《Internet of Things》：WiAR: Wi-Fi-Based Human Activity Recognition using Time-Frequency Analysis and Lightweight Deep Learning for Smart Environments
编辑推荐：
基于Wi-Fi信道状态信息（CSI）的人类活动识别方法WiAR结合CWT提取时频特征与轻量级CNN实现高效分类，在IEEE 802.11ax数据集上准确率达91.13%，并验证了在树莓派5等边缘设备的实时性。
Vamsi Krishna Puduru | Rakesh Reddy Yakkati | Sreenivasa Reddy Yeduri | Sagar Koorapati | Linga Reddy Cenkeramaddi
组织：印度信息技术设计制造学院计算机科学工程系
地址：Q26Q+GMR, Jagannathagattu Hill, Kurnool, 邮编：518007, 安得拉邦, 印度
摘要
在智能环境中识别人类活动在家庭自动化、安全监控、医疗健康监测等领域具有重要的应用价值。本文提出了一种基于Wi-Fi的人类活动识别方法WiAR，该方法结合了连续小波变换（CWT）和轻量级卷积神经网络（CNN）。该方案在IEEE 802.11ax信道状态信息（CSI）数据集上进行了评估。首先，WiAR利用CWT从Wi-Fi信号中提取的CSI生成频谱图，用于区分不同的活动类型：行走、跑步、静止和空旷空间。随后，这些频谱图通过CNN进行处理以高效地分类这些活动。实验结果表明，与DenseNet、EfficientNet、MobileNet、ResNet和VGGNet等预训练模型相比，WiAR的准确率约为91.1%。最后，该CNN模型被部署在包括Raspberry Pi 5在内的多种边缘计算设备上，以验证其实时应用的可行性。
引言
人类活动识别（HAR）已成为一个关键的研究领域，其应用范围涵盖智能家居、医疗健康、监控等多个领域。HAR的目标是利用各种数据源和技术准确识别和监测人类活动。传统的HAR方法包括使用可穿戴传感器（如体感惯性传感器）、视频监控和计算机视觉技术，每种方法都有其优势和挑战。本文提出了一种针对IEEE 802.11ax CSI设计的轻量级、面向边缘计算的HAR流程。体感惯性传感器因其直接测量能力而被广泛使用，但需要用户佩戴设备，这可能带来不便[1]。计算机视觉技术具有高精度，但存在隐私问题且需要大量计算资源。而基于Wi-Fi信号的环境感知技术则提供了一种非侵入式的解决方案，它利用现有基础设施，成本低廉且易于扩展。在HAR领域最令人瞩目的进展之一是利用从Wi-Fi信号中提取的CSI。基于CSI的HAR方法能够捕捉到由人类活动引起的环境细微变化，具有非侵入性、成本效益高以及无需用户携带或佩戴设备等优点[2][3]。
最近的研究强调了物联网（IoT）网络中基于邻域的数据融合和分布式智能的重要性。例如，[4]提出了一种基于K-means和SVM的融合算法，以提高边缘设备的能效并减少数据冗余。这类工作凸显了为基于WiAR的HAR系统部署轻量级且具有上下文感知能力的机器学习框架的必要性。基于CSI的HAR在多项研究中展示了令人印象深刻的准确率，表明其在实际应用中的潜力[5][6]。基于CSI的HAR的一个优势是在复杂条件下仍能保持高精度。[7]针对传统机器学习（ML）和深度学习（DL）方法在基于CSI的HAR中遇到的挑战，提出了一种基于图的射击学习方法（CSI-GDAM），通过图注意力机制克服了数据收集和识别准确性的限制。该模型采用图卷积网络和图注意力机制，在不同环境中实现了高准确率。此外，[8]提出的DL模型结合了CNN和门控循环单元（GRU）及注意力机制，对特定活动的识别准确率达到了99.31%，证明了基于CSI的方法的鲁棒性和有效性。[9]的研究关注了对抗性攻击对基于深度神经网络（DNN）的分类器的影响，并强调了模型训练的必要性，突出了基于CSI的HAR模型对潜在对抗威胁的抵抗力。[10]提供了一个用于室内HAR的CSI数据集，展示了使用Raspberry Pi和Asus RT-AC86U路由器等低成本硬件实现高精度系统的可行性。安全和隐私仍是物联网驱动的智能系统中的核心挑战。[11]对云、IoT和区块链应用中的基于属性的加密（ABE）标准进行了全面比较分析，强调了可扩展和高效的访问控制机制的重要性。这些研究强调了轻量级、保护隐私的框架在安全IoT数据处理中的重要性，这与WiAR的无设备、非视觉感知设计理念相契合。
综上所述，这些研究凸显了基于CSI的HAR领域的日益增长的研究兴趣和进展，为医疗健康、智能家居和监控等领域提供了具有前景和智能性的活动监测解决方案。本文利用CNN模型进行人类活动分类。我们的工作动机在于开发高效、准确的HAR系统，以便在实际环境中广泛应用。尽管基于CSI的HAR已取得显著进展，但在模型性能、适应不同环境的能力以及其在低成本设备上的实现方式方面仍存在问题。解决这些问题对于推动该领域的发展和实现基于CSI的HAR的日常应用至关重要。本文提出了一种针对IEEE 802.11ax CSI设计的轻量级、面向边缘计算的HAR流程。本文的主要贡献如下：
•最佳方法：
WiAR利用Wi-Fi信号中的CSI、CWT和CNN来识别人类活动，为智能环境中的实际挑战提供了有效的解决方案。WiAR框架结合了时频CWT表示和适用于边缘设备的紧凑型CNN。
•高精度：
所提出的方法在准确分类行走、跑步、静止和空旷空间等人类活动方面的准确率达到了90%至92%，展示了该CNN模型的卓越性能。
•对比：
与多种预训练模型相比，我们的CNN模型表现优异，强调了选择合适模型对于实现最佳活动识别准确性的重要性。
•实际应用：
该模型被部署在包括Raspberry Pi 5在内的多种边缘计算设备上，以验证其实时应用能力。
本文的后续部分安排如下：第2节回顾了该领域的先前研究；第3节概述了数据集详情和预处理步骤，描述了卷积神经网络架构，并介绍了本研究中分析的其他基准模型；第5节比较了所提出模型与基准模型在准确率和推理时间方面的表现；最后，第6节总结了研究结论并提出了未来研究的方向。
相关工作
人工智能（AI）和物联网（IoT）的最新进展显著改变了医疗保健领域，改变了我们诊断、监测和治疗各种疾病的方式。例如，[12]开发了一种创新的非侵入式系统，利用机器学习实时识别人类活动。该系统特别适用于远程医疗，因为它可以准确检测人们是站立、坐着还是进行其他动作，而无需物理接触。
数据集详情和预处理
本研究使用的数据集包含了在IEEE 802.11ax（Wi-Fi 6）环境中收集的CSI测量数据[37]，用于人类活动识别。这些数据捕捉了由人类运动引起的Wi-Fi信号变化，为不同活动的分类提供了有价值的信息。数据集包含四种活动类别：
- •
E：
空旷空间（无人)
- •
W：
人行走
- •
R：
人跑步
- •
S：
人静止
CSI测量数据在5 GHz频段的80 MHz带宽内记录。
提出的CNN模型
所提出的CNN模型旨在利用从Wi-Fi信号中的CSI数据通过CWT获得的频谱图高效识别人类活动。该模型旨在捕捉各种环境中识别人类活动所需的模式。图2展示了所提出CNN模型的架构。下面列出了该模型各层的详细信息：
结果与讨论
本节评估了我们的CNN模型在不同指标下的表现。我们首先解释了模型的构建过程，包括其架构和使用的层类型，同时分析了关键指标，如准确率（模型预测正确的频率）、损失（模型学习的效率）和混淆矩阵（显示模型出错的部位）。我们还讨论了推理时间，即模型训练后的预测速度。
结论
本文介绍了一种基于Wi-Fi的智能活动识别框架WiAR，该框架利用CSI、CWT和轻量级深度学习模型。所提出的方法有效将原始CSI数据转换为时频频谱图，并采用定制的CNN架构准确分类四种活动：行走、跑步、静止和空旷空间。实验结果表明，WiAR的准确率为91.13%，优于多种现有方法。
未引用的参考文献
[参考文献39缺失]
CRediT作者贡献声明
Vamsi Krishna Puduru： 负责撰写初稿、验证、方法论和数据整理。
Rakesh Reddy Yakkati： 负责审稿与编辑、方法论、调查和数据整理。
Sreenivasa Reddy Yeduri： 负责审稿与编辑、验证、监督、方法论、调查、数据整理和概念化。
Sagar Koorapati： 负责审稿与编辑、验证、方法论。
Linga Reddy Cenkeramaddi： 负责审稿与编辑、验证、监督、软件开发和资源协调、项目管理。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。
