分别仅减少5%和1%。
2020-04-10 cs.CR eess.SP
CIG-MAE: Cross-Modal Information-Guided Masked Autoencoder for Self-Supervised WiFi Sensing
Queen Mary University of London(伦敦玛丽女王大学);University of West London(西伦敦大学)
研究利用WiFi CSI进行人类行为识别,针对监督方法受限及现有SSL不适用于CSI的问题,提出CIG-MAE,采用对称双流架构、自适应掩码策略和正则化器,实验证明其在多方面优于现有方法,提升了数据效率等。
2026-09-22 cs.CV eess.SP
BSDGAN: Balancing Sensor Data Generative Adversarial Networks for Human Activity Recognition
Nanjing Tech University(南京工业大学);Xidian University(西安电子科技大学)
物联网技术的发展使得各种传感器可以集成到移动设备中。基于传感器数据的人体活动识别(HAR)已成为机器学习和普适计算领域的一个活跃的研究课题。然而,由于人类活动的频率不一致,人类活动数据集中每项活动的数据量是不平衡的。由于传感器资源的有限性和人工标注传感器数据的高成本,人体活动识别面临着高度不平衡的活动数据集的挑战。在本文中,我们提出了平衡传感器数据生成对抗网络(BSDGAN)生成传感器数据的少数人类活动。建议BSDGAN由一个发电机模型和一个可重构模型。考虑到人类活动数据集的极端不平衡性,使用自动编码器初始化BSDGAN的训练过程,确保每个活动的数据特征可以学习。生成的活动数据与原始数据集相结合,以平衡人类活动类别之间的活动数据量。我们在两个公开的不平衡人类活动数据集WISDM和UNIMIB上部署了多个人类活动识别模型。实验结果表明,BSDGAN能够有效地捕捉真实人体活动传感器数据的数据特征,生成真实感较强的合成传感器数据。同时,平衡的活动数据集可以有效地帮助活动识别模型提高识别精度。
2022-08-07 cs.LG eess.SP
Human Activity Recognition (HAR) in Smart Homes
人类活动识别(HAR)通常包括监视和分析一个或多个人的行为,以推断他们的活动。在灵巧家庭环境中,HAR包括监视居民的日常活动。由于这种监控,灵巧家庭可以提供家庭辅助服务,以提高居民的生活质量,自主性和健康,特别是对于老年人和受抚养人。
2021-12-20 cs.HC eess.SP
EmbraceNet for Activity: A Deep Multimodal Fusion Architecture for Activity Recognition
Yonsei University(延世大学)
使用多个传感器的人体活动识别是近几十年来一个具有挑战性但有前途的任务。在本文中,我们提出了一个深度多模态融合模型的活动识别的基础上最近提出的特征融合架构命名为EmbraceNet。我们的模型独立处理每个传感器数据,将特征与EmbraceNet架构相结合,并对融合的特征进行后处理以预测活动。此外,我们还提出了额外的流程来提高模型的性能。我们将从我们提出的模型中获得的结果提交给SHL识别挑战,团队名称为“Yonsei-MCML”。"
2020-04-29 cs.LG eess.SP stat.ML
A Close Look into Human Activity Recognition Models using Deep Learning
University of Wisconsin-Eau Claire(威斯康星大学欧克莱尔分校)
使用深度学习技术的人类活动识别由于其识别复杂任务的高效性以及与更传统的机器学习技术相比成本相对较低而变得越来越流行。本文调查了一些最先进的人类活动识别模型,这些模型基于深度学习架构,具有包含卷积神经网络(CNN)、长短期记忆(LSTM)或混合系统的多种类型的层。分析概述了如何实施模型,以最大限度地提高其有效性和它面临的一些潜在的限制。
2022-04-26 cs.CV eess.SP
Context-Aware Predictive Coding: A Representation Learning Framework for WiFi Sensing
York University(约克大学);Cognitive Systems Corp.(认知系统公司);University of the Fraser Valley(弗雷泽河谷大学)
本文提出上下文感知预测编码(CAPC)自监督学习框架,融合CPC与Barlow Twins以学习WiFi CSI的时序和上下文表示,并通过上下行CSI增强提升鲁棒性,在人类活动识别任务上以更少标注样本超越监督学习和自监督基线,展现出优异的跨域泛化能力。
2024-09-16 cs.LG eess.SP
Fully Convolutional Network Bootstrapped by Word Encoding and Embedding for Activity Recognition in Smart Homes
IMT Atlantique(大西洋矿业电信学院);Delta Dore company(Delta Dore公司)
当我们希望为居民提供自动服务时,智能家居中的活动识别至关重要。然而,它在环境、感觉运动系统以及用户习惯的可变性方面提出了挑战。因此,端到端系统无法在没有大量预处理的情况下自动提取关键特征。我们建议通过合并自然语言处理(NLP)和时间序列分类(TSC)领域的方法来解决智能家居中活动识别的特征提取问题。我们评估了我们的方法在自适应系统高级研究中心(CASAS)发布的两个数据集上的性能。此外,我们分析了使用NLP编码的Bag-Of-Word与嵌入的贡献,以及FCN算法自动提取特征和分类的能力。我们提出的方法在离线活动分类中表现出良好的性能。我们的分析还表明,FCN是一个合适的智能家居活动识别算法,并突出了自动特征提取的优势。
2020-12-01 cs.AI eess.SP
AdaSense: Adaptive Low-Power Sensing and Activity Recognition for Wearable Devices
Brown University(布朗大学)
可穿戴设备具有严格的功率和内存限制。因此,需要在不牺牲精度的情况下优化这些设备上的功耗。本文介绍了AdaSense:一个感知,特征提取和分类协同优化的人类活动识别框架。所提出的技术通过根据用户活动在不同传感器配置之间动态切换来降低功耗。该框架选择的配置,代表帕累托边界的准确性和能源的权衡。AdaSense还使用低开销处理和分类方法。所介绍的方法实现了69%的降低功耗的传感器与不到1.5%的活动识别精度下降。
2020-06-10 cs.HC cs.LG eess.SP
Investigating Deep Neural Network Architecture and Feature Extraction Designs for Sensor-based Human Activity Recognition
Sharif University of Technology(谢里夫理工大学);Allameh Tabataba'i University(阿拉姆·塔巴塔巴伊大学)
该研究针对基于传感器的人体活动识别任务,在两个数据集上开展实验,探究不同深度学习、机器学习方法、训练机制及特征表示的性能与有效性。
2023-09-26 cs.AI cs.LG eess.SP
Deep Adversarial Learning with Activity-Based User Discrimination Task for Human Activity Recognition
AASS, Örebro University(厄勒布鲁大学AASS研究中心);Faculty of Information Science and Electrical Engineering, Kyushu University(九州大学情报科学与电气工程学院);ETSIDI, Universidad Politéctina de Madrid(马德里理工大学高等航空工程技术学院)
本文提出含新型基于活动的用户判别任务的对抗深度学习框架,以缓解 HAR 中的人际差异,并在三个数据集的 LOOCV 基准上取得优于以往方法和任务的分类效果。
2025-03-18 cs.CV cs.LG eess.SP
Human Activity Recognition Using LSTM-RNN Deep Neural Network Architecture
University of Pretoria(比勒陀利亚大学);Malmö University(马尔默大学)
使用原始传感器数据来建模和训练用于人类活动识别的网络可以用于许多不同的应用,从健身跟踪到安全监控应用。这些模型可以很容易地扩展到使用不同的数据源进行训练,以提高准确性或扩展不同预测类别的分类。本文讨论了WISDM提供的可用数据集和不同轴的每个类的独特功能。此外,设计了一个长短期记忆(LSTM)架构模型的人类活动识别的应用。在前500次训练中,准确率超过94%,损失小于30%。
2019-05-02 cs.LG eess.SP stat.ML
Classification of human activity recognition using smartphones
智能手机已经成为通信手段中最受欢迎和最广泛使用的设备。如今,通过嵌入式传感器可以在移动设备上识别人类活动,可以利用嵌入式传感器通过预测用户活动来管理移动设备上的用户行为。为了达到这一目的,本研究对存储活动特征、分类以及将它们映射到学习算法进行了研究。在这项研究中,我们通过深度信念网络对测试和训练数据进行分类,训练数据的正确诊断率为98.25%,测试数据的正确诊断率为93.01%。因此,在这项研究中,我们证明了深度信念网络是一种适用于这一特定目的的方法。
2020-01-06 cs.CY cs.LG eess.SP